基于差分进化-人工神经网络的沉积河谷地震动放大效应预测模型＊

孟思博 赵嘉玮 刘中宪

1） 中国天津 300384 天津市土木建筑结构防护与加固重点实验室

2） 中国天津 300384 天津城建大学土木工程学院

3） 中国天津 300384 天津市软土特性与工程环境重点实验室

引言

沉积河谷是一种典型的复杂场地，其对地震动的显著放大效应已被大量实际震害和理论分析所证实（肖文海，2009；李平等，2016；高玉峰等，2021）.研究沉积河谷地震动放大效应对地震危险性分析、地震区划和重大工程抗震设计具有重要的科学意义和应用价值.

为揭示地震波在沉积河谷中的传播机理、定量评估沉积河谷地震动放大效应，国内外科研人员采用解析法和数值法开展了诸多理论研究.解析法主要为波函数展开法（Trifunac，1971；Yuan，Liao，1995；张宁等，2017），数值法包括离散域法、边界元法等.有限元法（李伟华，赵成刚，2006；刘必灯等，2011；周国良等，2012；陈少林等，2014；陈国兴等，2015）和有限差分法（Boore，1973；Sunet al，2019）是常用的两种离散域方法.边界元法具有降维、节省计算内存、自动满足无限远辐射条件、无高频数值频散等优势，因而其广泛地应用于地震波动理论的研究中（梁建文，巴振宁，2007；Luzónet al，2009；Liuet al，2018；黄磊等，2020）.此外，综合利用上述方法的优势，Zhou 和Chen （2008），Ducellier 和Aochi （2012）及Shyu 等（2018）采用混合方法研究了河谷对地震波传播的影响规律.

值得指出的是，地震波在沉积河谷中的传播机理十分复杂，局部放大效应是沉积河谷对地震波的散射、波型转换、相干作用等波动现象共同作用的结果.入射波条件、介质属性、场地形状与沉积河谷地震动放大系数直接相关，且具有高非线性和高耦合性，因此，基于传统回归方法建立两者映射关系、实现沉积河谷地震动放大效应预测、量化各关键参数对放大系数的影响均存在困难.

近年来，机器学习算法广泛用于地震学领域.作为机器学习常用算法，人工神经网络及其优化方法可提供完全数据驱动的预测模型、进行独立特征参数对目标参数的敏感性分析，地震动预测是其主要应用（Konget al，2019）.Derras 等 （2012）构建了矩震级、震源深度、震中距、场地共振频率和近地表30 m 等效剪切波速度五个特征参数与地震动加速度峰值的关系，此后将该方法推广至包括地震动加速度峰值、速度峰值和谱加速度等多个目标参数（Derraset al，2014）；Dhanya 和Raghukanth （2018）建立了基于人工神经网络的浅层地壳地震地面运动预测方程，特征参数为矩量、离破裂面最近的距离、剪切波速和震源机制；Raghucharan等（2019）采用人工神经网络推导了喜马拉雅山和印度恒河平原地震动预测模型，此模型具有良好的精度.上述研究中数据集主要来源于实测地震记录，以震源机制、传播路径、近地表平均剪切波速为特征参数，未考虑局部场地效应对地震动的影响、未定量阐明各参数对场地效应的贡献.针对局部场地效应，Giacinto 等（1997）采用一维波动理论对三角形峡谷场地放大效应进行了预测；Tavakoli 和Kutanaei （2015）针对介质参数的不确定性，对伊朗某地区场地放大系数进行了评估.上述结合人工神经网络的场地效应研究均未考虑地震波的散射作用.而Paolucci 等（2000）的研究表明，沉积谷地一维分析存在较大误差，需考虑二维或三维放大效应.

鉴于此，本文针对沉积河谷这一典型局部复杂场地，采用边界元法求解沉积河谷对地震波的散射；以半圆形、V 形沉积河谷为计算模型，以入射波条件、介质属性、场地形状为特征参数、以五个典型地表位置的沉积河谷地震动放大系数为预测目标参数，构建数据集；建立基于人工神经网络、差分进化-人工神经网络算法的沉积河谷地震动放大系数预测模型，并对预测精度和稳定性进行对比与验证，最后分析了各特征参数对地震动放大效应的敏感性.本研究可进一步揭示沉积河谷对地震动的影响规律，为考虑地震波散射、含局部复杂地形的场地地震动预测提供参考.

1 基于边界元法的沉积河谷地震动放大效应求解及数据集构建

本文基于边界元，准确求解SH 波入射下一系列半空间沉积河谷场地动力反应.以入射波条件、介质属性、场地形状为特征参数、以沉积河谷地震动放大系数为预测目标参数，构建数据集.

1.1 计算模型

为构建沉积河谷地震动放大效应预测模型，首先建立地震作用下沉积河谷-基岩半空间计算模型（图1）.假设基岩半空间D0和沉积河谷D1均为各向同性的均匀弹性介质，半空间中存在一沉积河谷，SH 波从半空间入射.由于沉积河谷沿纵向无限延长，假设横截面不变，将其简化为SH 波入射下二维沉积河谷出平面散射问题.L2为D0与D1的交界线，L1和L3分别为基岩半空间地表和沉积河谷地表.

