CN116186826A - 基于数据-力学耦合驱动图神经网络的隔震支座设计方法 - Google Patents
基于数据-力学耦合驱动图神经网络的隔震支座设计方法 Download PDFInfo
- Publication number
- CN116186826A CN116186826A CN202211516303.XA CN202211516303A CN116186826A CN 116186826 A CN116186826 A CN 116186826A CN 202211516303 A CN202211516303 A CN 202211516303A CN 116186826 A CN116186826 A CN 116186826A
- Authority
- CN
- China
- Prior art keywords
- support
- design
- data
- earthquake
- shock insulation
- 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
Links
- 238000013461 design Methods 0.000 title claims abstract description 250
- 230000035939 shock Effects 0.000 title claims abstract description 142
- 238000009413 insulation Methods 0.000 title claims abstract description 136
- 230000008878 coupling Effects 0.000 title claims abstract description 81
- 238000010168 coupling process Methods 0.000 title claims abstract description 81
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 44
- 238000002955 isolation Methods 0.000 claims abstract description 99
- 238000003062 neural network model Methods 0.000 claims abstract description 47
- 239000010410 layer Substances 0.000 claims description 85
- 230000006870 function Effects 0.000 claims description 60
- 238000001228 spectrum Methods 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 47
- 230000009471 action Effects 0.000 claims description 41
- 238000013016 damping Methods 0.000 claims description 30
- 238000010586 diagram Methods 0.000 claims description 29
- 238000010008 shearing Methods 0.000 claims description 19
- 230000005484 gravity Effects 0.000 claims description 17
- 238000006073 displacement reaction Methods 0.000 claims description 13
- 239000011229 interlayer Substances 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012886 linear function 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
