CN115267883B - 地震响应预测模型训练及预测方法、系统、设备及介质 - Google Patents
地震响应预测模型训练及预测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN115267883B CN115267883B CN202210719373.9A CN202210719373A CN115267883B CN 115267883 B CN115267883 B CN 115267883B CN 202210719373 A CN202210719373 A CN 202210719373A CN 115267883 B CN115267883 B CN 115267883B
- Authority
- CN
- China
- Prior art keywords
- model
- response
- seismic
- structural
- section
- 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
Links
- 230000004044 response Effects 0.000 title claims abstract description 207
- 238000012549 training Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000033001 locomotion Effects 0.000 claims abstract description 106
- 230000001133 acceleration Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 239000002245 particle Substances 0.000 claims description 7
- 238000010008 shearing Methods 0.000 claims description 5
- 239000010410 layer Substances 0.000 description 25
- 238000010586 diagram Methods 0.000 description 10
- 230000035939 shock Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/01—Measuring or predicting earthquakes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/10—Aspects of acoustic signal generation or detection
- G01V2210/12—Signal generation
- G01V2210/123—Passive source, e.g. microseismics
- G01V2210/1232—Earthquakes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/65—Source localisation, e.g. faults, hypocenters or reservoirs
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种地震响应预测模型训练及预测方法、系统、设备及介质，其中训练方法包括：获取地震动样本集和结构模型样本集；利用地震动样本集中的地震动记录，对结构模型样本集中的结构模型进行弹塑性时程分析，得到结构模型在地震动记录下的响应；根据结构模型在地震动记录下的响应、对应的地震动记录和对应结构模型的结构特征，建立时序数据库；将时序数据库作为输入数据，以时序数据库中的初始响应、对应的初始段地震动记录和对应结构模型的结构特征训练启动模型，以时序数据库中的后续响应、对应的后续段地震动记录和对应结构模型的结构特征训练递推模型。本发明解决了不能一个预测模型预测不同结构地震时程响应的问题。
Description
技术领域
本发明涉及建筑结构地震响应预测技术领域，更具体地，涉及一种地震响应预测模型训练及预测方法、系统、设备及介质。
背景技术
我国是地震频发地区，结构的震害会造成严重的人员伤亡和巨大的经济损失。因此，准确预测结构在地震来临时的响应及结构的损坏情况是结构震害预测工作的重点。目前结构响应的获得主要通过建立精细化的有限元模型进行静力或动力弹塑性分析，国内外也逐渐形成了趋于完善的基于性能的抗震设计方法。然而，无论是精细的有限元模型还是以宏观单元为基础的有限元模型，都需要经过复杂的建模阶段和耗时巨大的计算过程。
随着机器学习的不断发展，近十年来大量学者开始研究基于机器学习的结构震损预测。目前主流的预测方法是将结构参数和地震动参数作为输入，把结构的震损指标作为输出。常用的算法如神经网络中的多层感知机、随机森林、支持向量机等。但是，此方法最大的缺陷是由于算法模型的缺陷，模型只能用于结构静态指标的预测，如最大层间位移角、基底剪力，而无法预测结构的动态反应过程。再者，通过建立地震动参数与结构响应指标之间的映射关系时，需要选定合理的输入参数，且选定的参数数量会对数据库的规模造成指数性的影响。因此由于结构和地震动的多样性，这种基于数据驱动的预测模型难以具有较高的普适性。
