地震液化及其沉降灾害的贝叶斯网络风险分析

Foundation liquefaction often results in serious damages of structures and enormous economic losses. It is a crucial thing that how to consider complicated and uncertainty factors and multiple liquefaction-induced hazards data in predicting seismic liquefaction and assessing hazards, however, the existing assessment methods did not take influences of bad liquefaction data and spatial variability and relative importance of factors of liquefaction on performances of prediction and assessment into account. Therefore, the project will construct a probability prediction model of seismic liquefaction and a chain assessment model of seismic liquefaction-induced settlement disaster combining advantages of Bayesian network based on understanding the mechanism of seismic liquefaction well. Key research contents of the project include identifying key factors of seismic liquefaction and processing liquefaction data, improving the existing Bayesian network of seismic liquefaction prediction combining the mechanical properties of seismic liquefaction, determining the minimum sample size of data for parameter learning of a Bayesian network under condition of guaranteeing a good predictive performance, and constructing a Bayesian network of assessing seismic liquefaction-induced settlement disaster combining simplified methods for calculating liquefaction-induced settlement, et al. Results of the project are of theoretical and practical significance to promote innovation research of the Bayesian network technique for assessing seismic liquefaction in multidisciplinary fields.

地基液化往往会造成结构物的严重破坏并带来巨大的经济损失。如何考虑复杂的不确定性风险因素和多类型液化灾害数据对地震液化的预测及其灾害风险的评估是至关重要的，但现有的评估方法尚未考虑液化不良数据以及相关因素的空间变异性和相对重要性对地震液化预测及其灾害风险评估精度的影响。基于此，本项目在充分认识地震液化机理的基础上，结合贝叶斯网络方法的优势，建立地震液化概率预测模型和地震液化引起土层沉降灾害的链式风险评估模型。重点研究内容包括：地震液化关键因素的筛选及数据的清洗、考虑地震液化力学特性的地震液化贝叶斯网络预测模型的改进、保证一定预测精度时贝叶斯网络模型参数学习最小样本量的确定、引入地震液化沉降简化计算方法的贝叶斯网络液化沉降灾害风险评估模型的建立等。研究成果对于推动贝叶斯网络技术在地震液化评估中的多学科交叉创新研究具有重要的理论与实际意义。

地震液化预测及其灾害评估的准确性直接关系到我国工程结构的抗震安全性。地震液化的数据质量、样本大小及关键因素选择对模型的预测精度具有重要影响。本项目收集了三类历史地震液化场地数据，并对数据进行了清洗，建立了地震液化的数据库；研究了不同强度指标与液化发生的相关性、有效性、适用性和完备性，探寻了最适合地震液化预测的强度指标，为后续模型构建中地震强度指标的选择提供了理论依据；通过历史地震液化数据，筛选出了12个重要的地震液化影响因素，为后续的贝叶斯网络模型构建提供变量选择依据；基于标准贯入试验、静力触探试验和剪切波速试验分别构建了三种不同的贝叶斯网络预测模型，并将这三种不同的模型进行了融合，构建了一个混合的贝叶斯网络模型，使得融合后的混合模型无论在预测精度上还是在适用范围上都得到一定提升；提出了一种采用最大信息系数方法和K2算法融合来构建更优化地震液化预测模型的客观学习混合方法，进一步提升了模型的预测精度；研究了贝叶斯网络模型的预测性能与模型的复杂性、训练样本量的大小和节点的平均离散间隔数之间的关系，建立了考虑最大入度和平均离散间隔影响的最小样本量预测公式；基于前序的模型结构，结合场地的液化势和液化潜能指数，建立了地震液化沉降灾害的贝叶斯网络风险评估模型。研究结果为地震液化及灾害快速评估的深入研究奠定了基础。