爆破振動誘發民房結構損傷識別的隨機森林模型＊

方前程，商 麗，商擁輝，2，宋 譯

爆破振動誘發民房結構損傷識別的隨機森林模型＊

方前程1，商 麗1，商擁輝1，2，宋 譯3

（1.黃淮學院建筑工程學院，河南 駐馬店463000；2.中南大學土木工程學院，湖南 長沙410075；3.湖南科技大學能源與安全工程學院，湖南 湘潭411201）

為快速、準確地評價爆破振動誘發民房結構損傷效應，借鑒隨機森林理論并結合工程實際，建立露采爆破振動誘發民房結構損傷識別的隨機森林模型；綜合考慮爆破參數、爆破振動特征參量及房屋結構動力特性等因素，選取質點峰值振動速度、主頻率、主頻率持續時間、段藥量、爆心距、施工質量參數、場地條件參數、屋蓋形式參數、磚墻面積率、民房高度、灰縫強度和圈梁構造柱參數等12個影響因素作為模型輸入，將磚混結構建筑物的損害等級作為模型輸出；基于多分類器集成的思想，以108組爆破振動實測數據作為學習樣本進行訓練，建模過程中由多個決策樹集成隨機森林、用投票的方式實現對民房結構損傷有效識別；用12組現場數據驗證模型的有效性；在對樣本分類的同時，計算預測變量的重要性值，發現質點峰值振動速度為最重要的評價指標，其后依次為爆心距，主頻率持續時間，主頻率，圈梁構造柱參數，灰縫強度，屋蓋形式參數，民房高度，段藥量，施工質量參數，磚墻面積率和場地條件參數。研究結果表明：隨機森林模型預測結果學習樣本準確度是87.97%，而測試集準確度是91.67%，與實際情況吻合較好，預測精度較高。

爆破振動；民房結構損傷；隨機森林；質點峰值振動速度；預測

爆破振動產生的負面效應是礦山巖土開挖爆破難以回避的難題，尤其對近鄰建構筑物的影響。而隨著經濟發展和我國人均生活水平的提高，人口逐漸從農村向城市轉移，因此，人們對民用住房和商用建筑的需求越來越大，尤其是在繁華地段，往往建筑物的密度比較高，所以這就要求相鄰的工程不能對已有的建筑物構成安全影響，因此需要建立更高的安全量化標準。

在露天開采的過程中，通常會采用爆破的方法，除了會對臺階的穩定性造成一定的影響之外；爆破產生的震動還會影響到附近的建筑物，為此，學者們力求對爆破振動誘發建筑物損害機制進行研究、對建筑物破壞機理進行分析。近些年來，國內外許多專家對爆破振動誘發民房破壞的機理進行了深入研究，從源頭和傳播途徑上對爆破震動等級進行了預報，防止爆破振動引起建筑破壞，并劃分了爆破振動等級，以上工作均取得了不錯的成效。此外，國內外相繼出臺了一系列爆破振動安全判據、標準和規程等法律法規［1－3］，但是還沒有形成一套完整的關于爆破震動誘發建筑物損害的論述體系，在實踐方面缺少相關指導，項目工程方面也缺少相關數據分析。因此理論與實際往往會存在一定程度的偏差，尤其是通過觀察大量的爆破工程實例后，發現某些爆破震動已經超出安全標準，卻并未對周圍的民房構成損害，分析其原因，一方面是因為目前的安全判據尚不完善，對于不同環境下的爆破振動誘發民房破壞可能會產生差異，而安全判據也應隨之變化；另一方面是，爆破振動誘發建筑物損害程度受各種因素影響，而且誘因往往比較復雜多樣，誘因和損害程度之間也呈非線性關系；因此，判別準則不具有普遍適用性。近些年來國內外一些專家通過反應譜法［4］、時程分析法［5］和波動理論分析法［6］、判別分析法［7－9］、梯度提升機［10］、模糊神經網絡［11－12］和支持向量機［13］等軟科學方法對其進行評估，雖然這些方法對爆破振動誘發風險評估產生了積極的影響，但是這些方法都不具有普遍適用性。具體表現在：（1）輸入參量的隨機性與模糊性，各參量間相互關系（包括定性與定量）尚不明晰，以及統計資料不完整性；（2）個模型型本身固有不足與局限性，如神經網絡方法存在隱含層確定具有主觀性，且易陷入局部最優和收斂速度慢等不足；（3）支持向量機核函數較多且難以確定合適的核函數參數等。

