CN114741758A - 一种基于机器学习的建筑抗震韧性初步设计方法及系统 - Google Patents

一种基于机器学习的建筑抗震韧性初步设计方法及系统 Download PDF

Info

Publication number
CN114741758A
CN114741758A CN202210377910.6A CN202210377910A CN114741758A CN 114741758 A CN114741758 A CN 114741758A CN 202210377910 A CN202210377910 A CN 202210377910A CN 114741758 A CN114741758 A CN 114741758A
Authority
CN
China
Prior art keywords
building
design
structural
toughness
designed
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.)
Granted
Application number
CN202210377910.6A
Other languages
English (en)
Other versions
CN114741758B (zh
Inventor
崔瑶
唐琦
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.)
Dalian University of Technology
Original Assignee
Yunshengsheng Security Technology Dalian Co ltd
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 Yunshengsheng Security Technology Dalian Co ltd filed Critical Yunshengsheng Security Technology Dalian Co ltd
Priority to CN202210377910.6A priority Critical patent/CN114741758B/zh
Publication of CN114741758A publication Critical patent/CN114741758A/zh
Application granted granted Critical
Publication of CN114741758B publication Critical patent/CN114741758B/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]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Buildings Adapted To Withstand Abnormal External Influences (AREA)

Abstract

本发明涉及一种基于机器学习的建筑抗震韧性初步设计方法，属于建筑抗震韧性设计领域，首先获取待设计建筑的基本数据，并确定抗震韧性目标；根据地理位置信息和地质条件信息，提取待设计建筑的地震危险性特征作为场地约束条件；根据建筑设计模型，提取待设计建筑的建筑设计特征作为建筑设计约束条件；根据建筑设计模型和结构设计模型，确定待设计建筑所有可用的结构设计特征以及结构构件和非结构构件的升级措施，作为设计空间；将抗震韧性目标、场地约束条件、建筑设计约束条件和设计空间输入到建筑抗震韧性优化模型中，输出满足抗震韧性目标的结构设计特征的组合以及结构构件升级措施和非结构构件升级措施，能够提高设计质量和效率。

