计算结构地震响应的串联神经网络模型的建模方法及装置制造方法及图纸

本发明专利技术提出了计算结构地震响应的串联神经网络模型的建模方法及装置，属于建筑结构技术领域，尤其涉及对结构地震响应的预测。解决了现有技术所存在的，在预测建筑结构地震响应时，采用传统时程分析法计算耗时且对硬件要求较高，采用人工智能预测模型不能兼顾泛化能力、效率、精度、模型训练简便性以及物理可解释性的问题。所述计算结构地震响应的串联神经网络模型的建模方法，通过模拟时程分析法的计算过程，获得所述最优串联神经网络模型。它主要用于适用于结构地震响应预测、抗震结构的设计以及震后结构构件损伤的快速评估。以及震后结构构件损伤的快速评估。以及震后结构构件损伤的快速评估。

【技术实现步骤摘要】
计算结构地震响应的串联神经网络模型的建模方法及装置


[0001]本专利技术涉及建筑结构
，尤其涉及对结构地震响应的预测。

技术介绍

[0002]地震是由地壳板块运动引起的自然灾害，其造成的直接及次生灾害严重威胁人类的生命和财产安全。地震导致的建筑物损伤及倒塌是造成人员伤亡及财产损失的主要原因，因此计算建筑结构在地震作用下的结构响应，并进一步对建筑物进行抗震性能评估对地震工程领域的防灾减灾工作至关重要。
[0003]目前，计算结构地震响应的常用方法是基于有限元的时程分析法，通常以地震引起的地面加速度记录作为输入，对结构有限元模型进行时程分析后，可输出结构任意节点上所有自由度的响应时程，如位移、速度、加速度及内力时程，其主要步骤如下：
[0004](1)建立结构的有限元模型；
[0005](2)输入结构所在场地相应的地面加速度时程作为外部激励；
[0006](3)建立结构运动方程，用逐步积分法求解所述运动方程，以获取结构地震响应时程。
[0007]其中非线性Newmark法是较为常用的逐步积分法，在处理非线性情况时，非线性Newmark法利用牛顿迭代法求解运动方程；牛顿迭代法以切线刚度计算，从而将非线性问题等效线性化，通过迭代计算逐步逼近运动方程的真实解。
[0008]目前时程分析法已经得到学术界及工业界的广泛认可，但对复杂的大型结构进行非线性时程分析时，存在以下缺点：
[0009](1)基于有限元模型的时程分析法在非线性情况下计算效率较低。时程分析法对非线性问题的处理，一般是采用迭代算法如牛顿迭代法(英文名称Newton－Raphson)，来求解每个时间步的运动方程；当结构非线性程度增大时，需在每个时间步的计算中迭代计算更多次以保证精度，且在一些情况下不能保证收敛。
[0010](2)基于有限元模型的时程分析法的计算用时与结构的复杂度和规模密切相关，结构越复杂或者规模越大，则其计算用时越多，导致地震响应预测极其耗时且对硬件要求较高。采用时程分析法预测结构地震响应时，需要计算结构的系统矩阵。所述系统矩阵包括刚度矩阵、阻尼矩阵以及质量矩阵，系统矩阵的尺寸与结构的自由度成正比，当结构有n个自由度时，系统矩阵的尺寸是n行n列。结构的规模和复杂度越大，结构的自由度就越多，相应的系统矩阵尺寸也就越大，矩阵运算用时就越长，在系统矩阵的组装和每个迭代步骤的逆计算过程中时间及内存的耗费就越多，对计算机硬件水平的要求就越高。