- 238000011009 performance qualification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- 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
-
- 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
Abstract
本发明提供一种基于数据‑力学耦合驱动图神经网络的隔震支座设计方法,该方法包括:获取上部建筑结构设计数据和抗震设计条件;根据上部建筑结构设计数据和抗震设计条件,构造待输入图谱表示;将待输入图谱表示输入至预先训练的数据‑力学耦合驱动图神经网络模型,得到隔震支座设计图谱,隔震支座设计图谱以支座类型和支座直径为节点特征;根据隔震支座设计图谱,对隔震支座进行设计。该方法通过可同时学习数据特征和力学特征的数据‑力学耦合驱动图神经网络模型,进行经过力学约束的数据学习,能够有效掌握建筑结构隔震支座的准确设计,并提升建筑结构隔震支座智能设计的有效性和准确性。
Description
技术领域
本发明涉及土木工程结构设计与人工智能技术领域,尤其涉及一种基于数据-力学耦合驱动图神经网络的隔震支座设计方法。
背景技术
现有建筑结构隔震设计过程依赖人工经验,效率低,且目前隔震设计成果数据较少,既有设计数据和经验难以有效重复利用,因此,亟需开发在小数据样本情况下学习既有设计经验并生成新设计的智能设计方法。
基于深度卷积神经网络的建筑结构隔震智能设计方法虽然得到有效发展,但是将建筑和结构表达为稀疏特征矩阵数据,学习效果不佳,且难以有效学习力学特征。
发明内容
本发明提供一种基于数据-力学耦合驱动图神经网络的隔震支座设计方法,用以克服现有隔震设计方法无法同时有效学习建筑结构中的数据特征和力学特征,且单一类型数据特征的学习效果差的缺陷,实现更优的建筑结构隔震设计。
一方面,本发明通过一种基于数据-力学耦合驱动图神经网络的隔震支座设计方法,包括:获取上部建筑结构设计数据和抗震设计条件,所述上部建筑结构设计数据包括结构布置、节点坐标、支座节点反力,所述抗震设计条件包括设防烈度和特征周期;根据所述上部建筑结构设计数据和所述抗震设计条件,构造待输入图谱表示,所述待输入图谱表示以隔震支座布置位置为图谱节点,以上部建筑结构构件连接为图谱边,以节点坐标、支座节点反力、设防烈度和特征周期为节点特征;将所述待输入图谱表示输入至预先训练的数据-力学耦合驱动图神经网络模型,得到隔震支座设计图谱,所述隔震支座设计图谱以支座类型和支座直径为节点特征;根据所述隔震支座设计图谱,对隔震支座进行设计。
进一步地,所述数据-力学耦合驱动图神经网络模型的训练过程包括:获取上部建筑结构设计训练数据、抗震设防条件以及隔震层参数设计数据;根据所述上部建筑结构设计训练数据、所述抗震设防条件以及所述隔震层参数设计数据,构建上部建筑结构-隔震层设计图谱训练数据集;基于所述上部建筑结构-隔震层设计图谱训练数据集,通过数据损失函数和力学损失函数将所述数据-力学耦合驱动图神经网络模型训练至收敛;其中,所述上部建筑结构-隔震层设计图谱训练数据集包括输入图谱表示和输出图谱表示,所述输入图谱表示以隔震支座布置位置为图谱节点,以上部建筑结构构件连接为图谱边,以节点坐标、支座节点反力、设防烈度以及特征周期为设计特征,所述输出图谱表示以支座布置位置为图谱节点,以上部建筑结构构件连接为图谱边,以支座类型和支座直径为节点特征。
进一步地,所述获取上部建筑结构设计训练数据的步骤,之后包括:获取上部建筑结构的构件布置,以及构件对应的截面尺寸,并进行力学分析;基于力学分析结果,获取上部建筑结构底层隔震支座节点的支座节点反力,以及上部建筑结构底层结构构件的剪力。