Description

一种基于机器学习的建筑抗震韧性初步设计方法及系统
技术领域
本发明涉及建筑抗震韧性设计领域，特别是涉及一种基于机器学习的建筑抗震韧性初步设计方法及系统。
背景技术
传统建筑抗震设计主要关注如何减轻因地震导致的建筑物倒塌破坏，从而减少由于建筑物倒塌导致的人员伤亡。近年来的大地震，例如2011年日本“3·11”大地震和新西兰基督城地震，表明按照现行规范设计的建筑基本实现了大震不倒的抗震设防目标，但建筑物在地震后遭受严重的损伤，震后修复重建难度大、成本高、时间长，造成了巨大的社会经济冲击。根据建筑使用功能的需求，将建筑震后功能可恢复性纳入抗震设计，即发展抗震韧性设计成为新的趋势。
然而，传统的建筑抗震设计方法，通常是在建筑的常规结构设计完成后，再进行抗震韧性评估，如果不满足预期的抗震韧性目标，则需要对原设计进行迭代调整，直至抗震韧性评估结果满足韧性目标，这样盲目迭代调整的过程会大幅降低设计效率。并且，非结构构件的损伤是影响建筑震后功能可恢复性不可忽视的重要因素，而传统的建筑抗震设计方法虽然有对非结构构件连接的要求，但并没有结合结构受力变形特点从韧性的角度进行非结构构件设计，也缺少对是否锚固等非结构升级措施有效性的定量评估。
因此，如何在建筑结构的初步设计阶段对建筑抗震韧性进行快速评估，以选取出满足抗震韧性目标的结构设计特征组合的同时，还能够提供满足抗震韧性目标的结构构件和非结构构件的升级措施，从而达到提高设计质量和效率的目的，是目前亟待解决的问题。
发明内容
本发明的目的是提供一种基于机器学习的建筑抗震韧性初步设计方法及系统，不仅能够在建筑结构的初步设计阶段对建筑抗震韧性进行快速评估，选取出满足抗震韧性目标的结构设计特征组合，还能够提供满足抗震韧性目标的结构构件和非结构构件的升级措施，提高设计质量和效率。
为实现上述目的，本发明提供了如下方案：
一方面，本发明提出了一种基于机器学习的建筑抗震韧性初步设计方法，所述方法包括：
获取待设计建筑的基本数据，并确定抗震韧性目标；所述基本数据包括所述待设计建筑的建筑设计模型、结构设计模型、地理位置信息以及地质条件信息；所述抗震韧性目标为所述待设计建筑的业主对所述待设计建筑的抗震性能的要求；
根据所述地理位置信息和所述地质条件信息，提取所述待设计建筑的地震危险性特征，作为所述待设计建筑的场地约束条件；
根据所述建筑设计模型，提取所述待设计建筑的建筑设计特征，作为所述待设计建筑的建筑设计约束条件；
根据所述建筑设计模型和所述结构设计模型，确定所述待设计建筑所有可用的结构设计特征以及所有可用的结构构件升级措施和非结构构件升级措施，作为所述待设计建筑的设计空间；
将所述抗震韧性目标、场地约束条件、建筑设计约束条件和设计空间输入到建筑抗震韧性优化模型中，输出满足所述抗震韧性目标的结构设计特征的组合以及结构构件升级措施和非结构构件升级措施；所述建筑抗震韧性优化模型为对训练好的建筑抗震韧性评估模型进行优化后得到的机器学习模型；所述训练好的建筑抗震韧性评估模型为以建筑的抗震韧性目标、场地约束条件、建筑设计约束条件和设计空间为输入，以建筑对应的韧性指标以及结构构件升级措施和非结构构件升级措施为输出训练得到的机器学习模型。
可选的，所述获取待设计建筑的基本数据，并确定抗震韧性目标，具体包括：
获取所述待设计建筑的建筑设计模型、结构设计模型、地理位置信息以及地质条件信息；
根据所述待设计建筑的预期使用功能和预期使用年限以及韧性指标，确定所述抗震韧性目标；所述韧性指标包括所述待设计建筑倒塌后的人员伤亡、经济损失、恢复时间和韧性指数。
可选的，所述根据所述地理位置信息和所述地质条件信息，提取所述待设计建筑的地震危险性特征，作为所述待设计建筑的场地约束条件，具体包括：
获取所述待设计建筑所处建筑场地的经纬度信息，并查询地震动参数区划图，获得所述待设计建筑的建筑场地对应的基本地震动峰值加速度值和基本地震动加速度反应谱特征周期值；
根据基本地震动峰值加速度值和基本地震动加速度反应谱特征周期值，确定所述待设计建筑的设计基本地震加速度和设计地震分组；
根据所述待设计建筑所处建筑场地对应的地质勘察报告，获得所述待设计建筑的建筑场地的土层等效剪切波速和场地覆盖层厚度；
根据土层等效剪切波速和场地覆盖层厚度，确定所述待设计建筑的场地类别；
根据设计地震分组和场地类别，确定所述待设计建筑的设计特征周期；
将设计基本地震加速度和设计特征周期作为所述待设计建筑的场地约束条件。
可选的，所述根据所述建筑设计模型，提取所述待设计建筑的建筑设计特征，作为所述待设计建筑的建筑设计约束条件，具体包括：
根据所述待设计建筑的建筑设计模型的基本参数，确定所述待设计建筑的建筑类别和建筑层数；
将建筑类别和建筑层数作为所述待设计建筑的建筑设计约束条件。
可选的，所述根据所述建筑设计模型和所述结构设计模型，确定所述待设计建筑所有可用的结构设计特征以及所有可用的结构构件升级措施和非结构构件升级措施，作为所述待设计建筑的设计空间，具体包括：
根据所述结构设计模型，提取所述待设计建筑的结构设计特征；所述结构设计特征包括结构材料与抗侧力体系、结构周期系数、结构屈服强度系数、结构极限强度系数和延性系数；
根据所述建筑设计模型，确定所述待设计建筑的抗震设防烈度、建筑类别和结构高度；
根据抗震设防烈度、建筑类别和结构高度，确定所述待设计建筑所有可用的结构材料与抗侧力体系，以及结构周期系数、结构屈服强度系数、结构极限强度系数和延性系数的取值范围；
根据所述待设计建筑的实际工程，确定所述待设计建筑所有可用的结构构件升级措施和非结构构件升级措施；
将所述待设计建筑所有可用的结构材料与抗侧力体系，结构周期系数、结构屈服强度系数、结构极限强度系数和延性系数的取值范围，以及所有可用的结构构件升级措施和非结构构件升级措施作为所述待设计建筑的设计空间。
可选的，所述根据所述结构设计模型，提取所述待设计建筑的结构设计特征，具体包括：
根据所述待设计建筑的结构设计模型的基本参数，确定所述待设计建筑的构件材料与抗侧力体系以及构件材料、截面尺寸、楼层重力荷载代表值；
根据构件材料和截面尺寸，获得楼层抗侧刚度；
根据楼层重力荷载代表值，确定楼层地震质量；
对楼层地震质量和楼层抗侧刚度进行特征值分析，获得结构基本自振周期；
计算结构基本自振周期与所述待设计建筑的建筑层数的比值，得到结构周期系数；
根据构件材料和截面尺寸，获得楼层屈服强度；
采用底部剪力法或振型分解反应谱法计算得到所述待设计建筑的地震层剪力；
计算楼层屈服强度与地震层剪力的比值，得到结构屈服强度系数；
对所述待设计建筑的结构设计模型进行静力弹塑性分析，确定极限强度、结构峰值强度对应位移以及楼层屈服强度对应位移；
计算极限强度与楼层屈服强度的比值，得到结构极限强度系数；
计算结构峰值强度对应位移与楼层屈服强度对应位移的比值，得到延性系数。
可选的，所述结构构件升级措施包括采用速度型消能器、位移型消能器、橡胶支座、摩擦摆支座和/或功能可恢复构件；
所述非结构构件升级措施包括对各种非结构构件的锚固。
可选的，在所述将所述抗震韧性目标、场地约束条件、建筑设计约束条件和设计空间输入到建筑抗震韧性优化模型中，输出满足所述抗震韧性目标的结构设计特征的组合以及结构构件升级措施和非结构构件升级措施的步骤之前，还包括以下步骤：
建立建筑抗震韧性评估模型，并对所述建筑抗震韧性评估模型进行训练，得到所述训练好的建筑抗震韧性评估模型；
采用优化算法对所述训练好的建筑抗震韧性评估模型进行优化，得到所述建筑抗震韧性优化模型。
可选的，所述优化算法采用粒子群算法、线性回归算法、支持向量回归算法、多层感知机算法、k近邻算法、决策树算法或者极限梯度提升树算法。
另一方面，本发明还提出了一种基于机器学习的建筑抗震韧性初步设计系统，所述系统包括：
抗震韧性目标确定模块，用于获取待设计建筑的基本数据，并确定抗震韧性目标；所述基本数据包括所述待设计建筑的建筑设计模型、结构设计模型、地理位置信息以及地质条件信息；所述抗震韧性目标为所述待设计建筑的业主对所述待设计建筑的抗震性能的要求；
场地约束条件确定模块，用于根据所述地理位置信息和所述地质条件信息，提取所述待设计建筑的地震危险性特征，作为所述待设计建筑的场地约束条件；
建筑设计约束条件确定模块，用于根据所述建筑设计模型，提取所述待设计建筑的建筑设计特征，作为所述待设计建筑的建筑设计约束条件；
设计空间确定模块，用于根据所述建筑设计模型和所述结构设计模型，确定所述待设计建筑所有可用的结构设计特征以及所有可用的结构构件升级措施和非结构构件升级措施，作为所述待设计建筑的设计空间；
