基于高斯過程回歸的建筑物震陷量預測模型

王 飛,李東珺,閆 冬,王 威

(1.南陽理工學院建筑與城市規劃學院，南陽 473004；2.南陽師范學院土木建筑工程學院，南陽 473061；3.北京工業大學建筑與城市規劃學院，北京 100124)

中國是世界上震害最嚴重的國家之一，隨著城城鎮進程的加快，許多中心城區面臨地震潛在次生災害的風險日益增高[1-2]。由于飽和砂土或砂礫土液化導致的建筑物震陷是造成城區建筑物破壞的主要危害之一，也是衡量工程結構失效與否的主要指標之一[3-4]。因此，對建筑物震陷量進行科學合理預測研究，是進行地震小區劃及提出抗震對策措施的重要依據。

目前，關于建筑物液化沉降量的預測方法研究主要有兩類[5]：①確定性方法，如現場調查法和抽樣統計方法；②不確定性方法，如概率分析法、模糊數學法和人工神經網絡等。一般來講，現場調查法是所有方法中最直觀、最可靠的方法，但存在工作量大、數據煩瑣、計算周期長等缺陷。概率分析法雖能夠考慮和模擬隨機事件的不確定性，但具有結果不穩定，沒有考慮隨機序列之間的相關性等缺陷。模糊數學理論在確定模糊算子時，存在一定的主觀隨意性。人工神經網絡對訓練樣本和學習樣本的數量要求比較高。因此，有必要進一步完善和豐富建筑物震陷量預測模型與方法。

高斯過程回歸(Gaussian process regression,GPR)是一種基于貝葉斯概率框架下的無參核方法[6-7]。該模型不僅可以對未知輸入進行預測，還可以先驗概率的形式表征過程的先驗知識，從而提高模型性能，與BP(back propagation)神經網絡與SVM(support vector machine)方法相比，其模型仿真參數更少，優化和收斂過程也更易于實現。……