传统的时序预测方法用于结构时程响应预测时，难以预测弹塑性非线性问题。近两年来循环神经网络(Recurrent neural network，RNN)的不断发展，为预测结构的动态响应提供了可能，而长短期记忆(Long-Short Time Memory，LSTM)网络，作为RNN的一个变体，能够较好地改善原网络梯度消失和梯度爆炸等问题，因此被广泛使用于序列预测中。结构从弹性到弹塑性发展的过程，存在着一个递推的关系，因此响应历史对未来的响应是必然存在相关性的。LSTM网络通过历史时序数据作为输入，以此学习非线性变化关系，其运算过程可以类比Newmark-β法，比传统的前馈神经网络更加符合人的认知过程。因此，通过LSTM网络预测结构地震响应，一定程度上赋予了神经网络认知能力，使其不再处于“黑箱”阶段。
然而，现有的利用LSTM网络预测结构响应的研究存在一定局限：学者只围绕一个特定的结构建立时序数据库，用较为单一的网络结构搭建预测模型，因此预测模型也只能针对一个结构，无法推广到不同的结构。这种缺陷无法令结构时序预测实现真正的便利。
发明内容
本发明旨在克服上述现有技术的至少一种缺陷(不足)，提供一种地震响应预测模型训练及预测方法、系统、设备及介质，用于解决不能一个预测模型预测不同结构地震时程响应的问题。
本发明采取的技术方案是：
第一方面，本发明提供一种地震响应预测模型训练方法，包括：
获取地震动样本集和结构模型样本集，所述地震动样本集包括若干个不同的地震动记录，所述结构模型样本集包括若干个不同的结构模型；
利用所述地震动样本集中的地震动记录，对所述结构模型样本集中的结构模型进行弹塑性时程分析，得到所述结构模型在所述地震动记录下的时程响应；
根据所述结构模型在所述地震动记录下的时程响应、对应的所述地震动记录和对应所述结构模型的结构特征，建立时序数据库；
所述地震动记录包括初始段地震动记录和后续段地震动记录；所述时程响应包括所述结构模型在所述初始段地震动记录下的初始响应和在所述后续段地震动记录下的后续响应；
将所述时序数据库作为输入数据，以所述时序数据库中的所述初始响应、对应的所述初始段地震动记录和对应所述结构模型的结构特征训练启动模型，以所述时序数据库中的所述后续响应、对应的所述后续段地震动记录和对应所述结构模型的结构特征训练递推模型，所述启动模型和所述递推模型依次串联后用于预测待预测结构在待预测地震动下的时程响应。
可选地，获取地震动样本集，包括：
获取若干个不同地震波；
对所述地震波按照最大幅值调幅到峰值地面加速度值进行调幅；
将调幅后的所述地震波转化为弹性加速度谱；
采用聚类算法对所述弹性加速度谱进行聚类，形成若干个集群；
根据所述集群的数量按比例抽取若干个弹性加速度谱作为地震动样本集的地震动记录。
可选地，利用所述地震动样本集中的地震动记录，对所述结构模型样本集中的结构模型进行弹塑性时程分析，包括：
将所述结构模型样本集中的结构模型简化为多质点层剪切模型；
利用所述地震动样本集中的地震动记录，对简化后的所述结构模型进行弹塑性分析。
可选地，根据所述结构模型在所述地震动记录下的时程响应、对应的所述地震动记录和对应所述结构模型的结构特征，建立时序数据库，包括：
将所述结构模型在所述地震动记录下的时程响应和对应的所述地震动记录，以滑动窗口算法划分成若干个子序列；
将所述子序列和所述子序列分别对应的所述结构模型的结构特征，编码成TFRecord数据格式，形成时序数据库，所述结构特征包括所述结构模型的长、宽、高。
可选地，所述启动模型和所述递推模型采用LSTM网络的序列到序列结构。
第二方面，本发明提供一种地震响应预测方法，包括：
将待预测地震动划分为多段地震动子序列；
将待预测结构的结构特征和第一段地震动子序列输入采用如第一方面所述的地震响应预测模型训练方法训练出的启动模型，得到所述待预测结构在所述待预测地震动下的第一段结构响应；
将所述结构特征、第一段结构响应和第一段、第二段地震动子序列输入采用如第一方面所述的地震响应预测模型训练方法训练出的递推模型，得到所述待预测结构在所述待预测地震动下的第二段结构响应；
将第二段结构响应作为当前段结构响应、将第二段地震动子序列作为当前段地震动子序列，继续将所述结构特征、当前段结构响应和当前段、当前段的下一段地震动子序列输入所述递推模型，得到所述待预测结构在所述待预测地震动下的下一段结构响应，直至没有下一段地震动子序列为止，以预测出所述待预测结构在所述待预测地震动下的整段时程响应。
第三方面，本发明提供一种地震响应预测模型训练系统，包括；
样本集获取模块，用于获取地震动样本集和结构模型样本集，所述地震动样本集包括若干个不同的地震动记录，所述结构模型样本集包括若干个不同的结构模型；
时程分析模块，用于利用所述地震动样本集中的地震动记录，对所述结构模型样本集中的结构模型进行弹塑性时程分析，得到所述结构模型在所述地震动记录下的时程响应；
数据库建立模块，用于根据所述结构模型在所述地震动记录下的时程响应、对应的所述地震动记录和对应所述结构模型的结构特征，建立时序数据库；
所述地震动记录包括初始段地震动记录和后续段地震动记录；所述时程响应包括所述结构模型在所述初始段地震动记录下的初始响应和在所述后续段地震动记录下的后续响应；
模型训练模块，用于将所述时序数据库作为输入数据，以所述时序数据库中的所述初始响应、对应的所述初始段地震动记录和对应所述结构模型的结构特征训练启动模型，以所述时序数据库中的所述后续响应、对应的所述后续段地震动记录和对应所述结构模型的结构特征训练递推模型，所述启动模型和所述递推模型依次串联后用于预测待预测结构在待预测地震动下的时程响应。
第四方面，本发明提供一种地震响应预测系统，包括：