进一步地,所述获取隔震层参数设计数据的步骤,之后包括:获取所述隔震层参数设计数据中的隔震支座类型、支座直径以及力学性能参数;根据所述隔震支座类型、所述支座直径以及所述力学性能参数,建立不同隔震支座类型、不同支座直径对应的力学性能参数回归公式;其中,所述力学性能参数包括等效阻尼和等效刚度。
进一步地,所述力学损失函数包括支座面压力学损失函数、减震系数的力学损失函数、隔震层变形的力学损失函数以及最大层间位移角的力学损失函数,其中,所述力学损失函数的公式如下:
其中,为支座面压力学损失函数,/>为减震系数的力学损失函数,为隔震层变形的力学损失函数,/>为最大层间位移角的力学损失函数;为对于图神经网络参数可微的损失函数;ωpress、ωreduce、ωdeform、ωdrift分别为各力学损失分项对应的权重值,pj为隔震支座面压,[pj]为隔震支座面压规范限值,rh为减震系数,[rh]为减震系数规范限值,uh为隔震层最大变形,[uh]为隔震层最大变形规范限值,θh为最大层间位移角,[θh]为最大层间位移角规范限值,n为隔震支座数量。
进一步地,所述隔震支座面压根据所述上部建筑结构底层隔震支座节点的支座节点反力与支座直径求解得到;所述减震系数根据隔震后上部建筑结构底层结构构件在中震作用下的剪力总和与未隔震上部建筑结构底层结构构件在中震作用下的剪力总和求解得到;所述隔震层最大变形根据隔震建筑对应的大震水平地震作用力与大震作用下隔震层的等效刚度求解得到。
进一步地,所述中震作用下的剪力总和的获取步骤如下:根据上部建筑结构底层隔震支座节点的支座节点反力求解得到竖向重力荷载,以及所述竖向重力荷载对应的结构质量;根据所述结构质量、中震作用下的等效刚度以及大震作用下的等效刚度,获取上部建筑结构的中震周期和大震周期;根据中震设计反应谱、所述上部建筑结构的中震周期以及中震等效阻尼,获取中震作用下的地震影响系数;根据所述中震作用下的地震影响系数与所述竖向重力荷载,得到中震作用下的剪力总和。
进一步地,所述隔震层最大变形的获取步骤如下:根据大震设计反应谱、所述建筑结构的大震周期以及大震等效阻尼,获取大震作用下的地震影响系数;根据所述大震作用下的地震影响系数与所述竖向重力荷载,得到对应的大震水平地震作用力;根据所述大震水平地震作用力与大震作用下隔震层的等效刚度,获取所述隔震层最大变形。
进一步地,所述数据损失函数基于生成特征与目标特征之间的差异构建。
进一步地,所述数据-力学耦合驱动图神经网络模型包括图神经网络和多层感知机。
第二方面,本发明还提供一种基于数据-力学耦合驱动图神经网络的隔震支座设计装置,包括:数据获取模块,用于获取上部建筑结构设计数据和抗震设计条件,所述上部建筑结构设计数据包括结构布置、节点坐标、支座节点反力,所述抗震设计条件包括设防烈度和特征周期;输入图谱表示构造模块,用于根据所述上部建筑结构设计数据和所述抗震设计条件,构造待输入图谱表示,所述待输入图谱表示以隔震支座布置位置为图谱节点,以上部建筑结构构件连接为图谱边,以节点坐标、支座节点反力、设防烈度和特征周期为节点特征;隔震支座设计图谱获取模块,用于将所述待输入图谱表示输入至预先训练的数据-力学耦合驱动图神经网络模型,得到隔震支座设计图谱,所述隔震支座设计图谱以支座类型和支座直径为节点特征;隔震支座设计模块,用于根据所述隔震支座设计图谱,对隔震支座进行设计。
第三方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述的基于数据-力学耦合驱动图神经网络的隔震支座设计方法。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述的基于数据-力学耦合驱动图神经网络的隔震支座设计方法。
本发明提供的一种基于数据-力学耦合驱动图神经网络的隔震支座设计方法,通过获取上部建筑结构设计数据和抗震设计条件,根据上部建筑结构设计数据和抗震设计条件构造待输入图谱表示,并将待输入图谱表示输入至预先训练好的数据-力学耦合驱动图神经网络模型中,以得到相应的隔震支座设计图谱,从而根据隔震支座设计图谱,完成对隔震支座的设计。该方法通过可同时学习数据特征和力学特征的数据-力学耦合驱动图神经网络模型,进行经过力学约束的数据学习,能够有效掌握建筑结构隔震支座的准确设计,并提升建筑结构隔震支座智能设计的有效性和准确性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作以简单地介绍,显而易见地,下面描述中的附图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。
