该研究针对高拱坝抗震性能评估中存在的计算成本高、不确定性分析不足等核心问题，提出了一套融合概率机器学习与增量动力分析的创新方法。高拱坝作为现代水利工程的代表性结构，其三维空间力学特性与复杂地质环境交互作用，导致传统抗震分析方法存在显著局限性。现有研究多聚焦于重力坝的抗震评估，而针对超高层拱坝（如302米高的锦屏一级大坝、285.5米高的溪洛渡大坝等）的抗震性能研究存在明显空白，特别是在不确定性和计算效率优化方面亟待突破。
传统抗震分析方法主要采用确定性数值模拟，通过反复计算不同地震动输入下的结构响应来推导抗震性能指标。以某300米级超高层拱坝为例，完整非线性时程分析（NLTHA）需要处理包含数百个自由度的精细化三维模型，单次地震动输入的模拟时间超过72小时，且现有研究显示常规方法难以有效量化结构响应中的随机不确定性和模型认知不确定性。这种高计算成本与有限数据量的矛盾，严重制约了高拱坝抗震性能评估的工程应用。
针对上述问题，本研究构建了"概率机器学习+聚类筛选+增量动力分析"的三维协同框架。在数据筛选阶段，创新性地采用PAM（划分 вокруг медиoids）无监督聚类算法对地震动记录集进行特征提取。通过分析地震动加速度时程曲线的频谱特征、持时特性及峰值加速度分布，PAM算法成功将包含500组地震动记录的全量数据集划分为具有明确物理意义的若干类别。实验表明，仅需保留40%的典型地震动记录（对应56.8%的计算成本降低）即可完整表征原始数据集的失效概率分布，且其产生的参考脆弱性曲线始终位于实测概率区间内。这一发现突破了传统基于规范谱的GMR筛选方法，显著提升了数据利用效率。
在模型构建阶段，研究团队提出采用NGBoost（自然梯度加法树）概率回归模型替代传统确定性元模型。该模型通过隐式分层抽样机制，不仅能精确捕捉结构响应的非线性空间分布特征，还能同步输出响应变量的条件概率密度函数。具体而言，对于每个特定的地震动输入，模型不仅能预测结构关键参数（如位移响应、应力强度比），还能给出该参数在95%置信区间内的概率分布。这种双重输出特性为抗震性能评估提供了量化不确定性的理论依据。
在抗震性能评估方法创新方面，研究建立了"输入特征概率映射-响应概率分布-脆弱性函数参数估计"的递进式分析框架。首先，通过NGBoost模型建立地震动强度指标（PGA、PGV等）与结构响应（如坝体位移、裂缝深度）之间的概率映射关系。随后，采用贝叶斯概率融合方法，将确定性增量动力分析（IDA）结果与机器学习预测的概率分布进行叠加修正，最终推导出具有概率特征的脆弱性函数。这种融合方法有效解决了传统ID分析中因忽略输入变量随机性导致的评估结果偏保守问题。
研究团队在超高层拱坝工程中的应用验证了方法的可靠性。以某在建314米级超高层拱坝为研究对象，建立包含12,000个单元的三维精细化有限元模型。通过PAM聚类筛选出200组代表性地震动记录（占原始数据量的40%），采用改进的NGBoost模型预测各监测点的位移响应概率分布。实验结果显示，在保证95%置信区间覆盖率的条件下，脆弱性曲线的最大均方误差不超过0.058，标准差差异控制在0.031以内，同时将计算成本降低至原方法的43.2%。特别值得注意的是，该方法成功解决了传统方法中存在的"模型依赖性"问题，当采用不同损伤准则（如开裂深度、塑性铰长度、残余刚度等）时，仍能保持稳定的预测精度。
在工程应用层面，该研究提出了"双阶段概率评估"机制。第一阶段通过PAM聚类筛选出具有代表性的地震动样本集，其选择标准不仅考虑统计特性，还包含地质构造特征与坝体动力响应模式的空间匹配性。第二阶段采用NGBoost-IDA耦合模型，将传统确定性ID分析的结果与机器学习预测的概率分布进行加权融合，最终输出包含失效概率分布的脆弱性曲线。这种混合方法在保持评估精度的同时，将总计算时长从1200小时压缩至480小时，效率提升达60%。
该研究的重要突破体现在三个方面：其一，构建了适用于空间壳体结构的高效概率预测模型，解决了传统机器学习在三维非线性响应预测中的局限性；其二，创新性地将PAM聚类与NGBoost概率回归相结合，在保证样本代表性的同时显著减少计算量；其三，建立了可量化的抗震性能评估体系，能够根据不同地震动强度给出结构失效概率分布，为风险决策提供理论支撑。
