CN113128081B - 桩-土-结构体系峰值地震反应预测方法、系统及介质 - Google Patents

桩-土-结构体系峰值地震反应预测方法、系统及介质 Download PDF

Info

Publication number
CN113128081B
CN113128081B CN202110249042.9A CN202110249042A CN113128081B CN 113128081 B CN113128081 B CN 113128081B CN 202110249042 A CN202110249042 A CN 202110249042A CN 113128081 B CN113128081 B CN 113128081B
Authority
CN
China
Prior art keywords
peak
seismic
seismic response
pile
soil
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110249042.9A
Other languages
English (en)
Other versions
CN113128081A (zh
Inventor
张效禹
欧思彤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou University
Original Assignee
Guangzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou University filed Critical Guangzhou University
Priority to CN202110249042.9A priority Critical patent/CN113128081B/zh
Publication of CN113128081A publication Critical patent/CN113128081A/zh
Application granted granted Critical
Publication of CN113128081B publication Critical patent/CN113128081B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种桩‑土‑结构体系峰值地震反应预测方法、系统及介质，方法包括：建立基于桩‑土‑结构体系的三维有限元模型，将第一地震波数据输入三维有限元模型，输出得到第一峰值地震反应数据；根据第一地震波数据计算第一地震动参数；根据第一峰值地震反应数据和第一地震动参数建立第一决策树，并利用随机森林算法对第一决策树进行训练，得到峰值地震反应预测模型；获取待预测的第二地震波数据，根据第二地震波数据计算第二地震动参数，并将第二地震动参数输入峰值地震反应预测模型，预测得到第二峰值地震反应数据。本发明在确保峰值地震反应预测的准确性和可靠性的同时，提高了地震反应预测的效率，可广泛应用于地震反应预测技术领域。

