首页/文章/ 详情

RED-ACT | 8月8日日本7.1级地震破坏力分析

28天前浏览2004

Real-time Earthquake Damage Assessment using City-scale Time history analysis 

(RED-ACT)

致谢和声明:

       感谢日本K-Net为本研究提供数据支持,感谢东京大学苏迪老师提供相关信息。本分析仅供科研使用,具体灾情和灾损分析应根据现场调查情况确定。


一、地震情况简介

据中国地震台网正式测定,北京时间8月8日15时42分(当地时间8月8日16时42分)在日本九州岛附近海域发生7.1级地震,震源深度30公里,震中位于北纬31.80度,东经131.70度。


二、强震记录及分析

      20240808日本7.1级地震获得了30组地震动,由于地震动没有完全收集,可能还有更强的记录。典型地震记录分析如下:

MYZ016典型站位置北纬31.613度,东经131.375度,记录到水平向地震动峰值加速度为277 cm/s/s。该地震动及反应谱如图1、图2所示。  

(a) EW

 

(b) NS

(c) UD

图1 典型台站地面运动记录

 

图2  典型台站典型记录反应谱


三、地震动对典型城市区域破坏能力分析

根据中国地震学会标准《基于强震动记录的地震破坏力评估T/SSC 1—2021》(参阅新标准发布 :基于强震动记录的地震破坏力评估),利用密布强震台网在震后获取的实时地震动信息,再结合城市抗震弹塑性分析,就可以得到地震发生后不同地点的建筑破坏情况,为抗震救灾决策提供科学支撑。图3为根据本次地震震中附近范围内台站记录分析得到的建筑震害分布示意图。图4为根据本次地震震中附近范围内台站记录分析得到的人员加速度感受分布示意图。

 

图3 不同台站地震记录破坏力分布图

 

图4 不同台站地震记录人员加速度感受分布图


四、台站附近地震滑坡分析

根据当地地形数据、岩性数据和实测地面运动记录,可以计算得到不同滑坡体饱和比例下的滑坡分布,如图5所示。其中,底图为当地坡度分布图,每个圆圈代表每个台站的计算结果,圆圈中的数字代表发生滑坡的临界坡度,台站附近坡度大于该数值的地方滑坡发生概率高。

 
 
 

(a)滑坡体饱和比例为 0%

 
 
 

(b)滑坡体饱和比例为50%

 
 
 

(c)滑坡体饱和比例为 90%

图5 不同台站附近地震滑坡分布


五、地震动对典型单体结构破坏能力分析

(1) 对典型多层框架结构破坏作用

模型1:三层框架结构(感谢中国建筑设计研究院王奇教授级高工提供模型)

       将典型台站记录输入立面布置如图6(a)所示的6度、7度和8度设防的典型三层钢筋混凝土框架结构,得到其层间位移角包络如图6(b)所示。

   
   

(a)立面布置示意图           (b)层间位移角

图6 典型三层钢筋混凝土框架结构


(2) 对典型砌体结构破坏作用

模型1:单层未设防砌体结构

       选取图7所示纪晓东等开展的单层未设防砌体结构振动台试验模型,输入典型台站记录,分析结果表明该结构将处于严重破坏状态。(纪晓东等,北京市既有农村住宅砖木结构加固前后振动台试验研究,建筑结构学报,2012,11,53-61.)

 

图7 单层三开间农村住宅砖木结构振动台试验


模型2:五层简易砌体结构

       选取图8所示朱伯龙等开展的五层简易砌体结构足尺试验模型,输入典型台站记录,分析结果表明该结构将处于轻微破坏状态。(朱伯龙等,上海五层砌块试验楼抗震能力分析,同济大学学报,1981,4,7-14.)