建筑抗震韧性优化模块，用于将所述抗震韧性目标、场地约束条件、建筑设计约束条件和设计空间输入到建筑抗震韧性优化模型中，输出满足所述抗震韧性目标的结构设计特征的组合以及结构构件升级措施和非结构构件升级措施；所述建筑抗震韧性优化模型为对训练好的建筑抗震韧性评估模型进行优化后得到的机器学习模型；所述训练好的建筑抗震韧性评估模型为以建筑的抗震韧性目标、场地约束条件、建筑设计约束条件和设计空间为输入，以建筑对应的韧性指标以及结构构件升级措施和非结构构件升级措施为输出训练得到的机器学习模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提出了一种基于机器学习的建筑抗震韧性初步设计方法及系统，将机器学习技术应用于建筑韧性评估设计领域中，通过将抗震韧性目标、场地约束条件、建筑设计约束条件和设计空间输入到与抗震韧性目标相关的建筑抗震韧性优化模型中，利用机器学习建立地震危险性特征、建筑设计特征、结构设计特征以及结构构件和非结构构件的升级措施与建筑抗震韧性指标的映射关系，并将其作为建筑抗震韧性初步设计阶段的约束条件，通过建筑抗震韧性优化模型中自带的优化算法，在给定的所有可用的结构设计特征范围以及结构构件与非结构构件升级措施的设计空间内进行搜索，对全局最优的结构设计特征组合及结构构件与非结构构件升级措施进行自动推荐，辅助设计人员快速完成结构初步设计，有效减少结构设计完成后的迭代调整工作，提高建筑设计的质量和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本发明的主旨。
图1为本发明实施例1提供的基于机器学习的建筑抗震韧性初步设计方法的流程图；
图2为本发明实施例1提供的基于机器学习的建筑抗震韧性初步设计方法的原理图；
图3为本发明实施例1提供的结构分析模型示意图；
图4为本发明实施例1提供的框架结构骨架线参数确定示意图；
图5为本发明实施例1提供的结构分析滞回模型示意图；
图6为本发明实施例1提供的虚拟变量表示结构升级措施的示意图；
图7为本发明实施例1提供的由易损性曲线获得结构在不同地震强度下处于不同损伤状态概率的示意图；
图8为本发明实施例1提供的考虑地震危险性的经济损失概念示意图；
图9为本发明实施例1提供的本发明方法与传统基于动力增量分析的建筑抗震韧性评估方法的对比图；
图10为本发明实施例2提供的基于机器学习的建筑抗震韧性初步设计系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如本发明和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本发明对根据本发明的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本发明中使用了流程图用来说明根据本发明的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
本发明的目的是提供一种基于机器学习的建筑抗震韧性初步设计方法及系统，不仅能够在建筑结构的初步设计阶段对建筑抗震韧性进行快速评估，选取出满足抗震韧性目标的结构设计特征组合，还能够提供满足抗震韧性目标的结构构件和非结构构件的升级措施，提高设计质量和效率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1和图2所示，本实施例提供了一种基于机器学习的建筑抗震韧性初步设计方法，所述方法具体包括以下步骤：
步骤S1、获取待设计建筑的基本数据，并确定抗震韧性目标。具体包括：
步骤S1.1、获取待设计建筑的基本数据，所述基本数据包括所述待设计建筑的建筑设计模型、结构设计模型、地理位置信息以及地质条件信息。
其中，建筑设计模型指的是包含待设计建筑的建筑设计数据的模型；结构设计模型指的是包含待设计建筑的结构设计数据的模型；地理位置信息指的是待设计建筑的经纬度坐标信息；地质条件信息指的是待设计建筑的建筑场地的地质情况。建筑设计模型、结构设计模型、地理位置信息以及地质条件信息均为现成的基础数据。
步骤S1.2、根据所述待设计建筑的预期使用功能和预期使用年限以及韧性指标，确定所述抗震韧性目标。
本实施例中，抗震韧性目标为所述待设计建筑的业主对所述待设计建筑的抗震性能的要求。韧性指标包括待设计建筑倒塌后的人员伤亡、经济损失、恢复时间和韧性指数等韧性指标。
其中，人员伤亡指的是待设计建筑倒塌后的伤亡人员的数量、受伤率或死亡率等；经济损失为一个百分比数值，指的是待设计建筑倒塌损失金额与建筑总金额的比值；恢复时间指的是待设计建筑倒塌后重建使该建筑恢复原貌所需要的时间，单位为日；韧性指数是一个无量纲量，韧性指数值在0-1之间，韧性指数值越大越好，能够反映出建筑的整体抗震韧性越强。
在确定抗震韧性目标时，一般通过建筑设计人员与业主进行沟通，建筑设计人员向业主说明人员伤亡、经济损失、恢复时间和韧性指数等各个韧性指标的含义，获取业主所预期的建筑抗震韧性性能，即业主对自己的建筑在抗震韧性方面的要求，例如，业主说“我需要一栋能抵御8级地震且使用年限为50年的学校教学楼”，再结合业主对待设计建筑倒塌后的人员伤亡、经济损失、恢复时间和韧性指数等各个韧性指标的要求，从而确定最终的抗震韧性目标，最终的抗震韧性目标为包括人员伤亡、经济损失、恢复时间和韧性指数等各个韧性指标的形式。
步骤S2、根据所述地理位置信息和所述地质条件信息，提取所述待设计建筑的地震危险性特征，作为所述待设计建筑的场地约束条件。
本实施例中，所述地震危险性特征包括设计基本地震加速度和设计特征周期。
步骤S2的具体步骤如下：
步骤S2.1、获取所述待设计建筑所处建筑场地的经纬度信息，并查询地震动参数区划图，获得所述待设计建筑的建筑场地对应的基本地震动峰值加速度值和基本地震动加速度反应谱特征周期值。
步骤S2.2、根据基本地震动峰值加速度值和基本地震动加速度反应谱特征周期值，确定所述待设计建筑的设计基本地震加速度和设计地震分组。
本实施例中，待设计建筑的设计基本地震加速度分别为0.05g、0.10g、0.15g、0.20g、0.30g、0.40g等，其中g表示重力加速度。
本实施例中，设计地震分组分为第一组、第二组和第三组。设计地震分组是表征地震震级及震中距影响的一个专有名词，第一组、第二组、第三组分别代表近震区、中远震区、远震区。由动峰值加速度值和基本地震动加速度反应谱特征周期值共同确定。
步骤S2.3、根据所述待设计建筑所处建筑场地对应的地质勘察报告，获得所述待设计建筑的建筑场地的土层等效剪切波速和场地覆盖层厚度。
步骤S2.4、根据土层等效剪切波速和场地覆盖层厚度，确定所述待设计建筑的场地类别。
应说明的是，建筑的场地类别可依据建筑抗震设计规范GB50011-2010进行确定。本实施例中将待设计建筑的场地类别分为I0、I1、II、III、IV五类。
步骤S2.5、根据步骤S2.2得到的设计地震分组和步骤S2.4得到的场地类别，确定所述待设计建筑的设计特征周期。
本实施例中，设计特征周期指的是抗震设计用的地震影响系数曲线中，反应地震震级、震中距和场地类型等因素的下降段起始点对应的周期值。设计特征周期值根据具体的设计地震分组和场地类别，通过查询建筑抗震设计规范GB50011-2010中表5.1.4-2可直接得到。
步骤S2.6、将设计基本地震加速度和设计特征周期作为所述待设计建筑的场地约束条件。
步骤S3、根据所述建筑设计模型，提取所述待设计建筑的建筑设计特征，作为所述待设计建筑的建筑设计约束条件。具体包括：
本实施例中，所述建筑设计特征包括建筑类别和建筑层数。
步骤S3.1、根据所述待设计建筑的建筑设计模型的基本参数，确定所述待设计建筑的建筑类别和建筑层数。其中，建筑类别指的是待设计建筑的使用类别，例如学校、办公楼、住宅、医院等。建筑层数指的是待设计建筑的楼层数量。建筑类别和建筑层数为基础数据，均可根据建筑设计模型直接得到。
步骤S3.2、将建筑类别和建筑层数作为所述待设计建筑的建筑设计约束条件。
步骤S4、根据所述建筑设计模型和所述结构设计模型，确定所述待设计建筑所有可用的结构设计特征以及所有可用的结构构件升级措施和非结构构件升级措施，作为所述待设计建筑的设计空间。具体包括：
步骤S4.1、根据所述结构设计模型，提取所述待设计建筑的结构设计特征。本实施例中，所述结构设计特征包括结构材料与抗侧力体系、结构周期系数、结构屈服强度系数、结构极限强度系数和延性系数。
步骤S4.1具体包括：
步骤S4.1.1、根据所述待设计建筑的结构设计模型的基本参数，可直接确定所述待设计建筑的构件材料(如钢、钢筋混凝土等材料)与抗侧力体系(如框架、支撑框架、剪力墙等)以及建筑结构的截面尺寸、楼层重力荷载代表值；
步骤S4.1.2、根据构件材料和截面尺寸，获得楼层抗侧刚度；
步骤S4.1.3、根据楼层重力荷载代表值，确定楼层地震质量；
步骤S4.1.4、对楼层地震质量和楼层抗侧刚度进行特征值分析，获得结构基本自振周期；
步骤S4.1.5、计算结构基本自振周期与所述待设计建筑的建筑层数的比值，得到结构周期系数；
步骤S4.1.6、根据构件材料和截面尺寸，获得楼层屈服强度；
步骤S4.1.7、采用底部剪力法或振型分解反应谱法计算得到所述待设计建筑的地震层剪力；
步骤S4.1.8、计算楼层屈服强度与地震层剪力的比值，得到结构屈服强度系数；
步骤S4.1.9、对所述待设计建筑的结构设计模型进行静力弹塑性分析，确定极限强度、结构峰值强度对应位移以及楼层屈服强度对应位移；
步骤S4.1.10、计算极限强度与楼层屈服强度的比值，得到结构极限强度系数；
步骤S4.1.11、计算结构峰值强度对应位移与楼层屈服强度对应位移的比值，得到延性系数。
步骤S4.2、根据所述建筑设计模型，确定所述待设计建筑的抗震设防烈度、建筑类别和结构高度。其中，抗震设防烈度取值的标准是基本烈度，即某一地区在今后50年期限内，在一般场地条件下超越概率为10％的地震烈度，其具体的取值根据抗震规范中的抗震设防区划来取值，例如，北京地区的抗震设防烈度为8度。建筑类别指的是待设计建筑的使用类别，例如学校、办公楼、住宅、医院等。结构高度指的是建筑物室外地平面至外墙顶部的总高度。