Description

桩-土-结构体系峰值地震反应预测方法、系统及介质
技术领域
本发明涉及地震反应预测技术领域，尤其是一种桩-土-结构体系峰值地震反应预测方法、系统及介质。
背景技术
强震下，土体液化会对桩支承结构造成较为严重的破坏。在地震荷载的作用下，饱和松散砂土趋于密实，孔隙水压力不断增加，土体发生液化，这将导致桩周土体的强度和刚度显著降低，进而引起桩基础及其上部结构发生破坏。在1976年唐山地震、1995年阪神地震、2008年汶川地震以及2010年海地太子港地震和智利康塞普西翁地震中，均发生过大量场地液化引起桩基桥梁破坏的典型实例。鉴于此，准确预测液化场地桩-土-结构体系峰值地震反应，对解决可液化场地桩基结构抗震问题有着极其重要的作用。
同时，地震本身具有复杂性，每一次地震的震级、持续时间和频率都是不同的。一般来说，没有一个单一的地震动参数能够充分地描述地震运动的特征。并且，桩-土-结构体系在不同地震的作用下会表现出很大的差异。
近年来，国内外学者多采用试验和数值模拟的方法来对桩-土-结构体系的峰值地震反应进行准确的预测。试验方法主要包括离心机试验、振动台试验和全尺寸现场测试；数值模拟方法主要包括有限元法、有限差分法和p-y曲线法。每次试验的实施不可避免地需要投入大量的时间和金钱，相比之下，数值模拟方法由于投入的时间和金钱更少而受到人们越来越多的关注。然而，即便是采用高性能计算机，基于数值模拟方法进行桩-土-结构体系地震反应分析所需要的计算时间依旧很长，一般来说至少需要几十个小时，效率低下。因此，提出一种能够准确并快速预测在不同地震下桩-土-结构体系的峰值地震反应的方法是非常有必要的。
术语解释：
随机森林：利用多棵决策树树对样本进行训练并预测的一种分类器；
有限元分析：利用数学近似的方法对真实物理系统进行模拟；
地震反应：由地震动引起的结构内力、变形、位移及结构运动与加速度等；
地震动参数：对地震引起的地面运动的物理参数，包括峰值、反应谱和持续时间等的一种表征；
地基土液化：地震引起的振动使饱和砂土或粉土趋于密实，进而导致孔隙水压力急剧增加的一种现象；
机器学习：一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。
发明内容
本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
为此，本发明实施例的一个目的在于提供一种准确、高效的桩-土-结构体系峰值地震反应预测方法。
本发明实施例的另一个目的在于提供一种桩-土-结构体系峰值地震反应预测系统。
为了达到上述技术目的，本发明实施例所采取的技术方案包括：
第一方面，本发明实施例提供了一种桩-土-结构体系峰值地震反应预测方法，包括以下步骤：
建立基于桩-土-结构体系的三维有限元模型，将预设的多个第一地震波数据输入所述三维有限元模型，输出得到多个第一峰值地震反应数据；
根据所述第一地震波数据计算对应的第一地震动参数；
根据所述第一峰值地震反应数据和所述第一地震动参数建立第一决策树，并利用随机森林算法对所述第一决策树进行训练，得到峰值地震反应预测模型；
获取待预测的第二地震波数据，根据所述第二地震波数据计算对应的第二地震动参数，并将所述第二地震动参数输入所述峰值地震反应预测模型，预测得到第二峰值地震反应数据。
进一步地，在本发明的一个实施例中，所述第一峰值地震反应数据和所述第二峰值地震反应数据均包括桩的峰值弯矩、土体峰值位移以及上部结构峰值位移。
进一步地，在本发明的一个实施例中，所述第一地震动参数包括第一峰值加速度、第一峰值速度、第一峰值位移、第一阿里亚斯强度、第一重要持时以及第一平均周期，所述第二地震动参数包括第二峰值加速度、第二峰值速度、第二峰值位移、第二阿里亚斯强度、第二重要持时以及第二平均周期。
进一步地，在本发明的一个实施例中，所述第一阿里亚斯强度为：
Figure BDA0002965201900000021
其中，Ia表示第一阿里亚斯强度，g表示重力加速度，Td表示第一地震波数据的周期，a(t)表示t时刻的地表质点加速度。
进一步地，在本发明的一个实施例中，所述第一平均周期为：
Figure BDA0002965201900000031
其中，Tm表示第一平均周期，Ci表示傅里叶幅值，fi表示离散傅里叶变换频率。
进一步地，在本发明的一个实施例中，所述根据所述第一峰值地震反应数据和所述第一地震动参数建立第一决策树，并利用随机森林算法对所述第一决策树进行训练，得到峰值地震反应预测模型这一步骤，其具体包括：
将所述第一地震动参数作为输入变量，将所述第一峰值地震反应数据作为输出变量，形成基于桩-土-结构体系的峰值地震反应数据库；
从所述峰值地震反应数据库中随机选取多个地震波的第一数据样本，并随机获取所述第一数据样本的若干个特征形成特征训练集，进而根据所述特征训练集生成多个第一决策树；
