论文部分内容阅读
本文采用机器学习的方法针对双层曲线梁桥的特点开展了地震易损性研究。具体研究内容如下:1)概述了机器学习理论,以及线性回归、Logistic-Lasso回归(LLR)、人工神经网络(ANN)的机器学习方法。Logistic-Lasso回归和人工神经网络在大多数非线性问题中具有很好的适用性,在Logistic回归中引入Lasso理论对模型的变量进行筛选,可达到降低模型预测偏差的作用。2)进行双层曲线梁桥的动力特性、地震响应分析,得出双层曲线梁桥中支座和桥墩的响应特点为:①上层支座变形比下层大;②随着地震动强度增加,上、下层支座变形差值先减小后增加;③桥墩在地震动峰值加速度小于0.2g时为线弹性;④墩顶和墩底的损伤程度比桥墩中部大。3)回顾了传统单参数概率地震需求模型的基本原理,建立双层曲线梁桥的传统需求模型。利用ANN的机器学习方法建立了概率地震需求模型,将其与传统需求模型对比发现ANN方法可显著地提高地震需求的估计效率。4)利用Logistic-Lasso回归的机器学习方法建立双层曲线梁桥支座及其限位装置、桥墩的多维随机性地震易损性模型,进行影响参数敏感度对比分析得出以下结论:①在轻微损伤和中等损伤极限状态下,限位装置间隙参数的敏感性较强,高于地震动强度;②随着限位装置间隙的增加,桥墩失效概率逐渐减小;③随着损伤级别的增加,支座静摩擦系数和混凝土强度对易损性的影响程度减小;④当桥墩达到严重损伤后,地震动强度成为影响其损伤程度的主要因素。5)对比双层曲线梁桥传统单参数易损性曲线与基于机器学习方法建立的易损性函数积分曲线,得出以下结论:①基于机器学习建立的双层曲线梁桥易损性积分曲线斜率和离散度均比基于传统方法获得的相应结果小;②随着极限状态增加,中位数差值逐渐减小。总结基于机器学习建立双层曲线梁桥易损性模型的优势:①利用ANN模型建立地震需求模型后,可避免进行大量有限元仿真;②基于ANN模型建立的双层曲线梁桥概率地震需求模型可靠度较高;③基于LLR回归模型建立的易损性模型可实现参数敏感度自动识别。