DOI: https://doi.org/10.3311/ppci.42282
تاريخ النشر: 2026-01-28
المؤلف: Ali Kaveh وآخرون
الموضوع الرئيسي: أداء الزلازل والتحليل
نظرة عامة
تقدم هذه الدراسة إطار عمل لتعلم الآلة (ML) مصمم للتنبؤ بالسلوك الزلزالي غير الخطي لإطارات الخرسانة المسلحة (RC) المقاومة للعزوم ثلاثية الأبعاد. باستخدام OpenSeesPy للنمذجة الواقعية وتحليل التاريخ الزمني غير الخطي (NLTHA)، قامت الدراسة بتحليل 110 حركات أرضية بعيدة من قاعدة بيانات PEER، وجمعت مجموعة بيانات تتكون من 29,700 عينة عبر مباني مكونة من 4 و8 و12 طابقًا مع هندسات وخصائص مواد متنوعة. تم التنبؤ بالاستجابات الزلزالية الرئيسية، بما في ذلك الانحراف الأقصى، والانحراف بين الطوابق، وانحراف السقف، باستخدام خوارزميات متنوعة، لا سيما Extra Trees Regressor (ETR)، Random Forest (RF)، Gradient Boosting Regression (GBR)، وXGBoost. كشفت التحليلات أن ارتفاع المبنى، وعرضه، وشدة هاوسنر (HI)، وشدة طيف التسارع (ASI) كانت من أبرز المؤشرات على الاستجابة الزلزالية.
تشير النتائج إلى أن نماذج ML أدت أداءً استثنائيًا، حيث وصلت درجات R² لانحراف الطوابق إلى 0.9833 للمباني المكونة من 8 طوابق و0.9827 للهياكل المكونة من 12 طابقًا. حقق نموذج التجميع المكدس، الذي جمع بين ETR وRF وXGBoost، R² مثير للإعجاب قدره 0.9957 لتنبؤ الانحراف الأقصى وحافظ على دقة عالية عبر جميع أنواع المباني، متجاوزًا 0.99 للمباني المكونة من 12 طابقًا. لا يعزز هذا الإطار فقط كفاءة ودقة تنبؤات الاستجابة الزلزالية، بل يدعم أيضًا التصميم الزلزالي القائم على الأداء، مما يسمح للمهندسين بتحسين مرونة الهياكل وتحديد نقاط الضعف في هياكل RC.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على الأهمية الحاسمة لتقييم أحمال الزلازل بدقة في الهندسة المدنية والإنشائية، لا سيما في المناطق النشطة زلزاليًا. يمكن أن تفرض الحركات الأرضية الناتجة عن الزلازل قوى ديناميكية تهدد سلامة الهياكل، مما يؤدي إلى فقدان كبير في الأرواح واضطراب اقتصادي. تسلط الورقة الضوء على ضرورة إجراء تحليل فعال لأحمال الزلازل لتعزيز مرونة المرافق الأساسية، مثل المستشفيات وملاجئ الطوارئ، لضمان استمرار تشغيلها خلال الأحداث الزلزالية. تعتمد طرق التصميم الزلزالي التقليدية، على الرغم من بساطتها، غالبًا على افتراضات مبسطة للغاية يمكن أن تؤدي إلى تصميمات محافظة وغير فعالة. في المقابل، يُعترف بتحليل التاريخ الزمني غير الخطي (NLTHA) كمعيار ذهبي لمحاكاة سلوك الهياكل تحت ظروف الزلازل الحقيقية، على الرغم من أنه يتطلب موارد حسابية كبيرة.
لمعالجة قيود الطرق الحالية، تناقش الورقة التطبيق المتزايد لتقنيات تعلم الآلة (ML) في التنبؤ بالاستجابات الزلزالية لهياكل الخرسانة المسلحة (RC). أظهرت الدراسات الحديثة إمكانية تعلم الآلة في تقديم تقييمات سريعة وموثوقة للأضرار، حيث أظهرت خوارزميات متنوعة وعدًا في التقاط السلوكيات غير الخطية المعقدة للهياكل. ومع ذلك، ركزت معظم الأبحاث الحالية على النماذج ثنائية الأبعاد، مما ترك فجوة في تطبيق تعلم الآلة على إطارات RC ثلاثية الأبعاد. تهدف هذه الدراسة إلى تطوير إطار عمل متقدم لتعلم الآلة يتنبأ بدقة بالاستجابة الزلزالية لإطارات RC ثلاثية الأبعاد، باستخدام مجموعة بيانات شاملة تتكون من 27 تكوينًا فريدًا تعرضت لـ 110 سجلات حركات أرضية زلزالية. تتضمن المنهجية تقنيات مبتكرة لأخذ عينات البيانات وتحسين النماذج، مع الهدف النهائي المتمثل في تحسين فهم أداء المباني وإبلاغ قرارات التصميم لتعزيز المرونة ضد الأحداث الزلزالية.
مناقشة
في هذه الدراسة، بحثنا في الاستجابة الزلزالية لإطارات الخرسانة المسلحة (RC) ثلاثية الأبعاد من خلال نمذجة وتحليل مفصل للمباني ذات التكوينات المتنوعة (3 × 3، 4 × 4، و5 × 5) وارتفاعات الطوابق (3 م، 3.4 م، و3.7 م). تم تصميم المباني، الواقعة في منطقة زلزالية عالية في كاليفورنيا، وفقًا لمعايير ASCE 7-16 وACI 318-14، مع دمج نظام إطار مقاوم للعزوم من الخرسانة المسلحة. تم اعتماد نهج قائم على الأنماط لتصميم العوارض والأعمدة، مما أدى إلى مجموعة متنوعة من الأنواع الهيكلية المصممة لتلبية متطلبات محددة. استخدمت الدراسة نموذج عنصر نهائي غير خطي باستخدام OpenSeesPy لمحاكاة السلوك الزلزالي، حيث تم تطبيق 110 سجلات زلزالية بعيدة لتقييم الانحراف الأقصى والانحراف بين الطوابق.