[0011]近年来，人工智能(AI)技术发展迅速，凭借其发现高维数据中复杂结构的特长，在各个领域中都开拓很大的应用前景。人工智能技术主要是指机器学习与深度学习技术。其中，机器学习技术是诸如线性回归等方法的特定算法；深度学习技术主要指模拟人类大脑神经元工作原理的人工神经网络；机器学习与深度学习技术的原理基本相似，都是将大量的输入数据(即特征)与对应的输出数据(即标签)，提供给人工智能模型进行学习，以求获
得输入数据到输出数据的对应关系；人工智能模型学习完毕后，再给人工智能模型输入一个数据时，它就能以较高的精度预测出对应的输出数据。本领域的技术人员中，已经有一些研究人员开发了基于人工智能的结构地震响应预测模型，相较于传统的分析方式，引入机器学习或深度学习算法后能够在牺牲一定精度的前提下，极大地提高效率并降低工作量。
[0012]现有的基于人工智能的结构地震响应预测模型主要分为两类：纯数据驱动的人工智能模型和引入物理机制的人工智能模型。引入物理机制的人工智能模型，还可以细分为两类：对结果进行物理约束的人工智能模型，和对过程进行物理约束的人工智能模型。
[0013]基于人工智能的结构地震响应预测模型，虽然在一定程度上解决了传统方法所遇到的问题，但是其本身也有一些缺点，具体如下：
[0014](1)现有基于人工智能的预测模型的泛化能力弱，所述泛化能力是指模型在遇到未知情况下的预测能力，所述未知情况是指模型的训练集中没有包含的情况，当建筑物条件、场地类型或震害程度有所改变，超出了训练集所包含的情况时，基于人工智能的预测模型就无法精确预测震害结果了。为尽量包含更多的“未知情况”，基于人工智能的预测模型，需要使用更多的数据作为以训练集和测试集，并且训练集的占比要更大。
[0015](2)现有基于人工智能的预测模型，对输入的地震动记录有固定的格式要求，如特定的采样频率、地震动持时及峰值加速度。
[0016](3)现有基于人工智能的预测模型有较多的自选参数(即超参数，人工智能模型的固有参数)，尽管预测用时较短且精度较高，但训练模型时需要耗费大量的时间去选择合适的超参数，而且对于以神经网络为代表的深度学习模型而言，超参数调整一般没有特定的规律可遵循，往往依赖研究者的个人经验。
[0017](4)纯数据驱动的人工智能模型，类似于黑箱模型，人工智能模型内部结构不可见，缺乏物理解释性，导致其在特定情况下可能会给出违反人类常识的预测结果；而工程界更注重安全，要求地震响应预测的数据严格遵从物理规律的约束；所以纯数据驱动的人工智能模型的预测数据一般不易为工程界所接受。
[0018](5)对结果进行物理约束的人工智能模型，是指直接在需要优化的目标函数(损失函数)中引入由物理机制支配的变量，所述物理机制常用的有微分方程、能量守恒、对称性以及变量之间的微分或积分关系。对结果进行物理约束的人工智能模型，仅仅对结果进行修正，使其看起来符合物理规律，但数据的计算过程依旧不受物理规律的制约，依然缺乏物理解释性。
[0019](6)对过程进行物理约束的人工智能模型，其计算结果以及计算过程都符合物理定律，其物理解释性较强，但是，对过程进行物理约束的人工智能模型，在效率和精度上难以兼顾，而且物理约束过强会导致模型难以训练，需要对数据进行特殊处理或优化。
[0020]综上所述，现有技术中存在着，在进行结构地震响应预测时，采用传统时程分析法计算耗时且对硬件要求较高，采用人工智能预测模型不能兼顾泛化能力、效率、精度、模型训练简便性以及物理可解释性的问题。

