一种基于机器学习和MSA预测核电厂地震易损性的方法

本发明涉及一种基于机器学习和msa预测核电厂地震易损性的方法，属于核电厂抗震减灾领域。

背景技术：

1、作为抵御核泄漏的最后一道防线，核电厂安全壳应该能够承受地震等自然灾害的威胁。近年来，世界范围内地震灾害频发，核电站防御地震的能力越来越受到高度重视，一旦混凝土安全壳被损坏，它将失去防止核泄漏的能力。值得注意的是，核电站的结构和设备都可能受到强烈地震的严重威胁，因此在核电站的抗震设计中，不仅安全壳结构不应受损，而且内部仪器设备等次级系统也应该是安全的。在基于性态的地震工程框架内，需要在psdm中适当地建立edp和im之间的关系。核电站psdm的一个重要方面是对地震需求响应的准确预测，对于核电厂，与地震动相关的不确定性和随机性远远超过与核电厂结构相关的任何其他不确定性。

2、传统的建立核电厂psdm的方法是基于线性回归，考虑im与地震需求响应的相关性，使用标量im或矢量ims来预测地震需求响应。然而，标量im或矢量ims不能解释地面运动的所有相关特征，同时由于传统的线性函数在纳入各种不确定性来源方面缺乏灵活性，可能会影响需求估计，特别是在核电厂的结构中这种限制特别关键，因为考虑到超设计基础地震下的刚度退化，核电厂安全壳和次级系统往往表现出非弹性行为。在现有诸多公开的文献中，推导易损性曲线的程序来自非线性动力时程分析，包括云方法(c.a.cornell,f.jalayer,r.o.hamburger,d.a.foutch,probabilistic basis for 2000 sac federalemergency management agency steel moment frame guidelines,j.struct.eng.128(4)(2002)526-533.；f.jalayer,direct probabilistic seismic analysis:implementingnon-linear dynamic assessments.ph.d dissertation.stanford university(2003).)、增量动力分析ida(d.vamvatsikos,c.a.cornell,incremental dynamic analysis,earthquake eng.struct.dyn.31(3)(2002)491-514.)和多条纹分析法msa(f.jalayer,j.beck,effects of two alternative representations of ground-motionuncertainty on probabilistic seismic demand assessment of structures,earthquake eng.struct.dyn.37(1)(2008)61-79.；f.jalayer,c.a.cornell,alternativenon-linear demand estimation methods for probability-based seismicassessments,earthquake eng struct dyn,38(8)(2009)951-972.)。云方法是通过分析一组未缩放的地震加速度序列来完成的，假设im-edp关系存在适当的对数-对数线性关系。云分析的局限性主要是由于潜在的回归假设，在超设计基准地震下，基于线性回归的标量im无法捕获非弹性行为，从而导致映射过程中的偏差。因此，云方法并不严格适用于具有三线性剪切行为的核电厂。ida方法使用某条特定的地震输入，通过设定一系列单调递增的im，并对每个地震强度指标下的地震输入进行结构非线性时程分析，而msa方法，使用缩放到特定目标强度的地震记录作为结构的输入，覆盖了从弹性到弹塑性直到结构动力失稳的反应全过程，同时能够反映出结构在不同强度等级地震下的地震需求能力和整体抗倒塌能力，然而时程分析在计算上是费力的。机器学习由于其在分析复杂和不确定的问题方面的优势，促进了在不同工程领域的应用。现有的机器学习方法在核电厂的易损性分析中的应用在过去很少被研究，目前应用也集中在使用神经网络选择最相关im，并对易损性曲线不确定性进行量化，然而结构失效概率仍是通过云方法计算得出，难以捕捉结构在超设计基准地震下的非线性行为(z.wang,n.pedroni,i.zentner,e.zio,seismic fragilityanalysis with artificial neural networks:applicationtonuclearpowerplantequipment,eng.struct,162,(2018)213-225.)。

