首页/文章/ 详情

RED-ACT |10月9日四川甘孜5.4级地震破坏力分析

10月前浏览722

Real-time Earthquake Damage Assess ment using City-scale Time history an alysis 

(RED-ACT)

致谢和声明:

       感谢中国地震台网中心为本研究提供数据支持。本分析仅供科研使用,具体灾情和灾损分析应根据现场调查情况确定。


一、地震情况简介

据中国地震台网正式测定,10月9日13时17分在四川甘孜州新龙县发生5.4级地震,震源深度10公里,震中位于北纬30.84度,东经99.86度。


二、强震记录及分析

      20251009四川甘孜5.4级地震获得了30组地震动,由于地震动没有完全收集,可能还有更强的记录。典型地震记录分析如下:

SC.V2907典型站位置北纬30.82度,东经100.16度,记录到水平向地震动峰值加速度为101 cm/s/s。该地震动及反应谱如图1、图2所示。  

(a) EW

 

(b) NS

 

(c) UD


图1 典型台站地面运动记录

 

图2  典型台站典型记录反应谱


三、地震动对典型城市区域破坏能力分析

根据中国地震学会标准《基于强震动记录的地震破坏力评估T/SSC 1—2021》(参阅新标准发布 :基于强震动记录的地震破坏力评估),利用密布强震台网在震后获取的实时地震动信息,再结合城市抗震弹塑性分析,就可以得到地震发生后不同地点的建筑破坏情况,为抗震救灾决策提供科学支撑。图3为根据本次地震震中附近范围内台站记录分析得到的建筑震害分布示意图。图4为根据本次地震震中附近范围内台站记录分析得到的人员加速度感受分布示意图。

 

 
图3 不同台站地震记录破坏力分布图  

(建筑抗震承载力取均值加一倍方差)


 
 

图4 不同台站地震记录人员加速度感受分布图

(建筑抗震承载力取均值加一倍方差)


四、台站附近地震滑坡分析

根据当地地形数据、岩性数据和实测地面运动记录,可以计算得到不同滑坡体饱和比例下的滑坡分布,如图5所示。其中,底图为当地坡度分布图,每个圆圈代表每个台站的计算结果,圆圈中的数字代表发生滑坡的临界坡度,台站附近坡度大于该数值的地方滑坡发生概率高。

 

(a)滑坡体饱和比例为 0%

 

(b)滑坡体饱和比例为50%

 

(c)滑坡体饱和比例为 90%

图5 不同台站附近地震滑坡分布


五、地震动对典型单体结构破坏能力分析

(1) 对典型多层框架结构破坏作用

模型1:三层框架结构(感谢中国建筑设计研究院王奇教授级高工提供模型)

       将典型台站记录输入立面布置如图6(a)所示的6度、7度和8度设防的典型三层钢筋混凝土框架结构,得到其层间位移角包络如图6(b)所示。

   
   

(a)立面布置示意图           (b)层间位移角

图6 典型三层钢筋混凝土框架结构


(2) 对典型砌体结构破坏作用

模型1:单层未设防砌体结构

       选取图7所示纪晓东等开展的单层未设防砌体结构振动台试验模型,输入典型台站记录,分析结果表明该结构将处于轻微破坏状态。(纪晓东等,北京市既有农村住宅砖木结构加固前后振动台试验研究,建筑结构学报,2012,11,53-61.)

 

图7 单层三开间农村住宅砖木结构振动台试验


模型2:五层简易砌体结构

       选取图8所示朱伯龙等开展的五层简易砌体结构足尺试验模型,输入典型台站记录,分析结果表明该结构将处于完好状态。(朱伯龙等,上海五层砌块试验楼抗震能力分析,同济大学学报,1981,4,7-14.)