图1为本发明提供的基于数据-力学耦合驱动图神经网络的隔震支座设计方法的流程示意图;
图2为本发明提供的上部建筑结构-隔震层设计图谱训练数据集的输入输出示意图;
图3为本发明提供的数据-力学耦合驱动图神经网络模型的结构示意图;
图4为本发明提供的用于训练数据-力学耦合驱动图神经网络模型的框架结构隔震设计数据示意图;
图5为本发明提供的不同隔震支座直径对应的力学性能参数回归公式示意图;
图6为本发明提供的数据-力学耦合驱动图神经网络模型的训练示意图;
图7为本发明提供的基于数据-力学耦合驱动图神经网络的隔震支座设计方法的整体流程示意图;
图8为本发明提供的基于数据-力学耦合驱动图神经网络的隔震支座设计装置的结构示意图;
图9为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
需要说明的是,基于深度卷积神经网络的建筑结构隔震智能设计方法虽然得到有效发展,但是其将建筑和结构表达为稀疏特征矩阵数据,学习效果不佳,且难以有效学习力学特征。
图神经网络则是一种数据特征稠密、可有效考虑不同节点和连接边特征聚合学习且输出特征向量结果可直接代表隔震设计结果的算法,与建筑结构隔震设计需求一致。
考虑及此,本发明提出了一种基于数据-力学耦合驱动图神经网络的隔震支座设计方法,其中的数据-力学耦合驱动图神经网络需要同时学习数据和力学特征,以保证设计结果的合理性。
具体地,图1示出了本发明所提供的基于数据-力学耦合驱动图神经网络的隔震支座设计方法的流程示意图。如图1所示,该方法包括:
S110,获取上部建筑结构设计数据和抗震设计条件,上部建筑结构设计数据包括结构布置、节点坐标、支座节点反力,抗震设计条件包括设防烈度和特征周期。
可以理解的是,进行隔震支座设计,首先需要获取待进行隔震支座设计的上部建筑结构设计数据和抗震设计条件。
其中,上部建筑结构设计数据包括建筑结构的结构布置、层质量、支座节点坐标、支座节点反力以及建筑结构构件的构件剪力。抗震设计条件包括设防烈度和特征周期。
S120,根据上部建筑结构设计数据和抗震设计条件,构造待输入图谱表示,待输入图谱表示以隔震支座布置位置为图谱节点,以上部建筑结构构件连接为图谱边,以节点坐标、支座节点反力、设防烈度和特征周期为节点特征。
可以理解的是,在步骤S110获取上部建筑结构设计数据和抗震设计条件的基础上,根据获取上部建筑结构设计数据和抗震设计条件,构造后续步骤中数据-力学耦合驱动图神经网络模型中的输入数据,即待输入图谱表示。
具体地,根据上部建筑结构的结构布置位置和支座节点反力,设计隔震支座布置位置,在待输入图谱表示中,图谱节点为隔震支座布置位置,图谱边为上部建筑结构中各构件的连接,此外,该待输入图谱表示的每个图谱节点都嵌有节点特征。
将上部建筑结构设计数据中节点坐标和支座节点反力,以及抗震设计条件中的设防烈度和特征周期分别进行归一化之后,表示为节点特征向量,作为节点特征嵌入待输入图谱表示中,得到用于输入数据-力学耦合驱动图神经网络模型的图谱表示。
S130,将待输入图谱表示输入至预先训练的数据-力学耦合驱动图神经网络模型,得到隔震支座设计图谱,隔震支座设计图谱以支座类型和支座直径为节点特征。
可以理解的是,在上述步骤S120构造待输入图谱表示的基础上,将待输入图谱表示输入至预先训练好的数据-力学耦合驱动图神经网络模型中,该数据-力学耦合驱动图神经网络模型能够同时提取待输入图谱表示中的数据特征和力学特征,并输出隔震支座设计图谱。
其中,隔震支座设计图谱同样包括图谱节点、图谱边以及节点特征,与待输入图谱表示不同的是,该隔震支座设计图谱以支座类型和支座直径作为节点特征。
