论文部分内容阅读
结构地震响应分析与预测是结构工程以及工程抗震防灾的一个重要课题,地震响应传统的计算方法是时程分析,但该方法存在着分析复杂、计算时间长等缺陷,故在结构主动控制、结构危险预警等方面并不适用,为此,寻找性能更优越的计算模型显得尤为必要。近年来,深度学习等机器学习方法研究越来越深入,且计算数据的增多为机器学习等方法的应用创造了前提条件。本文对国内外利用神经网络等机器学习方法的研究成果进行了调研,并结合调研成果,提出了地震响应的静态极值指标预测模型和响应时程曲线预测模型。本文主要包括以下几部分内容:1.进行了8层钢筋混凝土框架结构的设计,利用OPENSEES有限元软件进行计算,并对结构的基本情况、地震动记录的选用方式以及有限元的计算成果进行了简要的说明,在有限元计算结果的基础上生成后续预测模型使用的数据集,并进行数据预处理等工作,为后续预测模型的训练和预测提供了数据支持。2.对XGBOOST等机器学习方法进行了简要的介绍,并且采用XGBOOST为底层原理建立了结构地震响应静态极值指标预测模型(最大顶点位移、最大层间位移角、最大基底剪力),对其预测结果和性能进行了说明;同时对LSTM等时间序列神经网络原理进行了阐述,分别用LSTM和引入注意力机制的LSTM-AMstack模型进行预测,对其预测结果进行对比分析。3.根据优化后的地震响应预测模型分析结果,利用训练好的的预测模型以地震动信息作为输入数据对结构体系各层的地震响应进行预测,并就真实时程曲线与预测时程曲线的对比图、测试集样本相关系数概率分布以及测试集样本预测结果平均误差置信区间为[-10%,10%]时的置信水平CI进行预测结果的分析,同时采用以结构某一层的地震响应作为输入对其他各层响应进行重构预测和结果分析。最终,通过一系列的分析和对比,证明提出的地震响应静态极值预测模型(XGBOOST模型)和响应时程曲线预测模型(LSTM-AM-stack模型)的效果良好,能较为合理地对建筑结构的地震响应进行预测。