地震划分模块，用于将待预测地震动划分为多段地震动子序列；
初始预测模块，用于将待预测结构的结构特征和第一段地震动子序列输入采用如第三方面所述的地震响应预测模型训练系统训练出的启动模型，得到所述待预测结构在所述待预测地震动下的第一段结构响应；
递推预测模块，用于将所述结构特征、第一段结构响应和第一段、第二段地震动子序列输入采用如第三方面所述的地震响应预测模型训练系统训练出的递推模型，得到所述待预测结构在所述待预测地震动下的第二段响应；将第二段结构响应作为当前段结构响应、将第二段地震动子序列作为当前段地震动子序列，继续将所述结构特征、当前段结构响应和当前段、当前段的下一段地震动子序列输入所述递推模型，得到所述待预测结构在所述待预测地震动下的下一段结构响应，直至没有下一段地震动子序列为止，以预测出所述待预测结构在所述待预测地震动下的整段时程响应。
第五方面，本发明提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，所述处理器执行计算机程序时实现如第一方面所述的地震响应预测模型训练方法或如第二方面所述的地震响应预测方法。
第六方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的地震响应预测模型训练方法或如第二方面所述的地震响应预测方法。
与现有技术相比，本发明的有益效果为：采用地震动样本集和结构模型样本集，分别训练出用于启动模型和递推模型，以启动模型预测初始的结构响应，作为后续递推模型继续预测结构响应的启动步，不仅克服现有的利用深度学习进行结构时程响应预测的局限，实现对结构的非线性弹塑性时程响应进行预测，并能同时针对不同的结构进行预测，可为不同结构的快速地震损伤评估和不同结构的动态响应的快速获取提供参考依据和实现方法。
附图说明
图1为本发明实施例1地震响应预测模型训练方法的流程图。
图2为本发明实施例1多质点层剪切模型的层本构模型。
图3为本发明实施例1地震响应预测模型训练方法步骤S4的具体流程图。
图4为本发明实施例1利用滑动时间窗划分子序列的示意图。
图5为本发明实施例1序列到序列网络结构示意图。
图6为本发明实施例1启动模型的网络结构示意图。
图7为本发明实施例1递推模型的网络结构示意图。
图8为本发明实施例2地震响应预测方法的流程图。
图9为本发明实施例2不同待预测结构在待预测地震动下的时程响应预测结果。
图10为本发明实施例3地震响应预测模型训练系统的组成示意图。
图11为本发明实施例4地震响应预测系统的组成示意图。
具体实施方式
本发明附图仅用于示例性说明，不能理解为对本发明的限制。为了更好说明以下实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
实施例1
本实施例提供一种地震响应预测模型训练方法，可以训练出用来预测不同的结构在地震动下时程响应的模型。图1是本实施例地震响应预测模型训练方法的流程图，如图1所示，其包括以下步骤：
S1.获取地震动样本集和结构模型样本集；地震动样本集包括若干个不同的地震动记录，结构模型样本集包括若干个不同的结构模型。
地震动样本集和结构模型样本集是用来训练模型的数据样本。
对于地震动样本集，其获取步骤可以包括：
获取若干个不同地震波，若干个不同地震波可以从地震波库中筛选出来
对地震波按照最大幅值调幅到峰值地面加速度值(Peak Ground Acceleration，PGA)进行调幅；
将调幅后的地震波转化为弹性加速度谱；
采用聚类算法对弹性加速度谱进行聚类，形成若干个集群，在优选的实施方式中，聚类算法可以采用时序k均值聚类方法，根据肘部法将地震动划分为若干个集群；
根据集群的数量按比例抽取若干个弹性加速度谱作为地震动样本集的地震动记录。
对于结构模型样本集，其获取步骤可以包括：
获取贴限设计的若干个跨度、跨数、层数至少一个不同的结构模型，作为结构模型样本集的结构模型。
贴限设计是指根据设计规范贴近规范限值进行设计，所设计的结构模型构件截面富余度低。具体地，可以是将结构模型的弹性指标贴近规范限值进行设计。
所设计出来的结构模型跨度、跨数、层数至少一个不同，也即两个结构模型相互之间至少跨度不同，或者至少跨数不同，或者至少层数不同，以保证结构模型样本集中结构模型的多样性。可以理解的是，除了跨度、跨数、层数以外，还可以设计其他结构参数。
S2.利用地震动样本集中的地震动记录，对结构模型样本集中的结构模型进行弹塑性时程分析，得到结构模型在地震动记录下的时程响应。
具体实施过程中，为了节省弹塑性时程分析的成本，可以将结构模型样本集中的结构模型简化为多质点层剪切模型，利用地震动样本集中的地震动记录，对简化后的结构模型进行弹塑性时程分析。另外，为了减少人工操作的时间，可以编写程序实现批量化的弹塑性时程分析。
多质点层剪切模型的层本构参数可以从结构计算软件的弹性计算结果中得出，示例性地，层本构模型可以采用如图2所示，其中图2(a)为骨架曲线图，图2(b)为单参数滞回模型。经验证，多质点模型的弹塑性时程响应结果与真实结构相近。
S3.根据结构模型在地震动记录下的时程响应、对应的地震动记录和对应结构模型的结构特征，建立时序数据库。
步骤S2所得到的结构模型在地震动记录下的时程响应、对应的地震动记录，以及结构模型的结构特征，一起可以用来训练地震响应预测模型，因此在步骤S3中根据响应和结构特征建立时序数据库，便于在模型训练中进行输入。
结构模型的结构特征是指结构模型在结构上的一些特征参数，这些特征参数可以包括结构模型的长、宽、高等，还可以包括结构模型的跨度、跨数、层数等。