数据-力学耦合驱动图神经网络模型通过构建的数据集训练得到,在一个具体的实施例中,该模型包括节点聚合边特征的图神经网络,以及结合节点特征输出的多层感知机。当然,该模型也可以为其他深度学习网络,在此不作具体限定。
S140,根据隔震支座设计图谱,对隔震支座进行设计。
可以理解的是,在上述步骤S130得到隔震支座设计图谱的基础上,进一步地,根据隔震支座设计图谱,对隔震支座进行设计。
具体地,提取隔震支座设计图谱中的隔震支座设计参数,并将其映射为真实隔震支座参数,以完成对隔震支座的设计,从而基于完成的隔震支座设计,得到隔震建筑结构。
需要说明的是,在得到隔震建筑结构后,还可以对其进行力学分析,以判断设计结果是否满足规范要求。
在本实施例中,通过获取上部建筑结构设计数据和抗震设计条件,根据上部建筑结构设计数据和抗震设计条件构造待输入图谱表示,并将待输入图谱表示输入至预先训练好的数据-力学耦合驱动图神经网络模型中,以得到相应的隔震支座设计图谱,从而根据隔震支座设计图谱,完成对隔震支座的设计。该方法通过可同时学习数据特征和力学特征的数据-力学耦合驱动图神经网络模型,进行经过力学约束的数据学习,能够有效掌握建筑结构隔震支座的准确设计,并提升建筑结构隔震支座智能设计的有效性和准确性。
在上述实施例的基础上,进一步地,上述数据-力学耦合驱动图神经网络模型的训练过程包括:获取上部建筑结构设计训练数据、抗震设防条件以及隔震层参数设计数据;根据上部建筑结构设计训练数据、抗震设防条件以及隔震层参数设计数据,构建上部建筑结构-隔震层设计图谱训练数据集;基于上部建筑结构-隔震层设计图谱训练数据集,通过数据损失函数和力学损失函数将所述数据-力学耦合驱动图神经网络模型训练至收敛。
可以理解的是,还包括对上述步骤S130中的数据-力学耦合驱动图神经网络模型进行训练,具体地,首先获取上部建筑结构设计训练数据、抗震设防条件以及隔震层参数设计数据,然后基于获取前述数据构建上部建筑结构-隔震层设计图谱训练数据集,并基于构建的数据集对数据-力学耦合驱动图神经网络模型进行训练,得到训练好的网络模型。
其中,上部建筑结构设计训练数据包括结构布置、层质量、节点反力以及构件剪力,抗震设防条件包括设防烈度以及特征周期,隔震层参数设计数据包括隔震支座的支座类型、支座直径以及力学性能参数。
另外,图2示出了本发明所提供的上部建筑结构-隔震层设计图谱训练数据集的输入输出示意图。如图2所示,上部建筑结构-隔震层设计图谱训练数据集包括输入图谱表示和输出图谱表示,输入图谱表示以隔震支座布置位置为图谱节点,以上部建筑结构构件连接为图谱边,以节点坐标、支座节点反力、设防烈度以及特征周期为设计特征,输出图谱表示以支座布置位置为图谱节点,以上部建筑结构构件连接为图谱边,以支座类型和支座直径为节点特征。
在一个具体的实施例中,可以将构建的上部建筑结构-隔震层设计图谱训练数据集随机划分为训练数据集和测试数据集,分别对数据-力学耦合驱动图神经网络模型进行训练和测试,以力学性能合格性作为评价指标,满足相应要求即可将该模型用于推理。
需要说明的是,在利用上部建筑结构-隔震层设计图谱训练数据集对数据-力学耦合驱动图神经网络模型进行训练的过程中,会同时适用力学损失函数和数据损失函数优化网络模型参数。
数据损失函数和力学损失函数加权求和即可得到整体的综合损失函数:
其中,λdata和λmech分别为数据损失函数和力学损失函数对应的权重。
还需要说明的是,在一个具体的实施例中,图3示出了本发明所提供的数据-力学耦合驱动图神经网络模型的结构示意图。如图3所示,数据-力学耦合驱动图神经网络模型包括节点聚合边特征的图神经网络,以及结合节点特征输出的多层感知机。
在训练过程中,图3中的输入图谱数据为上述输入图谱表示,输出图谱数据为上述输出图谱表示。在正式推理过程中,图3中的输入图谱数据为待输入图谱表示,输出图谱数据为隔震支座设计图谱。
获取上部建筑结构设计训练数据,可以通过获取框架结构隔震设计结果得到,具体地,图4示出了本发明所提供的用于训练数据-力学耦合驱动图神经网络模型的框架结构隔震设计数据示意图。如图4所示,具体包括框架结构隔震设计的3D视图,以及框架结构隔震设计的平面视图。