تم استخدام تقنيات تعلم الآلة (ML) للتنبؤ بالاستجابات الزلزالية، مع التركيز على تحديد الميزات الرئيسية المدخلة التي تؤثر على سلوك الهيكل. قللت تحليل الحساسية من 21 مدخلاً أوليًا إلى 10 معلمات حاسمة، بما في ذلك المدخلات الزلزالية والهيكلية. تم تقييم خوارزميات ML متنوعة، حيث أظهرت Extra Trees Regressor (ETR) وRandom Forest (RF) وGradient Boosting Regression (GBR) قدرات تنبؤية متفوقة. حقق نموذج مكدس يجمع بين هذه الخوارزميات دقة ملحوظة، حيث تجاوزت قيم R² 0.99 لتنبؤات الانحراف الأقصى وتوزيعات الانحراف بين الطوابق. لا يعزز هذا النهج فقط كفاءة التصميم الزلزالي، بل يساعد أيضًا في تحديد نقاط الضعف داخل الهياكل، مما يسهم في تحسين المرونة واستراتيجيات التحديث الفعالة من حيث التكلفة.
DOI: https://doi.org/10.3311/ppci.42282
Publication Date: 2026-01-28
Author(s): Ali Kaveh et al.
Primary Topic: Seismic Performance and Analysis
Overview
This study introduces a machine learning (ML) framework designed to predict the nonlinear seismic behavior of three-dimensional reinforced concrete (RC) moment-resisting frames. Utilizing OpenSeesPy for realistic modeling and nonlinear time-history analysis (NLTHA), the research analyzed 110 far-field ground motions from the PEER database, compiling a dataset of 29,700 samples across 4-, 8-, and 12-story buildings with diverse geometries and material properties. Key seismic responses, including maximum drift, inter-story drift, and roof drift, were predicted using various algorithms, notably Extra Trees Regressor (ETR), Random Forest (RF), Gradient Boosting Regression (GBR), and XGBoost. The analysis revealed that building height, width, Housner Intensity (HI), and Acceleration Spectrum Intensity (ASI) were the most significant predictors of seismic response.
The findings indicate that the ML models performed exceptionally well, with R² scores for inter-story drift reaching up to 0.9833 for 8-story buildings and 0.9827 for 12-story structures. The stacked ensemble model, which combined ETR, RF, and XGBoost, achieved an impressive R² of 0.9957 for maximum drift prediction and maintained high accuracy across all building types, particularly exceeding 0.99 for 12-story buildings. This framework not only enhances the efficiency and accuracy of seismic response predictions but also supports performance-based seismic design, allowing engineers to optimize structural resilience and identify vulnerabilities in RC structures.
Introduction
The introduction of this research paper emphasizes the critical importance of accurately assessing earthquake loads in civil and structural engineering, particularly in seismically active regions. Earthquake-induced ground motions can impose dynamic forces that threaten the integrity of structures, leading to significant loss of life and economic disruption. The paper highlights the necessity for effective earthquake load analysis to enhance the resilience of essential facilities, such as hospitals and emergency shelters, ensuring they remain operational during seismic events. Traditional seismic design methods, while straightforward, often rely on oversimplified assumptions that can lead to conservative and inefficient designs. In contrast, nonlinear time-history analysis (NLTHA) is recognized as the gold standard for simulating structural behavior under real earthquake conditions, although it demands substantial computational resources.
To address the limitations of existing methods, the paper discusses the growing application of machine learning (ML) techniques in predicting seismic responses of reinforced concrete (RC) structures. Recent studies have demonstrated the potential of ML to provide rapid and reliable damage assessments, with various algorithms showing promise in capturing the complex nonlinear behaviors of structures. However, most existing research has focused on two-dimensional models, leaving a gap in the application of ML to three-dimensional RC frames. This study aims to develop an advanced ML framework that accurately predicts the seismic response of 3D RC frames, utilizing a comprehensive dataset of 27 unique configurations subjected to 110 earthquake ground motion records. The methodology involves innovative data sampling and model optimization techniques, with the ultimate goal of improving the understanding of building performance and informing design decisions to enhance resilience against seismic events.
Discussion
In this study, we investigated the seismic response of 3D reinforced concrete (RC) frames through a detailed modeling and analysis of buildings with varying configurations (3 × 3, 4 × 4, and 5 × 5 grids) and story heights (3 m, 3.4 m, and 3.7 m). The buildings, located in a high-seismic zone in California, were designed according to ASCE 7-16 and ACI 318-14 standards, incorporating a reinforced concrete moment-resisting frame system. A typology-based approach was adopted for beam and column design, resulting in a diverse range of structural types tailored to specific demands. The study employed a nonlinear finite element model using OpenSeesPy to simulate the seismic behavior, applying 110 far-field earthquake records to assess maximum drift and inter-story drift.
Machine learning (ML) techniques were utilized to predict seismic responses, with a focus on identifying key input features that influence structural behavior. A sensitivity analysis reduced the initial 21 inputs to 10 critical parameters, including both seismic and structural inputs. Various ML algorithms were evaluated, with the Extra Trees Regressor (ETR), Random Forest (RF), and Gradient Boosting Regression (GBR) demonstrating superior predictive capabilities. A stacked model combining these algorithms achieved remarkable accuracy, with R² values exceeding 0.99 for maximum drift predictions and inter-story drift distributions. This approach not only enhances the efficiency of seismic design but also aids in identifying vulnerabilities within structures, ultimately contributing to improved resilience and cost-effective retrofitting strategies.