在建立时序数据库前，还可以对结构模型在地震动记录下的时程响应和对应的地震动记录进行对数处理，采取的对数处理公式可以具体如下：
上式中，y为处理后的数据，x为处理前的数据。
图3为本实施例地震响应预测模型训练方法步骤S4的具体步骤。如图3所示，步骤S3可以具体包括：
S31.将结构模型在地震动记录下的时程响应和对应的地震动记录，以滑动窗口算法划分成若干个子序列。
滑动窗口算法是指通过滑动时间窗，按照指定长度每次滑动若干个单位，将结构模型在地震动记录下的时程响应和对应的地震动记录划分成若干个子序列。图4将结构模型在地震动记录下的时程响应(具体为顶点位移响应)和对应的地震动记录(具体为地震动加速度)以滑动窗口算法进行划分子序列的示意图。如图4所示，指定长度的滑动窗口每次滑动20个单位，即T＝20，则完整的时程响应和对应的地震动记录将被划分成多条长度为20个时间步的子序列。
S32.将子序列和子序列分别对应的结构模型的结构特征，编码成TFRecord数据格式，形成时序数据库。
形成时序数据库时，采用深度学习框架Tensorflow中的TFRecord数据格式将若干个子序列及其对应的结构特征进行编码，TFRecord数据格式内部使用了Protocol Buffer二进制数据编码方案，只占用一个内存块，避免了后续每次模型训练时大型数据读取带来的时间慢、内存占用量大等问题。
在步骤S3中所建立的时序数据库里，地震动记录包括初始段地震动记录和后续段地震动记录，相应地，结构模型在所述地震动记录下的响应包括结构模型在初始段地震动记录下的初始响应和在后续段地震动记录下的后续响应。可以理解的是，后续段地震动记录包括多段地震动记录，是指出了初始段地震动记录以外的其他段地震动记录，初始段地震动记录和后续段地震动记录是整一段地震动记录划分出来的。
S4.将时序数据库作为输入数据，以时序数据库中的初始响应和对应结构模型的结构特征训练启动模型，以时序数据库中的后续响应和对应结构模型的结构特征训练递推模型，启动模型和递推模型依次串联后用于预测待预测结构在待预测地震动下的时程响应。
本实施例所要训练的地震响应预测模型的整体架构搭建，包括启动模型和递推模型。本实施例的总体预测目标为不同待预测结构在不同待预测地震动下的响应预测，因此在预测阶段需提供待预测结构的结构特征和待预测地震动。待预测地震动是含时间维度的三维数据，而待预测结构的结构特征为二维特征数据，两者的数据形状是不一样的，故需要克服多种输入数据形状的问题。
启动模型和递推模型均为时序预测模型。时序预测模型旨在通过历史数据递推未来数据，而待预测地震动在开始作用时，没有历史响应数据，因此建立启动模型，以得到初始的结构响应作为后续预测的启动步。递推模型主要通过学习历史数据来得到未来的响应数据。
启动模型和递推模型均可以采用LSTM网络的序列到序列结构(seq2seq)，其包含一个编码器，一个解码器，该结构如图5所示。图5中，h0为初始状态，一般为随机向量或0向量，h1至hn、h1′至hn′分别为编码器、解码器各时间步的隐状态，x1至xn、x1′至xn′分别为编码器、解码器的输入，c为潜在向量，y1至yn为输出。编码器利用LSTM网络捕捉历史的地震动记录和时程响应之间的关系，得到结构损伤累积的情况，用潜在向量c表示，传递给解码器作为初始状态。解码器利用要预测响应对应的待预测地震动作为输入，通过LSTM网络得到对应的时程响应。
图6是启动模型的网络结构。如图6所示，对于编码器，启动模型有两个处理输入数据的管道，一个管道用于处理含时间维度的三维时序数据，另一个管道用于处理二维数据(结构模型的结构特征)。两个管道经运算后经拼接层直接合并，此时这一层的数据已融合了初始段地震动记录和结构特征。随后经过重复向量层，拓展出时间维度并从解码器的全连接层4输出结果。
启动模型的训练过程中采用的损失函数可以为均方根误差(mse)，优化器可为Adam，激活函数可以为ReLU。
图7是递推模型的网络结构。如图7所示，对于编码器，递推模型也有两个处理输入数据的管道，一个管道用于处理含时间维度的三维数据(第n段地震动记录和对应的第n段响应)，另一个管道用于处理二维数据(结构模型的结构特征)。经拼接层合并后再到LSTM2层，得到从第n段地震动记录和对应的第n段响应中学习而来的状态变量(h，c)，实现对第n段地震动记录、第n段后续响应和结构特征抓取。对于解码器，其输入为第n+1段地震动加速度，LSTM3层的初始状态为编码器输出的状态向量(h，c)，经运算从全连接层3输出第n+1段的响应。
递推模型的训练过程中优化器可以为Adam，激活函数可以为tanh。
启动模型和递推模型的训练在达到损失函数值收敛及各项评估指标良好，则可认为模型训练良好。启动模型和递推模型依次串联后，形成完整的地震响应预测模型，实现对不同结构进行不同地震动下的实时响应预测。
对训练得出的启动模型进行测试集的评估，各指标的中位数如下：mase为0.75(上边缘为1.825)；mape为26％(上边缘为72％)；rmse为6.0E-5(上边缘为8.6E-4)；r2为0.94(下边缘为0.70)。从评估结果可见，模型预测精度较好。
对训练得出的递推模型进行评估，各指标的中位数如下：mase为1.4(上边缘为5.1)；mape为16％(上边缘为84％)；rmse为0.01(上边缘为0.05)；r2为0.90(下边缘为0.25)。从评估结果可见，模型预测精度良好。
实施例2
本实施例提供一种地震响应预测方法，用于预测待预测结构在待预测地震动下的响应。
图8是本实施例地震响应预测方法的流程图，如图8所示，其包括以下步骤：
将待预测地震动划分为多段地震动子序列；