在获取上部建筑结构设计训练数据之后,还包括:获取上部建筑结构的构件布置,以及构件对应的截面尺寸,并进行力学分析;基于力学分析结果,获取上部建筑结构底层隔震支座节点的支座节点反力,以及上部建筑结构底层结构构件的剪力。
具体地,获取上部框架结构的梁柱布置、截面尺寸以及荷载布置,并建立对应的力学分析模型,分别开展竖向荷载作用下的分析、模态分析以及水平地震作用下的分析,得到力学分析结果,从而根据力学分析结果获取上部建筑结构底层隔震支座节点的支座节点反力,以及上部建筑结构底层结构构件的剪力。
在获取隔震层参数设计数据之后,还包括:获取隔震层参数设计数据中的隔震支座类型、支座直径以及力学性能参数;根据隔震支座类型、支座直径以及力学性能参数,建立不同隔震支座类型、不同支座直径对应的力学性能参数回归公式;其中,力学性能参数包括等效阻尼和等效刚度。
具体地,图5示出了本发明所提供的不同隔震支座直径对应的力学性能参数回归公式示意图。
如图5所示,隔震支座类型包括铅心橡胶支座和橡胶支座,横轴代表隔震支座直径,纵轴代表等效刚度。
其中,铅芯橡胶支座的等效刚度参数回归公式如下:
橡胶支座的等效刚度参数回归公式如下:
铅芯橡胶支座的等效阻尼公式如下:
在上述的基础上,可以基于建立的不同隔震支座类型、不同支座直径对应的力学性能参数回归公式,根据隔震支座类型和支座直径,即可求解相应的力学性能参数,即对应的等效阻尼和等效刚度。
在本实施例中,通过获取上部建筑结构设计训练数据、抗震设防条件以及隔震层参数设计数据,并基于前述数据构建上部建筑结构-隔震层设计图谱训练数据集,从而通过数据损失函数和力学损失函数将数据-力学耦合驱动图神经网络模型训练至收敛,训练好的数据-力学耦合驱动图神经网络模型可以同时学习数据特征和力学特征,进行经过力学约束的数据学习,能够有效掌握建筑结构隔震支座的准确设计,并提升建筑结构隔震支座智能设计的有效性和准确性。
在数据-力学耦合驱动图神经网络模型的训练过程中,使用到的损失函数包括数据损失函数和力学损失函数。
其中,数据损失函数基于生成特征与目标特征之间的差异构建,数据损失函数的计算公式如下:
其中,Goutput为生成特征,即输出图谱表示中所有节点的特征向量,Gtarget为目标特征,即目标图谱中对应节点的特征向量。
上述力学损失函数包括支座面压力学损失函数、减震系数的力学损失函数、隔震层变形的力学损失函数以及最大层间位移角的力学损失函数,其中,力学损失函数的公式如下:
其中,为支座面压力学损失函数,/>为减震系数的力学损失函数,为隔震层变形的力学损失函数,/>为最大层间位移角的力学损失函数;为对于图神经网络参数可微的损失函数;ωpress、ωreduce、ωdeform、ωdrift分别为各力学损失分项对应的权重值,pj为隔震支座面压,[pj]为隔震支座面压规范限值,rh为减震系数,[rh]为减震系数规范限值,uh为隔震层最大变形,[uh]为隔震层最大变形规范限值,θh为最大层间位移角,[θh]为最大层间位移角规范限值,n为隔震支座数量。
另外,ReLU为分段线性函数。
以下针对力学损失函数中各分项中相关参数的求解进行展开:
(1)上述隔震支座面压根据上部建筑结构底层隔震支座节点的支座节点反力与支座直径求解得到。
其中,上部建筑结构底层隔震支座节点的支座节点反力根据输入图谱表示得到,支座直径根据输出隔震支座图谱表示得到。
(2)上述减震系数根据隔震后上部建筑结构底层结构构件在中震作用下的剪力总和与未隔震上部建筑结构底层结构构件在中震作用下的剪力总和求解得到。
具体地,中震作用下的剪力总和的获取步骤,首先,根据上部建筑结构底层隔震支座节点的支座节点反力求解得到竖向重力荷载,以及所述竖向重力荷载对应的结构质量。
M=G/g
然后,根据所述结构质量、中震作用下的等效刚度以及大震作用下的等效刚度,获取上部建筑结构的中震周期和大震周期。
再者,根据中震设计反应谱、上部建筑结构的中震周期以及中震等效阻尼,获取中震作用下的地震影响系数。
具体地,根据上部建筑结构的中震周期以及中震等效阻尼,以及中震设计反应谱,由《建筑抗震设计规范》GB50011-2010求解得到中震作用下的地震影响系数,也即水平地震影响系数。