技术实现思路

[0021]本专利技术提出了计算结构地震响应的串联神经网络模型的建模方法及装置，解决了现有技术所存在的以下问题：在进行结构地震响应预测时，采用传统时程分析法计算耗时
且对硬件要求较高；采用人工智能预测模型不能兼顾泛化能力、效率、精度、模型训练简便性以及物理可解释性。
[0022]本专利技术所述的计算结构地震响应的串联神经网络模型的建模方法，其技术方案如下：
[0023]所述方法具体包括：
[0024]步骤1、建立结构有限元模型，所述结构有限元模型包含至少一个自由度；
[0025]步骤2、采用时程分析法，计算所述结构有限元模型以预先获取的地震动加速度记录中任意一个地震动加速度时程为外部激励时，所对应的响应时程以及等效荷载时程；
[0026]步骤3、将所述地震动加速度时程、所述响应时程以及所述等效荷载时程分组后进行数据切片，获得至少3组建模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.计算结构地震响应的串联神经网络模型的建模方法，其特征在于，所述方法具体包括：步骤1、建立结构有限元模型，所述结构有限元模型包含至少一个自由度；步骤2、采用时程分析法，计算所述结构有限元模型以预先获取的地震动加速度记录中任意一个地震动加速度时程为外部激励时，所对应的响应时程以及等效荷载时程；步骤3、将所述地震动加速度时程、所述响应时程以及所述等效荷载时程分组后进行数据切片，获得至少3组建模数据集，分别为前置训练集、后置训练集和验证集；步骤4、确定初始串联神经网络模型的架构、训练参数以及训练参数的取值范围，并根据所述架构、训练参数以及训练参数的取值范围，构建至少一个初始串联神经网络模型；步骤5、采用所述前置训练集以及所述后置训练集，对每一个所述初始串联神经网络模型进行训练，获得对应的训练后串联神经网络模型；步骤6、模拟时程分析法的计算过程，调整每一个训练后串联神经网络模型的结构，获得待验证串联神经网络模型；所述待验证串联神经网络模型用于采用自回归机制，根据任一采样时间的地震动加速度，计算所述结构有限元模型中每个自由度在同一采样时间的位移、速度、加速度以及内力；步骤7、采用所述验证集，分别对每一个所述待验证串联神经网络模型进行验证，以获得最优串联神经网络模型。2.根据权利要求1所述的计算结构地震响应的串联神经网络模型的建模方法，其特征在于，所述步骤2中所述预先获取的地震动加速度记录具体如下：所述预先获取的地震动加速度记录至少包含2个具有相同采样频率的地震动加速度时程；所述地震动加速度时程，是由至少一个地震动加速度按采样时间先后顺序，排列组成的数据序列；所述地震动加速度时程包含至少在1个采样时间采样获取的地震动加速度；所述任意一个地震动加速度时程中，第i采样时间的地震动加速度表示为其中i为大于1的正整数。3.根据权利要求2所述的计算结构地震响应的串联神经网络模型的建模方法，其特征在于，所述步骤2中：所述响应时程包含所述结构有限元模型中每一个自由度在至少1个采样时间计算获得的位移、速度、加速度以及内力；具体地：所述结构有限元模型中任一个自由度在第i采样时间的位移为X
i
、速度为加速度为以及内力为F
si
，其中第0采样时间的位移为X0＝0、速度为加速度为以及内力为F
s0
＝0；所述等效荷载时程包含所述结构有限元模型中每一个自由度在至少1个采样时间计算获得的等效荷载；具体地：所述结构有限元模型中任一个自由度在第i采样时间的等效荷载为R
i
。4.根据权利要求3所述的计算结构地震响应的串联神经网络模型的建模方法，其特征在于，所述步骤3具体如下：步骤3.1、将任意一个地震动加速度时程和以其为外部激励时所对应获得的响应时程
以及等效荷载时程作为一个切片数据源；步骤3.2、将所有切片数据源至少分为2组，其中一组为训练用数据源组，另一组为验证用数据源组；步骤3.3、采用数据切片方式一，对所述训练用数据源组中的切片数据源进行数据切片，获得前置训练集，在所述前置训练集中：与任意一个切片数据源相对应的，所述结构有限元模型中任一自由度在第i采样时间的建模数据特征F
qi
，表示为：与相同的所述任意一个切片数据源相对应的，所述结构有限元模型中任一自由度在第i采样时间的建模数据标签L
qi
，表示为：L
qi
＝R
i
；步骤3.4、采用数据切片方式二，对所述训练用数据源组中的切片数据源进行数据切片，获得后置训练集，在所述后置训练集中：与任意一个切片数据源相对应的，所述结构有限元模型中任一自由度在第i采样时间的建模数据特征F
hi
，表示为：与相同的所述任意一个切片数据源相对应的，所述结构有限元模型中任一自由度在第i采样时间的建模数据标签L
hi
，表示为：其中，R
ε
为预先设定的目标等效荷载；步骤3.5、采用数据切片方式三，对所述验证用数据源组中的切片数据源进行数据切片，获得验证集，在所述验证集中：与任意一个切片数据源相对应的，所述结构有限元模型中任一自由度在第i采样时间的建模数据特征F
yi
，表示为：与相同的所述任意一个切片数据源相对应的，所述结构有限元模型中任一自由度在第i采样时间的建模数据标签L
yi
，表示为：5.根据权利要求4所述的计算结构地震响应的串联神经网络模型的建模方法，其特征在于，所述步骤4具体如下：
步骤4.1、所述初始串联神经网络模型包含前置神经网络模型和后置神经网络模型，其中，所述后置神经网络模型采用残差神经网络；步骤4.2、根据所述结构有限元模型，分别确定所述前置神经网络模型和所述后置神经网络模型的构建参数，所述构建参数包括模型的类型、模型的网络层数、每个网络层的神经元个数以及模型的可调超参数；步骤4.3、所述训练参数包括前置训练参数，以及后置训练参数；所述训练参数的取值范围即前置训练参数的的取值范围，以及后置训练参数的的取值范围；确定所述前置神经网络模型的前置训练参数，以及前置训练参数的取值范围；确定所述后置神经网络模型的后置训练参数，以及后置训练参数的取值范围；步骤4.4、获取所述前置训练参数和所述后置训练参数的所有取值组合，并根据每一个所述取值组合及所述构建参数，构建对应的初始串联神经网络模型中的前置神经网络模型和后置神经网络模型。6.根据权利要求5所述的计算结构地震响应的串联神经网络模型的建模方法，其特征在于，所述步骤5具体如下：步骤5.1、采用所述前置训练集对每一个所述初始串联神经网络模型中的前置神经网络进行训练，获得训练...

【专利技术属性】
技术研发人员：李爽，李长青，翟长海，黄钰文，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：