隨機森林（random forest，RF）的算法是由 Leo Breiman和 Adele Cutler發展并推論出的［14］。作為一種包含多個決策樹的分類器，隨機森林算法簡潔且具有較好的解釋能力，近些年來被應用于自然科學和工程技術的各個領域。鑒于誘發民房破壞因素具有多樣不一的特點，部分誘因難以去清晰的量化，且評價對象不是單一固定的，本文中從開挖區爆破振動對附近房屋影響的角度出發，構建露采爆破震動誘發建筑物損害的RF判別模型，以分析民房破壞等級和誘發民房破壞因素之間的關系，以便對可能產生的爆破振動進行預報，為工程操作人員提供一個可參考的依據。

1 隨機森林分類原理

1.1 隨機森林方法

隨機森林（random forest，RF）方法本質上將隸屬于集成學習范疇，其算法步驟為［14－15］：（a）在原始樣本集L通過自助法（bootstrap）重采樣等核心技術形成ntree個自助樣本集L1，L2，…Lntree，其大小約為2L／3；（b）為自助樣本訓練子集分別建立分類回歸決策樹（CART）［15－16］，共產生ntree棵決策樹形成隨機森林，這些決策樹生長過程中無剪枝環節，但從M 個屬性中隨機選擇mtry（mtry≤M）個最優屬性作為內部節點進行分支操作；（c）集合步驟（a）和（b）產生的ntree棵決策樹預測結果，采用投票方法決定新樣本歸屬，見圖1。

1.2 RF變量重要性

RF方法相對于其他分類器的明顯優勢是能夠識別出每個變量的重要性值，它提供了2種基本的屬性重要度計算依據［14－15］：Gini importance參數和 Permutation importance參數。在隨機森林節點分裂過程中，本文中采用Gini importance參數（G）來衡量各節點的樣本純度：爆破振動誘發民房結構損傷數據樣本集L共有3類樣本，并且每類的樣本數分別是pj（j＝1，2，3），則有：

1.3 RF預測模型的評價指標

常用的精度評價方法有混淆矩陣方法，分類準確率和κ指數［16－17］。混淆矩陣是一個M×M 矩陣（M 為分類數），用于比較參照點和分類點，如表1所示。而κ指數多用于分類預測模型的精度評價，即從被評價分類比完全隨機分類產生錯誤減少的比例角度表征模型精度，即：

式中：xii是i行i列上的值，xi＋是第i行之和，x＋i是第i列之和，N 是樣本總數，r是誤差矩陣行數。

根據J.Landis等的［18］建議，κ統計值與分類精度對應關系如下：κ最低允許判別精度為0.4，否則模型精度低；當κ＝0.60～0.80時，分類精度較好；當κ＝0.80～0.10時，分類效果非常好。

2 爆破振動誘發民房結構損傷預測的RF模型及其應用

2.1 確定RF模型輸入輸出參量

爆破振動誘發民房結構損傷主要受兩方面影響一方面來自于振動源；包括段藥量、裝藥不耦合系數、炸藥的性質、起爆的方式等；另一方面取決于民房的各種參數，包括構建民房材料的性質、民房的結構、民房附近的地形條件等。除此之外，振動源與民房的距離也會影響到振動傳感器的輸出結果。