图1 沉积河谷-基岩半空间计算模型Fig. 1 Calculation model of elliptic deposition in half space

1.2 基于边界元法的沉积河谷地震动放大效应求解

根据弹性波动理论，总波场可表示为自由波场和散射波场叠加，即

散射场引起散射体内任一点的位移、应力积分表达式为（Luzónet al，2009）

对边界L1，L2，L3进行离散，以构造散射波场.根据单层位势理论，D0中的散射场可通过在L1和L2上布置的虚拟荷载构建，D1中的散射场可通过在L2和L3上布置的虚拟荷载构建.沉积河谷边界元模型及虚拟荷载点布置见图2.

图2 虚拟荷载布置点位示意图Fig. 2 Sketch of virtual load layout

边界条件包括沉积地表L3和半空间地表L1应力为零、沉积域和半空间域交界线L2满足位移应力连续条件，即

式中：当x≠ξ时，利用高斯积分法来求解上式中ti（jxn，ξl）和gi（jxn，ξl）；当x＝ ξ时，需利用格林函数展开式解析解求得；ΔS为边界离散单元长度.

基于单层位势理论，求解各单元虚拟荷载密度，得到散射波场；沉积河谷中散射波场即为总波场，半空间中需将散射波与自由波场叠加得到总波场，继而可求解任意点的位移和应力.

1.3 基于边界元法的沉积河谷地震动放大效应精度验证

本节以半圆形沉积河谷为例，验证2.2 节所述方法求解弹性半空间中沉积河谷对SH 波散射问题的正确性.无量纲频率η取为1，入射角θ取为0°和90°，本文所求地表各点位移放大系数与文献结果（Yuan，Liao，1995）对比如图3 所示，图中a为半圆形河谷半径.由图3可知，本文结果与文献结果吻合程度良好，验证了本文方法的准确性.

图3 本文地表位移放大系数结果与文献结果对比Fig. 3 Comparison of amplification coefficient of surface displacement between the results in this paper and those in literature

1.4 特征参数与预测目标参数

本文以半圆形、V 形河谷为例，构建沉积河谷地震动放大效应人工神经网络、差分进化-人工神经网络数据集.设基岩半空间和沉积河谷密度分别为ρ1和ρ2，剪切波速分别为c1和c2，入射角为θ，入射波无量纲频率为η；半圆形河谷半径为a，V 形河谷对称，宽度为2a、深度为h（图4）.预测模型特征参数及取值范围见表1，半圆形河谷算例中考虑了入射条件和介质参数，V 形河谷还考虑了场地形状，且假设各特征参数满足均匀分布.

表1 预测模型的特征参数及取值范围Table 1 Characteristic parameters and value ranges of the prediction model

图4 半圆形河谷（a）和V 形河谷（b）的预测模型点位分布Fig. 4 Location distribution of prediction model for semicircular valley （a） and V-shaped valley （b）

地表位移放大系数是衡量局部复杂场地地震动放大效应的重要指标，其快速评定对于待建结构抗震设计、既有结构震后灾害评估具有重要作用.因此，将入射波位移幅值标准化后的地表位移放大系数作为预测目标参数，此系数为无量纲物理量.

2 沉积河谷地震动放大效应预测模型建立

基于人工神经网络模型，结合差分进化算法，建立沉积河谷地震动放大效应预测模型.人工神经网络包括输入层、隐藏层和输出层，可将样本中隐含的特征规律分布于神经元之间的连接权值上，解决多参数非线性映射问题（Derraset al，2012，2014；Raghucharanet al，2019），差分进化算法是一种随机启发式搜索算法，包括初始化、变异、交叉和选择四个步骤，具有自适应迭代寻优能力和较好的鲁棒性（潘兆东等，2018）.人工神经网络、差分进化算法基本原理在此不再赘述.

针对半圆形、V 形河谷，采用1.2 节所述方法各生成7 000 个样本对人工神经网络、差分进化-人工神经网络进行训练，随机选取其中85%作为训练集，15%作为验证集和测试集.每个样本均可得出地表各位置的位移放大系数，理论上，可将任意数量地表位移放大系数作为预测目标参数.当以某个地表位置作为目标参数，即神经网络输出层节点数为1 时，采用更少的样本数即可获得较高精度的预测模型，但需构建多个神经网络预测模型；当以所有地表位置作为目标参数，即神经网络输出层节点数为地表边界离散元个数n时，获得较高精度的预测模型需采用巨量样本.本文以5 个典型地表位置（图4）为预测目标参数构建预测模型，分析人工神经网络、差分进化-人工神经网络预测沉积河谷地震动放大效应的适用性.