根据所述第一决策树生成峰值地震反应预测模型，所述峰值地震反应预测模型的输出结果为所有第一决策树输出结果的均值。
进一步地，在本发明的一个实施例中，所述桩-土-结构体系峰值地震反应预测方法还包括对所述峰值地震反应预测模型进行验证的步骤，其具体为：
从所述峰值地震反应数据库中随机选取多个地震波的第二数据样本，并随机获取所述第二数据样本的若干个特征形成特征验证集，进而根据所述特征验证机对所述峰值地震反应预测模型进行验证。
第二方面，本发明实施例提供了一种桩-土-结构体系峰值地震反应预测系统，包括：
第一峰值地震反应数据确定模块，用于建立基于桩-土-结构体系的三维有限元模型，将预设的多个第一地震波数据输入所述三维有限元模型，输出得到多个第一峰值地震反应数据；
第一地震动参数确定模块，用于根据所述第一地震波数据计算对应的第一地震动参数；
峰值地震反应预测模型训练模块，用于根据所述第一峰值地震反应数据和所述第一地震动参数建立第一决策树，并利用随机森林算法对所述第一决策树进行训练，得到峰值地震反应预测模型；
第二峰值地震反应数据预测模块，用于获取待预测的第二地震波数据，根据所述第二地震波数据计算对应的第二地震动参数，并将所述第二地震动参数输入所述峰值地震反应预测模型，预测得到第二峰值地震反应数据。
第三方面，本发明实施例提供了一种桩-土-结构体系峰值地震反应预测装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现上述的一种桩-土-结构体系峰值地震反应预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行上述的一种桩-土-结构体系峰值地震反应预测方法。
本发明的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到：
本发明实施例先构建三维有限元模型对预设的第一地震波数据进行有限元分析得到第一峰值地震反应数据，然后根据第一地震波数据极端对应的第一地震动参数，并根据第一峰值地震反应数据和第一地震动参数建立第一决策树，再利用随机森林算法进行模型训练得到峰值地震反应预测模型，从而可以利用峰值地震反应预测模型对待预测的第二地震波数据进行峰值地震反应预测得到第二峰值地震反应数据。本发明实施例利用了随机森林算法可以有效处理具有高维特征输入样本的特点，将复杂的地震波数据用地震动参数进行定量描述，并将地震动参数作为输入变量建立峰值地震反应预测模型，确保了预测结果的准确性和可靠性，同时，相比现有技术中利用数值模拟方法进行地震反应分析而言，提高了地震反应预测的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面对本发明实施例中所需要使用的附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
图1为本发明实施例提供的一种桩-土-结构体系峰值地震反应预测方法的步骤流程图；
图2为本发明实施例提供的一种桩-土-结构体系峰值地震反应预测方法的具体流程图；
图3(a)为本发明实施例提供的峰值地震反应预测模型预测得到的桩的峰值弯矩与采用有限元分析得到的桩的峰值弯矩的对比示意图；
图3(b)为本发明实施例提供的峰值地震反应预测模型预测得到的上部结构峰值位移与采用有限元分析得到的上部结构峰值位移的对比示意图；
图3(c)为本发明实施例提供的峰值地震反应预测模型预测得到的土体峰值位移与采用有限元分析得到的土体峰值位移的对比示意图；
图4为本发明实施例提供的一种桩-土-结构体系峰值地震反应预测系统的结构框图；
图5为本发明实施例提供的一种桩-土-结构体系峰值地震反应预测装置的结构框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中，多个的含义是两个或两个以上，如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。此外，除非另有定义，本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。
现有的桩-土-结构体系峰值地震反应的预测方法往往需要投入大量的时间和人力。为了减少在地震反应预测过程中对时间和人力的投入，本发明实施例提出了一种基于随机森林技术以及桩-土-结构体系的桩-土-结构体系峰值地震反应预测方法，该方法能够准确、高效地预测在液化地基土中桩-土-结构体系的峰值地震反应，同时也为机器学习技术在地震工程中的应用奠定了基础。
参照图1，本发明实施例提供了一种桩-土-结构体系峰值地震反应预测方法，具体包括以下步骤：
