⚡ electrical engineering

Cyber-Physical Seismic Resilience: Integrating Digital Twins and Machine Learning for Performance-Based Earthquake Engineering of CLT and Masonry Structures in High-Seismicity Regions — Lessons from the USA, Japan, and Proposals for Peru

本研究提出了一种变革性的基于性能的地震工程框架，该框架通过整合数字孪生与机器学习技术，通过对美国和日本实践进行基准分析，引入用于减少不确定性的新型分析工具，并弥合施工阶段建模与实时运行监测之间的差距，旨在增强秘鲁交叉层积材（CLT）及砌体结构的抗震韧性。

原作者： PAUL RICARDO PRUDENCIO GALVEZ

发布于 2026-06-26

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： PAUL RICARDO PRUDENCIO GALVEZ

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在一个地面会剧烈震动的地区（比如秘鲁）建造一座房子。长期以来，建造者们一直遵循着一套严格的“食谱”（规范性规则），以确保房子不会倒塌。但这份文件指出，我们需要一种更聪明的方法：一种基于“性能”的系统，它能从建筑物的实际表现中学习，而不仅仅是遵循食谱。

以下是该论文的核心思想，通过简单的概念和类比进行了拆解：

1. 问题所在：“食谱” vs. “实时飞行员”

秘鲁位于非常活跃的构造板块上，地震是一个持续的威胁。目前，该国依赖于较旧的建筑规则，这些规则并未考虑到像交叉层积材（CLT）（可以理解为超强韧、胶合在一起的木板）等新型高科技材料，也未考虑到如何更好地使用围护砌体结构（带有混凝土框架的砖墙）。

虽然美国和日本等国家已经转向使用“数字孪生”（Digital Twins）和“机器学习”（Machine Learning）来预测建筑物在地震中的生存能力，但秘鲁仍处于追赶阶段。该论文认为，秘鲁需要停止猜测，开始利用数据来建造更安全、更智能的结构。

2. 解决方案：数字孪生（建筑物的影子）

论文引入了数字孪生的概念。

类比： 想象一座建筑在云端有一个完美的、隐形的“影子”。这个影子是一个计算机模型，看起来与真实的建筑一模一样。
工作原理： 当真实的建筑被建造以及随后矗立在那里时，微小的传感器（就像建筑物的健身追踪器）会将数据发送到影子中。如果真实的建筑摇晃，影子也会随之摇晃。如果一颗螺丝松动了，影子会立即感知到。
“施工阶段”的转折： 作者建议在建筑物的制造阶段就开始创建这个“影子”。传感器在木板离开工厂之前就被嵌入其中。这确保了影子从第一天起就与真实建筑完美校准，而不是在建筑完工后才试图去猜测建筑的状态。

3. 大脑：机器学习（超级智能助手）

如果没有大脑来解释数据，数字孪生将毫无用处。这就是**机器学习（ML）**发挥作用的地方。

类比： 把机器学习想象成一个超级聪明的助手，它读过无数关于建筑物在地震中表现如何的书籍。
它的作用： 它不再是在每次发生震动时都运行缓慢且昂贵的计算机模拟，而是使用一种“随机森林”（一种人工智能类型）来瞬间预测建筑物的摇晃程度。这就像拥有一位天气预报员，他能立即告诉你你所在特定社区会有多少降雨量，而不是等待针对整个国家的通用预报。
结果： 论文声称，这种人工智能预测建筑物运动的准确率超过 94%，这是一个巨大的飞跃。

4. 新规则：更新“计分卡”

