一种基于数据挖掘的地震影响房屋建筑易损性评价方法与流程

本发明涉及土木工程建筑抗风险情况的研究领域；特别是涉及一种基于数据挖掘的地震影响房屋建筑易损性评价方法。

背景技术：

地震是一种对人类生命以及社会财富具有严重危害的自然灾害。我国地处世界上两个最活跃的地震带───环太平洋地震带和欧亚地震带之间，受太平洋板块、印度板块和菲律宾海板块的挤压，地震断裂带十分活跃，地震区域广阔而分散，是遭受地震灾害最为严重的国家之一，需要进行抗震设防的国土面积约占全国国土面积的60％。强烈的地震能够产生巨大破坏力，给人类的生命安全、社会的经济发展带来极其严重的威胁，其中地震影响下房屋建筑的损毁是生命、财产直接损失的主要原因。

地震影响下房屋建筑的易损性是指房屋建筑在地震影响下多种内、外因素耦合作用下的可能损毁程度。目前国内外对房屋震害与抗震的研究，主要集中于房屋建筑自身材料、建筑结构特性等方面，对地基条件、地形地貌等因素与震害之间的关系上关注偏少，更少见上述多因素耦合分析房屋建筑震害的评价方法。因此，如何综合考虑地震因素、地基条件、地形地貌、气象水文及房屋建筑自身属性等多方面因素的耦合作用，提出一种全面分析地震影响房屋建筑易损性的评价方法，为房屋震害的预防、工程建设规划选址提供指导建议，成为当下房屋建筑地震防灾预警技术亟需解决的问题。

技术实现要素：

针对上述现有技术的不足，本发明所要解决的技术问题是：怎样提供一种地震影响房屋建筑易损性的评价方法，使其能够方便快捷地完成对待研究区域内房屋建筑在地震影响下易损性的判别和评价分析，并且具备较高的评定准确性和评价效率，能够为房屋震害的预防、工程建设规划选址提供指导建议。

为了解决上述技术问题，本发明采用了如下基于数据智能挖掘分析的技术方案：

一种基于数据挖掘的地震影响房屋建筑易损性评价方法，其特征在于，包括以下步骤：

(1)从多个方面考虑设定评价因子作为地震影响房屋建筑易损性评价的输入层；所述多个方面包括但不限于地震因素、地基条件、地形地貌、气象水文以及房屋建筑自身属性方面；

(2)评估地震影响下房屋建筑的损毁情况，确定房屋建筑的损毁程度作为地震影响房屋建筑易损性评价的输出层；

(3)获取地震影响房屋建筑易损性评价的输入层、输出层的基础数据；获取基础数据的手段包括但不限于地质勘察、遥感影像、dem(数字高程模型)和相关业务部门获取资料；

(4)将获取的基础数据进行标准化/归一化处理，根据输入层的基础数据构建房屋建筑易损性评价因子的时空数据库；

(5)采用人工智能分析方法，选取经过标准化/归一化处理后输入层、输出层的基础数据作为训练样本，进行历史数据的挖掘和模型训练，建立地震影响房屋建筑易损性评价模型；

(6)根据研究对象，把待研究区域的每座房屋建筑作为一个评价单元，针对每个评价单元，提取与房屋建筑易损性相关评价因子的时空信息，应用构建的评价模型，完成对待研究区域房屋建筑易损性的仿真分析，经gis(地理信息系统)重分类处理后得到待研究区域的地震影响房屋建筑易损性评价区划图。

这样，依靠本方法可以建立地震影响房屋建筑易损性的评价因子与房屋建筑受地震影响后的损毁程度之间对应关系的评价模型，将其应用于现有房屋建筑的地震受损评估，在地震发生后不需要对每个房屋建筑进行现场查验评估，从而提高了地震后房屋建筑受损情况的评估效率。另外，本方法还可以用于实现未发生地震对建筑物的危害预评估，为房屋震害防治、工程建设规划选址提供指导建议。

作为优化，步骤(1)综合考虑地震因素、地基条件、地形地貌、气象水文及房屋建筑自身属性等多方面因素的影响，能够较为全面地反映地震对房屋建筑损毁影响的多因子耦合作用机制。

具体而言，步骤(1)中地震因素方面考虑的评价因子包括震级、烈度、震中距和峰值加速度中的一个或多个；地基条件方面考虑的评价因子包括地表岩性、覆盖层厚度、地下水埋深、承载力、地震液化等级和断层分布中的一个或多个；地形地貌方面考虑的评价因子包括高程、坡度、坡向、坡位和微地貌中的一个或多个；气象水文方面考虑的评价因子包括多年平均降雨量、暴雨频率和水系分布中的一个或多个；房屋建筑自身属性方面考虑的评价因子包括建筑型式、结构类型、基础类型、使用年限、建筑材料特性和房屋建筑层数中的一个或多个。