在工程实践中，该方法展现出显著优势。以某已建成的289米级拱坝为例，应用传统方法需要120天完成抗震性能评估，而采用本方法仅需48天。更关键的是，评估结果的不确定性区间与实际监测数据高度吻合，特别是在高烈度区（PGA>0.5g）的结构响应预测中，模型输出的概率分布曲线与实测数据的标准差误差仅为2.3%。这种精确的量化预测能力，为拱坝抗震设计规范修订提供了重要数据支撑。
未来研究可沿三个方向深化：首先，探索在缺乏实测数据的场景下，如何利用生成对抗网络（GAN）合成具有统计特征的虚拟地震动记录，进一步扩展方法的应用范围；其次，研究多物理场耦合作用下的概率响应模型，提升对复杂边界条件（如库仑应力、渗流-应力耦合）的适应性；最后，开发基于数字孪生的实时抗震监测系统，将概率模型与结构健康监测数据流结合，实现拱坝抗震性能的动态评估与预警。
本研究的技术路线已在多个实际工程中得到验证，包括白鹤滩大坝（289米）、大藤峡水电站（168米）等国家级重点工程。通过工程案例的对比分析发现，采用本方法后，拱坝抗震设计的安全系数评估误差从传统方法的12.7%降至4.2%，且计算效率提升达3倍以上。这种技术革新为世界最高拱坝（如当前在建的314米级双曲拱坝）的抗震设计提供了可靠的分析工具，对保障超高层水利结构的抗震安全具有重要工程价值。
该方法的经济效益同样显著。以某流域规划中的梯级拱坝群为例，应用传统NLTHA方法需要年均约2,300万元计算成本，而采用本技术体系后，年度计算成本可降至870万元，成本节约率达62.4%。同时，由于评估结果包含概率分布，设计人员可依据风险偏好选择不同置信区间的安全阈值，实现抗震性能与经济性的最优平衡。
在方法论层面，研究揭示了机器学习模型与确定性分析的协同效应。通过将NGBoost的梯度提升树结构与ID分析的过程进行有机融合，既保留了传统增量动力分析在损伤演化追踪方面的优势，又注入了机器学习处理高维非线性关系的能力。这种混合建模方式有效克服了单一方法在复杂系统建模中的局限性，特别是在处理大坝特有的空间非对称响应问题时，模型输出的概率密度函数能准确反映不同损伤模式的空间分布特征。
值得注意的是，研究团队在模型验证阶段引入了交叉熵误差校正机制。通过对比10组独立验证样本的结果，发现该方法在峰值位移预测中的平均绝对误差（MAE）仅为传统模型的1/3，在损伤概率分布预测中，Kullback-Leibler散度指数从0.45降低至0.12，显著提升了模型的可解释性和预测稳定性。这种验证方法的创新性，为机器学习模型在工程安全领域的应用提供了可靠的评估标准。
在不确定性量化方面，研究提出的三重验证机制（参数敏感性分析、蒙特卡洛模拟验证、实际工程数据回验）确保了概率模型的可靠性。通过分析各输入参数对结构响应的敏感度，发现峰值加速度（PGA）和频谱形状因子（SSF）对拱坝的位移响应影响最为显著（敏感度指数达0.87），而对裂缝深度等长期损伤参数，其累积效应敏感度指数为0.65。这种参数级的不确定性量化，为设计优化提供了精确的调整方向。
该研究的理论价值体现在对传统抗震分析范式的革新。通过构建"输入特征-结构响应-失效概率"的概率映射链，首次实现了从地震动输入到结构失效的全过程概率量化。这种方法突破性地将概率密度函数估计与结构损伤演化相结合，使得抗震性能评估从确定性指标转向概率分布描述，为基于风险的设计（RBID）提供了理论框架。
在工程应用中，研究团队开发了专用的软件工具包（SeismicFragility2024），集成了PAM聚类算法、NGBoost概率回归模型和ID分析模块。该工具包支持多尺度建模，可同时处理坝体整体响应与局部单元的损伤预测。经过工程验证，其计算效率比商业软件（如OpenSees+Plaxis）提升约40%，且关键参数的预测精度（均方误差）达到0.12mm（位移响应）和0.03（损伤指数）。
特别值得关注的是该方法在复杂地质条件下的适应性。针对某坝址存在的断层破碎带问题，研究团队通过引入地质风险系数修正项，在概率模型中实现了地质不确定性与地震动不确定性的耦合分析。实验表明，这种耦合模型将结构整体失效概率的预测误差从8.7%降至3.2%，显著提升了评估的准确性。
综上所述，本研究通过创新性地融合概率机器学习与结构动力分析方法，不仅解决了高拱坝抗震评估中的计算效率瓶颈，更重要的是建立了具有概率解释能力的抗震性能评估体系。这种技术突破为超高层拱坝的抗震设计提供了新的方法论，其核心思想——"特征筛选-概率建模-风险量化"的三阶段分析框架，具有广泛的应用前景，可拓展至其他复杂结构（如桥梁、高层建筑）的抗震性能评估领域。
打赏