论文提出了四个具体的公式，旨在取代或升级旧的风险计算方法：

公式 1：“不确定性折扣”
- 旧方式： 由于我们不确定建筑物的确切表现，我们会假设最坏的情况，因此会高估损失成本。
- 新方式： 随着数字孪生收集到更多真实数据，人工智能变得更加自信。论文引入了一个因子（称为 αML），随着我们了解得越多，它会降低估计的损失成本。这就像因为你证明了自己是安全驾驶员，从而获得了保险费折扣。
公式 2：“摇摆墙”平衡
- 对于设计为在地震中可以轻微摇摆（就像树木在风中弯曲一样）的木结构（CLT）建筑，人工智能会不断更新数学模型，以计算金属连接件的磨损情况或电缆张力的变化。
公式 3：“振动健康检查”
- 正如医生倾听你的心跳一样，数字孪生会倾听建筑物的自然振动。如果振动的音调发生变化，人工智能就会知道建筑受到了损坏，即使肉眼无法察觉。
公式 4：“快进式”预测器
- 它不再需要花费数小时来运行复杂的地震模拟，而是能瞬间给出关于建筑各层受震情况的答案。

5. 秘鲁的路线图

该论文不仅是在梦想，它还提供了一个分步计划：

第 1–2 年： 构建数据库。测试 50 多个木结构连接点，并专门针对利马和库斯科等秘鲁城市进行数千次计算机模拟。
第 2–3 年： 开展试点项目。在利马建造一座 6 层高的木建筑，在施工期间将传感器嵌入墙体，以测试“数字孪生”系统。
第 3–5 年： 将该系统扩展到其他地区的砖石（砌体）建筑，并创建一个面向秘鲁工程师的免费开源软件平台。
第 5 年及以后： 更新国家建筑规范（NTP E.030），正式纳入这些基于数据的算法。

核心结论

论文总结道，通过结合数字孪生（实时的影子）和机器学习（超级大脑），秘鲁可以将地震损失的不确定性降低高达 35%。这意味着在投资决策上更加明智、建筑更加安全，并实现从过时规则向“建筑能与工程师对话以保障安全”的未来的转变。

技术摘要：秘鲁网络物理系统（Cyber-Physical）地震韧性研究

问题陈述

由于秘鲁位于纳斯卡板块与南美板块的交汇处，历史上曾发生过如 2007 年皮斯科（Pisco, Mw 8.0）和 1970 年安卡什（Ancash, Mw 7.9）大地震，该国面临着严峻的地震脆弱性。尽管存在如此高的地震危害，秘鲁的建筑业仍受限于基于规范的设计方法论（NTP E.030/E.090），这些方法缺乏基于性能的地震工程（PBEE）框架。虽然交叉层积材（CLT）和约束砌体结构在地震韧性方面具有潜力，但其在秘鲁的实施受到实时监测、实验数据库和监管条款缺失的阻碍。此外，由于过度依赖高成本的非线性时程分析（NLTHA），向 PBEE 的转型在计算上是难以实现的；同时，在利用数字孪生（DT）和机器学习（ML）来减少损失评估中认识不确定性（Epistemic Uncertainty）方面也存在显著差距。

研究方法

本研究采用遵循标准化工程研究合成指南的系统文献综述法。过程分为四个阶段：

识别： 通过在 Scopus 和 Web of Science 中进行布尔搜索，使用与数字孪生、机器学习、CLT、砌体以及地震/PBEE 相关的术语，共获得 412 条记录。
筛选与资格审查： 在剔除重复项并审查标题与摘要后，对 84 条记录进行了评估。
纳入： 最终选择了 38 项高影响力研究进行数据提取，重点关注在地震背景下应用于 CLT 或砌体的 DT/ML 技术。

本文通过综合这些发现，将全球实践（美国、日本）与秘鲁现状进行基准对比，并提出了一种新型的现代化 PBEE 框架。该框架集成了一个**施工阶段数字孪生（CP-DT）**架构，旨在连接建筑信息模型（BIM）与运营阶段的结构健康监测（SHM）。

