DOI: https://doi.org/10.1007/s10518-026-02384-1
تاريخ النشر: 2026-02-11
المؤلف: Mertcan Yilmaz وآخرون
الموضوع الرئيسي: أداء الزلازل والتحليل
نظرة عامة
تقدم هذه الدراسة منهجية تعتمد على الذكاء الاصطناعي (AI) لتقييم سريع لمستويات مخاطر الزلازل في الهياكل الخرسانية المسلحة (RC)، وخاصة في المناطق المعرضة للزلازل. من خلال محاكاة المخزون الحالي من المباني في تركيا، قام الباحثون بإدراج معايير مختلفة مثل نقص قوة المواد، وعيوب العمل، والمشكلات المتعلقة بالاستخدام. تم إجراء تحليلات أداء غير خطية وفقًا لرمز الزلازل TBEC-2018، مما أدى إلى إنشاء 1,680 ملفًا للمباني وتصنيفات المخاطر المقابلة لها. تم استخدام مجموعة البيانات لتدريب وتقييم ثمانية نماذج تعلم آلي (ML)، حيث حقق نموذج XGBoost أعلى دقة تنبؤية بنسبة 92%. وهذا يظهر إمكانيات نماذج الذكاء الاصطناعي لتقديم تقييمات موثوقة لتقييمات مخاطر الزلازل على نطاق واسع.
تؤكد النتائج على أن المعلمات الميكانيكية والزلازل تؤثر بشكل كبير على مستويات مخاطر الزلازل، أكثر من خصائص النظام الهيكلي أو العيوب المتعلقة بالاستخدام. وهذا يشير إلى أن الاعتماد فقط على الفحوصات البصرية للميزات الهيكلية قد يؤدي إلى تقييمات مخاطر غير دقيقة. تدعو الدراسة إلى استخدام منهجيات الذكاء الاصطناعي لإنشاء خرائط مخاطر قبل الكوارث وتحديد أولويات جهود إعادة التأهيل للمباني الخرسانية المسلحة من 1-6 طوابق. يتم تشجيع الأبحاث المستقبلية لتطبيق نهج الذكاء الاصطناعي المماثل على أنواع هيكلية مختلفة وإجراء تحليلات مقارنة مع طرق التقييم التقليدية. تؤكد النتائج على قدرة أطر الذكاء الاصطناعي على تقديم توقعات موضوعية وسريعة وموثوقة للضعف الزلزالي، مما يعزز عمليات اتخاذ القرار قبل الزلازل.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على الحاجة الملحة لطرق فعالة لتقييم مخاطر الزلازل في المناطق المعرضة للزلازل، وخاصة للمباني القائمة التي تفتقر إلى تقييمات هندسية كافية. تعتبر التقييمات التقليدية المعتمدة على الرموز، على الرغم من تفصيلها، غير عملية غالبًا لتقييم المخزون الكبير من المباني بسبب تكلفتها ومتطلبات الوقت. وبالتالي، هناك طلب ملح على طرق سريعة وموثوقة لتحديد مخاطر الزلازل، مع وجود طرق مختلفة تم تأسيسها بالفعل في الأدبيات، مثل المسح البصري السريع (RVS) وطرق التحليل الهيكلي المبسطة. هذه الطرق، على الرغم من فائدتها، أظهرت قيودًا في الدقة، خاصة عند تقدير مستويات المخاطر.
لمعالجة هذه التحديات، تقترح الدراسة استخدام نماذج التعلم الآلي (ML) لتقييم مستويات مخاطر الزلازل للمباني الخرسانية المسلحة من 1-6 طوابق في تركيا، وهي منطقة ذات نشاط زلزالي كبير. تتضمن الأبحاث محاكاة مخزون المباني الذي يدمج معايير هيكلية ومواد مختلفة، وتستخدم رمز الزلازل التركي TBEC-2018 لتقييم الأداء الزلزالي. من خلال تدريب وتحسين ثمانية نماذج مختلفة من ML، تهدف الدراسة إلى تعزيز دقة وموثوقية تقييمات مخاطر الزلازل مقارنة بالطرق التقليدية. لا يهدف هذا النهج المبتكر فقط إلى تحسين عمليات اتخاذ القرار للبلديات، بل يساهم أيضًا في الأدبيات الأوسع حول تقدير مخاطر الزلازل المعتمدة على البيانات للهياكل الخرسانية المسلحة.