根據前人研究成果，并結合爆破載荷下民房結構損傷機制［7－11，13］，本模型選取爆破振動三大特征參量：質點峰值振動速度（vppv）、主頻率（ν）及其持續時間（Δt），爆源因素參量：最大段藥量（Qmax）和距離（R）；民房結構特征參量：如施工質量參數（Qc）、場地條件參數（Sc）、屋蓋形式參數（Rs）、磚墻面積率（K）、房屋高度（H）、灰縫強度（S）和圈梁構造柱參數（Bcf）等12個主要影響民房結構損傷輸入參量，其中vppv、ν、Δt、Qmax、R、S、K 和H 等參量可用實測值直接輸入；對于Qc、Sc、Rs、Bcf等4個自變量和破壞等級（V）因變量均為狀態參量，為了清晰度量，按照表2標準對其進行量化［7－8，10］。

表1 M 元分類問題混淆矩陣Table 1 M－ary classification confusion matrix

表2 狀態參量數據量化建議值Table 2Recommended value for quantified input and output parameters

文獻［7－11］中從民房結構破壞特征入手，將民房結構損傷程度分為3個類別：（1）基本完好，記為V1；（2）輕微損傷，記為V2；（3）嚴重破壞，記為V3，其損傷類別描述見圖2，隨機森林模型輸出向量為V＝［V1，V2，V3］。

2.2 仿真數據采集及數據歸一化處理

為驗證本文中提出RF模型的有效性和可靠性，以J.Zhou等［10］和史秀志等［11］現場實測的120組建筑物采動損害實例數據作為總體樣本，其中隸屬于基本完好，輕微損傷和嚴重破壞3類民房危害類別的樣本數分別為65（V1），23（V2）和32（V3），并將原始數據集隨機分為2組：其中108組（編號 X1，X2，…，X108）作為RF模型訓練樣本集進行訓練（表3），其余部分（編號C1，C2，…，C6）作為檢驗集（見表4）。

表3 RF模型學習樣本及識別結果Table 3Training samples and identification results of RF model

表4 RF模型測試樣本及識別結果對比Table 4RF model test samples and recognition results

2.3 建立民房危害等級評估的RF模型

RF模型輸入向量為（vppv，ν，Δt，Qmax，R，S，K，H，Rs，Bcf，Qc，Sc），輸出層為3種損傷等級類別V：V1，V2和V3。建立映射V→F（vppv，ν，Δt，Qmax，R，S，K，H ，Rs，Bcf，Qc，Sc）。應用 RF理論，借助 R軟件編制相關數據分析程序建立模型，對各個樣本進行歸類判別（見表4）。本文中用Random Jungle對模擬數據集生長出1 000棵樹，用10折交叉驗證對訓練集進行遍歷尋優計算，并根據最低誤差選取RF模型最優參數mtry，如圖3所示，在分類的過程中可生成一個泛化誤差的內部無偏估計值，當mtry＝12時，該值為15.74%，10折交叉驗證準確率達87.12%，κ＝0.772。RF混淆矩陣顯示訓練集分類誤差見表5。在對樣本分類的同時，利用RF模型對解釋變量重要性排序，從圖4可以觀察到vppv為最重要的評價指標，其后依次為Bcf、R、ν、Δt、Qmax、S、Rs、H 、Qc、K 和Sc。

根據學習好的民房結構損傷識別RF模型對12個測試樣本進行識別，其混淆矩陣見表6，可見識別結果與實際狀態較為相符，準確率達91.67%（11／12），κ高達0.875，并與神經網絡方法［11］預測結果較為一致（見表4）。從而說明構建的爆破振動誘發民房結構損傷隨機森林模型泛化能力強，魯棒性好。

與神經網絡方法相比［11］，RF方法優勢在于：（1）無需過多的數據預處理，RF預測精度高且運算速度高效；（2）RF可自動辨識各輸入變量重要度；（3）RF受異常值和噪聲的影響較小；（4）能同時處理連續型變量和分類變量。與此同時，RF缺點在于：（1）對若干數據集易呈現過擬合狀態因缺少剪枝步驟；（2）對于不均衡數據集，RF算法傾向于觀測值較多的類別（如V1的記錄較多，而且V2和V3間的差距不大，預測值會傾向于V1）。在實際工程中，結合本文模型確定民房的損害程度，可及時對民房進行補償或者維護，降低爆破振動帶來的后續危害。另一方面為了使該模型更有說服力，可更廣泛的收集爆破震動資料，建立更詳細的數據庫，使該方法的可信度更高。