S101、建立基于桩-土-结构体系的三维有限元模型，将预设的多个第一地震波数据输入三维有限元模型，输出得到多个第一峰值地震反应数据；
具体地，基于现有技术建立桩-土-结构体系的三维有限元模型。该模型中，桩采用非线性梁单元模拟，土体采用水－土耦合的六面体线性等参单元模拟，通过杆单元连结桩的梁单元节点和相对应的土单元节点，考虑桩和土体之间的相互作用；饱和砂土采用多屈服面塑性本构模型模拟，该模型能够模拟液化引起的砂土的永久剪应变积累效应，并考虑大的剪切荷载作用下砂层剪胀及刚度和强度增大的物理特性；基底假定为刚性，通过在基底输入预设的N个第一地震波数据作为该模型的动力激励，得到对应N个第一地震波数据的的第一峰值地震反应数据。
可选地，第一峰值地震反应数据包括桩的峰值弯矩、土体峰值位移以及上部结构峰值位移。
S102、根据第一地震波数据计算对应的第一地震动参数；
具体地，随机选取N条不同的第一地震波数据(为保证计算结果准确性，可取N≥50)，并计算获得每条地震波数据对应的第一地震动参数。
可选地，第一地震动参数包括第一峰值加速度、第一峰值速度、第一峰值位移、第一阿里亚斯强度、第一重要持时以及第一平均周期。
可选地，峰值加速度为地震震动过程中，地表质点运动的加速度最大绝对值。第一峰值加速度PGA可以表示为：PGA＝max|a(t)|，其中a(t)表示地表质点运动的加速度。
可选地，峰值速度为地震震动过程中，地表质点运动的速度最大绝对值。第一峰值速度PGV可以表示为：PGV＝max|v(t)|，其中v(t)表示地表质点运动的速度。
可选地，峰值位移为地震震动过程中，地表质点运动的位移最大绝对值。第一峰值位移PGD可以表示为：PGD＝max|d(t)|，其中d(t)表示地表质点运动的位移。
进一步作为可选的实施方式，第一阿里亚斯强度为：
Figure BDA0002965201900000061
其中，Ia表示第一阿里亚斯强度，g表示重力加速度，Td表示第一地震波数据的周期，a(t)表示t时刻的地表质点加速度。
具体地，阿里亚斯强度是能够同时反映地震动加速度时程幅值和持时的参数，代表地震动过程中单质点弹性体系所消耗的单位质点的能量。
可选地，重要持时为地震动能量达到阿里亚斯强度的5％开始至达到阿里亚斯强度的95％所经历的时间。
进一步作为可选的实施方式，第一平均周期为：
Figure BDA0002965201900000062
其中，Tm表示第一平均周期，Ci表示傅里叶幅值，fi表示离散傅里叶变换频率。
具体地，离散傅里叶变换频率的范围为0.25Hz至20Hz。
S103、根据第一峰值地震反应数据和第一地震动参数建立第一决策树，并利用随机森林算法对第一决策树进行训练，得到峰值地震反应预测模型；
具体地，决策树(decision tree)是一个树结构(可以是二叉树或非二叉树)。其每个非叶节点表示一个特征属性上的测试，每个分支代表这个特征属性在某个值域上的输出，而每个叶节点存放一个类别。使用决策树进行决策的过程就是从根节点开始，测试待分类项中相应的特征属性，并按照其值选择输出分支，直到到达叶子节点，将叶子节点存放的类别作为决策结果。随机森林是用随机的方式建立一个森林，森林里面有很多的决策树组成，随机森林的每一棵决策树之间是没有关联的。在得到森林之后，当有一个新的输入样本进入的时候，就让森林中的每一棵决策树分别进行一下判断，看看这个样本应该属于哪一类，然后看看哪一类被选择最多，就预测这个样本为那一类。在本发明实施例中，通过随机森林算法训练得到的峰值地震反应预测模型将各个决策树的输出结果取均值作为峰值地震反应的预测结果。
进一步作为可选的实施方式，步骤S103具体包括以下步骤：
S1031、将第一地震动参数作为输入变量，将第一峰值地震反应数据作为输出变量，形成基于桩-土-结构体系的峰值地震反应数据库；
S1032、从峰值地震反应数据库中随机选取多个地震波的第一数据样本，并随机获取第一数据样本的若干个特征形成特征训练集，进而根据特征训练集生成多个第一决策树；
S1033、根据第一决策树生成峰值地震反应预测模型，峰值地震反应预测模型的输出结果为所有第一决策树输出结果的均值。
具体地，设定第一地震波数据对应的第一地震动参数为输入变量，该地震波数据作用下桩的峰值弯矩、土体峰值位移和上部结构峰值位移为输出变量，建立N条不同地震波数据作用下基于桩-土-结构体系的峰值地震反应数据库；从峰值地震反应数据库中有放回的随机采样，选出n(n<N)个第一数据样本，即n条地震波下的数据样本；从所选第一数据样本的特征中随机选择k个特征，对选出的第一数据样本利用这些特征建立决策树；重复进行多次采样生成M棵决策树，形成随机森林预测模型，也即峰值地震反应预测模型，可选取M>100以提高预测模型的准确性。
进一步作为可选的实施方式，桩-土-结构体系峰值地震反应预测方法还包括对峰值地震反应预测模型进行验证的步骤，其具体为：
