许泽坤，陈 隽

(同济大学土木工程学院，上海 200092)

一方面，过去几十年内发生的一系列地震灾害表明，有必要对建筑进行基于性能的抗震设计，以更好地满足不同的抗震需求[1]。为此，需要进行不同等级的建筑物弹塑性地震响应时程分析[2]。然而，由于其高昂的计算成本，很难快速完成大量不同地震动作用下单体建筑的非线性地震响应分析。在基于蒙特卡洛模拟[3]或增量动力分析[4]的结构性能评估中，这一矛盾尤其突出。

另一方面，随着城市系统安全概念的普及，防灾减灾研究正由建筑单体扩展至城市建筑群，城市区域抗震分析越来越受到关注。如何快速预测城市建筑群的地震响应成为首要技术难题[5 − 6]，当前的城市震灾模拟依然以简化模型与静力分析为主[7]，尚难实现可比拟单体结构的高精度实时计算。采用超级计算机是一种可能的解决方案[8 − 10]，但其普及性现阶段仍受限于计算资源的开放程度。因此，发展适用于边缘计算场景的结构非线性地震响应新型计算方法是值得深入研究的问题。

随着硬件性能的快速提升与深度学习技术的普及，人工神经网络(artificial neural network, ANN)为结构非线性地震响应计算问题带来了全新的可能。例如，ANN作为方程的隐式表达，通过发展通用的函数逼近方法，可实现不同非线性微分方程的求解[11 − 12]。目前，通常采用具有少量隐层的多层感知器(multilayer perceptron, MLP)，比较适用于具有简单约束的低维非线性求解[13]。对于具有物理背景、工程约束的……