3 沉积河谷地震动放大效应预测结果与分析

3.1 预测模型结果与分析

通过改变神经元数量和隐藏层数量，确定人工神经网络最佳结构（Moayediet al，2020）.经多次试算，本模型采用双隐含层神经网络，神经网络结构为4×28×26×5 （图5）.差分进化-人工神经网络预测模型精度对于差分进化算法的参数设定有很强的依赖性.本文通过对差分进化-人工神经网络预测模型多次训练确定出种群数量N＝400，初始变异因子F0＝1，最大迭代次数Gmax＝400.参数变量的界限为xj∈［−1，1］.

图5 人工神经网络结构Fig. 5 Artificial neural network structure

图6 给出了半圆形和V 形沉积河谷地表位移放大系数预测结果的决定系数，图7，8 给出了五个地表位置位移放大系数边界元结果、人工神经网络、差分进化-人工神经网络预测结果，受篇幅限制，图7，8 以测试集中随机选取的50 个测试样本为例，定义相对误差ε1和ε2分别为人工神经网络和差分进化-人工神经网络预测模型结果与边界元结果的差值与边界元结果之比的绝对值.

图6 人工神经网络（左）和差分进化-人工神经网络（右）预测模型测试集决定系数（a） 半圆形河谷； （b） V 形河谷Fig. 6 Artificial neural network （ANN） （left） and differentical evolution-ANN （right）determination coefficient of test set of prediction model（a） Semicircular valley； （b） V-shaped valley

图7 采用边界元法和神经网络预测模型得到的半圆形河谷地表点A−E （a−e）的位移幅值对比Fig. 7 Comparison of displacement amplitudes between boundary element method and neural network prediction model of surface points A−E （a−e） for semicircular valley

结合图6—8 可知，人工神经网络进行沉积河谷预测具有较高的精度，将差分进化算法与人工神经网络结合，可整体提高人工神经网络预测的精度和稳定性，半圆形、V 形沉积河谷模型决定系数分别由0.899，0.854 提高至0.961，0.930，半圆形沉积河谷预测精度优于V 形沉积河谷，同一个神经网络中不同目标参数（本文为地表位置）的预测精度有所不同.

3.2 特征参数敏感性分析

本节采用Garson 算法求解特征参数对预测目标参数的影响程度（Derraset al，2012）.针对本文所给的参数范围（表1），SH 波入射频率对地表位移放大系数的影响最大，半圆形、V 形河谷模型结果分别为65.12%和68.45%；对于半圆形沉积河谷，基岩半空间与沉积河谷波速比、SH 波入射角度的影响分别为23.4 %和9.97 %，影响最小的参数是基岩半空间与沉积河谷密度比，只有1.51%；对于V 形沉积河谷，河谷深宽比的影响为14.02%，略大于波速比（10.15%）和入射角（7.38%）的影响程度.

图8 采用边界元法和神经网络预测模型得到的V 形河谷地表点A−E （a−e） 的位移幅值对比Fig. 8 Comparison of displacement amplitudes between boundary element method and neural network prediction model of surface points A−E （a−e） for V-shaped valley

4 沉积河谷地震动放大效应预测模型应用

地震波能量为宽频分布，在考虑单频入射波基础上，可求得地表位移幅值谱，本节采用所建沉积河谷地震动放大效应的差分进化-人工神经网络预测模型，以入射角为60°为例，给出半圆形、V 形沉积河谷中心点的地表位移幅值谱预测结果，预测模型计算时间约为1 s，结果如图9 所示.作为对比，图10 给出了基于边界元法的半圆形和V 形沉积河谷中心点的地表位移放大系数计算结果，无量纲入射频率间隔取为0.1.结合图9，10 可知，基于预测模型、边界元法的地表位移幅值谱具有良好的吻合度.

图9 基于差分进化-神经网络预测模型的半圆形河谷（a）和V 型河谷（b） 地表位移放大系数频谱Fig. 9 Surface displacement amplification factor spectrum based on differential evolution-ANN prediction model for semicircular valley （a） and V-shaped valley （b）

图10 基于边界元法的半圆形河谷 （a）和V 型河谷（b）地表位移放大系数频谱Fig. 10 Surface displacement amplification factor spectrum based on boundary element method for semicircular valley （a） and V-shaped valley （b）

5 结论

本文以入射波条件、沉积内外介质属性、河谷场地形状为特征参数，以沉积河谷地震动放大系数为预测目标参数，建立半圆形、V 形沉积河谷地震动放大效应的人工神经网络、差分进化-人工神经网络预测模型，对比分析了不同方法的适用性.结果表明：

人工神经网络、差分进化-人工神经网络均可实现沉积河谷地震动放大效应预测，但差分进化-人工神经网络预测模型具有更高的预测精度和稳定性；沉积河谷对地震波的散射导致半空间、河谷地表位移均表现出很强的离散性，入射波频率对半圆形和V 形沉积河谷地表位移放大系数影响最大，对半空间和河谷密度比的影响相对较小，V 形沉积河谷场地形状和介质属性的影响基本相同.最后需说明的是，本文算例仅限于二维出平面分析，若结合三维动力格林函数和三维场地模型，本文方法和理论框架很容易拓展到三维场地放大效应预测.