Page 26 - 2024年第55卷第1期

预测的 ＴＰＥ － ＭＬＰ均采用相同的网络结构，即：学习率为 ０．００００５，激活函数为 ｒｅｌｕ，隐藏层层数为 ２，
隐藏层神经元数分别为 １２８和 ５１２。
２
采用平均绝对误差（ ＭＡＥ）、均方误差（ＭＳＥ）和决定系数（Ｒ）三个指标来评价三种地震动指标下
的坝顶沉降预测结果。由图 ８可以看出，基于三种地震动指标的预测结果表现出一致性，ＭＡＥ均小于
２
０．２，ＭＳＥ均小于 ０．１，Ｒ 均大于 ０．９，表明了融合指标的可靠性。相比于既有指标和深层指标，所提
基于融合指标的地震响应预测结果的 ＭＡＥ分别降低了 ４０．５％和 ２８．２％；ＭＳＥ分别降低了 ５９．７％和 ３６．３％；
２
Ｒ 分别提高了 ６．２４％和 ２．２９％。表明融合指标具有良好的可靠性和优越性，能够充分揭示地震动复杂
时频空间特征，提升坝顶沉降预测结果的准确性。

图 ８ 不同地震动指标下预测性能对比
４．４．２ ＴＰＥ改进的 ＭＬＰ模型性能分析 基于地震动融合指标，分别采用 ＴＰＥ － ＭＬＰ与 ＭＬＰ模型进行
坝顶沉降预测，以验证 ＴＰＥ改进 ＭＬＰ的优越性。ＴＰＥ优化前后 ＭＬＰ模型超参数与性能指标如表 ７
所示。

表 ７ ＴＰＥ优化前后 ＭＬＰ模型性能对比
学习率 激活函数 神经元数 ＭＡＥ ＭＳＥ Ｒ ２
ＭＬＰ ０．０１ ｒｅｌｕ １００ × １００ ０．１２５６ ０．０４０７ ０．９５９７
ＴＰＥ － ＭＬＰ ０．００００５ ｒｅｌｕ １２８ × ５１２ ０．１１６２ ０．０３８５ ０．９６１８

２
表 ７表明，经 ＴＰＥ优 化 ＭＬＰ后，模 型 的 ＭＡＥ降 低 了 ７．４８％，ＭＳＥ降 低 了 ５．４１％，Ｒ 提 高 了
０．２２％。表明 ＴＰＥ优化的 ＭＬＰ模型性能更优，进一步提升了土石坝地震需求分析的准确性。

５ 结论

针对现有研究采用的地震动指标未能充分反映地震动复杂时频空间特征，以及传统地震需求模型
难以揭示地震动指标与地震响应间复杂非线性关系的问题，提出一种融合时频空间特征的土石坝地震
易损性改进 ＭＬＰ模型，主要结论如下：
（ １）提出了基于小波变换和 ＣａｐｓＮｅｔ的地震动时频空间特征融合指标构建方法。在采用小波变换
获得地震动小波时频图的基础上，采用 ＣａｐｓＮｅｔ对小波时频图进行特征提取，获得了反映地震动时频
空间分布的深层特征；进一步，采用特征拼接方式将地震动深层时频空间特征与峰值加速度、峰值速
度等既有特征进行融合，获得地震动时频空间特征融合指标，弥补了既有地震动指标未能充分反映地
震动复杂时频空间特征的不足。
（ ２）建立了基于 ＴＰＥ改进 ＭＬＰ的地震需求模型。采用 ＴＰＥ优化 ＭＬＰ的神经元数、学习率等超参
数，提升了 ＭＬＰ的网络精度和建模效率，揭示了地震动指标与地震响应间复杂非线性关系。
（３）将所提模型应用于西南某土石坝地震易损性分析中。相比于既有地震动指标，基于地震动融
合指标的土石坝地震需求模型的 ＭＡＥ降低了 ４０．５％；相比既有 ＭＬＰ，基于 ＴＰＥ优化 ＭＬＰ的土石坝地

— ２ １ —