CN115544864A - 基于wgan的frp片材与混凝土界面粘结滑移模型生成方法 - Google Patents
基于wgan的frp片材与混凝土界面粘结滑移模型生成方法 Download PDFInfo
- Publication number
- CN115544864A CN115544864A CN202211128493.8A CN202211128493A CN115544864A CN 115544864 A CN115544864 A CN 115544864A CN 202211128493 A CN202211128493 A CN 202211128493A CN 115544864 A CN115544864 A CN 115544864A
- Authority
- CN
- China
- Prior art keywords
- wgan
- model
- data
- strain
- bonding
- 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.)
- Pending
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
- G06F30/27—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明提供了一种基于WGAN的FRP片材与混凝土界面粘结滑移模型生成方法,可以实现自动、快速、准确的获取粘结滑移模型,具有广阔的应用前景。在自动、快速的获取粘结滑移模型后,可以准确的反应FRP片材与混凝土之间的粘结性能,帮助建立安全可靠的加固构件设计计算方法。使用WGAN来对应变进行预测,可以简化训练流程,实现训练稳定。可代替传统实验分析来快速、准确建立粘结强度模型;通过使用LSTM作为WGAN模型的生成器,解决了RNN的梯度消失和爆炸问题,可更加准确地对与时间相关的应变数据进行预测;通过使用CNN作为WGAN模型的判别器,提高了生成样本的质量、收敛速度。
Description
技术领域
本发明属于FRP片材与混凝土界面粘结性能分析领域,特别是涉及一种基于 WGAN的FRP片材与混凝土界面粘结滑移模型生成方法,可应用于加固构件设 计。
背景技术
外贴FRP加固方法因其适用于侵蚀介质环境、材质轻盈、可用于加固复杂截 面结构等优点而被大量应用于钢筋混凝土结构的加固工程中。大量实验研究结果 表明,FRP与混凝土界面的过早剥离是导致外贴FRP加固结构破坏的关键因素。 因此,研究FRP与混凝土之间的界面粘结性能并建立表征界面剥离破坏行为的粘 结滑移模型对提高结构加固的可靠度具有重要的工程意义,同时可以帮助自动、 快速建立安全可靠的FRP加固构件设计计算方法。
发明内容
本发明提供了一种基于WGAN的FRP片材与混凝土界面粘结滑移模型生成 方法,可以实现自动、快速、准确的获取粘结滑移模型,具有广阔的应用前景。
本发明技术方案:
一种基于WGAN的FRP片材与混凝土界面粘结滑移模型生成方法,其特征在于, 包括:
步骤1,随位置变化的与之对应位置应变数据样本的采集,及训练集的预处 理方法;
步骤2,基于WGAN预测模型构建;
步骤3,对网络的训练和测试结果进行评价;
步骤4,对各位置在同一时刻下的预测应变数据与界面粘结滑移模型定义式 进行拟合,绘制粘结滑移模型中的各定义式对应的多条曲线,可应用于安全可靠 的加固构件设计。
所述的基于WGAN的FRP片材与混凝土界面粘结滑移模型生成方法,其特 征在于,步骤1:采用有限元软件LS-DYNA建模实现应变数据采集每两秒钟位 置与应变对应的数据,即平均应变ε;
同时,还选取五个参数,分别是混凝土的抗压强度fc、弹性模量Es、FRP板 的厚度tf、极限强度fs、屈服强度fd;
整理以上六个参数的数据内容,制作每个位置处对应的训练集和测试集。
所述的基于WGAN的FRP片材与混凝土界面粘结滑移模型生成方法,其特 征在于,步骤2:
在搭建WGAN模型时,选择使用LSTM网络作为生成器,CNN作为判别器; 其中,在生成器中采用滑窗的形式来进行预测,每30个时序数据预测后3个时 序的应变数据;将生成器生成的后3个时序对应的应变数据与真实的前30个时 序对应的应变数据组成假数据集和真实的33个时序对应的应变数据并同时传递 给判别器,由判别器鉴定真伪;
其中WGAN模型采用梯度惩罚来强制执行Lipschitz约束;
其中判别器采用的激活函数是Leaky Relu;
判别器损失函数的定义如下:
生成器损失函数的定义如下:
所述的基于WGAN的FRP片材与混凝土界面粘结滑移模型生成方法,其特 征在于,步骤3:采用均方根误差RMSE对网络的训练和测试结果进行评价。
所述的基于WGAN的FRP片材与混凝土界面粘结滑移模型生成方法,其特 征在于,粘结滑移模型中的各条曲线绘制方法:对各位置在同一时刻下的预测应 变数据与FRP应变随位置分布的公式(6)进行拟合得到其中的未知参数信息, 将得到的参数信息代入粘结滑移关系的各定义式(7)(8)(9)得到粘结滑移模 型中的各条曲线;
本发明的优点
本发明提出一种基于WGAN的FRP片材与混凝土界面粘结滑移模型生成方 法,具有以下优势:
一、使用WGAN来对应变进行预测,可以简化训练流程,实现训练稳定。 可代替传统实验分析来快速、准确建立粘结强度模型;
二、通过使用LSTM作为WGAN模型的生成器,解决了RNN的梯度消失和 爆炸问题,可更加准确地对与时间相关的应变数据进行预测;
三、通过使用CNN作为WGAN模型的判别器,提高了生成样本的质量、收 敛速度。
本发明技术的应用价值:
进一步应用:本发明在自动、快速的获取粘结滑移模型后,可以准确的反应 FRP片材与混凝土之间的粘结性能,帮助建立安全可靠的加固构件设计计算方法。
附图说明
图1为本发明的总体流程图;
图2为本发明的应变数据获取示意图;
图3为本发明的数据集格式及内容;
图4为WGAN模型的结构示意图;
图5(a)为本发明一实施例生成的滑移量随位置变化图;
图5(b)为本发明一实施例生成的粘结应力随位置变化图;
图5(c)为本发明一实施例生成的粘结滑移曲线图。
具体实施方式
其详细的流程如图1所示。详细步骤如下:
步骤1:使用有限元软件LS-DYNA对FRP片材和混凝土的粘结行为进行建 模来采集FRP片材的应变数据。通过仿真模拟,获取了加载后的一段时间范围之 内,每两秒钟位置与应变对应的数据。应变数据获取方式如图2所示。其中Pn 表示在FRP片材上等间距选取的各个点,在外荷载F的作用下,每隔两秒钟采集 各不同位置点处对应的应变数据ε。
将得到的每个位置上随时间变化的应变数据ε与混凝土的弹性模量Es、混凝 土的抗压强度fc、FRP的厚度tf、FRP的极限强度fs、FRP的屈服强度fd这五种参 数按照位置不同分别组合成多个数据集。数据集的格式及内容如图3所示。在每 个数据集中,按时序的前70%的数据作为训练集,后30%作为测试集。
步骤2:搭建基于WGAN的机器学习预测模型。WGAN的提出是为了解决 GAN训练不稳定的问题,使其不再需要仔细平衡生成器和判别器的训练程度。 而Wasserstein距离是WGAN解决这一问题的解决方案。所述Wasserstein距 离定义如下:
式(1)中,W(Pr,Pg)表示概率分布Pr与Pg的之间的距离,x和y表示两个维 度相同的随机变量,∏(Pr,Pg)表示Pr和Pg所有可能的联合概率分布,γ表示在 ∏(Pr,Pg)中任意一种联合概率分布,E(x,y)~γ[‖x-y‖]表示Pr和Pg距离的期望值, 表示这个期望值可以取的下界值。
在搭建WGAN模型时,其中选择使用LSTM网络作为生成器,CNN作为判 别器,其中WGAN模型的结构如图4所示。在生成器中采用滑窗的形式来进行 预测,每30个时序数据可以预测后3个时序的应变数据。将生成器生成的后3 个时序对应的应变数据与真实的前30个时序对应的应变数据组成的假数据集和 真实的33个时序对应的应变数据同时传递给判别器,由判别器鉴定真伪。判别 器采用的激活函数是Leaky Relu,其表达式如下:
本发明的WGAN采用梯度惩罚来强制执行Lipschitz约束。判别器损失函数 的定义如下:
生成器损失函数的定义如下:
步骤3:训练模型并得到预测的应变结果。使用每个位置对应的训练集对对 应的模型分别进行训练,再通过测试集获取每个位置处在对应时刻下的应变值。 同时采用均方根误差RMSE对网络的训练和测试结果进行评价,该均方根误差 RMSE定义为:
式(5)中,xi表示模型的预测值,yi表示数据的真实值,n表示样本数量。
步骤五:获取粘结滑移模型。将步骤3获取的应变值进行整理可以得到在某 一时刻下FRP片材各个位置处的应变值。将其代入到FRP应变随位置分布的公 式中可以得到参数α、β和d0,定义如下:
式(6)中,d表示观测点到加载端的距离,ε(d)表示观测点处的应变值。将 α、β和d0的值分别代入到滑移量随位置变化s(d)、粘结应力随位置变化τ(d)、 粘结应力随滑移量变化τ(s)的定义式中,即可得到FRP片材与混凝土界面间的粘 结滑移模型,其定义式分别如下:
式(7)(8)(9)中,Ef表示FRP片材的弹性模量,tf表示FRP片材的厚度, s表示FPR片材的滑移量,τ表示FRP片材与混凝土间的粘结应力。其对应的关系 图如图5(c)中所示,其中就包含了最常用于分析FRP与混凝土粘结界面性能 的粘结滑移曲线。步骤五中的计算和结果获取也均由代码实现自动分析。
Claims (5)
1.一种基于WGAN的FRP片材与混凝土界面粘结滑移模型生成方法,其特征在于,包括:
步骤1,随位置变化的与之对应位置应变数据样本的采集,及训练集的预处理方法;
步骤2,基于WGAN预测模型构建;
步骤3,对网络的训练和测试结果进行评价;
步骤4,对各位置在同一时刻下的预测应变数据与界面粘结滑移模型定义式进行拟合,绘制粘结滑移模型中的各定义式对应的多条曲线,可应用于安全可靠的加固构件设计。
2.根据权利要求1所述的基于WGAN的FRP片材与混凝土界面粘结滑移模型生成方法,其特征在于,步骤1:采用有限元软件LS-DYNA建模实现应变数据采集每两秒钟位置与应变对应的数据,即平均应变ε;
同时,还选取五个参数,分别是混凝土的抗压强度fc、弹性模量Es、FRP板的厚度tf、极限强度fs、屈服强度fd;
整理以上六个参数的数据内容,制作每个位置处对应的训练集和测试集。
3.根据权利要求1所述的基于WGAN的FRP片材与混凝土界面粘结滑移模型生成方法,其特征在于,步骤2:
在搭建WGAN模型时,选择使用LSTM网络作为生成器,CNN作为判别器;其中,在生成器中采用滑窗的形式来进行预测,每30个时序数据预测后3个时序的应变数据;将生成器生成的后3个时序对应的应变数据与真实的前30个时序对应的应变数据组成假数据集和真实的33个时序对应的应变数据并同时传递给判别器,由判别器鉴定真伪;
其中WGAN模型采用梯度惩罚来强制执行Lipschitz约束;
其中判别器采用的激活函数是Leaky Relu;
判别器损失函数的定义如下:
生成器损失函数的定义如下:
4.根据权利要求1所述的基于WGAN的FRP片材与混凝土界面粘结滑移模型生成方法,其特征在于,步骤3:采用均方根误差RMSE对网络的训练和测试结果进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211128493.8A CN115544864A (zh) | 2022-09-16 | 2022-09-16 | 基于wgan的frp片材与混凝土界面粘结滑移模型生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211128493.8A CN115544864A (zh) | 2022-09-16 | 2022-09-16 | 基于wgan的frp片材与混凝土界面粘结滑移模型生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115544864A true CN115544864A (zh) | 2022-12-30 |
Family
ID=84727652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211128493.8A Pending CN115544864A (zh) | 2022-09-16 | 2022-09-16 | 基于wgan的frp片材与混凝土界面粘结滑移模型生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115544864A (zh) |
-
2022
- 2022-09-16 CN CN202211128493.8A patent/CN115544864A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qi et al. | Prediction of mechanical properties of carbon fiber based on cross-scale FEM and machine learning | |
Ghaboussi et al. | Autoprogressive training of neural network constitutive models | |
Chang et al. | Learning to simulate and design for structural engineering | |
CN110472846A (zh) | 核电厂热工水力安全分析最佳估算加不确定性方法 | |
CN105842087A (zh) | 高温应力松弛数据转换为蠕变数据的设计预测方法 | |
CN107301282B (zh) | 基于多源监测时序数据的混凝土坝力学参数反演方法 | |
CN111209620B (zh) | 含裂纹结构剩余承载力及裂纹扩展路径的预测方法 | |
CN114117840B (zh) | 一种基于仿真和试验数据混合驱动的结构性能预测方法 | |
CN113378939B (zh) | 基于物理驱动神经网络的结构数字孪生建模与参数识别法 | |
CN112307536B (zh) | 一种大坝渗流参数反演方法 | |
CN114528666A (zh) | 一种基于多层级分布式协同代理模型的复杂结构系统可靠性方法 | |
CN104794332B (zh) | 一种高层建筑风致响应分析模型的不确定性分析方法 | |
Yuan et al. | Bayesian optimization for selecting efficient machine learning regressors to determine bond-slip model of FRP-to-concrete interface | |
Yin et al. | Practice of optimisation theory in geotechnical engineering | |
CN113011073B (zh) | 基于深度学习的一维复杂滞回关系构建与结构模拟方法 | |
CN108763164B (zh) | 煤与瓦斯突出反演相似度的评价方法 | |
CN109885875A (zh) | 一种涡轮叶片概率损伤容限分析方法 | |
CN117594164A (zh) | 基于数字孪生的金属结构剩余疲劳寿命计算评估方法、系统 | |
CN115544864A (zh) | 基于wgan的frp片材与混凝土界面粘结滑移模型生成方法 | |
CN110457746B (zh) | 基于bp神经网络的结构面峰值抗剪强度预测模型构建方法 | |
Feng et al. | Coupling recognition of the structure and parameters of non‐linear constitutive material models using hybrid evolutionary algorithms | |
Castagne et al. | Application of a damage model to an aluminum alloy | |
Moorthy et al. | Identification of delamination severity in a tapered FRP composite plate | |
CN110486009A (zh) | 一种无限大地层的参数自动反求方法及系统 | |
Evans et al. | Numerical modelling of small disc creep test |
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 |