深度学习在地震工程中的应用：综合综述

本文综述了利用深度学习（DL）作为解决地震工程中挑战性问题的强大工具的日益增长的兴趣。尽管在领域知识方面已有数十年的进步，但诸如地震发生的不确定性、不可预测的地震载荷、非线性结构响应以及社区参与等问题，仍难以使用领域特定方法加以克服。深度学习通过利用其数据驱动的非线性映射、顺序数据建模、自动特征提取、降维、最优决策等能力，为这些问题提供了有前景的解决方案。然而，文献中缺乏对DL和地震工程交叉作用范围进行系统性覆盖的综合性综述。为弥合这一差距，本文首先讨论了方法论进展，以阐明各种适用DL技术的应用，包括多层感知器（MLP）、卷积神经网络（CNN）、循环神经网络（RNN）、生成对抗网络（GAN）、自动编码器（AE）、迁移学习（TL）、强化学习（RL）和图神经网络（GNN）。随后揭示了广泛的研究图景，通过探讨在不同研究主题中的各种DL应用，包括基于视觉的地震损伤评估与结构表征、地震需求与损伤状态预测、地震响应历程预测、区域地震风险评估与社区韧性、用于工程的地震动（GM）、地震响应控制以及系统/损伤识别的逆问题。确定了每个研究主题的合适DL技术，强调CNN在视觉任务中占主导地位，RNN在顺序数据处理中占优势，RL在社区韧性方面表现突出，而无监督学习在GM分析中尤为有效。本文还讨论了在地震工程研究与实践中利用DL的机会与挑战。