将待预测结构的结构特征和第一段地震动子序列输入采用如实施例1的地震响应预测模型训练方法训练出的启动模型，得到待预测结构在待预测地震动下的第一段结构响应；
将结构特征、第一段结构响应和第一段、第二段地震动子序列输入采用如实施例1的地震响应预测模型训练方法训练出的递推模型，得到待预测结构在待预测地震动下的第二段结构响应；
将第二段结构响应作为当前段结构响应(第n段结构响应)、将第二段地震动子序列作为当前段地震动子序列(第n段地震动子序列)，继续将结构特征、当前段结构响应(第n段结构响应)和当前段、当前段的下一段地震动子序列(第n、n+1段地震动子序列)输入递推模型，得到待预测结构在待预测地震动下的下一段结构响应(第n+1段结构响应)，以此类推，直至没有下一段地震动子序列为止，以预测出待预测结构在待预测地震动下的整段时程响应。
优选地，在将待预测地震动划分为多段地震动子序列之前，可以对待预测地震动进行对数处理。
优选地，在将待预测结构的结构特征输入启动模型、递推模型之前，可以对结构特征进行归一化处理。
优选地，将第一段地震动子序列输入启动模型之前，可以将第一段地震动子序列进行映射到均匀分布的非线性处理。
以两个结构在某地震波下的顶点位移进行预测作为实例，图9为预测结果示意图。如图9(a)所示，结构1为3层框架结构，长24m，宽12m，高11.7m，其预测效果较好；如图9(b)所示，结构2为9层框架结构，长10m，宽12m，高33.3m，其预测效果也较好。
实施例3
本实施例提供一种地震响应预测模型训练系统，图10是地震响应预测模型训练系统的组成示意图，如图10所示，该系统包括；
样本集获取模块31，用于获取地震动样本集和结构模型样本集，地震动样本集包括若干个不同的地震动记录，结构模型样本集包括若干个不同的结构模型；
时程分析模块32，用于利用地震动样本集中的地震动记录，对结构模型样本集中的结构模型进行弹塑性时程分析，得到结构模型在地震动记录下的响应；
数据库建立模块33，用于根据结构模型在地震动记录下的响应、对应的地震动记录和对应结构模型的结构特征，建立时序数据库；
地震动记录包括初始段地震动记录和后续段地震动记录；响应包括结构模型在初始段地震动记录下的初始响应和在后续段地震动记录下的后续响应；
模型训练模块34，用于将时序数据库作为输入数据，以时序数据库中的初始响应、对应的初始段地震动记录和对应结构模型的结构特征训练启动模型，以时序数据库中的后续响应、对应的后续段地震动记录和对应结构模型的结构特征训练递推模型，启动模型和递推模型依次串联后用于预测待预测结构在待预测地震动下的响应。
样本集获取模块31用于获取地震动样本集，具体包括：样本集获取模块31用于对若干个不同地震波按照最大幅值调幅到峰值地面加速度值进行调幅；将调幅后的所述地震波转化为弹性加速度谱；采用聚类算法对所述弹性加速度谱进行聚类，形成若干个集群；根据所述集群的数量按比例抽取若干个弹性加速度谱作为地震动样本集的地震动记录。
样本集获取模块31用于获取结构模型样本集，具体包括：样本集获取模块31用于获取贴限设计的若干个跨度、跨数、层数至少一个不同的结构模型，作为结构模型样本集的结构模型。
时程分析模块32可以包括：
结构简化单元321，用于结构模型样本集中的结构模型简化为多质点层剪切模型；
简化分析单元322，用于利用地震动样本集中的地震动记录，对简化后的结构模型进行弹塑性时程分析，得到结构模型在地震动记录下的响应。
数据库建立模块33可以包括：
序列划分单元331，用于将结构模型在地震动记录下的响应和对应的地震动记录，以滑动窗口算法划分成若干个子序列；
数据编码单元332，用于将子序列和子序列分别对应的结构模型的结构特征，编码成TFRecord数据格式，形成时序数据库。
基于同一个发明构思，本实施例与实施例1相同或可同理的部分，在此不再赘述。
实施例4
本实施例提供一种地震响应预测系统，图11是地震响应预测系统系统的组成示意图，如图11所示，该系统包括：
地震划分模块41，用于将待预测地震动划分为多段地震动子序列；
初始预测模块42，用于将待预测结构的结构特征和第一段地震动子序列输入采用如实施例3的地震响应预测模型训练系统训练出的启动模型，得到待预测结构在待预测地震动下的第一段结构响应；
递推预测模块43，用于将结构特征、第一段结构响应和第一段、第二段地震动子序列输入采用如权利要求7的地震响应预测模型训练系统训练出的递推模型，得到待预测结构在待预测地震动下的第二段响应；将第二段结构响应作为当前段结构响应、将第二段地震动子序列作为当前段地震动子序列，继续将结构特征、当前段结构响应和当前段、当前段的下一段地震动子序列输入递推模型，得到待预测结构在待预测地震动下的下一段结构响应，直至没有下一段地震动子序列为止，以预测出待预测结构在待预测地震动下的整段时程响应。
基于同一个发明构思，本实施例与实施例2相同或可同理的部分，在此不再赘述。
实施例5
本实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现如实施例1的地震响应预测模型训练方法或如实施例2的地震响应预测方法。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如实施例1的地震响应预测模型训练方法或如实施例2的地震响应预测方法。
显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (9)
1.一种地震响应预测模型训练方法，其特征在于，包括：
获取地震动样本集和结构模型样本集，所述地震动样本集包括若干个不同的地震动记录，所述结构模型样本集包括若干个不同的结构模型；