3、因此，利用机器学习捕获强震和结构需求响应之间的复杂关系，不受传统线性函数形式和参数分布的先验假设的约束，能够建立一种可靠的机器学习驱动的psdm的框架，并将其应用于易损性研究中，以有效、准确考虑超设计基准地震下核电厂的刚度退化，捕捉强震下的非弹性行为，同时大大降低传统的ida和msa的计算成本，对促进易损性研究的发展和拓展易损性评价工作，具有重要的理论意义和应用价值。

技术实现思路

1、本发明旨在提供一种基于机器学习和msa预测核电厂地震易损性的方法，通过形成模型数据建立psdm，从而高效精准预测结构地震需求响应，并结合msa推导出易损性曲线。

2、本发明的技术构思如下：1)首先，基于机器学习的多元ims实现核电厂高效、准确的地震需求响应预测，在此基础上构建psdm。通过使用基于迭代消除随机森林rrf的特征选择和模型选择方法进一步了解地震动参数的数量和机器学习回归算法如何影响预测性能。通过十折交叉验证确定最优机器学习回归模型，并与传统的基于标量im和矢量ims的线性回归模型在泛化能力上进行了比较，阐明机器学习在psdm构建中具有绝对的优势，可以克服传统线性模型的局限性，以及捕获地震im和edp之间的复杂非线性关系，为使用机器学习来考虑多元ims改善核电厂结构中的psdm提供一定依据。2)其次，基于机器学习结合msa提出了一种可靠的易损性曲线推导方法。易损性曲线通常应用于地震易损性评估，考虑地面运动的不确定性，通过基于机器学习构建的具有多元ims的psdm，结合msa，将超过结构能力的概率与地震动参数联系起来，使得非线性时程分析成本减少，相较于传统ida和msa方法大大提高了效率，同时能够考虑核电站超设计地震下的刚度退化，捕获了核电厂强震下的非线性行为，对超出设计基础的核电站地震概率安全评估具有重要意义。

3、本发明的技术方案是：

4、一种基于机器学习和msa预测核电厂地震易损性的方法，包括以下步骤：

5、s1、建立核电厂地震响应模型；

6、s2、计算安全壳和次级系统的结构地震中值能力值；

7、s3、对近场脉冲波进行缩放，选取地震动参数，进行随机动力时程分析，形成数据集；

8、s4、使用机器学习，进行特征选择和模型选择，确定最佳机器学习预测模型；

9、s5、建立基于机器学习的psdm，实现地震需求响应预测，验证预测模型效果；

10、s6、使用预测模型进行msa，依据最小二乘法，确定核电厂安全壳和次级系统失效的中值和标准差，从而建立核电厂安全壳和次级系统易损性曲线。

11、上述方法进一步说明如下：

12、步骤s1具体为：确定核电厂安全壳地震响应模型的计算参数，选定原始未缩放的近场脉冲地震波，计算地震需求响应。

13、所述核电厂安全壳地震响应模型的计算参数包括：安全壳和次级系统的结构分布，材料参数，结构的楼层质量和转动惯量，楼层的几何面积、剪切面积和惯性矩，其中材料参数包括混凝土的动态弹性模量、剪切模量、泊松比、阻尼比。

14、所述原始未缩放的近场脉冲地震波利用反应谱匹配选取，在peer强震数据库中进行地震波预处理，包括滤波、基线调零，使输入地震波的平均频谱与rg1.60设计频谱相一致。

15、所述计算地震需求响应，其地震需求响应是将随机地震动输入到建立的核电厂地震响应模型中，即可形成核电厂动力响应计算模型，开展动力时程分析，得到不同地震下的核电厂安全壳和次级系统的动力响应结果，其中安全壳以顶点位移最大值(dmax)为地震需求参数，次级系统以5-33hz的平均楼层加速度响应谱值(afsa)为地震需求参数。

