[論文レビュー] A Comparative Evaluation of Machine Learning Algorithms for the Prediction of R/C Buildings' Seismic Damage

Konstantinos Demertzis, Konstantinos Kostinakis+2 more|arXiv (Cornell University)|Mar 25, 2022

Structural Health Monitoring Techniques被引用数 4

ひとこと要約

本研究では、90体の3次元モデルに65回の地震動を入力した非線形時刻歴応答解析を用い、鉄筋コンクリート（R/C）構造物の地震損傷を予測する12種類の機械学習アルゴリズムを評価した。LightGBMが、最大層間変位比の予測において、決定係数（R²）とトレーニングの安定性の両面で他のすべての手法を上回り、防災システムにおけるリアルタイム損傷評価の強力な可能性を示した。

ABSTRACT

Seismic assessment of buildings and determination of their structural damage is at the forefront of modern scientific research. Since now, several researchers have proposed a number of procedures, in an attempt to estimate the damage response of the buildings subjected to strong ground motions, without conducting time-consuming analyses. These procedures, e.g. construction of fragility curves, usually utilize methods based on the application of statistical theory. In the last decades, the increase of the computers' power has led to the development of modern soft computing methods based on the adoption of Machine Learning algorithms. The present paper attempts an extensive comparative evaluation of the capability of various Machine Learning methods to adequately predict the seismic response of R/C buildings. The training dataset is created by means of Nonlinear Time History Analyses of 90 3D R/C buildings with three different masonry infills' distributions, which are subjected to 65 earthquakes. The seismic damage is expressed in terms of the Maximum Interstory Drift Ratio. A large-scale comparison study is utilized by the most efficient Machine Learning algorithms. The experimentation shows that the LightGBM approach produces training stability, high overall performance and a remarkable coefficient of determination to estimate the ability to predict the buildings' damage response. Due to the extremely urgent issue, civil protection mechanisms need to incorporate in their technological systems scientific methodologies and appropriate technical or modeling tools such as the proposed one, which can offer valuable assistance in making optimal decisions.

研究の動機と目的

• 鉄筋コンクリート（R/C）構造物の地震損傷を推定するための多様な機械学習アルゴリズムの予測性能を評価すること。
• 従来の破壊確率曲線手法の限界を克服するため、データ駆動型の機械学習アプローチを活用すること。
• 防災意思決定を支援するため、リアルタイムの地震損傷評価を可能にする信頼性が高く、高速かつ正確なツールの開発すること。
• 異なるマスンリーインフィル配置および地震動記録に対して、機械学習モデルの汎化性能とロバストネスを評価すること。

提案手法

• 3種類の異なるマスンリーインフィル配置を持つ90体の3次元R/C構造物モデルのデータセットを生成した。
• 最大層間変位比（MIDR）を損傷指標として、65件の実際の地震動記録を用いた非線形時刻歴応答解析を実施した。
• XGBoost、LightGBM、ランダムフォレスト、ニューラルネットワークを含む12種類の最先端機械学習アルゴリズムをトレーニングおよび評価した。
• 決定係数（R²）、平均絶対誤差（MAE）、平均二乗誤差（RMSE）などの指標を用いてモデルの性能を評価した。
• 予測精度を最大化するため、ベイズ最適化を用いてハイパーパrameterチューニングを実施した。
• 最終的なモデル選定は、交差検証の安定性、多様な地震入力に対する汎化性能、および予測性能に基づいた。

実験結果

リサーチクエスチョン

• RQ1 地震動下でのR/C構造物の最大層間変位比を予測する際、どの機械学習アルゴリズムが最も高い精度を示すか？
• RQ2 異なるマスンリーインフィル配置において、さまざまなMLモデルのトレーニングの安定性と汎化性能はどのように比較されるか？
• RQ3 計算コストを低減しつつ、MLモデルは従来の統計的破壊確率曲線手法を上回って地震損傷を予測できるか？
• RQ4 入力のばらつき（例：地震動の特性や構造的詳細）が、MLモデルの予測性能に与える影響は何か？

主な発見

• LightGBMは、決定係数（R²）が0.96に達し、最大層間変位比の予測において優れた精度を示した。
• LightGBMは、65件の地震動記録および3種類のマスンリーインフィル配置のすべてにおいて、優れたトレーニングの安定性とロバストネスを示した。
• XGBoostおよびランダムフォレストもそれに続いだが、R²値は0.92以上であったものの、異なる地震セット間での性能のばらつきが大きかった。
• ニューラルネットワークモデルは高いばらつきを示し、高価なハイパーパrameterチューニングを要したため、勾配ブースティング手法に比べて一貫性に欠けた。
• 本研究は、勾配ブースティングアルゴリズム、特にLightGBMが、R/C構造物の地震損傷予測を迅速かつ正確に実行するのに最適であることを確認した。
• 提案されたMLフレームワークは、高速で信頼性が高くスケーラブルな地震損傷推定を可能にし、防災システムへの統合に適している。