建筑结构的地震危险性和可靠性评估是一个不确定的标准。钢框架结构地震破坏风险突出。通常,地震易损性分析是从概率的角度进行的,以保持安全性。初始阶段包括标定材料、几何和地震参数的不确定性。地震易损性分析采用“云”方法完成;该方法需要非线性反应时程分析。对于以指数方式增加计算成本的多个时程分析,需要大量的持续时间。经过这样的分析,得到损伤指标的整个过程是严格的。像人工神经网络这样的机器学习技术正在软计算领域出现。以往的研究表明,径向基函数神经网络(RBFNN)能够在足够的数据条件下预测地震损伤。然而,不同结构的神经网络结构之间缺乏比较。因此,为了更快地预测地震易损性曲线,有必要进一步寻找最佳的神经网络及其结构。本文基于机器学习的概念进行以下研究。(1)介绍钢框架结构仿真参数和性能的选择和均匀分布。采用均匀设计方法对多因素多层次实验进行均匀抽样。同时,对钢框架的有限元分析进行了详细地描述。(2)介绍逐步进行云分析和绘制地震易损性曲线的方法。结构损伤指标采用Park-Ang损伤指数。从非线性时程分析中得到的这些数据被用于人工网络(ANN)的训练、测试和验证,以预测易损性曲线。(3)利用径向基函数神经网络(RBFNN)方法预测地震易损性曲线的损伤指标。在4种不同的网络结构中,以谱位移(Sd)为输入参数的神经网络表现突出。对预测结果和有限元分析结果的易损性曲线进行对比分析。结果表明,在数据量较少的情况下,人工神经网络能较好地预测易损性曲线。增加样本数据,可以获得更高的预测精度。