这样，可以较为全面地反映地震对房屋建筑损毁影响的多因子耦合作用机制，从而很大程度上提高了评估的准确性和可靠性。

作为优化，步骤(2)中充分考虑地震影响下房屋建筑的损毁情况，把房屋建筑的损毁程度作为地震影响房屋建筑易损性评价的输出层，并定义房屋建筑的损毁程度，完全无损为0，完全损毁(倒塌)为1，其余按损毁程度对应为0-1之间的数值，这样能够确定地震影响房屋建筑易损性的评价标准，为后面地震影响房屋建筑易损性评价的准确性提供必要的保证。

作为优化，步骤(3)中结合地质勘察、遥感影像、dem(数字高程模型)、获取的地震气象等资料，用于得到地震影响房屋建筑易损性评价输入层、输出层的基础数据，作为待研究区域房屋建筑易损性及时、准确评价的重要前提。

具体而言，地震因素如峰值加速度(pga)等数据可以从美国usgs网站下载；多年平均降雨量、暴雨频率等数据可以向当地气象局等相关部门获取；高程、坡度、坡向、坡位、微地貌等数据可以通过待研究区域的dem(数字高程模型)提取生成；水系、断层等数据可以应用地质图导出；地基条件一般通过勘察资料获取；房屋建筑自身属性(建筑型式、结构类型、基础类型、使用年限、建筑材料特性、房屋建筑层数等)以及地震影响下房屋建筑损毁程度的相关数据一般可以通过现场勘察与遥感图像解译相结合的手段获取及完善。

作为优化，步骤(4)中将获取的基础数据进行标准化/归一化处理，再根据输入层的基础数据构建房屋建筑易损性评价因子的时空数据库。数值结果均归一到[0，1]中，使各评价因子处于同一数量级上进行综合比较，转换函数如下：

式中：x为原始数据，x^*为经过归一化处理后得到的数据，xmin、xmax分别为数据的最小值和最大值。

这样，能够实现数据的标准化表达，为接下来快速、准确的评价做出必要的准备。

作为优化，步骤(5)中采用神经网络、逻辑回归等人工智能分析方法，选取经过归一化处理后输入层、输出层的基础数据作为训练样本，进行历史数据的挖掘和模型训练，从而建立地震影响房屋建筑易损性评价模型。这样，能够反映地震对房屋建筑损毁影响的多因子耦合作用机制。

作为优化，步骤(6)中应用gis(地理信息系统)平台，通过数据接口，应用构建的评价模型完成对待研究区域房屋建筑易损性的仿真分析，经gis(地理信息系统)重分类处理后得到待研究区域的地震影响房屋建筑易损性评价区划图，以实现评价结果的可视化表达。

具体而言，选取地震影响房屋建筑易损性作为研究对象，把待研究区域的每座房屋建筑作为一个评价单元，针对每个评价单元，根据步骤(4)中构建的房屋建筑易损性评价因子时空数据库，提取与房屋建筑易损性相关评价因子的时空信息，应用步骤(5)建立的评价模型，即可仿真计算每个评价单元对应的房屋建筑易损性。

进一步，参考《建(构)筑物地震破坏等级划分》(gb/t24335-2009)中的相关条款，采用专家经验，对计算得到的房屋建筑易损性进行重分类，从而将房屋建筑的易损性划分为高、较高、中等、较低、低五个等级，最后在gis(地理信息系统)平台上得到待研究区域的地震影响房屋建筑易损性评价区划图，实现评价结果的可视化表达。这样，就可以根据训练得到的评价模型，直接在输入层中输入房屋建筑易损性的各评价因子，即可获得该房屋建筑在地震影响下的易损性评价，用于地震下房屋建筑受损的快速评估以及实现对未来可能出现的地震引起房屋建筑产生损毁的预评估，从而为房屋震害的防治、工程建设规划选址提供指导建议。

相比于现有技术，本发明具有如下有益效果：

1、本发明是一种基于数据挖掘的地震影响房屋建筑易损性评价方法，通过收集待研究区域地震因素、地基条件、地形地貌、气象水文以及房屋建筑自身属性因素等多方面的数据，利用智能分析方法建立待研究区域在地震影响下房屋建筑易损性的评价模型，基于数据的深入挖掘以及模型的仿真分析，得到待研究区域地震影响房屋建筑易损性的评价结果。数据分析更为全面、针对性更强，评价结果更为可靠、实用性更好，能够为房屋震害的防治、工程建设规划选址提供准确、科学的数据信息和参考性建议。

2、本发明确立的地震影响房屋建筑易损性评价模型可应用于所有需要分析评价地震影响房屋建筑易损性的区域，需要考虑待研究区域的地震因素、地基条件、地形地貌、气象水文、房屋建筑自身属性因素等方面，将输入层中的所有因子或其中几个因子带入评价模型中，通过数据的挖掘建模，可以仿真分析得到待研究区域地震影响房屋建筑易损性的评价结果，与现有的在地震发生后到现场勘测房屋损坏情况评价方法相比较，本发明可以节省大量时间和劳动力。