步骤S4.3、根据抗震设防烈度、建筑类别和结构高度，确定所述待设计建筑所有可用的结构材料与抗侧力体系，以及结构周期系数、结构屈服强度系数、结构极限强度系数和延性系数的取值范围，即步骤S4.1中各个结构设计特征的取值范围。
一般情况下，在建筑设计的初步阶段，结构工程师能够根据抗震设防烈度、建筑类别和结构高度，指定所有可能使用到的构件材料(如钢、钢筋混凝土等材料)与抗侧力体系(如框架、支撑框架、剪力墙等)，并根据抗震规范要求和设计经验，指定结构周期系数、结构屈服强度系数、结构极限强度系数和延性系数等结构设计特征的取值范围，还可以包括可能的刚度分布方式，即沿高度均匀分布且具有倒三角一阶振型的分布等。
步骤S4.4、根据所述待设计建筑的实际工程，确定所述待设计建筑所有可用的结构构件升级措施和非结构构件升级措施。
本实施例中，所述结构构件升级措施包括基于减震技术的升级措施、基于隔震技术的升级措施和基于摇摆自复位技术的升级措施等。其中，所述基于减震技术的升级措施包括采用速度型消能器和位移型消能器等；所述速度型消能器包括粘滞粘弹消能器等，所述位移型消能器包括金属消能器和摩擦消能器等。所述基于隔震技术的升级措施包括采用橡胶支座和采用摩擦摆支座等。所述基于摇摆自复位技术的升级措施包括采用摇摆柱脚和采用塑性铰支墙等。
所述结构构件升级措施可以包括采用速度型消能器、位移型消能器、橡胶支座、摩擦摆支座、功能可恢复构件等其中的一种或多种。其中，功能可恢复构件为具有损伤控制(损伤集中)、震后可以快速更换的特点的新型韧性构件，例如功能可恢复连梁、功能可恢复剪力墙、功能可恢复梁柱节点以及功能可恢复柱脚等。所述非结构构件升级措施可以包括对各种非结构构件的锚固等。
应说明的是，结构构件升级措施和非结构构件升级措施不是固定的、唯一的，还可以包括其他的升级措施，可根据实际情况自行确定。
步骤S4.5、将所述待设计建筑所有可用的结构材料与抗侧力体系，结构周期系数、结构屈服强度系数、结构极限强度系数和延性系数等的取值范围，以及所有可用的结构构件升级措施和非结构构件升级措施作为所述待设计建筑的设计空间。
步骤S5、建立建筑抗震韧性评估模型，并对所述建筑抗震韧性评估模型进行训练，得到所述训练好的建筑抗震韧性评估模型。其中，所述建筑抗震韧性优化模型为对训练好的建筑抗震韧性评估模型进行优化后得到的机器学习模型。所述训练好的建筑抗震韧性评估模型为以建筑的抗震韧性目标、场地约束条件、建筑设计约束条件和设计空间为输入，以建筑对应的韧性指标以及结构构件升级措施和非结构构件升级措施为输出训练得到的机器学习模型。
本发明基于数值模拟数据建立了建筑抗震韧性评估模型，并对建筑抗震韧性评估模型进行训练，从而得到训练好的建筑抗震韧性评估模型，利用基于机器学习技术的训练好的建筑抗震韧性评估模型对初期设计阶段设计出待评估建筑进行抗震韧性评估。
本发明构建并训练建筑抗震韧性评估模型的具体步骤如下：
步骤S5.1、确定建筑抗震韧性评估模型的输入特征，在考虑输入特征时，一方面输入特征要反应出地震特点，即当前建筑场地遭遇不同强度地震的概率是多少；另一方面输入特征还要反应出建筑结构特征，区别不同的建筑，主要体现出与建筑设计相关的建筑用途、尺寸，与结构设计相关的选用的结构体系、强度、刚度、延性等，这些特征不同，建筑的地震响应、带来的经济损失等韧性指标随之改变。
本实施例选择的输入特征包括：用于表征设计使用年限内所有可能地震的地震危险性特征，包括设计基本地震加速度和设计特征周期等；用于表征建筑使用功能、建筑尺寸等的建筑设计特征，包括建筑类别和建筑层数等；用于表征结构体系、强度、刚度、延性等的结构设计特征，包括结构材料与抗侧力体系、结构周期系数、结构屈服强度系数、结构极限强度系数、延性系数等，以及结构构件升级措施和非结构构件升级措施。并且，本发明采用虚拟变量(dummy variables)形式的升级措施特征，即用1或0分别表示选用与不选用结构升级措施和/或非结构升级措施，更加简单、方便。
步骤S5.2、确定建筑抗震韧性评估模型的输出特征，本实施例选择的输出特征包括人员伤亡、经济损失、恢复时间、韧性指数等韧性指标。
应说明的是，韧性评估结果包括但不限于人员伤亡、经济损失、恢复时间、韧性指数等韧性指标，输入特征和输出特征均可根据实际情况自行设定。
步骤S5.3、在满足设计规范要求的前提下，随机生成地震危险性特征、建筑设计特征和结构设计特征的组合，并在此基础上进行所有可用的结构构件升级和非结构构件升级，代表不同的原型建筑，从而获取得到模型训练时使用的输入特征样本。
本发明通过随机生成地震危险性特征、建筑设计特征和结构设计特征的组合得到不同的原型建筑，并对其的结构构件和非结构构件尽可能地实施可用的升级措施，从而能够使基于机器学习的建筑抗震韧性评估模型能够学习到大量设计前后的地震危险性特征、建筑设计特征和结构设计特征的组合以及相应的结构构件和非结构构件升级措施，提升模型的评估精度，从而能够在输出更加准确、适合的结构设计特征的组合的同时，还能够自动推荐合理经济的结构构件和非结构构件升级措施。
步骤S5.4、建立原型建筑的多自由度集中质量层模型，根据各个原型建筑的结构设计参数，确定多自由度集中质量层模型的本构关系和滞回模型。
其中，多自由度集中质量层模型如图3所示，分别由两个并联的连接单元表示抗震结构部分和减震措施(消能器)，底部通过连接单元与基础支撑连接，表示隔振措施。抗震部分中，以剪切变形为主的构件如框架简化为剪切弹簧，以弯曲变形为主的构件如剪力墙简化为弯曲弹簧。
本实施例中，多自由度集中质量层模型的本构关系，指的是多自由度集中质量层模型中应力张量与应变张量的关系，即单层建筑受力与变形的关系，例如图4中示出的框架结构骨架线中，抗侧力和侧向位移之间的受力与变形的关系。滞回模型指的是建筑结构在往复地震作用下加载、卸载的地震力下所呈现出的特点，例如，通常认为钢结构是饱满的，而钢筋混凝土结构会发生捏拢，会影响建筑结构耗散地震能量的能力，从而对地震的响应不同。本发明中，多自由度集中质量层模型的本构关系和滞回模型是结构建模的关键，是结构分析的基础，参与下一步骤中的动力增量分析中。
步骤S5.5、选择与建筑场地和结构无关的大量强地震动记录，结合步骤S5.4中得到的多自由度集中质量层模型的本构关系和滞回模型进行动力增量分析，直至原型建筑结构发生倒塌，获取每个地震动强度下每个地震动记录的工程需求参数，包括：层间位移角、层加速度、残余层间位移角等。
本实施例中，强地震动记录可从现有的强震记录数据库中选择，例如美国太平洋地震研究中心的PEERNGA-West2数据库以及日本防灾科学技术研究所的K-NET、KiK-net数据库等强震记录数据库。
动力增量分析(Incremental DynamicAnalysis，IDA)是一种通过对地震动记录不断调幅、逐步增大地震动强度等方法，分析建筑结构在不同地震动幅值下的各个工程需求参数的数据分析方法。
步骤S5.6、根据结构构件(如梁、柱等)、位移相关型非结构构件(如填充墙等)、加速度非结构构件(如吊顶等)、内容物(如办公电脑等)处于不同损伤状态(完好、轻微损伤、中等损伤、严重损伤、完全破坏等)的工程需求参数阈值，结合步骤S5.5得到的工程需求参数，绘制出不同类型构件处于不同损伤状态的易损性曲线，并从中读取不同类型构件处于不同损伤状态的概率，如图7所示。
例如，本实施例可根据美国HAZUS报告、美国FEME-P-58报告或者中国国家标准GB/T38591-2020建筑抗震韧性评价标准等数据来源，对于填充墙的层间位移角的4个阈值0.004、0.008、0.025、0.05，分别划分出以下5个损伤状态：完好状态对应的工程需求参数阈值为0～0.004、轻微损伤状态对应的工程需求参数阈值为0.004～0.008、中等损伤状态对应的工程需求参数阈值为0.008～0.025、严重损伤状态对应的工程需求参数阈值为0.025～0.05、完全破坏状态对应的工程需求参数阈值为大于0.05。
步骤S5.7、根据不同类型构件处于不同损伤状态可能造成的经济损失(修复或重置费用占重置费用的比例)、恢复时间(恢复天数)、伤亡人数的函数，确定不同地震强度水平下，由于地震动差异性导致的工程需求参数差异性而产生的不同类型构件处于不同损伤状态的概率的经济损失、恢复时间、伤亡人数等韧性指标。
本实施例中，不同类型构件处于不同损伤状态可能造成的经济损失(修复或重置费用占重置费用的比例)、恢复时间(恢复天数)、伤亡人数的函数也来源于美国HAZUS报告、美国FEME-P-58报告或者中国国家标准GB/T38591-2020建筑抗震韧性评价标准等，还可以来源于其他统计数据库，可根据实际需求自行选择。
步骤S5.8、将地震危险性纳入韧性指标，获得考虑地震危险性的经济损失、恢复时间、伤亡人数等韧性指标，作为输出特征。其中，地震危险性指的是某一建筑场地上，在关心的时间范围内，由于附近发生地震的影响，而使某一选定的强度量超过某一特定的临界水平的概率。