表6 隨機森林的混淆矩陣顯示測試集分類誤差Table 6Confusion matrix drawn from Random forest showing the classification error of test set

3 結 論

（1）綜合考慮振動源的各種參數和民房的各種材料、強度性質，選取12大影響民房采動損害程度的因素（vppv，ν，Δt，Qmax，R，S，K，H，Rs，Bcf，Qc，Sc）作為 RF模型輸入，將民房損害等級作為 RF模型輸出，提出并建立了露采爆破振動誘發民房結構損傷的RF識別模型。（2）利用108組實測數據計算表明，利用上述指標建立的RF分析模型對爆破振動誘發民房結構損傷精度高，且方法簡單實用、結果準確可靠。（3）計算預測變量的重要性值發現vppv為最重要的評價指標，其后依次為Bcf、R、ν、Δt、Qmax、S、Rs、H 、Qc、K 和Sc。

［1］ Khandelwal M，Singh T N.Evaluation of blast－induced ground vibration predictors［J］.Soil Dynamics and Earth－quake Engineering，2007，27（2）：116－125.

［2］ Siskind D E，Stagg M S，Kopp J W，et al.Structure response and damage produced by ground vibration from surface mine blasting［R］.USBM Report of Investigation 8507，1980：73－74.

i［3］ 中華人民共和國國家標準編寫組.爆破安全規程：GB6722－2014［S］.北京：中國標準出版社，2015.

［4］ 史秀志，周健，崔松，等.露天采礦爆破振動對民房危害預測的DDA模型及應用［J］.中南大學學報（自然科學版），2011，42（2）：441－448.Shi Xiuzhi，Zhou Jian，Cui Song，et al.Distance discriminant analysis model and its application for prediction residential house＇s damage against blasting vibration of open pit mining［J］.Journal of Central South University（Science and Technology），2011，42（2）：441－448.

［5］ 史秀志，周健，杜坤，等.爆破振動對民房破壞效應預測的 BDA 模型及應用［J］.振動與沖擊，2010，29（7）：60－65.Shi Xiuzhi，Zhou Jian，Du Kun，et al.BDA model for predicting destructive effect of blast vibration on housing［J］.Journal of Vibration and Shock，2010，29（7）：60－65.

［6］ 中國生，徐國元，熊正明.基于小波變換的爆破地震信號能量分析法的應用研究［J］.爆炸與沖擊，2006，26（3）：222－227.Zhong Guosheng，Xu Guoyuan，Xiong Zhengming.Application research of the energy analysis method for blasting seismic signals based on wavelet transform［J］.Explosion and Shock Waves，2006，26（3）：222－227.

［7］ 史秀志，周健，崔松，等.露天采礦爆破振動對民房危害預測的DDA模型及應用［J］.中南大學學報（自然科學版），2011，42（2）：441－448.Shi Xiuzhi，Zhou Jian，Cui Song，et al.Distance discriminant analysis model and its application for prediction residential house’s damage against blasting vibration of open pit mining［J］.Journal of Central South University（Science and Technology），2011，42（2）：441－448.

［8］ 史秀志，周健，杜坤，等.爆破振動對民房破壞效應預測的 BDA 模型及應用［J］.振動與沖擊，2010，29（7）：60－65.Shi Xiuzhi，Zhou Jian，Du Kun，et al.BDA model for predicting destructive effect of blast vibration on housing［J］.Journal of Vibration and Shock，2010，29（7）：60－65.

［9］ 董隴軍，李夕兵，趙國彥，等.露天采礦爆破振動對砌體結構破壞效應預測的Fisher判別模型及應用［J］.巖石力學與工程學報，2009，28（4）：750－756.Dong Longjun，Li Xibing，Zhao Guoyan，et al.Fisher discriminant analysis model and its application to predicting destructive effect of masonry structure under blasting vibration of open－pit mine［J］.Chinese Journal of Rock Mechanics and Engineering，2009，28（4）：750－756.