   
   

(a)平面图                        (b)剖面图

图8 五层简易砌体结构布置


(3) 对典型桥梁破坏作用

模型1:某80年代公路桥梁(感谢福州大学谷音教授提供模型)

       选取图9所示某80年代公路桥梁模型,输入典型台站记录,分析结果表明该结构将处于完好状态。

 

图9 某80年代公路桥梁模型


模型2:某特大桥引桥(感谢福州大学谷音教授提供模型)

       选取图10所示某特大桥引桥模型,输入典型台站记录,分析结果表明该结构将处于完好状态。

 

图10 某特大桥引桥模型



来源:陆新征课题组

ACT振动非线性化学建筑消防BIM理论Opensees材料科普数字孪生控制试验
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2025-10-18
最近编辑:10月前
地震那些事
博士 抗震防灾数值模拟仿真
获赞 84粉丝 73文章 673课程 0
点赞
收藏
作者推荐

手把手教你使用Copilot-V0.4.0的新功能:(2) 剪力墙结构智能设计与优化

0引言在上一篇公众 号中,我们给大家介绍了AIstructure-Copilot-V0.4.0的新功能:基于智能识图的前处理,实现了建筑CAD图纸信息的一键智能识别和提取,极大的方便了用户操作,本文我们将继续带领您体验全新界面下的剪力墙结构智能设计与优化的全过程,可以帮助工程师快速完成结构方案设计。1剪力墙结构智能设计前处理完成后的图纸如图1所示,程序已经识别了剪力墙、门、窗等构件,并给出了各空间的功能属性。此时,用户可以点击“剪力墙-梁智能设计”按钮(图2),根据提示逐一选取各标准层及其对应的基准点,各楼层将根据基准点的位置上下对齐,选择完毕后软件将任务提交云端服务器,开始智能设计(图3)。 图1 前处理完成后的图纸 图2 剪力墙-梁智能设计功能 图3 云端开展智能设计智能设计完成后,软件会将设计结果从云端传回本地,并显示在原图纸的右侧。Copilot会提供给用户四种不同方法得到的结构设计方案,并将材料用量预测结果显示在图纸下方,用户可根据需要选择所需方案(图4)。 图4 最新测试版的设计结果展示2剪力墙结构分析与优化剪力墙结构智能设计完成后,软件提供了结构分析与优化的功能选项(图5),可以协助工程师快速完成PKPM建模和力学分析,查看主要力学指标是否合规,并可由AI快速完成优化,让设计结果更合理。 图5 剪力墙结构分析与优化功能2.1 结构建模分析选择“结构建模分析”功能,软件会弹出项目管理窗口(图6),用户可根据需要选择其中的一个或几个AI设计结果,执行PKPM结构分析。这里需要用户注意的是,如果用户又对AI设计结果进行了进一步的人工调整,则需要点击“手动选取”,按照软件提示逐一选取调整后的标准层及其对应的基准点,如果没有人工调整,则直接点击“下一步”即可(图7)。 图6 项目管理 图7 执行PKPM结构分析PKPM结构分析完成后,项目管理界面会返回相应的结果(图8),用户可查看分析是否成功,并通过“PKPM计算结果显示”快速查询关键力学指标(图9),还可将该指标导出到EXCEL表格中。同时,用户也可将该PKPM模型下载至本地。 图8 PKPM结构分析结果返回 图9 PKPM计算结果显示2.2 剪力墙-梁设计优化AI第一次给出的智能设计结果,可能会出现部分指标超限的情况,这时用户可执行“剪力墙-梁优化”功能,对设计结果进行调整,通常超限幅度在10%以内的,通过自动优化即可满足规范要求。该过程通常需要十几分钟时间,执行完毕后用户可通过“模型下载”功能将优化后的模型下载至本地,优化后的结构布置图纸和相应的力学计算指标也将显示在原图纸的下方(图11)。 图10 执行“剪力墙-梁优化”功能 图11 优化后的结构布置和力学计算指标2.3 计算模型导出程序已经提供了PKPM模型下载功能。为了便于工程师将Copilot的分析和设计结果导入除PKPM的其他软件,我们还提供了“计算模型导出”功能(图12)。点击该选项,选择需要导出的结构模型,软件将导出模型的JSON文件(图13),供用户连接其他软件使用。 图12 计算模型导出功能 图13 模型导出文件完成上述操作步骤后,剪力墙结构智能设计和优化工作就完成了,您如果有更多的使用建议和功能需求,欢迎和我们取得联系。后续,我们还将不断完善相关产品功能。欢迎大家持续关注我们的工作,多多支持! 温馨提示:为更好使用AI设计工具,请仔细阅读使用说明书(https://ai-structure.com)。--End--相关论文Liao WJ, Lu XZ, Huang YL, Zheng Z, Lin YQ, Automated structural design of shear wall residential buildings using generative adversarial networks, Automation in Construction, 2021, 132: 103931. DOI: 10.1016/j.autcon.2021.103931.Lu XZ, Liao WJ, Zhang Y, Huang YL, Intelligent structural design of shear wall residence using physics-enhanced generative adversarial networks, Earthquake Engineering & Structural Dynamics, 2022, 51(7): 1657-1676. DOI: 10.1002/eqe.3632.Zhao PJ, Liao WJ, Xue HJ, Lu XZ, Intelligent design method for beam and slab of shear wall structure based on deep learning, Journal of Building Engineering, 2022, 57: 104838. DOI: 10.1016/j.jobe.2022.104838.Liao WJ, Huang YL, Zheng Z, Lu XZ, Intelligent generative structural design method for shear-wall building based on “fused-text-image-to-image” generative adversarial networks, Expert Systems with Applications, 2022, 118530, DOI: 10.1016/j.eswa.2022.118530.Fei YF, Liao WJ, Zhang S, Yin PF, Han B, Zhao PJ, Chen XY, Lu XZ, Integrated schematic design method for shear wall