步骤S5.9、循环步骤S5.3-S5.8生成数据集，然后采用留出法将数据集划分为训练集与测试集，利用训练集进行交叉验证，对建筑抗震韧性评估模型进行训练，进行机器学习算法超参数优化；利用测试集进行建筑抗震韧性评估模型的机器学习性能测试，最终基于均方根误差、平均绝对误差以及可决系数选取性能最佳的建筑抗震韧性评估模型，将其作为训练好的建筑抗震韧性评估模型，从而获得可以用于韧性指标预测的建筑抗震韧性评估模型。
步骤S6、采用优化算法对所述训练好的建筑抗震韧性评估模型进行优化，得到所述建筑抗震韧性优化模型。具体包括：
步骤S6.1、定义输入参数，包括为常数的场地、建筑设计约束条件和为变量的结构设计特征以及升级措施特征。
对于一个具体的优化问题，由于在建筑设计时，通常业主会限定建筑的场地和建筑设计约束条件，例如，业主想要在北京建造一栋办公楼，那么该办公楼的场地和建筑设计特征即建筑设计约束条件是固定不变的，即为常数，而需要优化的是结构设计特征以及升级措施特征，最终模型输出的也是结构设计特征组合以及合理经济的升级措施特征，因此，结构设计特征以及升级措施特征是变量。
并且，如图2所示，建筑抗震韧性优化模型的输入包括两部分：一部分是来自业主需求、场地限制、建筑设计的外部条件，即图中的抗震韧性目标和约束条件；另一个部分是来自结构工程师的结构初步设计的设计空间，即结构设计特征、升级措施的范围，这个范围可能受到当地规章制度的限制，比如某些地区要求新建公共建筑必须采用钢结构，高烈度区的学校等建筑必须采用隔振减震等技术，高宽比大于4的建筑不宜采用底部隔震等等，所有可用的结构设计特征、升级措施应根据实际情况自行确定。将这些外部条件和设计空间输入到建筑抗震韧性优化模型，即可快速获得最可能满足的业主预期的韧性目标的设计组合，还可以进行多次优化得到多组可能方案，进行选择。
步骤S6.2、定义设计空间，即结构设计特征以及结构构件和非结构构件的升级措施的范围。
步骤S6.3、定义成本函数，由于本发明的目标是获取结构设计特征组合以及合理经济的升级措施特征，因此，本发明采用业主预期的抗震韧性目标与建筑抗震韧性评估得到的韧性指标的差值作为成本函数，优化目标是寻找成本函数在设计空间内的全局最小值。并且，由于初步设计阶段以方案比选为主要目的，步骤S5得到的基于机器学习的建筑抗震韧性评估模型可以满足精度需求，成本函数中建筑抗震韧性指标的计算可以采用建筑抗震韧性评估模型实时提供，从而能够有效提高优化效率。
步骤S6.4、构建建筑抗震韧性优化模型，即在步骤S5得到的训练好的建筑抗震韧性评估模型的基础上，采用优化算法对其进行优化，得到的优化后的建筑抗震韧性评估模型即为建筑抗震韧性优化模型。
本实施例中，所述优化算法可以采用粒子群算法，还可以采用线性回归算法、支持向量回归算法、多层感知机算法、k近邻算法、决策树算法或者极限梯度提升树算法等。
下面以粒子群算法为例，对训练好的建筑抗震韧性评估模型的优化过程进行说明：
本实施例采用粒子群算法进行模型优化的过程包括以下步骤：
步骤A1、初始化种群，包括随机位置和速度，及在约束条件下，从设计空间内随机生成特征，与约束条件共同形成样本；
步骤A2、评价每个粒子的适应度，即评价成本函数并得到全局最优，这里以业主预期的抗震韧性目标与建筑抗震韧性评估得到的韧性指标的差值作为成本函数，优化目标即寻找成本函数在设计空间内的全局最小值，并采用基于机器学习的建筑抗震韧性评估模型加速成本函数的计算；并判断是否满足优化目标条件，满足优化目标条件则结束，不满足优化目标条件则继续更新每个粒子的位置和速度；
步骤A3、重复步骤A2评价每个粒子的适应度，并更新每个粒子的历史最优位置和群体的全局最优位置；
步骤A4、重复步骤A3并再次判断，迭代优化，直至找到目标值。
步骤A5、找到目标值后即完成对优化问题的求解，实现建筑抗震韧性智能初步设计。
需要说明的是，本发明不对具体的优化算法进行限定，除了粒子群算法，还可以采用线性回归算法、支持向量回归算法、多层感知机算法、k近邻算法、决策树算法或者极限梯度提升树算法等优化算法外，还可以使用其他的优化算法，因此，具体的优化算法不应作为对本发明的保护范围的限定，优化算法并不是固定的、唯一的，可根据实际情况自行确定。并且，本实施例提到的各个优化算法均为现有技术，此处不再赘述。
本发明在场地和建筑设计等约束条件下，在设计空间中寻找韧性指标与抗震韧性目标的差值最小的最佳设计组合，从而将最接近预期的抗震韧性目标转化为一个数学问题，最终得到的最优解为一组数值，表示设计空间内结构设计特征变量与升级措施的组合，从而简化了建筑设计的问题，降低了设计难度，提高了设计效率。
步骤S7、将所述抗震韧性目标、场地约束条件、建筑设计约束条件和设计空间输入到建筑抗震韧性优化模型中，输出满足所述抗震韧性目标的结构设计特征的组合以及结构构件升级措施和非结构构件升级措施。具体包括：
步骤S7.1、将所述抗震韧性目标、场地约束条件、建筑设计约束条件和设计空间输入到建筑抗震韧性优化模型中，基于建筑抗震韧性评估模型加速优化过程，得到全局最优解，即优化结果。
步骤S7.2、根据全局最优解，确定结构设计特征组合以及相应的结构构件和非结构构件的升级措施特征。
例如，可以根据优化结果可以选择相应的结构体系、升级措施，可以根据优化得到的结构周期系数、刚度分布方式，确定各楼层刚度需求，可以根据优化得到的屈服强度系数、极限强度系数确定各楼层强度需求，可以根据优化得到的延性系数确定各楼层延性需求，从而根据选择的材料强度设计截面尺寸，使得惯性矩、截面面积、宽厚比等截面属性和长细比、轴压比等构件属性可以满足强度、刚度、延性的需求。
本发明提出的基于机器学习和优化算法的建筑抗震韧性初步设计方法，可以在初步设计阶段考虑建筑抗震韧性的影响进行结构设计方案的初选，该过程可以考虑地震危险性，即考虑建筑全寿命周期的全部可能地震的影响；可以考虑层间位移角、层加速度、残余位移角等多种工程需求参数的影响；可以考虑结构构件、非结构构件处于不同损伤状态的概率，及其对人员伤亡、经济损失、恢复时间等韧性指标的影响；可以考虑结构构件和非结构构件升级措施对建筑抗震韧性的提升。通过自动推荐最优的初步设计方案，辅助结构设计人员高效选择合理的结构设计特征和升级措施。
下面结合传统的基于动力增量分析的建筑抗震韧性评估方法，进一步对比出本发明方法与传统方法的区别：
基于动力增量分析的建筑抗震韧性评估方法，是产生机器学习模型训练所需数据的方法，具体包括：
步骤B1、地震危险性分析：通过随机生成的设计基本地震加速度、抗震设计分组和场地类别的组合，获得地震危险性曲线，即地震强度IM及其超越概率的曲线，可以根据多遇地震50年超越概率63％、设防地震50年超越概率10％、罕遇地震50年超越概率2％，进行地震危险性曲线的拟合，其中，超越概率是指在一定时期内，建设场地可能遭遇大于或等于给定的地震烈度值或地震动参数值的概率，地震危险性曲线的表达式为公式(1)：
λIM＝P(IM≥x)＝kzx-k (1)
其中，IM表示地震强度，λIM表示地震强度超越概率，x表示给定的地震烈度值，k和kz为待定系数；
某一地震强度的发生概率为公式(2)：
P(im)＝λ(im-Δim)+λ(im+Δim) (2)
其中，im表示某一地震强度，P(im)表示某一地震强度的发生概率，λ(im)表示某一地震强度的超越概率，Δim表示地震强度变化量，可取动力增量分析地震动记录调幅间隔的一半。
步骤B2、结构响应分析：通过随机生成的建筑设计特征和结构设计特征组合，建立多自由度集中质量层模型。如图3所示，本实施例中抗震部分的阻尼，钢筋混凝土结构取5％，钢结构取2％。
如图4所示，模拟框架结构的剪切弹簧骨架线可以根据结构设计特征确定，根据建筑层数N和结构周期系数Ct确定结构基本周期T，即T＝N×Ct。假设刚度和质量沿楼层均匀分布，则弹性刚度k0只与层数有关且可由特征值分析得到，根据基底剪力法或振型分解反应谱法可得各层的设计地震剪力，将其作为设计强度Vd；根据层结构屈服强度系数Ωy可得屈服强度Vy＝Ωy×Vd，根据层结构极限强度系数Ωu可得极限强度Vu＝Ωu×Vy；根据屈服强度Vy和弹性刚度k0可得屈服强度对应位移Dy＝Vy/k0；根据延性系数μ可得极限强度对应位移Du＝μ×Dy，至此完全确定结构骨架线。
本实施例采用的滞回模型如图5所示，图5(a)、(b)分别表示钢结构和钢筋混凝土结构的滞回模型，钢筋混凝土结构考虑捏拢行为；附图5(c)-(f)分别表示速度型粘滞消能器、速度型粘弹性消能器、位移型金属消能器和位移型摩擦消能器的滞回模型。其中，粘滞消能器只增加阻尼，假设符合比例阻尼，增加结构阻尼器即可；粘弹性消能器既增加阻尼也增加刚度，增加阻尼比的同时，附加弹性本构；位移型阻尼器通过滞回耗能，对于金属消能器和摩擦消能器分别赋予双线性和理想弹塑性本构。消能器部分的刚度占层刚度的比例亦为优化特征之一，范围为0.3-0.7。图5(g)、(h)分别表示隔震支座和摇摆自复位柱脚的滞回模型。
