这栋楼是什么结构的,元芳,你怎么看?——大人,时代变了!
这栋楼是什么结构的,元芳,你怎么看?——大人,时代变了!|新论文:使用机器学习方法预测城市建筑结构类型
本文转载自许镇教授的 公 众 号 “学术小镇”
-------
导语:最近,“学术小镇”课题组发表了一篇关于使用机器学习方法预测城市建筑结构类型的论文,在城市量级数据获取方面进行了简单尝试,供大家批评指正。
对于城市震害模拟,获得建筑物的属性是很重要的准备工作。只有知道了建筑的层数、层高、结构类型等基础数据,才能准确预测它的破坏状况。但是,如何准确判断建筑物的结构类型是一个比较麻烦的问题。只从外观看建筑的结构类型,不仅不太准确,而且很主观……那么应如何利用有限的信息判定建筑物的结构类型,还要又快又准、有理有据呢?还是挺难的……我们选择用机器学习中的多分类模型(Multi-class classification)来解决这个分类问题。只需要知道建筑的层数、层高、建筑年代和占地面积这四个参数,就可以确定出建筑物的结构类型。在本文的案例中,预测准确率高达95%以上。 下面是本文的研究框架,包括数据处理、有监督学习、半监督学习和案例分析四个部分:终于,我们可以不用再问元芳一栋建筑到底属于什么结构类型了。机器学习可以从已知数据中发现潜在关联模式,并用这种模式对未知数据进行分类。我们就是利用机器学习发现建筑已知属性和结构类型的关联模式,进而实现对结构类型的预测。市面上有那么多的机器学习框架,那么多算法框架,到底应该用哪个呢?我们通过对比,发现微软的开放式云计算平台Azure提供了从数据处理、模型训练、服务部署到预测的一站式服务,可以非常方便地搭建一个机器学习预测网络。
我们使用了决策森林、神经网络和逻辑回归三种不同的多分类模型。
下面是正经的科普时间:
决策森林(Decision Forest)是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的总数而定。构建好的决策树呈树形结构,可以认为是if-then规则的 集 合 ,主要优点是模型具有可读性,分类速度快。神经网络(Neural Network)是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。逻辑回归(Logistic Regression)是用于解决分类问题的机器学习方法,用来估计某个样本属于某个分类的可能性。虽然名字里带有”回归“,但却是用来解决分类问题的经典方法。在对建筑物属性数据(包括建造年代、建筑面积、层数、层高)进行了数据清理、排除依赖性之后,我们比较了这三种模型的性能。通过对比发现,多分类决策森林具有更高的准确率和召回率,且只用3,000栋建筑的数据就能以98.1%的准确率预测230,000栋建筑物的结构类型。就决定是你了!好的模型不仅要能准确分类已有数据,更要能预测未知的数据。半监督学习是指使用大量的未标记数据,以及同时使用标记数据,来进行模式识别工作。我们通过城市建筑少量的抽样调查获得标记数据,利用半监督学习方法来预测城市剩余的建筑结构类型。通过几十万栋已知结构类型的建筑数据进行测试,结果表明当训练样本比例大于1%时,结构类型预测就具有很高的准确率。我们推荐城市建筑总量的3%作为抽样量,其中,1%用于训练半监督学习模型,2%用于检验预测的准确率。这样,只通过3%的样本就可以预测整个城市的结构类型了。 当然,由于1%的训练样本也是很少的,我们通过多次自训练迭代使样本中的特征更加“纯粹”。“提纯”完成后就可以愉快地预测未知的数据啦~最直接的用途,就是用于城市的地震灾害预测,以及后续的经济损失计算,地震可视化等工作,如下图所示的城市震害场景:我们分别对某城市A区和B区两个区域进行了结构类型预测。
对于A区6.9万栋和B区3.7万栋建筑,只需抽取3%的建筑作为样本,通过上述方法就可以确定剩下的97%的建筑物的结构类型,极大地加快了城市震害模拟前的数据准备工作。经过多次自训练的半监督学习过程,A区和B区的结构类型预测准确率分别为94.8%和99.5%。以A区为例,预测评测指标和混淆矩阵如下图所示。
![](https://public.fangzhenxiu.com/fixComment/commentContent/imgs/1678625590373_rkxenh.jpg?imageView2/0)
本文提出了一种基于机器学习的结构类型预测方法,并以两个城市区域为例进行了研究。结果表明:多分类决策森林对于结构类型多分类具有最好的效果;通过半监督学习的方法,仅需要少量抽样调查就可以可以整个城市的建筑结构类型,且具有很高的准确性。Xu Z, Wu Y, Qi M, et al. Prediction of Structural Type for City-Scale Seismic Damage Simulation Based on Machine Learning[J]. Applied Sciences, 2020, 10(5): 1795.