structures: a practical application of generative adversarial networks, Buildings, 2022, 12(9): 1295. DOI: 10.3390/buildings1209129.Fei YF, Liao WJ, Huang YL, Lu XZ, Knowledge-enhanced generative adversarial networks for schematic design of framed tube structures, Automation in Construction, 2022, 144: 104619. DOI: 10.1016/j.autcon.2022.104619.Zhao PJ, Liao WJ, Huang YL, Lu XZ, Intelligent design of shear wall layout based on attention-enhanced generative adversarial network, Engineering Structures, 2023, 274: 115170. DOI: 10.1016/j.engstruct.2022.115170.Zhao PJ, Liao WJ, Huang YL, Lu XZ, Intelligent beam layout design for frame structure based on graph neural networks, Journal of Building Engineering, 2023, 63, Part A: 105499. DOI: 10.1016/j.jobe.2022.105499.Zhao PJ, Liao WJ, Huang YL, Lu XZ, Intelligent design of shear wall layout based on graph neural networks, Advanced Engineering Informatics, 2023, 55:101886, DOI: 10.1016/j.aei.2023.101886Liao WJ, Wang XY, Fei YF, Huang YL, Xie LL, Lu XZ, Base-isolation design of shear wall structures using physics-rule-co-guided self-supervised generative adversarial networks, Earthquake Engineering & Structural Dynamics, 2023, 52(11): 3281-3303. DOI:10.1002/eqe.3862.Feng YT, Fei YF, Lin YQ, Liao WJ, Lu XZ, Intelligent generative design for shear wall cross-sectional size using rule-embedded generative adversarial network, Journal of Structural Engineering-ASCE, 2023, 149(11). 04023161. DOI:10.1061/JSENDH.STENG-12206.Fei YF, Liao WJ, Lu XZ, Guan H, Knowledge-enhanced graph neural networks for construction material quantity estimation of reinforced concrete buildings, Computer-Aided Civil and Infrastructure Engineering, 2024, 39(4): 518-538. DOI: 10.1111/mice.13094.Zhao PJ, Fei YF, Huang YL, Feng YT, Liao WJ, Lu XZ, Design-condition-informed shear wall layout design based on graph neural networks, Advanced Engineering Informatics, 2023, 58: 102190. DOI: 10.1016/j.aei.2023.102190.Fei YF, Liao WJ, Lu XZ, Taciroglu E, Guan H, Semi-supervised learning method incorporating structural optimization for shear-wall structure design using s mall and long-tailed datasets, Journal of Building Engineering, 2023, 79: 107873. DOI:10.1016/j.jobe.2023.107873Liao WJ, Lu XZ, Fei YF, Gu Y, Huang YL, Generative AI design for building structures, Automation in Construction, 2024, 157: 105187. DOI: 10.1016/j.autcon.2023.105187Zhao PJ, Liao WJ, Huang YL, Lu XZ, Beam layout design of shear wall structures based on graph neural networks, Automation in Construction, 2024, 158: 105223. DOI: 10.1016/j.autcon.2023.105223Qin SZ, Liao WJ, Huang SN, Hu KG, Tan Z, Gao Y, Lu XZ, AIstructure-Copilot: assistant for generative AI-driven intelligent design of building structures, S mart Construction, 2024, DOI: 10.55092/sc20240001Gu Y, Huang YL, Liao WJ, Lu XZ, Intelligent design of shear wall layout based on diffusion models, Computer-Aided Civil and Infrastructure Engineering, 2024, 39(23):3610-3625. DOI: 10.1111/mice.13236Fei YF, Liao WJ, Zhao