图6为采用虚拟变量表示结构升级措施的示意图，例如本实施例中考虑6种结构升级方式，不同升级措施对用的措施值为“1”时表示采用，为“0”时则表示不采用，非结构构件升级措施同理。为考虑地震动的变异性，即不同地震动由于幅值、频谱、持时特征不同，会造成不同的结构响应，同时为保证选取的地震动记录适用于生成的位于不同场地的不同结构，选取大量与结构和场地无关的地震动进行动力增量分析(所有地震动记录从小到大调幅，直至结构发生倒塌)，获得层间位移角、残余层间位移角、层加速度等结构响应随地震强度的分布。此处亦可采用截断的动力增量分析(Truncated IDA，不必所有地震动都调幅至结构倒塌)或多条带分析(Multiple StripeAnalysis，MSA，在有限的地震强度下进行分析，不同地震强度可以选取不同的地震动记录集合)，以简化分析。
步骤B3、损伤分析：根据步骤B2获得的结构响应，进行易损性分析。本实施例中，损伤状态由轻至重可以分为：完好状态(ds＝0)、轻微损伤状态(ds＝1)、中度损伤状态(ds＝2)、严重损伤状态(ds＝3)、完全破坏状态(ds＝4)。各个损伤状态可以看作结构响应的连续函数，即存在四个阈值，划分不同的损伤状态。本实施例中的损伤状态阈值取值参考被广泛采用的FEMAP-58数据，考虑层间位移角影响结构构件、位移敏感型非结构构件损伤，以及层加速度影响到加速度敏感型非结构构件损伤，同时考虑层残余位移角大于0.5％时，结构损伤严重，此时，通常业主对建筑会选择拆除重建，认为所有构件处于完全破坏状态。
并且，损伤状态的评估可以是多层次的，例如建筑层次的评估基于所有楼层的最大响应，楼层层次的评估基于楼层的峰值响应，构件层次的评估或基于楼层的峰值响应或基于构件的局部响应，本实施例采用的是基于建筑层次的评估。由易损性曲线，可以获取不同地震强度下，结构处于不同损伤状态的概率，即P(ds＝i|im)，i＝0，1，…，4，如附图7所示。
步骤B4、损失分析：根据步骤B3获得的不同构件处于不同损伤状态概率，结合不同损伤状态对应的结果函数，进行损失分析。结果函数是指不同类型构件处于不同损伤状态，会造成的经济损失(修复或重置费用占重置费用的比例)、恢复时间(包括决策、筹备、修复时间等)、人员伤亡情况(伤亡人员数量、受伤率、死亡率)等，可表示为F(ds＝i)。
本实施例采用平均年损失作为韧性指标中的经济损失指标，图8示出了由经济损失年不超越概率曲线获韧性指标的方法，采用数值积分的方法，图8中划分了5个区间，每个区间表示20％的发生概率，取区间中位值代表区间内取值，则平均年损失为0.2×(0.07+0.13+0.18+0.23+0.29)＝0.18百万元，即18万元/年。本发明对韧性指标的取值方法不作限定，应根据实际情况自行设定，例如，业主可能对损失上限(可取90％不超越概率值)和下限(可取10％不超越概率值)或中位值(50％不超越概率值)感兴趣，则可以针对对应参数进行优化。对于是否采用升级措施，通过对损失减少到净现值和升级成本进行比较，判定大于0则可以采取升级措施。净现值计算公式为公式(3)：
Figure BDA0003590937830000211
其中，NPV表示净现值，A表示年平均损失减少值，i表示内部回报率，t表示建筑预计使用年限，i和t由业主决定。
例如，增加消能器的成本是50万元，升级后平均年经济损失从18万元降至5万元，建筑预计使用50年，则升级带来的损失减少净现值69万元大于升级成本50万元，则认为升级是合理的方案，若建筑预计使用10年，则升级带来的损失减少35万元小于升级成本50万元，则保持原抗震设计而不采用升级措施，但可能遭受大于升级成本的损失。计算公式请见公式(4)和(5)：
Figure BDA0003590937830000212
Figure BDA0003590937830000213
通过步骤B1-B4完成数据的收集，为消除特征量纲、绝对值大小带来的可能偏差，本实施例采用Min-Max标准化方法对其进行标准化处理，将原始特征转化为[0，1]区间内的无量纲量，表达式为公式(6)：
Figure BDA0003590937830000221
其中，x为原始特征值，x’为标准化的特征值。
基于标准化的数据集，获取可应用的机器学习模型。本发明涉及的机器学习主要指监督学习算法，即已知输入特征对应的输出特征作为数据标签。
需要说明的是，本发明不限定机器学习算法的具体类别，例如线性回归(LR)、支持向量回归(SVR)、多层感知机(MLP)、k近邻(KNN)、决策树(DT)以及极限梯度提升树(XGBoost)等算法均可作为机器学习模型算法进行训练与性能评价。
为比较各个算法的性能，本发明采用留出法对机器学习模型进行训练，例如将70％的数据作为训练集，30％的数据作为测试集，同时在训练集上通过k折交叉验证进行算法超参数的优化。性能度量可以选择均方根误差、平均绝对误差、可决系数等，择其优者进行部署应用。在应用场景中，可以更具地震危险性特征、建筑设计特征、结构设计特征和升级措施，快速给出韧性指标。
图9示出了本发明方法与传统的基于动力增量分析的建筑抗震韧性评估方法的对比图，可以看到传统的基于动力增量分析的建筑抗震韧性评估方法需要进行地震危险性分析、结构响应分析、损伤分析、损失分析才能获得韧性指标的年不超越概率曲线。在优化过程中，需要大量产生种群样本，并进行适应度评价即韧性评估，采用传统基于动力增量分析的建筑抗震韧性评估方法需要大量的建模分析，费时耗力，设计成本较高。而本发明提出的基于机器学习和优化算法的建筑抗震韧性初步设计方法采用预先训练的基于机器学习的建筑抗震韧性评估模型建立成本函数，将繁复的建模分析过程前置，在设计使用实际中提供高效的结构初步设计优化方案。
本发明提出了一种基于机器学习的建筑抗震韧性初步设计方法，通过建筑设计人员与业主进行沟通，确定业主的预期的结构抗震性能作为抗震韧性目标；获取待设计建筑所处的地理位置和地质条件，并提取地震危险性特征作为场地约束条件；获取待设计建筑的建筑设计模型，并提取建筑设计特征作为建筑设计约束条件；然后结构工程师指定可能的结构体系、强度、刚度、延性等结构设计特征范围，以及减震、隔震等结构升级措施、加强锚固等非结构升级措施，作为设计空间；然后构造优化问题，即在场地和建筑设计约束条件下，利用粒子群算法、遗传算法等优化算法在设计空间(即优化空间)内搜索建筑韧性指标与韧性目标差值最小(即成本函数)的初步设计方案；利用预先训练的基于机器学习的建筑抗震韧性评估模型，构建成本函数，加速优化算法，得到优化后的建筑抗震韧性优化模型。由此，能够根据已有的场地、建筑设计条件以及设计空间，综合考虑建筑地震后的功能可恢复性和全寿命周期成本，克服传统优化算法针对每一个个体样本均需要进行建模分析导致的优化效率低，成本高的问题，辅助结构工程师快速进行建筑抗震韧性初步设计，不仅能够实现对建筑抗震韧性进行快速评估，也能使建筑设计人员在结构初步设计阶段选取出满足抗震韧性目标的结构设计特征组合，还能够自动推荐满足预期抗震韧性目标的结构构件和非结构构件的升级措施，有效减少了结构设计完成后的迭代调整工作，提升了设计质量和设计效率。
实施例2
如图10所示，本实施例提供了一种基于机器学习的建筑抗震韧性初步设计系统，该系统采用实施例1中的基于机器学习的建筑抗震韧性初步设计方法，系统中各个模块的功能与实施例1方法各个步骤相同且一一对应，所述系统包括：
抗震韧性目标确定模块M1，用于获取待设计建筑的基本数据，并确定抗震韧性目标；所述基本数据包括所述待设计建筑的建筑设计模型、结构设计模型、地理位置信息以及地质条件信息；所述抗震韧性目标为所述待设计建筑的业主对所述待设计建筑的抗震性能的要求；
场地约束条件确定模块M2，用于根据所述地理位置信息和所述地质条件信息，提取所述待设计建筑的地震危险性特征，作为所述待设计建筑的场地约束条件；
建筑设计约束条件确定模块M3，用于根据所述建筑设计模型，提取所述待设计建筑的建筑设计特征，作为所述待设计建筑的建筑设计约束条件；
设计空间确定模块M4，用于根据所述建筑设计模型和所述结构设计模型，确定所述待设计建筑所有可用的结构设计特征以及所有可用的结构构件升级措施和非结构构件升级措施，作为所述待设计建筑的设计空间；
建筑抗震韧性优化模块M5，用于将所述抗震韧性目标、场地约束条件、建筑设计约束条件和设计空间输入到建筑抗震韧性优化模型中，输出满足所述抗震韧性目标的结构设计特征的组合以及结构构件升级措施和非结构构件升级措施；所述建筑抗震韧性优化模型为对训练好的建筑抗震韧性评估模型进行优化后得到的机器学习模型；所述训练好的建筑抗震韧性评估模型为以建筑的抗震韧性目标、场地约束条件、建筑设计约束条件和设计空间为输入，以建筑对应的韧性指标以及结构构件升级措施和非结构构件升级措施为输出训练得到的机器学习模型。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
容易理解的是，本发明实施例中提及到的建筑抗震设计规范GB50011-2010、中国国家标准GB/T38591-2020建筑抗震韧性评价标准等各种规范性文件，其中的年份仅仅是指实施例中当前采用的相应规范文件的修订年份，例如，建筑抗震设计规范GB50011-2010，其中2010指的是本发明采用的是建筑抗震设计规范GB50011的2010年修订版本。容易理解的是，各个规范文件可能会随着时间进行持续修订、更新，因此，相应的修订年份和版本不应作为对本发明保护范围的限定，本发明采用的各个规范文件可根据实际情况自行选择，均应以最新版本为准。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