从峰值地震反应数据库中随机选取多个地震波的第二数据样本，并随机获取第二数据样本的若干个特征形成特征验证集，进而根据特征验证机对峰值地震反应预测模型进行验证。
S104、获取待预测的第二地震波数据，根据第二地震波数据计算对应的第二地震动参数，并将第二地震动参数输入峰值地震反应预测模型，预测得到第二峰值地震反应数据。
具体地，基于训练得到的峰值地震反应预测模型，给定任一待预测的第二地震波数据，以其对应的第二地震动参数为输入变量，即可快速预测得到其对应的第二峰值地震反应数据。
进一步作为可选的实施方式，第一峰值地震反应数据和第二峰值地震反应数据均包括桩的峰值弯矩、土体峰值位移以及上部结构峰值位移。
进一步作为可选的实施方式，第一地震动参数包括第一峰值加速度、第一峰值速度、第一峰值位移、第一阿里亚斯强度、第一重要持时以及第一平均周期，第二地震动参数包括第二峰值加速度、第二峰值速度、第二峰值位移、第二阿里亚斯强度、第二重要持时以及第二平均周期。
如图2所示为本发明实施例提供一种桩-土-结构体系峰值地震反应预测方法的具体流程图，可以理解的是，本发明实施例中，以地震波的峰值加速度、峰值速度、峰值位移、阿里亚斯强度、重要持时、平均周期为输入变量，以桩的峰值弯矩、土体峰值位移和上部结构峰值位移为输出变量，基于随机森林技术，经反复训练得到成熟的回归决策树预测模型，即基于桩-土-结构体系的峰值地震反应预测模型，基于此模型，可以快速有效的获得任一地震波作用下，桩的峰值弯矩、土体峰值位移和上部结构峰值位移。
本发明实施例利用了随机森林算法可以有效处理具有高维特征输入样本的特点，将复杂的地震波，用多个关键地震动参数定量描述，并将地震动参数作为输入变量建立峰值地震反应预测模型；同时，该预测模型的构建过程中，训练样本和特征变量都是随机选取的，使得预测模型不容易陷入过拟合，具有很好的抗噪能力，确保了预测结果的准确性。
为了对本发明实施例提供的峰值地震反应预测模型做进一步验证，随机选取了41条地震波数据，并将利用本方法预测得到预测结果与有限元分析得到的分析结果进行对比，如图3所示，其中，图3(a)示出了桩的峰值弯矩在两种方法下的结果对比，图3(b)示出了上部结构峰值位移在两种方法下的结果对比，图3(c)示出了土体峰值位移在两种方法下的结果对比。可以看到，两种方法计算结果几乎相同，但本方法计算实际耗时为45秒，而有限元分析方法计算耗时为328小时，由此可见，本发明实施例在确保预测结果的准确性和可靠性的同时，大大缩短了预测所需的时间，提高了峰值地震反应预测的效率。
参照图4，本发明实施例提供了一种桩-土-结构体系峰值地震反应预测系统，包括：
第一峰值地震反应数据确定模块，用于建立基于桩-土-结构体系的三维有限元模型，将预设的多个第一地震波数据输入三维有限元模型，输出得到多个第一峰值地震反应数据；
第一地震动参数确定模块，用于根据第一地震波数据计算对应的第一地震动参数；
峰值地震反应预测模型训练模块，用于根据第一峰值地震反应数据和第一地震动参数建立第一决策树，并利用随机森林算法对第一决策树进行训练，得到峰值地震反应预测模型；
第二峰值地震反应数据预测模块，用于获取待预测的第二地震波数据，根据第二地震波数据计算对应的第二地震动参数，并将第二地震动参数输入峰值地震反应预测模型，预测得到第二峰值地震反应数据。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图5，本发明实施例提供了一种桩-土-结构体系峰值地震反应预测装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当上述至少一个程序被上述至少一个处理器执行时，使得上述至少一个处理器实现上述的一种桩-土-结构体系峰值地震反应预测方法。
上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，该处理器可执行的程序在由处理器执行时用于执行上述一种桩-土-结构体系峰值地震反应预测方法。
本发明实施例的一种计算机可读存储介质，可执行本发明方法实施例所提供的一种桩-土-结构体系峰值地震反应预测方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或上述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，上述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印上述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得上述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (8)