利用所述地震动样本集中的地震动记录，对所述结构模型样本集中的结构模型进行弹塑性时程分析，得到所述结构模型在所述地震动记录下的时程响应；
根据所述结构模型在所述地震动记录下的时程响应、对应的所述地震动记录和对应所述结构模型的结构特征，建立时序数据库；
所述地震动记录包括初始段地震动记录和后续段地震动记录；所述时程响应包括所述结构模型在所述初始段地震动记录下的初始响应和在所述后续段地震动记录下的后续响应；
将所述时序数据库作为输入数据，以所述时序数据库中的所述初始响应、对应的所述初始段地震动记录和对应所述结构模型的结构特征训练启动模型，以所述时序数据库中的所述后续响应、对应的所述后续段地震动记录和对应所述结构模型的结构特征训练递推模型，所述启动模型和所述递推模型依次串联后用于预测待预测结构在待预测地震动下的时程响应；
所述启动模型和所述递推模型采用LSTM网络的序列到序列结构。
2.根据权利要求1所述的地震响应预测模型训练方法，其特征在于，获取地震动样本集，包括：
获取若干个不同地震波；
对所述地震波按照最大幅值调幅到峰值地面加速度值进行调幅；
将调幅后的所述地震波转化为弹性加速度谱；
采用聚类算法对所述弹性加速度谱进行聚类，形成若干个集群；
根据所述集群的数量按比例抽取若干个弹性加速度谱作为地震动样本集的地震动记录。
3.根据权利要求1所述的地震响应预测模型训练方法，其特征在于，利用所述地震动样本集中的地震动记录，对所述结构模型样本集中的结构模型进行弹塑性时程分析，包括：
将所述结构模型样本集中的结构模型简化为多质点层剪切模型；
利用所述地震动样本集中的地震动记录，对简化后的所述结构模型进行弹塑性分析。
4.根据权利要求3所述的地震响应预测模型训练方法，其特征在于，根据所述结构模型在所述地震动记录下的时程响应、对应的所述地震动记录和对应所述结构模型的结构特征，建立时序数据库，包括：
将所述结构模型在所述地震动记录下的时程响应和对应的所述地震动记录，以滑动窗口算法划分成若干个子序列；
将所述子序列和所述子序列分别对应的所述结构模型的结构特征，编码成TFRecord数据格式，形成时序数据库，所述结构特征包括所述结构模型的长、宽、高。
5.一种地震响应预测方法，其特征在于，包括：
将待预测地震动划分为多段地震动子序列；
将待预测结构的结构特征和第一段地震动子序列输入采用如权利要求1至4任一项所述的地震响应预测模型训练方法训练出的启动模型，得到所述待预测结构在所述待预测地震动下的第一段结构响应；
将所述结构特征、第一段结构响应和第一段、第二段地震动子序列输入采用如权利要求1至4任一项所述的地震响应预测模型训练方法训练出的递推模型，得到所述待预测结构在所述待预测地震动下的第二段结构响应；
将第二段结构响应作为当前段结构响应、将第二段地震动子序列作为当前段地震动子序列，继续将所述结构特征、当前段结构响应和当前段、当前段的下一段地震动子序列输入所述递推模型，得到所述待预测结构在所述待预测地震动下的下一段结构响应，直至没有下一段地震动子序列为止，以预测出所述待预测结构在所述待预测地震动下的整段时程响应；
所述启动模型和所述递推模型采用LSTM网络的序列到序列结构。
6.一种地震响应预测模型训练系统，其特征在于，包括；
样本集获取模块，用于获取地震动样本集和结构模型样本集，所述地震动样本集包括若干个不同的地震动记录，所述结构模型样本集包括若干个不同的结构模型；
时程分析模块，用于利用所述地震动样本集中的地震动记录，对所述结构模型样本集中的结构模型进行弹塑性时程分析，得到所述结构模型在所述地震动记录下的时程响应；
数据库建立模块，用于根据所述结构模型在所述地震动记录下的时程响应、对应的所述地震动记录和对应所述结构模型的结构特征，建立时序数据库；
所述地震动记录包括初始段地震动记录和后续段地震动记录；所述时程响应包括所述结构模型在所述初始段地震动记录下的初始响应和在所述后续段地震动记录下的后续响应；
模型训练模块，用于将所述时序数据库作为输入数据，以所述时序数据库中的所述初始响应、对应的所述初始段地震动记录和对应所述结构模型的结构特征训练启动模型，以所述时序数据库中的所述后续响应、对应的所述后续段地震动记录和对应所述结构模型的结构特征训练递推模型，所述启动模型和所述递推模型依次串联后用于预测待预测结构在待预测地震动下的时程响应；
所述启动模型和所述递推模型采用LSTM网络的序列到序列结构。
7.一种地震响应预测系统，其特征在于，包括：
地震划分模块，用于将待预测地震动划分为多段地震动子序列；
初始预测模块，用于将待预测结构的结构特征和第一段地震动子序列输入采用如权利要求6所述的地震响应预测模型训练系统训练出的启动模型，得到所述待预测结构在所述待预测地震动下的第一段结构响应；
递推预测模块，用于将所述结构特征、第一段结构响应和第一段、第二段地震动子序列输入采用如权利要求6所述的地震响应预测模型训练系统训练出的递推模型，得到所述待预测结构在所述待预测地震动下的第二段响应；将第二段结构响应作为当前段结构响应、将第二段地震动子序列作为当前段地震动子序列，继续将所述结构特征、当前段结构响应和当前段、当前段的下一段地震动子序列输入所述递推模型，得到所述待预测结构在所述待预测地震动下的下一段结构响应，直至没有下一段地震动子序列为止，以预测出所述待预测结构在所述待预测地震动下的整段时程响应。