Claims (10)

1.一种基于机器学习的建筑抗震韧性初步设计方法，其特征在于，所述方法包括：
获取待设计建筑的基本数据，并确定抗震韧性目标；所述基本数据包括所述待设计建筑的建筑设计模型、结构设计模型、地理位置信息以及地质条件信息；所述抗震韧性目标为所述待设计建筑的业主对所述待设计建筑的抗震性能的要求；
根据所述地理位置信息和所述地质条件信息，提取所述待设计建筑的地震危险性特征，作为所述待设计建筑的场地约束条件；
根据所述建筑设计模型，提取所述待设计建筑的建筑设计特征，作为所述待设计建筑的建筑设计约束条件；
根据所述建筑设计模型和所述结构设计模型，确定所述待设计建筑所有可用的结构设计特征以及所有可用的结构构件升级措施和非结构构件升级措施，作为所述待设计建筑的设计空间；
将所述抗震韧性目标、场地约束条件、建筑设计约束条件和设计空间输入到建筑抗震韧性优化模型中，输出满足所述抗震韧性目标的结构设计特征的组合以及结构构件升级措施和非结构构件升级措施；所述建筑抗震韧性优化模型为对训练好的建筑抗震韧性评估模型进行优化后得到的机器学习模型；所述训练好的建筑抗震韧性评估模型为以建筑的抗震韧性目标、场地约束条件、建筑设计约束条件和设计空间为输入，以建筑对应的韧性指标以及结构构件升级措施和非结构构件升级措施为输出训练得到的机器学习模型。
2.根据权利要求1所述的基于机器学习的建筑抗震韧性初步设计方法，其特征在于，所述获取待设计建筑的基本数据，并确定抗震韧性目标，具体包括：
获取所述待设计建筑的建筑设计模型、结构设计模型、地理位置信息以及地质条件信息；
根据所述待设计建筑的预期使用功能和预期使用年限以及韧性指标，确定所述抗震韧性目标；所述韧性指标包括所述待设计建筑倒塌后的人员伤亡、经济损失、恢复时间和韧性指数。
3.根据权利要求1所述的基于机器学习的建筑抗震韧性初步设计方法，其特征在于，所述根据所述地理位置信息和所述地质条件信息，提取所述待设计建筑的地震危险性特征，作为所述待设计建筑的场地约束条件，具体包括：
获取所述待设计建筑所处建筑场地的经纬度信息，并查询地震动参数区划图，获得所述待设计建筑的建筑场地对应的基本地震动峰值加速度值和基本地震动加速度反应谱特征周期值；
根据基本地震动峰值加速度值和基本地震动加速度反应谱特征周期值，确定所述待设计建筑的设计基本地震加速度和设计地震分组；
根据所述待设计建筑所处建筑场地对应的地质勘察报告，获得所述待设计建筑的建筑场地的土层等效剪切波速和场地覆盖层厚度；
根据土层等效剪切波速和场地覆盖层厚度，确定所述待设计建筑的场地类别；
根据设计地震分组和场地类别，确定所述待设计建筑的设计特征周期；
将设计基本地震加速度和设计特征周期作为所述待设计建筑的场地约束条件。
4.根据权利要求1所述的基于机器学习的建筑抗震韧性初步设计方法，其特征在于，所述根据所述建筑设计模型，提取所述待设计建筑的建筑设计特征，作为所述待设计建筑的建筑设计约束条件，具体包括：
根据所述待设计建筑的建筑设计模型的基本参数，确定所述待设计建筑的建筑类别和建筑层数；
将建筑类别和建筑层数作为所述待设计建筑的建筑设计约束条件。
5.根据权利要求1所述的基于机器学习的建筑抗震韧性初步设计方法，其特征在于，所述根据所述建筑设计模型和所述结构设计模型，确定所述待设计建筑所有可用的结构设计特征以及所有可用的结构构件升级措施和非结构构件升级措施，作为所述待设计建筑的设计空间，具体包括：
根据所述结构设计模型，提取所述待设计建筑的结构设计特征；所述结构设计特征包括结构材料与抗侧力体系、结构周期系数、结构屈服强度系数、结构极限强度系数和延性系数；
根据所述建筑设计模型，确定所述待设计建筑的抗震设防烈度、建筑类别和结构高度；
根据抗震设防烈度、建筑类别和结构高度，确定所述待设计建筑所有可用的结构材料与抗侧力体系，以及结构周期系数、结构屈服强度系数、结构极限强度系数和延性系数的取值范围；
根据所述待设计建筑的实际工程，确定所述待设计建筑所有可用的结构构件升级措施和非结构构件升级措施；
将所述待设计建筑所有可用的结构材料与抗侧力体系，结构周期系数、结构屈服强度系数、结构极限强度系数和延性系数的取值范围，以及所有可用的结构构件升级措施和非结构构件升级措施作为所述待设计建筑的设计空间。
6.根据权利要求5所述的基于机器学习的建筑抗震韧性初步设计方法，其特征在于，所述根据所述结构设计模型，提取所述待设计建筑的结构设计特征，具体包括：
根据所述待设计建筑的结构设计模型的基本参数，确定所述待设计建筑的构件材料与抗侧力体系以及构件材料、截面尺寸、楼层重力荷载代表值；
根据构件材料和截面尺寸，获得楼层抗侧刚度；
根据楼层重力荷载代表值，确定楼层地震质量；
对楼层地震质量和楼层抗侧刚度进行特征值分析，获得结构基本自振周期；
计算结构基本自振周期与所述待设计建筑的建筑层数的比值，得到结构周期系数；
根据构件材料和截面尺寸，获得楼层屈服强度；
采用底部剪力法或振型分解反应谱法计算得到所述待设计建筑的地震层剪力；
计算楼层屈服强度与地震层剪力的比值，得到结构屈服强度系数；
对所述待设计建筑的结构设计模型进行静力弹塑性分析，确定极限强度、结构峰值强度对应位移以及楼层屈服强度对应位移；
计算极限强度与楼层屈服强度的比值，得到结构极限强度系数；
计算结构峰值强度对应位移与楼层屈服强度对应位移的比值，得到延性系数。
7.根据权利要求1-6任一项所述的基于机器学习的建筑抗震韧性初步设计方法，其特征在于，所述结构构件升级措施包括采用速度型消能器、位移型消能器、橡胶支座、摩擦摆支座和/或功能可恢复构件；
所述非结构构件升级措施包括对各种非结构构件的锚固。
8.根据权利要求1所述的基于机器学习的建筑抗震韧性初步设计方法，其特征在于，在所述将所述抗震韧性目标、场地约束条件、建筑设计约束条件和设计空间输入到建筑抗震韧性优化模型中，输出满足所述抗震韧性目标的结构设计特征的组合以及结构构件升级措施和非结构构件升级措施的步骤之前，还包括以下步骤：
建立建筑抗震韧性评估模型，并对所述建筑抗震韧性评估模型进行训练，得到所述训练好的建筑抗震韧性评估模型；
采用优化算法对所述训练好的建筑抗震韧性评估模型进行优化，得到所述建筑抗震韧性优化模型。
9.根据权利要求8所述的基于机器学习的建筑抗震韧性初步设计方法，其特征在于，所述优化算法采用粒子群算法、线性回归算法、支持向量回归算法、多层感知机算法、k近邻算法、决策树算法或者极限梯度提升树算法。
10.一种基于机器学习的建筑抗震韧性初步设计系统，其特征在于，所述系统包括：
抗震韧性目标确定模块，用于获取待设计建筑的基本数据，并确定抗震韧性目标；所述基本数据包括所述待设计建筑的建筑设计模型、结构设计模型、地理位置信息以及地质条件信息；所述抗震韧性目标为所述待设计建筑的业主对所述待设计建筑的抗震性能的要求；
场地约束条件确定模块，用于根据所述地理位置信息和所述地质条件信息，提取所述待设计建筑的地震危险性特征，作为所述待设计建筑的场地约束条件；
建筑设计约束条件确定模块，用于根据所述建筑设计模型，提取所述待设计建筑的建筑设计特征，作为所述待设计建筑的建筑设计约束条件；
设计空间确定模块，用于根据所述建筑设计模型和所述结构设计模型，确定所述待设计建筑所有可用的结构设计特征以及所有可用的结构构件升级措施和非结构构件升级措施，作为所述待设计建筑的设计空间；
建筑抗震韧性优化模块，用于将所述抗震韧性目标、场地约束条件、建筑设计约束条件和设计空间输入到建筑抗震韧性优化模型中，输出满足所述抗震韧性目标的结构设计特征的组合以及结构构件升级措施和非结构构件升级措施；所述建筑抗震韧性优化模型为对训练好的建筑抗震韧性评估模型进行优化后得到的机器学习模型；所述训练好的建筑抗震韧性评估模型为以建筑的抗震韧性目标、场地约束条件、建筑设计约束条件和设计空间为输入，以建筑对应的韧性指标以及结构构件升级措施和非结构构件升级措施为输出训练得到的机器学习模型。
CN202210377910.6A 2022-04-12 2022-04-12 一种基于机器学习的建筑抗震韧性初步设计方法及系统 Active CN114741758B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210377910.6A CN114741758B (zh) 2022-04-12 2022-04-12 一种基于机器学习的建筑抗震韧性初步设计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210377910.6A CN114741758B (zh) 2022-04-12 2022-04-12 一种基于机器学习的建筑抗震韧性初步设计方法及系统