［10］ Zhou J，Shi X，Li X.Utilizing gradient boosted machine for the prediction of damage to residential structures owing to blasting vibrations of open pit mining［J］.Journal of Vibration and Control，2015，22（19）.DOI：10.1177／1077546314568172.

［11］ 史秀志.爆破振動信號時頻分析與爆破振動預測研究［D］.長沙：中南大學，2007.

［12］ Melih I，Mahmut Y，Hakan A.Prediction of ground vibrations resulting from the blasting operations in an openpit mine by adaptive neuro－fuzzy inference system［J］.Environmental Geology，2008，56（11）：97－107.

［13］ Shi X Z，Zhou J.Prediction residential house’s damage effect near openpit against blasting vibration based on svm with grid searching method／genetic algorithm［J］.Advanced Science Letters，2012，11（1）：238－243.

［14］ Breiman L.Random forests［J］.Machine Learning，2001，45：5－32.

［15］ 方匡南，吳見彬，朱建平等.隨機森林方法研究綜述［J］.統計與信息論壇，2011，26（3）：32－38.Fang Kuangnan，Wu Jianbin，Zhu Jianping，et al.A review of technologies on random forests［J］.Statistics ＆Information Forum，2011，26（3）：32－38.

［16］ 秦鋒，楊波，程澤凱.分類器性能評價標準研究［J］.計算機技術與發展，2006，16（10）：85－88.Qin Feng，Yang Bo，Chen Zekai.Research on measure criteria in evaluating classification performance［J］.Computer Technology and Development，2006，16（10）：85－88.

［17］ Congalton R G.A review of assessing the accuracy of classifications of remotely sensed data［J］.Working Pages，1991，119（2）：270－279.

［18］ Landis J，Koch G.The measurement of observer agreement for categorical data［J］.Biometrics，1977，33（1）：159－174.

Random forest model for identification of residential structure damage induced by blast vibration

Fang Qiancheng1，Shang Li1，Shang Yonghui1，2，Song Yi3
（1.Institute of Architecture and Engineering，Huanghuai University，Zhumadian 463000，Henan，China；2.School of Civil Engineering，Central South University，Changsha 410075，Hunan，China；3.School of Energy and Safty Enginerring，Hunan University of Science and Technology，Xiangtan 411201，Hunan，China）

In this work，aiming to the prediction speed and accuracy，we established a random forest model for residential structure damage induced by blast vibration identification on the basis of the random forest（RF）theory.Twelve indexes，i.e.peak particle velocity，dominant frequency，dominant frequency duration，maximum charge per delay，distance，gray joints intensity，rate of brick walls，height of housing，roof structures parameter，beam－column frames parameter，quality parameter of construction and site conditions parameters，were considered as the criterion indices for this kind of damage in the proposed model based on the of analysis of the characteristic parameters of blasting vibration and dynamic characteristics of the housing structure.108sets of vibration measured data were investigated to create an RF classifier.RF was a combination of tree predictors，and variable importance was measured by gini importance parameter when the forest grows.A random tree was a combination of decision trees，and each tree is generated depending on the values of random vectors sampled independently，with the same distribution for all trees in the forest.The Gini importance value shows that the peak particle velocity is the most important discrimination indicator，followed by the distance，the dominant frequency duration，the dominant frequency，the beam－column frames parameter，the gray joints intensity，the roof structures parameter，the height of housing，the maximum charge per delay，the quality parameter of construction，the rate of brick walls and the site conditions parameters.Another twelve groups of residential structure damage instances were tested as forecast samples，and the predicted results were identical with the actual situation.Engineering practices indicate that the accuracy of the RF method of learning samples is 87.97%，and the accuracy of the test samples is 91.7%，effectively verifying and supplementing the existing methods for evaluating residential structure damage induced by blast vibration.

blasting vibration；residential structure damage；randomforest；peak particle velocity；prediction

O381 國標學科代碼：13035

A

10.11883／1001－1455（2017）06－0939－07

2015－11－07；

2016－04－22

國家自然科學基金項目（11072072）

方前程（1982－ ），男，博士，fangqiancheng314＠126.com。

（責任編輯 王小飛）