---End---
相关研究
相关文章,在仿真秀官网搜索
新论文:基于集群计算的大跨斜拉桥精细有限元模型更新
新论文:钢筋混凝土板柱节点冲切及冲切破坏后行为的数值模拟
新论文:边柱以及边中柱失效后平板结构连续倒塌行为试验研究
新论文:武汉火神山医院病房有害气体的高空排放设计和分析
新论文:主余震作用下区域建筑震害预测方法
新论文:城市抗震弹塑性分析的开源框架
新论文:考虑劳动力资源约束的城市尺度建筑抗震韧性模拟和震后维修规划
新论文:基于无人机与深度学习的建筑震害评估方法
新论文:抗震&防连续倒塌:一种新型构造措施
新论文:混凝土梁柱子结构连续倒塌动力效应的试验研究
层间位移角判别准则不适用于剪力墙,怎么办?|新论文:基于曲率的剪力墙损伤评估方法
新论文:结合BIM和FEMA P-58的建筑地震损失预测方法
新论文:地震-连续倒塌综合防御组合框架结构体系研究
新论文:扔砖头、跳盒子,这也是做科学试验哦!| 地震次生坠物情境中的人员疏散模拟
新论文:改变框架-核心筒结构剪力调整策略对其抗震性能影响的研究
综述:城市抗震弹塑性分析及其工程应用
新论文:适用于多LOD BIM的建筑地震损失评估
新论文:新型地震和连续倒塌综合防御韧性PC框架承载力计算方法
新论文:角柱失效后平板结构连续倒塌行为实验研究
新论文:城市建筑群多LOD震害模拟及北京CBD算例
美国NSF SimCenter+清华城市弹塑性分析=旧金山184万建筑地震模拟
新论文:受折纸启发的可更换承载-耗能双功能耗能器
新综述论文:21世纪建筑结构连续倒塌和鲁棒性的研究和实践
新论文:中柱失效后板柱结构连续倒塌传力机理研究
新论文:一根钢筋混凝土梁,承载力你能算对么?| 梁的压拱效应计算方法
新论文:无人机+机器学习+城市弹塑性分析=震后近实时损失预测
新论文:这个混凝土框架能抗震,能防连续倒塌,还功能可恢复,您不进来看看么?
新论文:一个好汉三个帮|带端部阻尼器伸臂桁架的抗震性能试验研究
新论文:BIM+新一代性能化设计=喷淋系统破坏后的地震次生火灾模拟
新论文:村镇建筑群火灾蔓延模拟与案例
新论文:建设地震韧性城市所面临的挑战
新论文:烈焰焚城 | 地震次生火灾的精细化和高真实感模拟
新论文:城市韧性——基于“三度空间下系统的系统”的思考
新论文:防屈曲支撑伸臂桁架?几个“狗骨头”可少不了!
新论文:城市抗震弹塑性分析中如何确定高层建筑的损伤程度?
新论文:考虑楼板影响的钢筋混凝土框架边柱连续倒塌试验
新论文:提高地震荷载分项系数,抗震安全性提高了多少?
新论文:采用减振子结构来控制超高层建筑的地震楼面加速度
新论文:500m级超高层建筑简化模型及其在结构体系对比中的应用
606m 超高层建筑OpenSees模型