Deep Learning in Earthquake Engineering: A Comprehensive Review

本文概述了利用深度学习（DL）作为解决地震工程中具有挑战性问题的强大工具日益增长的兴趣。尽管在领域知识方面已经有数十年的进展，但地震发生的不确定性、不可预测的地震负荷、非线性结构响应和社区参与等问题仍然难以使用领域特定方法解决。DL通过利用其数据驱动的非线性映射、序列数据建模、自动特征提取、降维、最优决策等能力提供了有希望的解决方案。然而，文献缺乏一个系统地涵盖DL和地震工程的一致范围的综述。为了弥合这一差距，本文首先讨论了方法论的进展，阐明了各种适用的DL技术，如多层感知器（MLP）、卷积神经网络（CNN）、循环神经网络（RNN）、生成对抗网络（GAN）、自编码器（AE）、迁移学习（TL）、强化学习（RL）和图神经网络（GNN）。然后通过探索不同研究主题上的各种DL应用，包括基于视觉的地震损伤评估和结构表征、地震需求和损伤状态预测、地震反应历史预测、区域地震风险评估和社区弹性、用于工程的地面运动（GM）、地震反应控制和系统/损伤识别的反问题，揭示了一个全面的研究景观。确定了每个研究主题的适当DL技术，强调了CNN在基于视觉的任务中的卓越性，RNN在序列数据中的优势，RL在社区弹性中的优势，以及无监督学习在GM分析中的优势。本文还讨论了利用DL在地震工程研究和实践中的机遇和挑战。

本文旨在探讨利用深度学习解决地震工程中的挑战性问题，如地震发生的不确定性、非线性结构响应等。

本文系统地介绍了多种适用于地震工程的深度学习技术，包括卷积神经网络、循环神经网络、生成对抗网络、自编码器、强化学习、图神经网络等，并探讨了这些技术在地震工程中的应用。

本文详细介绍了深度学习在地震工程中的多个应用领域，包括基于视觉的地震损伤评估和结构表征、地震需求和损伤状态预测、地震反应历史预测、区域地震风险评估和社区韧性、地震波形分析等。文章还讨论了利用深度学习进行地震工程研究和实践面临的机遇和挑战。

近期的相关研究包括“基于深度学习的地震波形识别”、“基于深度学习的地震损伤评估”、“基于深度学习的地震需求预测”等。