   
   

(a)平面图                        (b)剖面图

图8 五层简易砌体结构布置


(3) 对典型桥梁破坏作用

模型1:某80年代公路桥梁(感谢福州大学谷音教授提供模型)

       选取图9所示某80年代公路桥梁模型,输入典型台站记录,分析结果表明该结构将处于中度破坏状态。

 

图9 某80年代公路桥梁模型


模型2:某特大桥引桥(感谢福州大学谷音教授提供模型)

       选取图10所示某特大桥引桥模型,输入典型台站记录,分析结果表明该结构将处于中度破坏状态。

 

图10 某特大桥引桥模型


RED-ACT震害应急评估结果讨论

1. 日本7.3级地震RED-ACT评估结果与实际震害及日美评估结果对比

2. 7月12日唐山古冶5.1级地震RED-ACT分析结果与实际震害对比

3. 5月18日云南巧家5.0级地震RED-ACT分析结果与实际震害对比

4. 1月19日新疆伽师6.4级地震美国PAGER系统和清华RED-ACT系统评估结果对比

5. 美国加州7.1级地震破坏力分析小结:分析结果、与实际震害对比及思考

6. 0518松原地震RED-ACT评估结果与实际震害对比

7. 透过"热闹"看"门道" | 0516昭通4.7级地震分析与讨论

8. 5月2日美国波多黎各5.4级地震RED-ACT系统评估结果与实际震害情况对比


RED-ACT的科学原理

1. 连续反转三次!我该怎么办?| 从617宜宾6.0级地震和618日本6.8级地震谈起

2. 为什么需要发展城市抗震弹塑性分析 | 从8.8九寨沟地震和8.21意大利地震谈起

 
 

---End---

来源:陆新征课题组
ACT振动非线性化学建筑消防BIMOpensees材料科普数字孪生控制试验人工智能
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2024-08-14
最近编辑:28天前
地震那些事
博士 抗震防灾数值模拟仿真
获赞 38粉丝 50文章 546课程 0
点赞
收藏
作者推荐