最后,根据中震作用下的地震影响系数与竖向重力荷载,得到中震作用下的剪力总和。
(3)上述隔震层最大变形根据隔震建筑对应的大震水平地震作用力与大震作用下隔震层的等效刚度求解得到。
具体地,隔震层最大变形的获取步骤,首先,根据大震设计反应谱、建筑结构的大震周期以及大震等效阻尼,获取大震作用下的地震影响系数。
具体地,根据上部建筑结构的大震周期以及大震等效阻尼,以及大震设计反应谱,由《建筑抗震设计规范》GB50011-2010求解得到大震作用下的地震影响系数。
其次,根据大震作用下的地震影响系数与竖向重力荷载,得到对应的大震水平地震作用力。
最后,根据大震水平地震作用力与大震作用下隔震层的等效刚度,获取隔震层最大变形。
需要说明的是,在所有框架结构隔震设计中,外圈的隔震支座采用铅芯橡胶支座(LRB),内圈隔震支座采用橡胶支座(NRB)。根据输出图谱表示中的支座类型特征和支座直径特征,由上文预先建立的等效刚度参数回归公式和等效阻尼参数回归公式/>映射得到隔震支座的等效刚度和等效阻尼。
其中,Ddim,j为隔震支座j的支座直径,j为隔震支座的支座标号。
根据上述,即可求得数据-力学耦合驱动图神经网络模型在训练过程中的力学损失和数据损失。
图6示出了本发明所提供的数据-力学耦合驱动图神经网络模型的训练示意图。如图6所示,将输入图谱数据即上文中的输入图谱表示,输入至数据-力学耦合驱动图神经网络模型中,该数据-力学耦合驱动图神经网络模型包括图神经网络和多层感知机,而后该模型输出图谱数据,即上文中的输出图谱表示,然后根据输出图谱数据和真值图谱数据求取数据损失,并通过进行力学性能计算,求取力学损失,然后同时利用力学损失和数据损失对网络模型的生成相似性和力学性能进行优化。
在本实施例中,基于生成特征与目标特征之间的差异构建数据损失函数,基于上部建筑结构底层隔震支座的隔震支座面压、减震系数、隔震层最大变形以及最大层间位移角,构建力学损失函数,在数据-力学耦合驱动图神经网络模型的训练过程中,同时适用力学损失函数和数据损失函数对网络模型的生成相似性和力学性能进行优化,使其能够有效掌握建筑结构隔震支座的准确设计,从而有效提升建筑结构隔震支座智能设计的有效性和准确性。
另外,图7示出了本发明所提供的基于数据-力学耦合驱动图神经网络的隔震支座设计方法的整体流程示意图。
首先,如图7中(a)所示,获取上部建筑结构设计数据,具体包括结构布置、层质量、节点反力以及构件剪力,以及抗震设计条件,具体包括设防烈度和特征周期。
然后,根据上部建筑结构设计数据和抗震设计条件,构造待输入图谱表示,该待输入图谱表示以隔震支座布置位置为图谱节点,以上部建筑结构构件连接为图谱边,以节点坐标、支座节点反力、设防烈度和特征周期为节点特征。
紧接着,将待输入图谱表示输入至数据-力学耦合驱动图神经网络模型中,以生成相应的隔震支座设计图谱,该隔震支座设计图谱以支座类型和支座直径为节点特征。
进一步地,如图7中(b)所示,提取隔震支座设计图谱中的隔震支座设计参数,并将其映射为真实隔震支座参数,以完成隔震支座设计。
最后,如图7中(c)所示,基于完成的隔震支座设计,得到隔震建筑结构,并开展力学分析,结果表明设计结果满足规范要求。
图8示出了本发明所提供的基于数据-力学耦合驱动图神经网络的隔震支座设计装置的结构示意图。如图8所示,该装置包括:数据获取模块810,用于获取上部建筑结构设计数据和抗震设计条件,上部建筑结构设计数据包括结构布置、节点坐标、支座节点反力,抗震设计条件包括设防烈度和特征周期;输入图谱表示构造模块820,用于根据上部建筑结构设计数据和抗震设计条件,构造待输入图谱表示,待输入图谱表示以隔震支座布置位置为图谱节点,以上部建筑结构构件连接为图谱边,以节点坐标、支座节点反力、设防烈度和特征周期为节点特征;隔震支座设计图谱获取模块830,用于将待输入图谱表示输入至预先训练的数据-力学耦合驱动图神经网络模型,得到隔震支座设计图谱,隔震支座设计图谱以支座类型和支座直径为节点特征;隔震支座设计模块840,用于根据隔震支座设计图谱,对隔震支座进行设计。