8.一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，其特征在于，所述处理器执行计算机程序时实现如权利要求1至4任一项所述的地震响应预测模型训练方法或如权利要求5所述的地震响应预测方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的地震响应预测模型训练方法或如权利要求5所述的地震响应预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210719373.9A CN115267883B (zh) | 2022-06-23 | 2022-06-23 | 地震响应预测模型训练及预测方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210719373.9A CN115267883B (zh) | 2022-06-23 | 2022-06-23 | 地震响应预测模型训练及预测方法、系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115267883A CN115267883A (zh) | 2022-11-01 |
| CN115267883B true CN115267883B (zh) | 2023-08-29 |
Family
ID=83760977
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210719373.9A Active CN115267883B (zh) | 2022-06-23 | 2022-06-23 | 地震响应预测模型训练及预测方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115267883B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104656135A (zh) * | 2015-03-11 | 2015-05-27 | 中国电建集团北京勘测设计研究院有限公司 | 一种地震剪切波的准确判别方法和系统 |
| CN109063327A (zh) * | 2018-08-01 | 2018-12-21 | 清华大学 | 基于动力弹塑性和地面运动的地震破坏力评价方法及装置 |
| CN109613611A (zh) * | 2019-01-24 | 2019-04-12 | 河北工业大学 | 用于结构抗震时程分析的输入地震波的确定方法及系统 |
| CN109711110A (zh) * | 2019-02-26 | 2019-05-03 | 中国地质大学（北京） | 任一方向入射平面波激振边坡地震动响应模拟方法 |
| CN111580151A (zh) * | 2020-05-13 | 2020-08-25 | 浙江大学 | 一种基于SSNet模型的地震事件到时识别方法 |
| CN112699438A (zh) * | 2020-12-25 | 2021-04-23 | 中国地震局工程力学研究所 | 基于破坏强度的全球地震动定量排序的输入地震动选取方法 |
| CN113076591A (zh) * | 2021-04-30 | 2021-07-06 | 华南理工大学 | 基于模糊数学的建筑区域结构特征提取及震害预测方法 |
| US11143770B1 (en) * | 2020-05-28 | 2021-10-12 | Massachusetts Institute Of Technology | System and method for providing real-time prediction and mitigation of seismically-induced effects in complex systems |
| CN114117617A (zh) * | 2021-12-08 | 2022-03-01 | 哈尔滨工业大学 | 一种三跨内廊式rc框架建筑地震响应的快速预测方法 |
| WO2022048288A1 (zh) * | 2020-09-07 | 2022-03-10 | 中国石油化工股份有限公司 | 基于地质特征约束的储层参数预测方法、装置和存储介质 |
-
2022
- 2022-06-23 CN CN202210719373.9A patent/CN115267883B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104656135A (zh) * | 2015-03-11 | 2015-05-27 | 中国电建集团北京勘测设计研究院有限公司 | 一种地震剪切波的准确判别方法和系统 |
| CN109063327A (zh) * | 2018-08-01 | 2018-12-21 | 清华大学 | 基于动力弹塑性和地面运动的地震破坏力评价方法及装置 |
| CN109613611A (zh) * | 2019-01-24 | 2019-04-12 | 河北工业大学 | 用于结构抗震时程分析的输入地震波的确定方法及系统 |
| CN109711110A (zh) * | 2019-02-26 | 2019-05-03 | 中国地质大学（北京） | 任一方向入射平面波激振边坡地震动响应模拟方法 |
| CN111580151A (zh) * | 2020-05-13 | 2020-08-25 | 浙江大学 | 一种基于SSNet模型的地震事件到时识别方法 |
