共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
基于BP神经网络模型的村镇砖砌体结构震害预测研究 总被引:1,自引:0,他引:1
砖砌体结构是村镇地区一种量大面广的结构形式,其抗震性能薄弱,在地震中极易出现脆性破坏。本文尝试应用基于L-M算法的BP神经网络方法,利用它强大的非线性映射功能,建立起村镇地区砖砌体结构震害影响因素与破坏状态等级之间关系。设计出一个9-6-5的三层神经网络模型,根据实地调查,筛选出影响房屋震害的9个主要因素,如层数、层高、砌筑方式、砖墙面积率等作为神经网络的输入参数,输出参数为房屋5种破坏状态。选择2008汶川地震后四川、陕西、甘肃等地的震害实例作为学习样本对所构建的神经网络模型进行训练。训练结果表明,该模型对已训练数据有很好的适应性,但如果要将其用于单个或群体建筑的易损性分析,并取得较精确的预测结果,还需积累足够多的训练样本,并进行大量的网络试验工作。 相似文献
3.
4.
基于对汉中村镇既有砖木结构现状的调查,分析汉中村镇既有砖木结构的结构类型、设计方式、建造地域地段、地基处理措施和结构基础形式、村民抗震安全意识和房屋抗震构造设防情况等。通过查阅地震震害资料和相关文献,简述和分析砖木结构房屋的震害规律、破坏原因和主要影响因素,提出改善汉中村镇砖木结构房屋的抗震现状及处理方法,并对如何提高既有和新建村镇砖木结构房屋的抗震能力给出建议和对策。 相似文献
5.
为有效解决地震伤亡人数预测所需影响因子多、 运算量大、 模型训练烦琐等问题, 构建了主成分分析法(PCA)和遗传算法(GA)优化的支持向量机(SVM)模型, 采用PCA对地震伤亡人数影响因子进行降维以去除贡献率较低的主成分, 将贡献率较大的主成分作为支持向量机的输入变量, 以地震伤亡人数作为输出变量, 利用GA对SVM模型性能参数进行优化, 建立基于PCA-GA-SVM的地震伤亡人数预测模型, 并对测试样本进行预测, 结果表明: 与SVM模型、 GA-SVM模型和PCA-GA-BP模型相比, PCA-GA-SVM模型的预测准确率和运行效率分别提高 4.73%、 1.14%、 9.99% 和47.05%、 36.76%、 44.55%。结果显示, PCA-GA-SVM模型预测精度高, 泛化能力强, 能够科学合理地对地震伤亡人数作出预测。 相似文献
6.
7.
基于遗传神经网络的砂土液化判别模型 总被引:4,自引:0,他引:4
针对BP人工神经网络具有易陷入局部极小等缺陷,本文提出了将遗传算法与神经网络相结合,同时优化网络结构与权值、阈值的思想。根据地震液化的实测资料,建立了砂土液化判别的遗传神经网络模型,比较计算结果证明了该模型的科学性、高效性。文中并进行主成分分析,提出液化影响的主要因素。 相似文献
8.
选用震级、震中烈度、极震区面积、Ⅴ度区以上面积、地震预报、抗震设防烈度、设计基本地震加速度值、房屋倒塌面积、房屋破坏面积(中等破坏及以上)、男女性别比、受灾区人口密度、地震时间、震源深度13个因子作为地震人员伤亡的影响因素,在定性分析的基础上,运用SPSS、AMOS软件,选用1949年至2010年间发生在我国的362次成灾地震进行数据分析,构建地震人员伤亡影响因素结构方程模型,综合分析各个影响因素对人员伤亡的影响程度.模型的GFI为0.911,RMSEA为0.081,PGFI为0.607,PNFI为0.596,NC为3.077,表明模型拟合效果良好,适配合理,具有简约适配度.分析表明:房屋倒塌面积、房屋破坏面积(中等破坏及以上)、震中烈度、震级、五度区以上面积是影响地震人员伤亡的五项最主要影响因素,减少房屋的倒塌和破坏情况、进行地震预报是减少地震人员伤亡的主要措施,并按重要性分别提出关键措施、一般措施和其他措施,为区域防灾减灾工作提供建议. 相似文献
9.
10.
计及城市房屋建筑装修破坏的地震经济损失评估方法研究 总被引:1,自引:0,他引:1
本文通过对比、分析我国目前地震经济损失评估中存在的一些问题,提出了城市房屋计及装修费用的地震损失评估方法.通过汶川地震现场调查、收集造价资料和问卷调查的形式给出了几个关键参数的合理取值,如:装修破坏损失比、中高档装修重置单价、中高档装修房屋在不同发达水平城市中所占比例及修正系数等.利用本文方法对内蒙古包头西6.4级地震、汶川8.0级地震及深圳经济特区的房屋建筑地震损失进行了评估和预测,并与实际统计结果进行了对比分析,结果表明考虑装修费用损失后的损失评估结果增加了10%~30%. 相似文献
11.
12.
13.
2021年5月22日,在青海省果洛州玛多县发生7.4级地震,距震中7 km的黄河乡驻地及周边为此次地震重灾区(Ⅷ度)。通过地震现场工作,对重灾区房屋进行应急调查与评估分析。共计调查黄河乡及周边1 019间房屋建筑,主要以砖混结构、砖木结构、土木结构为主。其中砖混结构房屋占比67.71%,大多基本完好或轻微破坏;砖木结构房屋占比29.24%,多数轻微破坏或中等破坏;土木结构房屋占比2.45%,基本完全毁坏。基于不同结构类型房屋调查结果及震灾分析讨论,提出灾后重建及震灾防御的相关意见:(1)对于灾后房屋组织专业人员进行摸排检测及登记上报有关部门;(2)灾后重建房屋建议以砖混、框架及轻型钢结构为主;(3)房屋自建随意性高,需加强房屋监管及建造标准。 相似文献
14.