1.一种桩-土-结构体系峰值地震反应预测方法，其特征在于，包括以下步骤：
建立基于桩-土-结构体系的三维有限元模型，将预设的多个第一地震波数据输入所述三维有限元模型，输出得到多个第一峰值地震反应数据；
根据所述第一地震波数据计算对应的第一地震动参数；
根据所述第一峰值地震反应数据和所述第一地震动参数建立第一决策树，并利用随机森林算法对所述第一决策树进行训练，得到峰值地震反应预测模型；
获取待预测的第二地震波数据，根据所述第二地震波数据计算对应的第二地震动参数，并将所述第二地震动参数输入所述峰值地震反应预测模型，预测得到第二峰值地震反应数据；
其中，所述第一峰值地震反应数据和所述第二峰值地震反应数据均包括桩的峰值弯矩、土体峰值位移以及上部结构峰值位移；
所述根据所述第一峰值地震反应数据和所述第一地震动参数建立第一决策树，并利用随机森林算法对所述第一决策树进行训练，得到峰值地震反应预测模型这一步骤，其具体包括：
将所述第一地震动参数作为输入变量，将所述第一峰值地震反应数据作为输出变量，形成基于桩-土-结构体系的峰值地震反应数据库；
从所述峰值地震反应数据库中随机选取多个地震波的第一数据样本，并随机获取所述第一数据样本的若干个特征形成特征训练集，进而根据所述特征训练集生成多个第一决策树；
根据所述第一决策树生成峰值地震反应预测模型，所述峰值地震反应预测模型的输出结果为所有第一决策树输出结果的均值。
2.根据权利要求1所述的一种桩-土-结构体系峰值地震反应预测方法，其特征在于：所述第一地震动参数包括第一峰值加速度、第一峰值速度、第一峰值位移、第一阿里亚斯强度、第一重要持时以及第一平均周期，所述第二地震动参数包括第二峰值加速度、第二峰值速度、第二峰值位移、第二阿里亚斯强度、第二重要持时以及第二平均周期。
3.根据权利要求2所述的一种桩-土-结构体系峰值地震反应预测方法，其特征在于，所述第一阿里亚斯强度为：
Figure FDA0003649125200000011
其中，Ia表示第一阿里亚斯强度，g表示重力加速度，Td表示第一地震波数据的周期，a(t)表示t时刻的地表质点加速度。
4.根据权利要求2所述的一种桩-土-结构体系峰值地震反应预测方法，其特征在于，所述第一平均周期为：
Figure FDA0003649125200000021
其中，Tm表示第一平均周期，Ci表示傅里叶幅值，fi表示离散傅里叶变换频率。
5.根据权利要求1所述的一种桩-土-结构体系峰值地震反应预测方法，其特征在于，所述桩-土-结构体系峰值地震反应预测方法还包括对所述峰值地震反应预测模型进行验证的步骤，其具体为：
从所述峰值地震反应数据库中随机选取多个地震波的第二数据样本，并随机获取所述第二数据样本的若干个特征形成特征验证集，进而根据所述特征验证机对所述峰值地震反应预测模型进行验证。
6.一种桩-土-结构体系峰值地震反应预测系统，其特征在于，包括：
第一峰值地震反应数据确定模块，用于建立基于桩-土-结构体系的三维有限元模型，将预设的多个第一地震波数据输入所述三维有限元模型，输出得到多个第一峰值地震反应数据；
第一地震动参数确定模块，用于根据所述第一地震波数据计算对应的第一地震动参数；
峰值地震反应预测模型训练模块，用于根据所述第一峰值地震反应数据和所述第一地震动参数建立第一决策树，并利用随机森林算法对所述第一决策树进行训练，得到峰值地震反应预测模型；
第二峰值地震反应数据预测模块，用于获取待预测的第二地震波数据，根据所述第二地震波数据计算对应的第二地震动参数，并将所述第二地震动参数输入所述峰值地震反应预测模型，预测得到第二峰值地震反应数据；
其中，所述第一峰值地震反应数据和所述第二峰值地震反应数据均包括桩的峰值弯矩、土体峰值位移以及上部结构峰值位移；
所述峰值地震反应预测模型训练模块具体用于：
将所述第一地震动参数作为输入变量，将所述第一峰值地震反应数据作为输出变量，形成基于桩-土-结构体系的峰值地震反应数据库；
从所述峰值地震反应数据库中随机选取多个地震波的第一数据样本，并随机获取所述第一数据样本的若干个特征形成特征训练集，进而根据所述特征训练集生成多个第一决策树；
根据所述第一决策树生成峰值地震反应预测模型，所述峰值地震反应预测模型的输出结果为所有第一决策树输出结果的均值。
7.一种桩-土-结构体系峰值地震反应预测装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1至5中任一项所述的一种桩-土-结构体系峰值地震反应预测方法。
8.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1至5中任一项所述的一种桩-土-结构体系峰值地震反应预测方法。
CN202110249042.9A 2021-03-08 2021-03-08 桩-土-结构体系峰值地震反应预测方法、系统及介质 Active CN113128081B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110249042.9A CN113128081B (zh) 2021-03-08 2021-03-08 桩-土-结构体系峰值地震反应预测方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110249042.9A CN113128081B (zh) 2021-03-08 2021-03-08 桩-土-结构体系峰值地震反应预测方法、系统及介质

