Rocking-response-prediction：基于深度神经网络的地震响应预测模型

Rocking-response-prediction是基于深度神经网络的数据驱动方法，用于预测地震作用下摇摆刚体的响应，通过21个地震和结构特征输入，预测建筑物是否倾覆，为结构工程抗震设计提供决策支持。项目由Qingle Cheng开发维护，开源于GitHub，相关论文正在审稿中。

地震是威胁生命财产的主要自然灾害，准确预测结构地震响应对设计和防灾至关重要。传统方法（有限元模拟、力学模型）处理复杂结构和非线性行为存在挑战。摇摆结构在地震中可能刚体转动，有自复位能力但存在倾覆风险，预测其倾覆与否是重要课题。该项目提出数据驱动方法，通过学习历史数据与响应关系，快速预测倾覆风险。

模型架构：采用深度神经网络（DNN），利用其非线性拟合能力学习特征与结果的复杂映射。 任务定义：二元分类任务，输出倾覆概率（0-1）和二元结果（倾覆/不倾覆）。 输入特征：共21个，涵盖地震动特性（17类20项：PGA、PGV、PGD、PGA/PGV、ARMS、VRMS、DRMS、CAV、CAD、CAI、显著持时、括号持时、PSA、PSV、Ic、ASI、VSI、Tp、Arias强度、MIV）和结构特征（楼层数），体现地震工程专业知识。

开发环境：Python3.12.6，依赖PyTorch、NumPy、Pandas、scikit-learn等库，支持CPU/GPU运行。 模型文件：提供预训练模型best_model_300eps.pt和标准化器scaler.pkl。 推理接口：支持单样本（输入21个特征值）和批量预测（CSV文件输入输出）。

应用场景：抗震设计辅助（优化方案）、地震风险评估（既有建筑安全性）、应急响应决策（震后损伤评估）、研究工具（分析因素影响）。 数据基础：训练数据来自PEER NGA强震动数据库，作者致谢该数据库提供的高质量地震动记录。

技术优势：数据驱动（无需复杂力学模型）、快速预测（毫秒级推理）、概率输出（提供决策信息）、特征专业化（覆盖关键特性）。 局限与改进：依赖训练数据质量、DNN黑盒特性（需可解释AI）、仅适用于摇摆刚体（扩展结构类型）、需更严格的不确定性量化（如贝叶斯神经网络）。

该项目展示了深度学习在地震工程的应用价值，提供实用的预训练模型和工具，具有专业性与可扩展性。未来，数据驱动与物理知识结合有望解决更多复杂工程问题，提升抗震设计与风险评估效率，助力防灾减灾。