EESD 开源论文推荐 | 城市尺度结构非线性地震响应的 Transformer–GNN 预测框架
0 引言
从2026年开始，Earthquake Engineering & Structural Dynamics（EESD）对采用数据驱动、机器学习和人工智能方法的论文提出了更明确的可重复性要求，详见：强调可重复性！EESD最新发布AI相关论文可重复性要求。
简单说，AI相关论文不能只展示一个“效果很好”的模型，还必须让审稿人和读者能够进一步验证：(1) 数据是什么样？(2) 代码能不能运行？(3) 关键结果能不能复现？
近期，EESD发表论文：A Transformer–GNN Hybrid Framework for Predicting Structural Nonlinear Responses in Urban-Scale Seismic Performance Assessment (https://onlinelibrary.wiley.com/doi/epdf/10.1002/eqe.70222)
这篇论文按照 EESD 对 AI / 数据驱动论文可重复性的要求，公开了相关代码和数据。开源地址：https://github.com/XuLijia2021/SeisFormer-GNN
1 这篇论文研究了什么？
这篇论文关注城市尺度地震灾害评估中的一个重要问题：如何快速、准确地预测大量建筑结构在地震作用下的非线性响应。
传统非线性时程分析虽然精度较高，但计算成本很大，难以直接用于大规模城市建筑群分析。为解决这一问题，论文提出了一种 Transformer–GNN 混合框架，用于预测剪力墙结构的非线性地震响应时程。
该框架主要包括三部分：
基于 GNN 的结构属性编码器； 基于 Transformer 的地震动编码器； 结合交叉注意力机制的自回归响应解码器。
通过这种方式，模型可以同时利用结构静态属性和地震动动态特征，学习二者之间复杂的非线性耦合关系和时程演化规律。
论文基于约230万组样本进行训练和测试。结果显示，该模型在验证集和测试集上分别取得约0.93和0.90的整体 R²，峰值层间位移预测的平均相对误差分别约为15.85%和18.83%。同时，模型推理速度较快，可支持近实时的城市尺度结构地震响应计算和震后快速损失评估。
2 论文的数据和代码开源
对于 AI / 数据驱动论文而言，论文正文中的篇幅很难完整呈现模型训练、数据处理、超参数设置、推理流程和结果复现的全部细节。如果没有数据和代码，审稿人和读者往往只能“相信”论文中的结果，而难以真正验证这些结果。EESD 推出可重复性要求，正是希望推动这一类研究从“结果展示”进一步走向“可验证、可复现、可比较”。
按照论文中的 Data Availability Statement，该研究相关的：
处理后的验证集和测试集； 推理脚本； 最优模型配置； 训练后的模型权重；
通过以下地址公开：https://github.com/XuLijia2021/SeisFormer-GNN
3 EESD为什么强调可重复性？
AI和数据驱动方法 正在越来越多地进入地震工程与结构动力学研究。这是非常重要的发展方向。但同时，它也带来了新的学术挑战。
传统试验研究通常需要详细报告试件、材料、加载制度和测试方法；传统理论研究通常需要清楚给出假设、推导过程和适用条件。
因此，AI相关论文也应当让读者知道：
数据集如何构建； 训练、验证和测试如何划分； 模型如何训练； 关键结果如何复现； 与已有方法相比优势在哪里。
因此，EESD要求数据驱动方法相关论文至少提供测试/验证数据，以及能够复现关键结果的可运行程序；同时鼓励作者进一步公开训练数据、完整代码和必要文档。
这不是为了增加作者负担，而是为了保护这一研究方向的长期学术生命力。
4 结语
EESD欢迎高质量的数据驱动、机器学习和人工智能研究，也鼓励这些方法服务于地震工程和结构动力学中的真实科学问题与工程问题。
这篇 Transformer–GNN 论文为城市尺度结构非线性响应快速预测提供了一个新的方法，也展示了在 EESD 新政策下，AI相关论文通过开源提升可验证性的实践案例。
希望未来有更多作者在投稿时，不仅提交一个好的模型和好的结果，也同时提交清晰、稳定、可复现的开放资源，共同推动地震工程与结构动力学领域 AI 研究向更加可靠、透明、可持续的方向发展。
论文开源地址：https://github.com/XuLijia2021/SeisFormer-GNN
EESD AI / Data-driven Policy：https://onlinelibrary.wiley.com/pb-assets/assets/10969845/EESD-AI-Policy-Final-1769749073093.pdf
---End---
