首页/文章/ 详情

8月8日7.1级地震后,日本又发布了“巨大地震注意”警报

4月前浏览3639


1

什么是“巨大地震注意”警报   

8月8日发生在日本的7.1级地震,到目前为止,0人死亡,14人受伤。倒塌房屋一栋,破坏2栋(图1),总体上看情况还行。 

图1 日本总务省消防厅统计的伤亡和损失情况
(最新版报告时间:8月9日14:00)

然而,这次地震发生后,日本上下却如临大敌,日本发布了“巨大地震注意”警报(图2),认为未来一周左右发生后期地震的可能性高于正常水平。据日本共同社报道,爱知、和歌山、高知、鹿儿岛4县19个市町村开设了90多处避难所。在设想可能受灾的地区,防备地震的工作全面展开。东海道新干线减速行驶,和歌山县白滨町关闭海水浴场。日本首相岸田文雄也取消了出访行程。

图2 日本气象厅、总务省消防厅等发布的“巨大地震注意”警报

地震预报是一个大难题,特别是短期和临震 预报尤其困难,日本此次如此郑重其事的为一周内的大地震做准备,想来必是有什么特殊原因。于是我就查阅了一些相关资料。
学过地理的都知道,日本东南侧就是一大串海沟。这里地壳运动活跃,一直是大地震的发源地。历史上大约每隔88.2年就会在这附近发生一次超大地震,给日本造成重大灾难(图3)。

图3 日本南海附近断层及历史地震活动(资料来源:久田嘉章教授)

因此,日本对其南海地震风险一直高度重视,并有专门研究方案。成果也很丰硕(图4)。

图4 日本内阁府关于日本南海地震的网页

日本在2012年发布了第一版日本南海超大地震的损失估计,根据日本方面的研究,日本东海地区震毁或烧毁的建筑物数量:95.4万~238.2万栋,死亡8万~32.3万人。近畿地区震毁或烧毁的建筑物数量:95.1万~ 237.1万栋,死亡5万~27.5万人。四国地区震毁或烧毁的建筑物数量:94万~236.4万栋,死亡3.2万~22.6万人。九州地区震毁或烧毁的建筑物数量:96.5万~ 238.6万栋,死亡3.2万~22.9万人(图5)。 

图5 2012版日本南海超大地震损失预测结果

此后日本又对上述结果不断进行修订,比如这是2013年发布的日本南海超大地震损失预测结果(图6)。

图6 2013版日本南海超大地震损失预测结果

从以上分析可以看出,一旦真的发生日本南海超大地震,对日本的打击将非常巨大。所以为了做好准备,自2019年开始,日本制定了日本南海超大地震的一系列应对方案。基本原则就是,如果日本南海地震预定区域发生8级地震,则进入“巨大地震警戒”状态(图7中红色),如果发生7级地震,则进入“巨大地震注意”状态(图7中黄色)。因此,8月8日发生的7.1级地震,正好在日本南海超大地震发震区范围内,所以日本按既定方案发布了“巨大地震注意”通告(图2)。

图7 日本南海超大地震应对方案

根据上述流程,本次的“巨大地震注意”阶段将持续一周,应该再次确认地震日常准备情况(必要时自行实施避难)。当然,如果是更严重的“巨大地震警戒”状态,还要疏散特殊人员,其他人员也要做好疏散准备(图8)。 

图8 不同等级地震应对方案下的行动内容

日本在日本南海地震问题上进行了大量的研究,提供了大量的资料,很多数据如地震动数据等都可以免费下载。 

图9 日方关于日本南海地震的数据资料

2

日本南海超大地震对中国典型结构的破坏力

根据日本方面发布的资料,我们对RED-ACT中典型建筑和桥梁也做了震损分析,发现日本南海超大地震的破坏力,特别是对中长周期结构的破坏力,还是很强的。

(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10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10所示。

图10 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11所示纪晓东教授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毁坏状态。(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11 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12所示朱伯龙教授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严重破坏状态。(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.)

 

图12 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13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毁坏状态。

图13 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14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毁坏状态。

图14 某特大桥引桥模型


3

结论    

日本由于地震等灾害频发,其防灾工作也一直受到高度重视,这次日本南海地震“巨大地震注意”警报,有以下两点值得我们关注:
1. 地震临震预 报一直是一个难题。报的准不准,预报结果发布不发布,都是很难办的。这次日本首次正式发布“巨大地震注意”警报,其带来的正面和负面作用,都值得大家持续关注。比如,据日本共同社报道,很多游客都取消了盂兰盆节的旅游计划,对旅游经济造成了冲击。
2. 日本在地震情景构建方面工作做得还是很深入的,而且透明度也很好,本文中所有资料都可以在相关网站上自由浏览和下载,这无论对专业人员还是普通民众,其实都是非常有价值的。
注:我不懂日语,文中日文资料都是用计算机帮助翻译的,理解不对的地方请各位专家批评指正!并感谢日本东京大学苏迪老师提供的帮助。





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气象
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:4月前
地震那些事
博士 抗震防灾数值模拟仿真
获赞 52粉丝 56文章 563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 学习计划 福利任务
下载APP
联系我们
帮助与反馈