【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。