16、步骤s2具体为：采用均匀分布模式加载，进行推覆分析，得到顶点位移-基底剪力曲线，线性段的末端对应的位移即为安全壳的结构地震中值能力；对选取的近场脉冲波，缩放调幅至核电厂一致风险性谱在结构第一自振周期处的谱加速度0.95g，进行动力时程分析，选取s1中次级系统afsa为指标，得到对应的次级系统和结构地震中值能力，具体表达式为：

17、

18、式中，yi是动力时程分析得到的次级系统afsa值，对数标准差βr代表地震动的随机性，对数标准差βu代表结构材料的不确定性，根据kennedy和ravindra(j.w.reed,r.p.kennedy,methodology for developing seismic fragilities,tr-103959.electricpower research institute,palo alto,california,(1994).)通过大量统计研究的结果，βr和βu的值分别被确定为0.26和0.34。

19、步骤s3具体为：近场脉冲波进行缩放是指根据地面峰值加速度pga的大小将原始地震波调整为一组离散强度水平的地震波，以包括足够数量的超设计基准地震波来考虑结构在较高的强度范围内表现出的非弹性行为，扩大机器学习训练样本的范围。所述地震动参数，包括直接由地震动得到的参数如pga等和由结构弹性反应得到的参数如sa(t1)等的33个常用的地震动参数。

20、步骤s4具体为：将数据集按7：3随机划分，分别作为训练集和测试集，特征选择中所述特征为im，特征选择是使用迭代消除随机森林算法rrf基于基尼重要性实现的，通过比较回归树增长中分裂导致的每个变量预测的均方误差变化来作为变量排除的标准。保留了3/4的最重要的ims来重建模型。递归删除1/4个最不重要的ims，并使用剩余的ims构建一个新的森林，直到只剩下一个im。所述模型包括选择的14种机器学习回归算法，包括：(i)基于线性回归的方法：包括线性回归(lr)、贝叶斯回归(br)、自动相关性确定回归(ard)和huber回归(hr)；(ii)基于核的核岭回归(kr)；(iii)基于决策边界的方法：包括支持矢量机回归(svr)和nu支持矢量机回归(nusvr)；(iv)基于距离的k最近邻(knn)；(v)基于高斯过程的高斯过程核(gk)；(vi)基于树增强的方法：包括决策树(dt)、随机森林(rf)、梯度增强(gb)、自适应增强(adab)和极端梯度提升(xgb)，以r2、mae、mse、rmse为评价指标，并使用10折交叉验证，评估机器学习模型的性能，选取最佳的机器学习预测模型。

21、步骤s6具体为：根据s5得到的核电厂地震需求响应预测模型，将步骤s1中选取的原始地震动缩放到特定目标强度水平作为预测模型的输入，得到对应的结构地震需求响应输出，使用s2提出的结构地震中值能力作为失效阈值，计算特定im下，需求响应超过失效阈值的数量占总数的比例为该im下结构的失效概率，采用最小二乘法进行拟合，对中值和不确定性进行量化，得到核电厂安全壳和次级系统的易损性曲线。

22、失效概率具体表达式为：

23、f(im)＝p(edp＞edpj|im＝im)

24、式中，edpj是edp的失效阈值；im是im的特定值。

25、本发明的有益效果：

26、(1)本技术采用机器学习，通过特征选择和模型选择，可以确定合适的多元地震动参数和机器学习回归算法来高效准确预测强震下核电厂安全壳和次级系统的需求响应，同时改善传统的psdm，将会对于核电厂的抗震设计和评估、震后加固和决策具有重要意义。

27、(2)该方法能够有效、准确考虑超设计基准地震下核电厂的刚度退化，捕捉强震下的非弹性行为，对实际核电厂工程性能的合理评价具有重要意义。

28、(3)本技术可直接应用于预测核电厂结构地震损伤状态，应用性强，只需对模型数据集进行广泛训练，操作方便。

29、(4)通过msa，采用最小二乘法绘制易损性曲线，在不降低精度的前提下，计算代价小，显著提高了计算效率，实现强震下的核电厂结构地震损伤风险和抗震性能评估。