附图说明

图1为本发明实施例的方法流程示意图。

具体实施方式

下面结合附图，以典型的神经网络方法为例，对本发明具体实施方式作进一步的详细说明。

实施例：参见图1，一种基于数据挖掘的地震影响房屋建筑易损性评价方法，包括以下步骤：

(1)综合考虑地震因素、地基条件、地形地貌、气象水文及房屋建筑自身属性等多方面因素的影响，确定不同的评价因子作为地震影响房屋建筑易损性评价的输入层。

具体而言，从地震影响下房屋建筑损毁的复杂性出发，选取包括地震因素、地基条件、地形地貌、气象水文及房屋建筑自身属性五方面的影响因素，并且，对应不同类别的影响因素，最终确定地震因素(包括震级、烈度、震中距和峰值加速度)，地基条件(包括地表岩性、覆盖层厚度、地下水埋深、承载力、地震液化等级和断层分布)，地形地貌(包括高程、坡度、坡向、坡位和微地貌)，气象水文(包括多年平均降雨量、暴雨频率和水系分布)及房屋建筑自身属性(包括建筑型式、结构类型、基础类型、使用年限、建筑材料特性和房屋建筑层数)等20多个评价因子，从而较为全面地反映地震对房屋建筑损毁影响的多因子耦合作用机制。

(2)充分考虑地震影响下房屋建筑的损毁情况，把房屋建筑的损毁程度作为地震影响房屋建筑易损性评价的输出层，并定义房屋建筑的损毁程度，完全无损为0，完全损毁(倒塌)为1，其余按损耗程度对应为0-1之间的数值，这样能够确定地震影响房屋建筑易损性的评价标准，为后面地震影响房屋建筑易损性评价的准确性提供必要的保证。

(3)结合地质勘察、遥感影像、dem(数字高程模型)、获取的地震气象等资料，用于获取地震影响房屋建筑易损性评价输入层、输出层的基础数据，作为待研究区域房屋建筑易损性及时、准确评价的重要前提。

具体而言，地震因素如峰值加速度(pga)等数据可以从美国usgs网站下载；多年平均降雨量、暴雨频率等数据可以向当地气象局等相关部门获取；高程、坡度、坡向、坡位、微地貌等数据可以通过待研究区域的dem(数字高程模型)提取生成；水系、断层等数据可以应用地质图导出；地基条件一般通过勘察资料获取；房屋建筑自身属性(建筑型式、结构类型、基础类型、使用年限、建筑材料特性、房屋建筑层数等)以及地震影响下房屋建筑损毁程度的相关数据一般可以通过现场勘察与遥感图像解译相结合的手段获取及完善。

(4)将获取的基础数据进行标准化/归一化处理，再根据输入层的基础数据构建房屋建筑易损性评价因子的时空数据库。数值结果均归一到[0，1]中，使各评价因子处于同一数量级上进行综合比较，这样就能够实现数据的标准化表达，为接下来快速、准确的评价做出必要的准备。转换函数如下：

式中：x为原始数据，x^*为经过归一化处理后得到的数据，xmin、xmax分别为数据的最小值和最大值。

(5)采用神经网络、逻辑回归等人工智能分析方法，选取经过归一化处理后输入层、输出层的基础数据作为训练样本，进行历史数据的挖掘和模型训练，以完成地震影响房屋建筑易损性评价模型的建立。

具体而言，以bp神经网络为例，首先通过上述步骤的操作，建立包括输入层和输出层在内的训练样本。然后，通过迭代计算确定bp神经网络评价模型。在整个迭代过程中，通过选用均方根值(rmse)，可以最为标准地进行相关优化。

(6)应用gis(地理信息系统)平台，通过数据接口，应用构建的评价模型完成对待研究区域房屋建筑易损性的仿真分析，经gis(地理信息系统)重分类处理后得到待研究区域的地震影响房屋建筑易损性评价区划图，以实现评价结果的可视化表达。

具体而言，选取地震影响房屋建筑易损性作为研究对象，把待研究区域的每座房屋建筑作为一个评价单元，针对每个评价单元，根据步骤(4)中构建的房屋建筑易损性评价因子时空数据库，提取与房屋建筑易损性相关评价因子的时空信息，应用步骤(5)建立的评价模型，即可仿真计算每个评价单元对应的房屋建筑易损性。

进一步，参考《建(构)筑物地震破坏等级划分》(gb/t24335-2009)中的相关条款，采用专家经验，对计算得到的房屋建筑易损性进行重分类，从而将房屋建筑的易损性划分为高、较高、中等、较低、低五个等级，最后在gis(地理信息系统)平台上得到待研究区域的地震影响房屋建筑易损性评价区划图，实现评价结果的可视化表达。这样，就可以根据训练得到的评价模型，直接在输入层中输入房屋建筑易损性的各评价因子，即可获得该房屋建筑在地震影响下的易损性评价，可以用于地震下房屋建筑受损的快速评估以及实现对未来可能出现的地震引起房屋建筑产生损毁的预评估，从而为房屋震害的防治、工程建设规划选址提供指导建议。