Publications (2)

Publication Number Publication Date
CN113128081A CN113128081A (zh) 2021-07-16
CN113128081B true CN113128081B (zh) 2022-07-12

Family

ID=76772700

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110249042.9A Active CN113128081B (zh) 2021-03-08 2021-03-08 桩-土-结构体系峰值地震反应预测方法、系统及介质

Country Status (1)

Country Link
CN (1) CN113128081B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109446617A (zh) * 2018-10-17 2019-03-08 江苏开放大学（江苏城市职业学院） 基于能量平衡的钢筋混凝土梁桥地震倒塌判定方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180260531A1 (en) * 2017-03-10 2018-09-13 Microsoft Technology Licensing, Llc Training random decision trees for sensor data processing
US11409011B2 (en) * 2019-08-29 2022-08-09 Advanced Geophysical Technology Inc. Methods and systems for obtaining reconstructed low-frequency seismic data for determining a subsurface feature
US11693140B2 (en) * 2020-04-09 2023-07-04 Saudi Arabian Oil Company Identifying hydrocarbon reserves of a subterranean region using a reservoir earth model that models characteristics of the region

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109446617A (zh) * 2018-10-17 2019-03-08 江苏开放大学（江苏城市职业学院） 基于能量平衡的钢筋混凝土梁桥地震倒塌判定方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Damage prediction for regular reinforced concrete buildings using the decision tree algorithm";A. Karbassi等;《Computers and Structures》;20140131;第130卷;第46-56页 *
"Using peak ground velocity to characterize the response of soil-pile system in liquefying ground";Xiaoyu Zhang等;《ENGENEERING GEOLOGY》;20180605;第62-73页 *

Also Published As

Publication number Publication date
CN113128081A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
Tao et al. Fatigue damage characterization for composite laminates using deep learning and laser ultrasonic
Qiu et al. Research on the damage prediction method of offshore wind turbine tower structure based on improved neural network
Huynh et al. Experimental chaotic quantification in bistable vortex induced vibration systems
Li et al. Active simulation of transient wind field in a multiple-fan wind tunnel via deep reinforcement learning
CN117744483B (zh) 基于孪生信息模型和实测数据融合的轴承故障诊断方法
CN103776901B (zh) 基于振动响应信息的粘弹夹层结构老化状态识别方法
Vafaie et al. A Comparative Study of Shearlet, Wavelet, Laplacian Pyramid, Curvelet, and Contourlet Transform to Defect Detection
CN113128081B (zh) 桩-土-结构体系峰值地震反应预测方法、系统及介质
CN117494504A (zh) 液化侧扩流场地码头桩基竖向极限承载力预测方法和系统
CN113742983A (zh) 基于深度自编码器神经网络的长跨结构损伤识别方法
CN114420217A (zh) 一种新型量子化学分子性能预测的方法和系统
Kiefer Sample-level sound synthesis with recurrent neural networks and conceptors
CN113127955A (zh) 一种建筑抗震性能评估方法、系统、装置及存储介质
Liao et al. A frequency-based ground motion clustering approach for data-driven surrogate modeling of bridges
JP2006323008A (ja) 楽曲検索装置および楽曲検索方法
Dare Experimental force reconstruction using a neural network and simulated training data
JP4607659B2 (ja) 楽曲検索装置および楽曲検索方法
Bhaduri et al. Efficient Mapping Between Void Shapes and Stress Fields Using Deep Convolutional Neural Networks With Sparse Data
CN113722928B (zh) 一种设备跌落的仿真方法及装置
Melchiorre et al. Intelligent Structural Damage Detection with MEMS-Like Sensors Noisy Data
JP7379801B2 (ja) ノイズ除去方法
Wang et al. Application of genetic algorithm to structural dynamic parameter identification
Sun et al. Influence Analysis of Narrowband Random Sweep Range Setup in Mixed Mode Vibration Test
CN104951597A (zh) 一种水声信号的预测方法
Chaudhary et al. Extraction of damage information in the presence of parametric uncertainty using dimensionality reduction

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhang Xiaoyu

Inventor after: Ou Entong

Inventor before: Zhang Xiaoyu

Inventor before: Ou Sitong