地震作用下建筑结构的加速度、位移等动力响应，是结构抗震设计、震后损伤评估和抗震韧性评价的基础。现有结构动力响应分析方法长期面临精度、效率与适用范围难以兼顾的问题：弹塑性时程分析能够较为精细地刻画结构在强震作用下的动力响应，但单个结构在单条地震动作用下的弹塑性时程分析往往需要数小时乃至数天；现有机器学习模型虽可显著缩短响应预测时间，却多依赖特定结构类型与训练数据分布，当建筑高度、结构体系或构件连接关系发生变化时，跨结构泛化预测能力较弱。

针对上述问题，研究团队构建SeisGPT基础模型，将质量与刚度特征、楼层连接关系及模态响应传播规律等结构动力学知识融入模型，使其不再将结构响应简单视为一般时间序列，而是依据建筑结构特征学习地震动作用下各楼层响应的演化规律。模型首先基于27万个满足规范要求的自动生成结构及其超过200万组弹塑性时程分析数据开展预训练，随后利用694栋实际建筑的弹塑性时程分析数据进行微调，训练数据总量超过100亿个响应时间步。

研究在3,000栋未参与训练的钢筋混凝土框架、框架-剪力墙和剪力墙结构上开展验证。结果表明，SeisGPT对楼层加速度与位移时程的归一化预测误差低于5%，响应预测效率较传统弹塑性时程分析提高约4万倍。除直接预测外，模型还可基于有限楼层的监测数据，预测结构其余楼层的动力响应。在1:10缩尺的43层钢筋混凝土框架振动台试验中，仅输入基底地震动与11层位移记录，即可预测其他测点的位移时程。在该试验条件下，SeisGPT预测结果与实测数据的吻合程度优于弹塑性时程分析结果；传统方法完成单条地震动输入下的弹塑性时程分析约需1至2天，而SeisGPT以秒级时间获得响应预测结果。

研究结果表明，SeisGPT能够实现建筑结构地震动力响应的快速、准确预测，并可基于有限楼层的监测数据预测结构其余楼层的动力响应，为建筑结构地震动力响应的快速智能评估提供新的技术路径。该模型可服务于抗震设计中的多方案、多地震动批量比选，并结合有限监测数据应用于结构健康监测与数字孪生；在震后应急场景中，可辅助建筑损伤状态研判与排查优先级确定，进一步为城市建筑群快速筛查和区域韧性评估提供技术支撑。

来源：同济大学土木工程学院