النتائج
تقدم نتائج الدراسة تحليلًا شاملاً لمستويات الأداء الزلزالي المستمدة من تحليلات الدفع لـ 1,680 سيناريو، وفقًا لإرشادات TBEC-2018. يتم تصنيف النتائج إلى ثلاثة أقسام: القسم 3.1 يوضح مستويات الأداء بناءً على معايير هيكلية مختلفة، القسم 3.2 يقيم مستويات المخاطر باستخدام قيمة الإزاحة الطيفية ($Sd_1$)، والقسم 3.3 يقيم الأداء التنبؤي لنماذج التعلم الآلي (ML) المختلفة من خلال مصفوفات الالتباس. يبرز التحليل كيف تؤثر معلمات النظام الهيكلي، والخصائص الميكانيكية، والعيوب المتعلقة بالاستخدام على مستويات الضرر، مما يؤدي في النهاية إلى تصنيف المباني إلى مستويات مخاطر زلزالية مختلفة.
استخدم تقييم مستويات مخاطر الزلازل نهج التحويل لتقدير الأداء العام وتحديد الهياكل المعرضة لخطر الانهيار. تم إنشاء مجموعة بيانات تضم مستويات المخاطر والمعلمات المؤثرة، والتي تم استخدامها بعد ذلك لتدريب واختبار نماذج ML. تكشف النتائج، الموضحة في الرسوم البيانية ثلاثية الأبعاد، أن التغيرات في المعلمات الميكانيكية وقيم $Sd_1$ تؤثر بشكل كبير على مستويات مخاطر الزلازل عبر أنظمة هيكلية مختلفة. ومن الجدير بالذكر أن نموذج XGBoost ظهر كالأكثر فعالية في توقع مخاطر الزلازل، محققًا دقة بنسبة 92%، بينما كانت نماذج أخرى مثل AdaBoost والانحدار اللوجستي أقل فعالية. تؤكد الدراسة على أهمية مقاييس الدقة والاسترجاع ودرجة F1 لتقييم أداء النموذج، خاصة في مجموعات البيانات ذات توزيعات الفئات غير المتوازنة.
المناقشة
تبحث الدراسة مستويات مخاطر الزلازل للمباني الخرسانية المسلحة (RC) من طابق إلى ستة طوابق في تركيا باستخدام نماذج التعلم الآلي (ML). تم إنشاء مجموعة بيانات شاملة لتقييم مستويات مخاطر الزلازل بشكل موضوعي بناءً على معايير الأداء المحددة في رمز الزلازل التركي (TBEC-2018). تتضمن الأبحاث عوامل مختلفة تؤثر على السلامة الزلزالية، بما في ذلك خصائص النظام الهيكلي، وخصائص المواد، وأخطاء العمل، والعيوب المتعلقة بالاستخدام، محاكاة مخزون مباني متنوع من خلال 1,680 سيناريو. يسمح هذا النهج بفهم دقيق لكيفية استجابة أنواع المباني المختلفة للأحداث الزلزالية، مستندًا إلى بيانات الزلازل التاريخية والتقييمات الهيكلية.
شملت محاكاة مخزون المباني تصنيف المعلمات إلى معلمات هيكلية وميكانيكية وذات صلة بالاستخدام ومعلمات زلزالية. تم اشتقاق نماذج النظام الهيكلي من قواعد بيانات موجودة، بينما تم تقييم المعلمات الميكانيكية عبر فترات بناء مختلفة، مما يعكس التغيرات في اللوائح وممارسات التفتيش. تم أيضًا أخذ العيوب المتعلقة بالاستخدام، مثل إزالة العناصر الهيكلية، في الاعتبار، حيث تؤثر بشكل كبير على الأداء الزلزالي. تضمنت المعلمات الزلزالية الموقع وفئة التربة، مع اشتقاق قيم تسارع التصميم المحددة من الخريطة التفاعلية للزلازل التركية. استخدمت الدراسة تحليل الدفع الثابت غير الخطي لتقييم الأداء الهيكلي، محددة مستويات المخاطر بناءً على مدى الضرر وتصنيفات الأداء المحددة في TBEC-2018. في النهاية، تهدف النتائج إلى تعزيز القدرات التنبؤية لنماذج ML في تقدير مخاطر الزلازل، مما يساهم في تحسين تدابير السلامة للمباني القائمة في تركيا.
DOI: https://doi.org/10.1007/s10518-026-02384-1
Publication Date: 2026-02-11
Author(s): Mertcan Yilmaz et al.
Primary Topic: Seismic Performance and Analysis
Overview
This study introduces an artificial intelligence (AI)-based methodology for the rapid assessment of seismic risk levels in reinforced concrete (RC) frame structures, particularly in regions prone to earthquakes. By simulating the existing building stock in Türkiye, the researchers incorporated various parameters such as material strength deficiencies, workmanship defects, and usage-related issues. Nonlinear performance analyses were conducted in line with the TBEC-2018 seismic code, resulting in the generation of 1,680 building profiles and their corresponding risk classifications. The dataset was utilized to train and evaluate eight machine learning (ML) models, with the XGBoost model achieving the highest predictive accuracy of 92%. This demonstrates the potential of AI models to provide reliable assessments for large-scale seismic risk evaluations.