| US11143770B1 (en) * | 2020-05-28 | 2021-10-12 | Massachusetts Institute Of Technology | System and method for providing real-time prediction and mitigation of seismically-induced effects in complex systems |
| WO2022048288A1 (zh) * | 2020-09-07 | 2022-03-10 | 中国石油化工股份有限公司 | 基于地质特征约束的储层参数预测方法、装置和存储介质 |
| CN112699438A (zh) * | 2020-12-25 | 2021-04-23 | 中国地震局工程力学研究所 | 基于破坏强度的全球地震动定量排序的输入地震动选取方法 |
| CN113076591A (zh) * | 2021-04-30 | 2021-07-06 | 华南理工大学 | 基于模糊数学的建筑区域结构特征提取及震害预测方法 |
| CN114117617A (zh) * | 2021-12-08 | 2022-03-01 | 哈尔滨工业大学 | 一种三跨内廊式rc框架建筑地震响应的快速预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| Bracing configuration and seismic performance of reinforced concrete frame with brace;Shengfang Qiao等;Struct Design Tall Spec Build;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115267883A (zh) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun et al. | Review of bridge structural health monitoring aided by big data and artificial intelligence: From condition assessment to damage detection | |
| CN109614981B (zh) | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 | |
| CN111784041B (zh) | 一种基于图卷积神经网络的风电功率预测方法及系统 | |
| CN112381097A (zh) | 一种基于深度学习的场景语义分割方法 | |
| CN111950594A (zh) | 基于子图采样的大规模属性图上的无监督图表示学习方法和装置 | |
| CN113593611B (zh) | 语音分类网络训练方法、装置、计算设备及存储介质 | |
| CN110705525A (zh) | 一种诊断滚动轴承故障的方法及装置 | |
| CN113886181B (zh) | 应用于AIOps故障预警的动态阈值预测方法、设备及介质 | |
| CN116596151B (zh) | 基于时空图注意力的交通流量预测方法及计算设备 | |
| CN111832227A (zh) | 基于深度学习的页岩气饱和度确定方法、装置和设备 | |
| CN113988357A (zh) | 基于深度学习的高层建筑风致响应预测方法及装置 | |
| CN113627093A (zh) | 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法 | |
| CN115659254A (zh) | 一种双模态特征融合的配电网电能质量扰动分析方法 | |
| CN117077579A (zh) | 翼型流场预测方法、装置、设备及存储介质 | |
| CN115170874A (zh) | 一种基于解耦蒸馏损失的自蒸馏实现方法 | |
| CN117201122A (zh) | 基于视图级图对比学习的无监督属性网络异常检测方法及系统 | |
| CN113987910A (zh) | 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置 | |
| CN115267883B (zh) | 地震响应预测模型训练及预测方法、系统、设备及介质 | |
| CN117076931A (zh) | 一种基于条件扩散模型的时间序列数据预测方法和系统 | |
| CN111505706A (zh) | 基于深度T-Net网络的微地震P波初至拾取方法及装置 | |
| CN111242003A (zh) | 一种基于多尺度受约束自注意机制的视频显著性物体检测的方法 | |
| CN115829029A (zh) | 一种基于通道注意力的自蒸馏实现方法 | |
| Bosma et al. | Estimating solar and wind power production using computer vision deep learning techniques on weather maps | |
| CN113935458A (zh) | 基于卷积自编码深度学习的空气污染多站点联合预测方法 | |
| KR102340387B1 (ko) | 뇌 연결성 학습 방법 및 이를 위한 시스템 |
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 |