新论文:基于大语言模型和生成式AI的剪力墙结构智能设计和优化系统

论文:Intelligent Design and Optimization System for Shear Wall Structures based on Large Language Models and Generative Artificial Intelligence 我们课题组近4、5年来一直在思考:大语言模型在结构设计中能发挥怎样的作用。在结构设计过程中,工程师往往需要先设计一个初始布置,再通过反复的调整找到一个最优结果,整个过程复杂繁琐且依赖于设计经验,而大语言模型恰好可以作为一个代理工程师,帮我们自动完成整个任务。 “我们的目标是这样的:工程师只要动动嘴就行了,大模型要考虑的就多了。” 图1 利用大语言模型实现剪力墙结构设计1研究背景 目前剪力墙结构设计在概念设计、建模、分析、优化等细分方向的智能化上已经有了一些初步的进展,但尚缺乏将各阶段智能技术整合为一个系统的研究,设计便利性有待进一步提升。因此我们希望开发一个智能系统,根据用户需求实现剪力墙结构全流程的自动化设计和优化。 为了更好地集成设计流程中的每个步骤,需要一个核心控制器来调用每个步骤的智能算法,而大语言模型就是一个很好的智能代理(Agent)。 (图片采用DALL-E生成)2系统架构 在系统核心的控制层中首先解析输入的设计需求文本,规划后续需要执行的任务并提供相关参数,之后根据解析结果选择相应的算法,包括结构生成和结构优化两大类,然后输入待设计图纸,执行算法,返回生成结果。通过用户和控制器的多轮迭代交互,即可不断优化设计的结果,最终得到符合要求的结构设计方案。 图2 剪力墙结构智能设计优化系统控制层架构 下面介绍系统中的三个主要模块,大语言模型控制器、生成算法以及优化算法。2.1 大语言模型控制器 大语言模型控制器采用提示词工程构建,将待使用的生成和优化算法抽象为函数,在提示词中给定每个函数对应的名称以及参数,令大语言模型生成一个JSON格式的回答,并利用大语言模型对JSON格式的结果进行检查和校正,保证结果的准确性。 图3 大语言模型控制器调用生成和优化方法完成设计2.2 生成算法 生成阶段为输入的建筑图纸布置剪力墙,我们之前提出的三架马车(详见:AIstructure-Copilot实现“三驾马车”驱动:Diffusion Model智能设计上线!)都可以直接采用,包括生成对抗神经网络,图神经网络,和扩散模型。具体算法实现可以参考往期推送。揭秘人工智能设计剪力墙结构的科学原理 | 新论文:基于生成对抗网络的剪力墙结构设计方法新论文:基于图神经网络的剪力墙布置人工智能设计方法Diffusion Model智能设计原理揭秘 | 论文和发明专利:基于扩散模型的剪力墙结构智能设计2.3 建筑结构智能设计数据传递基础 我们在优化阶段延续拓扑-模式-尺寸三层次优化(详见:拓扑-模式-尺寸三层次的优化改进AI结构设计 | 新论文:基于规则学习与编码的剪力墙智能设计优化)的思路,提出了一种两阶段优化方法,首先基于结构设计经验与规范中的要求,采用遗传算法实现拓扑和模式层面的优化,初步确定结构布置的形式,再基于具体的力学和材料用量计算,通过YJK-GAMA的Online learning算法实现模式的调整和构件尺寸的优化。 图4 剪力墙结构两阶段优化方法3案例分析 对一个真实案例进行分析, 第一轮对话令其生成一个高度23.2米,抗震设防烈度为8度的剪力墙结构,调用生成算法得到对应结果,第二轮对话则令其修改剪力墙的形状以及角点处的布置,调用优化算法完善设计结果。两轮对话结果如图5所示。 图5 基于文本交互的剪力墙结构生成优化案例 进一步比较不同方法设计结果的差异,采用本研究提出的生成+两阶段优化方法可以得到一个更安全经济的设计结果,如图6所示。 图6 比较不同方法设计的剪力墙结构布置4结语 本研究对大语言模型在结构智能设计中的应用做了一个初步的尝试,所提出的剪力墙结构智能设计优化系统,将设计效率提高约 30 倍,通过语言交互有效降低了使用门槛。同时,利用大语言模型控制器可以理解工程师的意图并管理各种模块,允许用户根据个性化需求进行定制。 随着大语言模型的不断发展,我们也会继续探索大语言模型在结构设计中应用的更多可能性,欢迎各位专家、老师、同学共同交流探讨。--End-- ai-structure.com联系方式 商务问题请联系:黄盛楠(huangshengnan@mail.tsinghua.edu.cn)技术问题请联系:廖文杰(liaowj17@tsinghua.org.cn)相关论文Liao WJ, Lu XZ, Huang YL, Zheng Z, Lin YQ, Automated structural design of shear wall residential buildings using generative adversarial networks, Automation in Construction, 2021, 132, 103931. DOI: 10.1016/j.autcon.2021.103931.Lu XZ, Liao WJ, Zhang Y, Huang YL, Intelligent structural design of shear wall residence using physics-enhanced generative adversarial networks, Earthquake Engineering & Structural Dynamics, 2022, 51(7): 1657-1676. DOI: 10.1002/eqe.3632.Zhao PJ, Liao WJ, Xue HJ, Lu XZ, Intelligent design method for beam and slab of shear wall structure based on deep learning, Journal of Building Engineering, 2022, 57: 104838. DOI: 10.1016/j.jobe.2022.104838.Liao WJ, Huang YL, Zheng Z, Lu XZ, Intelligent generative structural design method for shear-wall building based on “fused-text-image-to-image” generative adversarial networks, Expert Systems with Applications, 2022, 118530, DOI: 10.1016/j.eswa.2022.118530.Fei YF, Liao WJ, Zhang S, Yin PF, Han B, Zhao PJ, Chen XY, Lu XZ, Integrated schematic design method for shear wall structures: a practical application of generative adversarial networks, Buildings, 2022, 12(9): 1295. DOI: 10.3390/buildings1209129.Fei YF, Liao WJ, Huang YL, Lu XZ, Knowledge-enhanced generative adversarial networks for schematic design of