研究问题

附加阻尼器使结构响应具有明显非线性，传统简化指标难以完整描述地震动时程与最大层间位移之间的关系。本文建立包含13,855组地震动-结构响应的数据集，系统比较可解释机器学习和深度学习方法。

模型比较

研究测试了包括随机森林、XGBoost在内的7种可解释机器学习算法，同时构建大感受野卷积神经网络和地震波Transformer。XGBoost能够直接分析人工选取地震动指标的贡献，深度模型则从加速度时程中自动提取特征。

地震响应预测模型的参数敏感性分析
决策树、随机森林与XGBoost的参数敏感性分析，用于确定可解释机器学习模型的稳定配置。

主要发现

在传统方法中，XGBoost的精度、鲁棒性和计算效率较优，预测精度比随机森林提高7.45%。地震波Transformer的全局误差相较最优XGBoost降低50.90%，但分区间分析发现：结构非线性较弱时XGBoost误差更小，非线性增强后深度模型更具优势。基于这一差异，论文提出按响应阶段组合两类模型的聚合预测方法。

我的理解

全局平均精度可能掩盖模型在不同结构状态下的能力差异。将可解释模型与深度时序模型按非线性阶段组合，比单纯追求一个统一模型更符合结构响应演化的特点。

论文与代码