Publications (2)

Publication Number Publication Date
CN114741758A true CN114741758A (zh) 2022-07-12
CN114741758B CN114741758B (zh) 2024-04-05

Family

ID=82280744

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210377910.6A Active CN114741758B (zh) 2022-04-12 2022-04-12 一种基于机器学习的建筑抗震韧性初步设计方法及系统

Country Status (1)

Country Link
CN (1) CN114741758B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117251952A (zh) * 2023-09-08 2023-12-19 海南大学 基于多水准分级屈服阻尼器的减震结构的优化设计方法
CN117972437A (zh) * 2024-03-29 2024-05-03 四川省建筑设计研究院有限公司 针对复杂地形地质条件下的区域建筑震害预测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003132296A (ja) * 2001-10-29 2003-05-09 Mitsui Constr Co Ltd 建物の地震被害予測方法，それに用いる最適条件決定処理方法およびそれらのプログラム
CN112329376A (zh) * 2020-11-02 2021-02-05 同济大学 一种基于蒙特卡洛模拟的变电站系统抗震韧性量化评估算法
KR20210059554A (ko) * 2019-11-15 2021-05-25 한국건설기술연구원 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진 및 그 방법
CN113379105A (zh) * 2021-05-21 2021-09-10 浙江大学 一种基于人工智能的场地地震液化灾害快速估测方法
CN113435091A (zh) * 2021-06-29 2021-09-24 哈尔滨工业大学 一种快速评价城市建筑群桥梁群地震损伤的方法
CN114021236A (zh) * 2021-11-04 2022-02-08 哈尔滨工业大学 考虑子系统关联的城市地铁地下车站抗震韧性评估方法及设备
CN114239108A (zh) * 2021-12-17 2022-03-25 四川大学 基于监控物联网的城市建筑群震后损失分布计算方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003132296A (ja) * 2001-10-29 2003-05-09 Mitsui Constr Co Ltd 建物の地震被害予測方法，それに用いる最適条件決定処理方法およびそれらのプログラム
KR20210059554A (ko) * 2019-11-15 2021-05-25 한국건설기술연구원 건축물 내진성능 평가를 위한 초고속 데이터생성 엔진 및 그 방법
CN112329376A (zh) * 2020-11-02 2021-02-05 同济大学 一种基于蒙特卡洛模拟的变电站系统抗震韧性量化评估算法
CN113379105A (zh) * 2021-05-21 2021-09-10 浙江大学 一种基于人工智能的场地地震液化灾害快速估测方法
CN113435091A (zh) * 2021-06-29 2021-09-24 哈尔滨工业大学 一种快速评价城市建筑群桥梁群地震损伤的方法
CN114021236A (zh) * 2021-11-04 2022-02-08 哈尔滨工业大学 考虑子系统关联的城市地铁地下车站抗震韧性评估方法及设备
CN114239108A (zh) * 2021-12-17 2022-03-25 四川大学 基于监控物联网的城市建筑群震后损失分布计算方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SUJITH MANGALATHU等: "Regional Seismic Risk Assessment of Infrastructure Systems through Machine Learning: Active Learning Approach", 《ASCE》, 31 December 2020 (2020-12-31), pages 04020269 *
翟长海等: "城市抗震韧性评估研究进展", 《建筑结构学报》, vol. 39, no. 9, 30 September 2018 (2018-09-30), pages 1 - 9 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117251952A (zh) * 2023-09-08 2023-12-19 海南大学 基于多水准分级屈服阻尼器的减震结构的优化设计方法
CN117972437A (zh) * 2024-03-29 2024-05-03 四川省建筑设计研究院有限公司 针对复杂地形地质条件下的区域建筑震害预测方法及系统

Also Published As

Publication number Publication date
CN114741758B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
Calvi et al. Development of seismic vulnerability assessment methodologies over the past 30 years
CN114792020B (zh) 一种基于机器学习的建筑抗震韧性快速评估方法及系统
CN114741758B (zh) 一种基于机器学习的建筑抗震韧性初步设计方法及系统
Jough et al. Prediction of seismic collapse risk of steel moment frame mid-rise structures by meta-heuristic algorithms
Jalayer et al. Effects of two alternative representations of ground‐motion uncertainty on probabilistic seismic demand assessment of structures
Kaveh et al. Life-cycle cost optimization of steel moment-frame structures: performance-based seismic design approach
Degertekin et al. School-based optimization for performance-based optimum seismic design of steel frames
CN108256141A (zh) 一种基于Copula理论的主余震联合易损性分析方法
Li et al. Fast seismic response estimation of tall pier bridges based on deep learning techniques
Zhang et al. Seismic collapse risk assessment of super high‐rise buildings considering modeling uncertainty: A case study
Faravelli et al. Calibration of a mechanics-based method for large-scale vulnerability assessment
Kaveh et al. Optimization-based record selection approach to incremental dynamic analysis and estimation of fragility curves
Hu et al. Resilience-based seismic design optimization of highway RC bridges by response surface method and improved non-dominated sorting genetic algorithm
Noureldin et al. Machine learning-based seismic assessment of framed structures with soil-structure interaction
Kaveh et al. Damage-based optimization of large-scale steel structures
Noori et al. Smart cities to improve resilience of communities
Marasco et al. A new evolutionary polynomial regression technique to assess the fundamental periods of irregular buildings
Inzunza-Aragón et al. Use of artificial neural networks and response surface methodology for evaluating the reliability index of steel wind towers
Do et al. Sequential sampling approach to energy‐based multi‐objective design optimization of steel frames with correlated random parameters
Morais et al. Cyclic behaviour, dynamic analysis and seismic vulnerability of historical building archetypes in Hungary
Du et al. Surrogate model‐aided global sensitivity analysis framework for seismic consequences estimation in buildings
Sediek et al. Integrating household decisions in quantifying the seismic resilience of communities subjected to a sequence of earthquakes
Das et al. Wavelet-neural network based robust optimization of self-centering viscous damper for steel MR frame
Li Rapid stochastic response estimation of dynamic nonlinear structures: Innovative frameworks and applications
Babaei et al. Multi-objective Optimization Design of Buckling-Restrained Braced Frames Based on Performance Evaluation and Risk of Repair Cost and Time

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221009

Address after: 116024 Dalian University of Technology, 2 linggong Road, Ganjingzi District, Dalian, Liaoning

Applicant after: DALIAN University OF TECHNOLOGY

Address before: Room 313, No. 3, Gaoxin street, high tech Industrial Park, Dalian, Liaoning Province

Applicant before: Yunshengsheng security technology (Dalian) Co.,Ltd.

GR01 Patent grant
GR01 Patent grant