PJ, Lu X*, Guan H, Hybrid surrogate model combining physics and data for seis mic drift estimation of shear-wall structures, Earthquake Engineering & Structural Dynamics, 2024, 53(10): 3093-3112. DOI: 10.1002/eqe.4151Han J, Lu XZ, Gu Y, Cai Q, Xue HJ, Liao WJ, Optimized data representation and understanding method for the intelligent design of shear wall structures, Engineering Structures, 2024, 315: 118500. DOI: 10.1016/j.engstruct.2024.118500Qin SZ, Guan H, Liao WJ, Gu Y, Zheng Z, Xue HJ, Lu XZ, Intelligent design and optimization system for shear wall structures based on large language models and generative artificial intelligence, Journal of Building Engineering, 2024, 95: 109996. DOI: 10.1016/j.jobe.2024.109996Wang ZH, Yue Y, Chen Y, Liao WJ, Li CS, Hu KG, Tan Z, Lu XZ. Expert experience-embedded evaluation and decision-making method for intelligent design of shear wall structures. Journal of Computing in Civil Engineering-ASCE, 2025, 39(1). DOI: 10.1061/JCCEE5.CPENG-6076Tan Z, Qin SZ, Hu KG, Liao WJ, Gao Y, Lu XZ, Intelligent generation and optimization method for the retrofit design of RC frame structures using buckling-restrained braces, Earthquake Engineering & Structural Dynamics, 2025, 54(2): 530-547. DOI: 10.1002/eqe.4268Yu Y, Chen Y, Liao WJ, Wang ZH, Zhang SL, Kang YJ, Lu XZ, Intelligent generation and interpretability an alysis of shear wall structure design by learning from multidimensional to high-dimensional features, Engineering Structures, 2025, 325: 119472. DOI: 10.1016/j.engstruct.2024.119472Qin SZ, Liao WJ, Huang YL, Zhang Shulu, Gu Y, Han J, Lu XZ, Intelligent design for component size generation in reinforced concrete frame structures using heterogeneous graph neural networks, Automation in Construction, 2025, 171: 105967. Xia JK, Liao WJ, Han B, Zhang SL, Lu XZ, Intelligent co-design of shear wall and beam layouts using a graph neural network, Automation in Construction, 2025, 172: 106024. Qin SZ, Liao WJ, Tan Z, Hu KG, Gao Y, Lu XZ, Comparative a nalysis of intelligent retrofit design methods of RC frame structures using buckling-restrained braces. Bulletin of Earthquake Engineering, 2025, DOI: 10.1007/s10518-025-02164-3Liao WJ, Zhang ZL, Liu B, Lu XZ, Liu DF, Liu Q, Duan ZJ, Liu C, Intelligent zoning design of concrete-faced rockfill dams using image-parameter fusion enhanced generative adversarial networks, Engineering Structures, 2025, 339: 120662. DOI: 10.1016/j.engstruct.2025.120662Qin SZ, Fei YF, Liao WJ, Lu XZ*, Leveraging data-driven artificial intelligence in optimization design for building structures: A review, Engineering Structures, 2025, 341: 120810. DOI: 10.1016/j.engstruct.2025.120810Fei YF, Lu XZ, Liao WJ, Guan H, Data enhancement for generative AI design of shear wall structures incorporating structural optimization and diffusion models, Advances in Structural Engineering, 2025, DOI: 10.1177/13694332251353614来源:陆新征课题组

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习计划 福利任务
下载APP
联系我们
帮助与反馈