framed tube structures, Automation in Construction, 2022, 144: 104619. DOI: 10.1016/j.autcon.2022.104619.Zhao PJ, Liao WJ, Huang YL, Lu XZ, Intelligent design of shear wall layout based on attention-enhanced generative adversarial network, Engineering Structures, 2023, 274, 115170. DOI: 10.1016/j.engstruct.2022.115170.Zhao PJ, Liao WJ, Huang YL, Lu XZ, Intelligent beam layout design for frame structure based on graph neural networks, Journal of Building Engineering, 2023, 63, Part A: 105499. DOI: 10.1016/j.jobe.2022.105499. Zhao PJ, Liao WJ, Huang YL, Lu XZ, Intelligent design of shear wall layout based on graph neural networks, Advanced Engineering Informatics, 2023, 55, 101886, DOI: 10.1016/j.aei.2023.101886Liao WJ, Wang XY, Fei YF, Huang YL, Xie LL, Lu XZ*, Base-isolation design of shear wall structures using physics-rule-co-guided self-supervised generative adversarial networks, Earthquake Engineering & Structural Dynamics, 2023, DOI:10.1002/eqe.3862.Feng YT, Fei YF, Lin YQ, Liao WJ, Lu XZ, Intelligent generative design for shear wall cross-sectional size using rule-Embedded generative adversarial network, Journal of Structural Engineering-ASCE, 2023, 149(11). 04023161. DOI:10.1061/JSENDH.STENG-12206.Fei YF, Liao WJ, Lu XZ*, Guan H*, Knowledge-enhanced graph neural networks for construction material quantity estimation of reinforced concrete buildings, Computer-Aided Civil and Infrastructure Engineering, 2023, DOI: 10.1111/mice.13094.Zhao PJ, Fei YF, Huang YL, Feng YT, Liao WJ, Lu XZ*, Design-condition-informed shear wall layout design based on graph neural networks, Advanced Engineering Informatics, 2023, 58: 102190. DOI: 10.1016/j.aei.2023.102190.Fei YF, Liao WJ, Lu XZ*, Taciroglu E, Guan H, Semi-supervised learning method incorporating structural optimization for shear-wall structure design using small and long-tailed datasets, Journal of Building Engineering, 2023, DOI:10.1016/j.jobe.2023.107873Liao WJ, Lu XZ*, Fei YF, Gu Y, Huang YL, Generative AI design for building structures, Automation in Construction, 2024, 157: 105187. DOI: 10.1016/j.autcon.2023.105187Zhao PJ, Liao WJ, Huang YL, Lu XZ*, Beam layout design of shear wall structures based on graph neural networks, Automation in Construction, 2024, 158: 105223. DOI: 10.1016/j.autcon.2023.105223Qin SZ, Liao WJ*, Huang SN, Hu KG, Tan Z, Gao Y, Lu XZ, AIstructure-Copilot: assistant for generative AI-driven intelligent design of building structures, Smart Construction, 2024, DOI: 10.55092/sc20240001Gu Y, Huang YL, Liao WJ, Lu XZ*, Intelligent design of shear wall layout based on diffusion models, Computer-Aided Civil and Infrastructure Engineering, 2024, DOI: 10.1111/mice.13236Fei YF, Liao WJ, Zhao PJ, Lu XZ*, Guan H, Hybrid surrogate model combining physics and data for seismic drift estimation of shear-wall structures, Earthquake Engineering & Structural Dynamics, 2024, DOI: 10.1002/eqe.4151Han J, Lu XZ, Gu Y, Cai Q, Xue HJ, Liao WJ, Optimized data representation and understanding method for the intelligent design of shear wall structures, Engineering Structures, 2024, 315: 118500. DOI: 10.1016/j.engstruct.2024.118500--End--来源:陆新征课题组

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习 福利任务 兑换礼品
下载APP
联系我们
帮助与反馈