[發明專利]基于深度學習的一維復雜滯回關系構建與結構模擬方法

有效

• 申請號: 202110465740.2
• 申請日: 2021-04-28
• 公開（公告）號: CN113011073B
• 公開（公告）日: 2022-04-29
• 發明（設計）人: 陸新征;徐永嘉;費一凡;廖文杰
• 申請（專利權）人: 清華大學
• 主分類號: G06F30/23
• 分類號: G06F30/23;G06F30/27;G06N3/04;G06N3/08
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 廖元秋

本發明提出一種基于深度學習的一維復雜滯回關系構建與結構模擬方法，涉及土木結構工程與計算機技術領域。該方法首先選取具有一維受力特點的目標對象并建立對應的物理模型；選定外部效應，利用物理模型開展模擬，形成廣義位移?廣義力數據集；利用該數據集訓練選取的深度神經網絡，得到數據驅動的一維滯回關系模型；最后將數據驅動的一維滯回關系模型嵌入物理驅動的經典模擬軟件，實現兩者間的即時數據融合與交互，形成數據模型和物理模型協同的結構模擬方法，并據此開展結構響應模擬。該方法能夠準確構建一維復雜滯回關系，并開展高精度、高效率的結構模擬，從而在保證精確度的情況下顯著提升結構模擬任務的效率。

技術領域

本發明涉及土木結構工程與計算機技術領域，特別涉及一種基于深度學習的一維復雜滯回關系構建與結構模擬方法。

背景技術

工程結構等目標對象在外部效應下的滯回特性模擬，是開展工程實踐與研究的重要環節與關鍵技術，其本質是構建外部效應-目標對象響應的映射關系。其中，一維滯回關系是最為基礎的一種滯回關系，在支撐、普通梁柱等構件的試驗和工程設計中廣泛存在，且可以進一步推廣到層模型等多種重要應用場景中。傳統上，一般基于物理或經驗的方法，通過細致的數學力學分析、研究與函數設計、構造，對上述映射關系采用人工方式進行顯式地總結提煉。但上述方法存在以下不足：1)受限于建模、分析的復雜性，直接以微觀尺度為起點，手動開展大規模建模與模擬，在工程實踐中工作量過大，缺乏可行性；2)顯式地凝練關鍵特征也高度依賴于專業知識與技巧，并往往需引入較多簡化與假定；3)在處理復雜、抽象的跨尺度問題時，缺乏通用的自動化方法，精度提升困難；4)復雜的物理模型開展模擬的效率較低，且限于模型的基本架構，進一步提升存在難度。

因此，亟需一種能夠從更高維度對復雜對象的抽象特征進行自動化抽取與映射的方法，構建一維復雜滯回關系，并提出相應的結構模擬方法。

發明內容

本發明的目的是為克服已有技術的不足之處，提出一種基于深度學習的一維復雜滯回關系構建與結構模擬方法。該方法能自動化地對復雜對象的特征進行高維度抽象化，構建數據驅動的外部效應-目標對象響應映射，并對這種映射所需的參數進行固化，從而在保障準確性的前提下，開展高效的目標對象響應模擬。

本發明提出一種基于深度學習的一維復雜滯回關系構建與結構模擬方法，其特征在于，包括以下步驟：

1)確定具有一維受力特點的目標對象，建立模擬該目標對象在外部效應下所產生的結構響應的物理模型；

2)根據目標對象在工程實踐中承擔的荷載類型，確定該目標對象對應的外部效應，構建外部效應數據集；

定義該目標對象的廣義位移與廣義力，將外部效應數據集中的每組外部效應數據輸入步驟1)建立的物理模型中，對該目標對象開展模擬；完成模擬后，從模擬結果中提取每組輸入數據對應的廣義位移與廣義力，得到該目標對象的廣義位移-廣義力數據集；

3)選取深度神經網絡架構，對步驟2)得到的廣義位移-廣義力數據集進行劃分，得到訓練集、驗證集和測試集，然后基于訓練集開展深度神經網絡的訓練、基于驗證集完成網絡驗證，最后基于測試集完成網絡測試，將具有最佳測試表現的深度神經網絡作為目標對象的一維滯回關系數據驅動模型；

4)建立包含目標對象的真實結構案例模型；該案例模型包含物理驅動模塊和數據驅動模塊；所述數據驅動模塊為步驟3)得到的目標對象的一維滯回關系數據驅動模型；物理驅動模塊為該案例模型中剩余對象和環節對應的物理模型；

將數據驅動模塊嵌入物理驅動模塊并構建數據共享機制，將真實結構所對應的外部荷載輸入該案例模型中，開展一維滯回關系模型和物理模型協同的結構模擬，得到在該外部荷載作用下的真實結構響應模擬結果。

本發明具有如下特點與優勢：