[發明專利]一種建筑結構的振動控制方法及控制裝置

在審

• 申請號: 202110784104.6
• 申請日: 2021-07-12
• 公開（公告）號: CN113435127A
• 公開（公告）日: 2021-09-24
• 發明（設計）人: 涂建維;朱耀陽;阮澤聰
• 申請（專利權）人: 武漢理工大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/13;G06N3/04;G06N3/08
• 代理公司: 北京中索知識產權代理有限公司 11640
• 代理人: 高海濤

本發明提供一種建筑結構的振動控制方法及控制裝置，所述振動控制方法包括以下步驟：確定被控的建筑結構，獲取所述被控的建筑結構的位移、速度、加速響應以及控制力訓練數據；設置深度學習的超參數取值，搭建LSTM深度學習網絡框架；訓練所述LSTM深度學習網絡框架，并測試驗證訓練好的LSTM深度學習網絡框架；根據所述被控的建筑結構的運動方程及狀態空間方程建立LSTM智能控制器的仿真系統。本發明通過將長短時記憶神經網絡與控制理論相結合，搭建LSTM深度學習網絡框架，使用LSTM智能控制器采集響應反饋對建筑結構施加控制力，從而達到實時減小結構振動響應的效果。

技術領域

本發明涉及結構工程、自動控制技術領域，具體而言，涉及一種建筑結構的振動控制方法及控制裝置。

背景技術

隨著人口密度的急劇加大以及土地資源的緊縮短缺，促進了土木工程理論的深入研究，施工技術的長足發展和新型建筑材料的不斷涌現。自19世紀末以來世界各地的超高層結構不斷涌現。這些大體量建筑的出現緩解了建筑資源緊張的實際問題，從側面反應了一個國家的經濟和科技實力，同時，也對建筑結構的抗震理論和技術應用提出了嚴峻的考驗。

在早期的建筑結構抗震設計中，大多數設計者采用的是結構對地震激勵進行“硬對硬”的應對策略，即利用建筑結構自身的剛度、強度等力學性能來消耗地震輸送的能量，具體措施包括增大構件尺寸、使用高性能建筑材料、利用部分構件破壞消耗能量等，建立建筑結構的“延性體系”。上述策略在實際工程中逐漸表現出各種弊端，如：當地震烈度高于設防烈度時，該抗震理論自身設計缺陷可能使結構仍然抵御不了地震荷載的破壞；地震激勵具有突發性和破壞性，使該理論無法適應日益提高的建筑正常使用要求；結構加固會產生高昂的修建費用，震后維修重建費用也同樣巨大。因此，國內外學者致力于尋找一種安全性高、適應性好、經濟造價低廉的抗震手段，即建筑結構振動控制。

近50年來，各研究機構在結構振動控制領域不斷取得突破性進展，并延伸出不同的控制理論和控制方法。根據不同設計理論，可將振動控制體系分為被動、主動、混合、半主動、智能控制等。其中結構主動控制作為多學科交叉新技術，廣泛應用于民用工業、軍事工業、空間技術等領域。控制策略是主動控制的核心內容，較為成熟的有瞬時最優、極點配置算法等，但是以上方法均需要獲得建筑結構的精確模型參數，這在實際工程中往往難以實現。因此越來越多的科研工作者開始關注基于人工神經網絡的智能控制算法，該類算法能夠適應不確定模型，具有較好的自學習、自適應能力等。然而，隨著建筑結構的復雜化，前述基于淺層學習的人工神經網絡暴露出同級數據間無關聯、對時間參數不敏感、特征提取性能低等問題，難以滿足建筑體量增大和計算數據復雜化的振動控制需求。綜上，亟需研究更適用于土木工程振動控制的新型神經網絡模型。

發明內容

鑒于此，本發明的目的在于將深度學習中的長短時記憶神經網絡與控制理論結合，根據建筑結構的運動方程及狀態空間方程建立基于LSTM智能控制的仿真系統。

本發明提出一種新型的智能控制算法，將其引入結構振動控制領域，對建筑結構進行振動控制。深度學習作為一種仿人腦機制進行分析和解釋數據的機器學習策略，相對人工神經網絡具有很多優點，如：提取數據特征的方式更貼近大腦學習思考的過程；提取的特征對原始數據具有更本質的表達；預測結果更貼合實際等。其中長短時記憶神經網絡由于其可長期記憶、可處理大型復雜非線性數據和特征提取精確等特性可以在很大程度上彌補人工神經網絡的問題。

本發明提供一種建筑結構的振動控制方法，包括以下步驟：

S1、確定被控的建筑結構，獲取所述被控的建筑結構的位移、速度、加速響應以及控制力訓練數據；

采用LQR算法以被控的建筑結構的狀態空間方程搭建Simulink仿真平臺，輸入地震波加速度，獲得結構有控狀態下的位移、速度、加速響應及控制力；

S2、設置深度學習的超參數取值，搭建LSTM深度學習網絡框架；