[论文解读] Efficient Seismic fragility curve estimation by Active Learning on Support Vector Machines

Rémi Sainct, Cyril Feau+2 more|arXiv (Cornell University)|Sep 25, 2018

Structural Health Monitoring Techniques参考文献 20被引用 4

一句话总结

该论文提出了一种基于支持向量机（SVMs）的主动学习框架，可高效估计非参数化地震易损性曲线，同时最大限度减少结构分析计算量。通过将结构响应视为基于破坏阈值的二分类问题，并使用SVM得分作为概率性强度指标，该方法仅需100至1,000次仿真即可实现高精度，其陡峭程度和精度均优于传统基于峰值地面加速度（PGA）的易损性曲线及参数化模型。

ABSTRACT

Fragility curves which express the failure probability of a structure, or critical components, as function of a loading intensity measure are nowadays widely used (i) in Seismic Probabilistic Risk Assessment studies, (ii) to evaluate impact of construction details on the structural performance of installations under seismic excitations or under other loading sources such as wind. To avoid the use of parametric models such as lognormal model to estimate fragility curves from a reduced number of numerical calculations, a methodology based on Support Vector Machines coupled with an active learning algorithm is proposed in this paper. In practice, input excitation is reduced to some relevant parameters and, given these parameters, SVMs are used for a binary classification of the structural responses relative to a limit threshold of exceedance. Since the output is not only binary, this is a score, a probabilistic interpretation of the output is exploited to estimate very efficiently fragility curves as score functions or as functions of classical seismic intensity measures.

研究动机与目标

• 开发一种非参数化、计算高效的地震易损性曲线估计方法，避免依赖对数正态分布等参数化假设。
• 减少地震概率风险评估（SPRA）中所需昂贵的非线性时程分析次数。
• 通过使用SVM得分而非传统参数（如PGA）作为强度指标，识别最优的地震强度度量指标。
• 解决参数化模型在模拟地震激励下复杂结构行为时的局限性。
• 将主动学习与SVM结合，智能选择最具信息量的仿真，从而最小化计算负担。

提出的方法

• 使用Box-Cox变换将地震输入简化为相关参数（如PGA、V、L、ω₀），以提升SVM性能。
• 采用二分类SVM判断每个地震输入样本下结构是否超过破坏阈值。
• 应用主动学习策略，迭代选择最不确定或最具信息量的仿真进行标注，从而最小化所需分析次数。
• 利用SVM决策函数输出（即“得分”）作为易损性曲线估计的概率性强度指标。
• 将SVM得分解释为破坏概率估计，从而构建基于得分的易损性曲线，或与传统强度指标进行对比。
• 采用线性与RBF核SVM的混合策略：在线性区域用于高置信度预测，RBF核用于不确定区域，以提升鲁棒性。

实验结果

研究问题

• RQ1 使用SVM的主动学习是否能显著减少估计地震易损性曲线所需的结构分析次数？
• RQ2 SVM得分是否作为强度指标比传统参数（如PGA）更准确且更陡峭？
• RQ3 在线性SVM与RBF核SVM之间，其在易损性曲线精度与计算成本方面的表现如何比较？
• RQ4 结合线性和RBF核的SVM混合方法是否能在不损失精度的前提下提升鲁棒性？
• RQ5 数据预处理（如Box-Cox变换）在多大程度上提升了线性SVM在易损性曲线估计中的性能？

主要发现

• 仅使用100次仿真结合线性SVM与Box-Cox预处理，该方法得到的易损性曲线相对于参考蒙特卡洛曲线的L₂误差仅为1.8%。
• 基于得分的易损性曲线比基于PGA的曲线更陡峭且更精确，表明其对破坏潜力的判别能力更强。
• 在测试设置中，基于L的易损性曲线与基于PGA的曲线表现相当。
• RBF核SVM需1,000次仿真才能达到0.85的PRBP，但单独使用时产生高达20%的L₂误差，表明其在易损性曲线构建中存在不稳定性。
• 采用线性SVM处理高置信度区域、RBF核处理不确定区域的混合方法，实现了2.3%的L₂误差，显著优于纯RBF核方法，且接近最优线性方法的表现。
• SVM得分被证明是有效且可靠的强度指标，具有替代或超越传统地震参数的潜力。