核心贡献与拟议框架

本文引入了一个为秘鲁量身定制的现代化 PBEE 框架，其核心是 CP-DT 以及四项具体的的技术创新：

ML 增强型预期年损失（EAL）：
标准的 FEMA P-58 损失积分通过一个由 ML 衍生的不确定性降低因子 $\alpha_{ML}$ （其中 $\alpha_{ML} \in (0, 1]$ ）进行增强。随着数字孪生积累传感器数据， $\alpha_{ML}$ 由随机森林模型进行持续校准，从而降低认识不确定性，并降低因基准值过高而导致的 EAL 估算值。
- 公式： $EAL_{DT} = \int_0^\infty [\sum P(DS_j | EDP) \cdot C_j] \cdot \alpha_{ML} \cdot d\lambda(IM)$
CLT 摇摆墙运动学公式：
针对带有预应力（PT）和耗能装置的 CLT 摇摆墙，其恢复力矩公式通过 DT 进行更新。DT 利用基于应变计数据的 ML 回归来更新长期预应力损失（ $T_{pt,0}$ ）和疲劳影响下的屈服力（ $F_{hd,y}$ ），确保模型反映“竣工后”的物理现实。
基于频率的损伤指数（ $DI_{CLT}$ ）：
利用来自 DT 的环境振动数据计算全局结构损伤指数。它将通过随机子空间识别（SSI）得到的固有频率与理论 BIM 频率进行对比。
- 公式： $DI_{CLT} = 1 - \frac{1}{N} \sum_{i=1}^N (\frac{f^n_{DT,i}}{f^n_{BIM,i}})^2 \cdot w_i$
- 量程： 0 表示无损伤；趋近于 1 表示严重退化。
用于快速预测的随机森林代理模型：
为了绕过全量 NLTHA 的计算成本，采用随机森林（RF）代理模型将地震和结构参数（如谱加速度、周期、质量比）映射到最大层间位移角（MIDR）。该模型是在针对秘鲁地震危险性条件的 5,000 多条合成 NLTH 记录组成的数据库上训练而成的。

研究结果

成熟度对比： 对比矩阵显示，虽然美国和日本拥有先进的 PBEE 集成、实时损失评估和广泛的实验数据库，但秘鲁目前仍依赖于基础的规范性标准，在木结构或砌体结构中尚未实现 PBEE 或 DT 的应用。
模型性能： 所提出的随机森林代理模型在针对 MIDR 预测的交叉验证中实现了决定系数 $R^2 > 0.94$ ，证明了其在预测结构需求方面具有极高的保真度。
不确定性降低： 研究预计，集成 DT 和 ML 可将地震损失评估中的认识不确定性降低高达 35%。
实施路线图： 本文为秘鲁制定了一个四阶段路线图：
- 第一阶段（第 1–2 年）： 建立秘鲁 CLT 地震数据库（50+ 次循环测试，5,000+ 条 NLTHA 记录）。
- 第二阶段（第 2–3 年）： 在利马的一栋 6 层 CLT 建筑上部署 CP-DT 试点项目，并嵌入 MEMS 传感器。
- 第三阶段（第 3–5 年）： 将 CP-DT 扩展至约束砌体结构，并开发一个与 ETABS 和 OpenSees 兼容的开源平台。
- 第四阶段（第 5 年及以后）： 利用性能化设计要求为修订规程（NTP E.030/E.090）提供技术依据。

重要性与主张

本文断言，将数字孪生和机器学习集成到 CLT 和砌体的 PBEE 中是一个具有实际可行性的目标，对于降低秘鲁的地震风险具有即时效益。其主要意义在于：

弥合差距： 为从成熟市场（美国/日本）向秘鲁环境进行技术转移提供了量化的差距分析和具体的策略。
规程现代化： 为更新秘鲁法规（NTP E.030/E.090）以包含基于性能的设计和数字监测要求提供了技术基础。
经济效率： 证明了通过 DT-ML 集成降低认识不确定性，可以实现更准确、基于风险的投资决策，这对于一个地震易发程度高且资源有限的国家至关重要。
生命周期校准： 建立了一种 CP-DT 架构，确保数字模型从制造和组装阶段开始就与物理现实保持一致，而非仅仅依赖于施工后的假设。

研究结论指出，这种方法将范式从“符合规范”转变为“基于性能的韧性”，直接应对了秘鲁当地材料、建筑实践及经济约束带来的挑战。