在桥梁的震后抢通工作中,桥梁结构的快速损伤评估是恢复交通的关键环节。以具有代表性的铁路矩形桥墩为研究对象,通过4组拟静力试验验证有限元建模方法的合理性,并对1 000组桥墩有限元模型分别按照纵桥向和横桥向进行耐震时程分析,通过搭建BP神经网络对地震动力响应的需求结果进行拟合,构建铁路矩形桥墩震损快速评估模型,最终通过一座三跨混凝土梁桥验证该模型的适用性。研究结果表明:配筋率、配箍率、剪跨比和轴压比是影响桥墩地震损伤的四种主要因素,长宽比、混凝土和钢筋强度是影响桥墩地震损伤的三项次要因素;当发生PGA为0.32g的设计地震时,通过数值分析和神经网络模型快速评估这两种方法计算所得桥梁四个桥墩轻微损伤概率分别为96.7%、44.6%、49.1%、96.7%和95.6%、40.4%、60.9%、95.8%,中度损伤概率分别为40.1%、1.2%、1.6%、40.1%和37.4%、2.3%、6.0%、37.7%;BP神经网络算法能够有效建立构造参数与地震响应之间的联系,输出误差处于合理范围内,回归程度较好。基于BP神经网络的桥梁地震损伤评估模型具有较好的普适性,能替代部分数值仿真计算工作。 相似文献
15.
为了借助容易获取的地震相关因素间接预测地震震级,提出基于相关向量机(Relevance Vector Machine,RVM)方法的地震震级预测模型。通过样本学习建立地震震级与地震累积频度、累积释放能量、平均震级、b值、η值和相关区震级等6个主要影响因素之间的非线性映射关系,利用已知影响因素预测地震震级。结果表明:RVM模型预测结果均优于BP神经网络及SOM-BP神经网络预测结果;通过敏感因子分析比较各因素的敏感程度,b值和η值最为突出,在震级研究中应重点分析。综合分析,RVM模型具有精度高和离散性小等优点,对地震震级预测有较好的推广价值。 相似文献
16.
地震滑坡的滑距与重力滑坡的滑距有着显著的不同,科学预测地震发生时黄土地区滑坡的滑动距离是合理评估黄土地区滑坡风险和减轻滑坡灾害的有效方式之一。基于海原特大地震诱发黄土滑坡的400组野外调查数据,通过引入BP神经网络算法,论证了BP神经网络模型用于预测黄土地震滑坡滑距的适宜性和可行性;建立了地震诱发黄土滑坡滑距的BP神经网络预测模型,并通过67组数据进行了验证。BP神经网络算法和传统多元线性回归、多元非线性回归结果的对比显示,BP神经网络的预测更接近真实情况,具有较为理想的预测效果,可以用于黄土地震滑坡滑距的预测,并为圈定较为可靠的致灾范围提供依据。 相似文献
17.
为精准识别贫困山区农居房屋结构现状完好程度,本文开展略阳县境内41894栋农居房屋抗震现状实地调查,搜集整理域内孕灾环境和致灾因子强度,统计分析域内各行政镇(办)经济水平、农居房屋抗震结构类型和震害等级,预测震害矩阵,计算平均震害指数,并评价抗震能力。研究结果表明:域内农居房屋抗震结构类型包括土木结构、砖木结构和砖混结构;域内农居房屋在VI度地震作用下基本完好的比例为74.04%,在VII度地震作用下发生轻微破坏以下震害等级的比例为83.45%,在VIII度地震作用下发生中等破坏以下震害等级的比例为85.46%;域内农居房屋在地震烈度为VI、VII、VIII、IX、X度时的平均震害指数分别为0.13、0.23、0.32、0.49、0.71,抗震性能较差,不满足“小震不坏、中震可修、大震不倒”的抗震设防目标。 相似文献
18.
19.
为准确预测地震死亡人数,提出了基于主成分分析法(PCA)和粒子群算法(PSO)优化的支持向量机(SVM)模型。首先利用主成分分析法对地震死亡人数7个影响因子中的6个进行数据降维,同时对第7个发震时刻因子单独进行区间分类,然后对提取出的主成分进行归一化处理,将归一化的主成分数据作为支持向量机的输入向量,通过粒子群算法寻优获得最优支持向量机模型参数,最终建立基于PCA-PSO-SVM的地震死亡人数预测模型,并对5组样本进行死亡人数预测,同时对比分析包含和不包含发震时刻因子的2种情况下的模型预测效果。结果表明:在不考虑发震时刻因子的情况下,使用PCA-PSO-SVM模型的最小误差、最大误差和平均误差分别为0.85%、20%、10%,其平均误差相比PSO-SVM、SVM模型分别降低2.08%、2.28%;输入向量加入发震时刻因子分类数据后,PCA-PSO-SVM模型的最小误差、最大误差和平均误差分别为0.25%、20%、7.18%,其平均误差相比PSO-SVM、SVM模型分别降低3.34%、3.50%。因此,加入发震时刻因子后3种模型的平均误差明显降低,同时由于PCA-PSO-SVM模型进行主成分降维处理,能够明显提高运行效率和预测精度,故降低了模型复杂度。 相似文献