The findings emphasize that mechanical and earthquake parameters significantly influence seismic risk levels, more so than structural system characteristics or usage-related defects. This suggests that relying solely on visual inspections of structural features may lead to inaccurate risk assessments. The study advocates for the use of AI methodologies to create pre-disaster risk maps and prioritize retrofitting efforts for 1-6 story RC frame buildings. Future research is encouraged to apply similar AI approaches to different structural types and to conduct comparative analyses with traditional assessment methods. The results underscore the capability of AI frameworks to deliver objective, rapid, and reliable predictions of seismic vulnerability, thereby enhancing pre-earthquake decision-making processes.
Introduction
The introduction of this research paper emphasizes the critical need for effective seismic risk assessment methods in regions prone to earthquakes, particularly for existing buildings that lack adequate engineering evaluations. Traditional code-based assessments, while detailed, are often impractical for evaluating large building stocks due to their cost and time requirements. Consequently, there is a pressing demand for rapid and reliable methods to identify seismic risks, with various approaches already established in the literature, such as Rapid Visual Survey (RVS) and simplified structural analysis methods. These methods, while useful, have shown limitations in accuracy, particularly when estimating risk levels.
To address these challenges, the study proposes the use of machine learning (ML) models to assess the seismic risk levels of 1-6 story reinforced concrete (RC) frame buildings in Türkiye, a region with significant seismic activity. The research involves simulating a building stock that incorporates various structural and material parameters, and it utilizes the Turkish Building Earthquake Code-2018 (TBEC-2018) for seismic performance evaluation. By training and optimizing eight different ML models, the study aims to enhance the accuracy and reliability of seismic risk assessments compared to traditional methods. This innovative approach not only aims to improve decision-making processes for municipalities but also contributes to the broader literature on data-driven seismic risk estimation for RC structures.
Results
The results of the study present a comprehensive analysis of seismic performance levels derived from pushover analyses of 1,680 scenarios, as per TBEC-2018 guidelines. The findings are categorized into three sections: Section 3.1 details the performance levels based on various structural parameters, Section 3.2 evaluates risk levels using the spectral displacement value ($Sd_1$), and Section 3.3 assesses the predictive performance of different machine learning (ML) models through confusion matrices. The analysis highlights how structural system parameters, mechanical properties, and usage-related defects influence damage levels, ultimately leading to the classification of buildings into different seismic risk levels.
The evaluation of seismic risk levels utilized a transformation approach to estimate overall performance and identify structures at high risk of collapse. A dataset was created that incorporated risk levels and influential parameters, which were then used to train and test ML models. The results, illustrated in 3D graphs, reveal that variations in mechanical parameters and $Sd_1$ values significantly affect seismic risk levels across different structural systems. Notably, the XGBoost model emerged as the most effective in predicting seismic risk, achieving an accuracy of 92%, while other models like AdaBoost and Logistic Regression performed less effectively. The study emphasizes the importance of precision, recall, and F1-score metrics for evaluating model performance, especially in datasets with imbalanced class distributions.
Discussion
The study investigates the seismic risk levels of one-to-six-story reinforced concrete (RC) frame buildings in Türkiye using machine learning (ML) models. A comprehensive dataset was created to objectively assess seismic risk levels based on performance criteria outlined in the Turkish Building Earthquake Code (TBEC-2018). The research incorporates various factors affecting seismic safety, including structural system characteristics, material properties, workmanship errors, and usage-related defects, simulating a diverse building stock through 1,680 scenarios. This approach allows for a nuanced understanding of how different building types respond to seismic events, informed by historical earthquake data and structural assessments.
The building stock simulation involved categorizing parameters into structural, mechanical, usage-related, and earthquake parameters. Structural system models were derived from existing databases, while mechanical parameters were evaluated across different construction periods, reflecting changes in regulations and inspection practices. Usage-related defects, such as the removal of structural elements, were also considered, as they significantly impact seismic performance. Earthquake parameters included location and soil class, with specific design acceleration values derived from the Turkish Interactive Earthquake Hazard Map. The study employed nonlinear static pushover analysis to assess structural performance, determining risk levels based on the extent of damage and performance classifications defined in TBEC-2018. Ultimately, the findings aim to enhance the predictive capabilities of ML models in estimating seismic risk, contributing to improved safety measures for existing buildings in Türkiye.