论文部分内容阅读
21世纪以来人工智能技术蓬勃发展,并在各个领域得到了广泛且成功的应用。机器学习算法作为将人工智能付诸实践的手段,成为了诸多行业和领域的重点研究方向。土木建筑行业作为大型传统产业,在世界经济发展中扮演着极其重要的角色,机器学习方法与土木建筑行业传统技术的结合,必将推动技术进步,带动传统产业结构优化升级。另一方面,地震灾害是全球最严重的自然灾害之一,建筑物在地震中可能遭到破坏从而对人类造成巨大损伤。因此,减小建筑结构由于地震作用引起的振动响应从而降低地震带来的损失至关重要。被动阻尼器作为一种消能减震装置,能够有效地减小结构的动力响应进而减小结构破坏的程度。目前在结构中如何布置阻尼器以实现最佳的控制效果是一个研究热点,也已经有许多成熟的理论与方法。本研究主要将机器学习应用到阻尼器优化布置中,利用机器学习方法来给出合理的阻尼器优化布置方案,主要研究内容如下:(1)基于有监督学习分类理论,使用机器学习分类模型预测阻尼器布置方案。当所有情况下阻尼器布置方案经常重复,不同的阻尼器布置方案较少时,可以将问题视为多分类学习问题,对每一种布置方案做标签视为一类。使用支持向量机理论和多层感知器理论作为分类器原理,将由时域分析优化所得的阻尼器优化布置样本作为训练集进行训练得到分类模型,利用获得的机器学习分类模型预测结构的阻尼器布置方案的类别。(2)基于有监督学习回归理论,使用机器学习回归模型预测阻尼器布置方案。随着各结构参数、阻尼器数量等作为阻尼器优化布置的考虑条件,阻尼器布置方案种类急剧上升。此时不能再将问题视为分类问题,而是直接对具体每一层的阻尼器数量做实数预测,即多输出回归问题,每个输出对应相应结构层的阻尼器数量。使用多层感知器理论作为回归原理,对由时域分析优化所得的阻尼器布置优化样本进行训练得到回归模型,利用获得的机器学习回归模型预测结构的阻尼器布置方案。(3)同样基于有监督学习回归理论,考虑场地差异造成的阻尼器布置的区别,使回归学习模型具备预测不同场地条件下的阻尼器区别布置的能力。使用多层感知器理论作为回归原理,对由含场地参数的频域分析优化所得的阻尼器优化布置样本进行训练得到回归模型,利用获得的机器学习回归模型预测结构的阻尼器布置方案。同时,扩大作为优化条件的结构参数范围,以提高机器学习模型的应用能力。经计算分析证明,本文所提出的应用方法均能取得较为理想的效果,为将机器学习理论引用到结构振动控制领域的阻尼器优化分布中提供了理论可能。