在本实施例中,通过数据获取模块810获取上部建筑结构设计数据和抗震设计条件,输入图谱表示构造模块820根据上部建筑结构设计数据和抗震设计条件构造待输入图谱表示,隔震支座设计图谱获取模块830将待输入图谱表示输入至预先训练好的数据-力学耦合驱动图神经网络模型中,以得到相应的隔震支座设计图谱,从而隔震支座设计图谱获取模块830根据隔震支座设计图谱,完成对隔震支座的设计。该装置通过可同时学习数据特征和力学特征的数据-力学耦合驱动图神经网络模型,进行经过力学约束的数据学习,能够有效掌握建筑结构隔震支座的准确设计,并提升建筑结构隔震支座智能设计的有效性和准确性。
本发明实施例所提供的基于数据-力学耦合驱动图神经网络的隔震支座设计装置,与上文描述的基于数据-力学耦合驱动图神经网络的隔震支座设计方法可相互对应参照,在此不再赘述。
图9示例了一种电子设备的实体结构示意图,如图9所示,该电子设备可以包括:处理器(processor)910、通信接口(communications Interface)920、存储器(memory)930和通信总线940,其中,处理器910,通信接口920,存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令,以执行基于数据-力学耦合驱动图神经网络的隔震支座设计方法,该方法包括:获取上部建筑结构设计数据和抗震设计条件,所述上部建筑结构设计数据包括结构布置、节点坐标、支座节点反力,所述抗震设计条件包括设防烈度和特征周期;根据所述上部建筑结构设计数据和所述抗震设计条件,构造待输入图谱表示,所述待输入图谱表示以隔震支座布置位置为图谱节点,以上部建筑结构构件连接为图谱边,以节点坐标、支座节点反力、设防烈度和特征周期为节点特征;将所述待输入图谱表示输入至预先训练的数据-力学耦合驱动图神经网络模型,得到隔震支座设计图谱,所述隔震支座设计图谱以支座类型和支座直径为节点特征;根据所述隔震支座设计图谱,对隔震支座进行设计。
此外,上述的存储器930中的逻辑指令可以通过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所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。
另一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于数据-力学耦合驱动图神经网络的隔震支座设计方法,该方法包括:获取上部建筑结构设计数据和抗震设计条件,所述上部建筑结构设计数据包括结构布置、节点坐标、支座节点反力,所述抗震设计条件包括设防烈度和特征周期;根据所述上部建筑结构设计数据和所述抗震设计条件,构造待输入图谱表示,所述待输入图谱表示以隔震支座布置位置为图谱节点,以上部建筑结构构件连接为图谱边,以节点坐标、支座节点反力、设防烈度和特征周期为节点特征;将所述待输入图谱表示输入至预先训练的数据-力学耦合驱动图神经网络模型,得到隔震支座设计图谱,所述隔震支座设计图谱以支座类型和支座直径为节点特征;根据所述隔震支座设计图谱,对隔震支座进行设计。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (13)
1.一种基于数据-力学耦合驱动图神经网络的隔震支座设计方法,其特征在于,包括:
获取上部建筑结构设计数据和抗震设计条件,所述上部建筑结构设计数据包括结构布置、节点坐标、支座节点反力,所述抗震设计条件包括设防烈度和特征周期;
根据所述上部建筑结构设计数据和所述抗震设计条件,构造待输入图谱表示,所述待输入图谱表示以隔震支座布置位置为图谱节点,以上部建筑结构构件连接为图谱边,以节点坐标、支座节点反力、设防烈度和特征周期为节点特征;
将所述待输入图谱表示输入至预先训练的数据-力学耦合驱动图神经网络模型,得到隔震支座设计图谱,所述隔震支座设计图谱以支座类型和支座直径为节点特征;
根据所述隔震支座设计图谱,对隔震支座进行设计。
2.根据权利要求1所述的基于数据-力学耦合驱动图神经网络的隔震支座设计方法,其特征在于,所述数据-力学耦合驱动图神经网络模型的训练过程包括:
获取上部建筑结构设计训练数据、抗震设防条件以及隔震层参数设计数据;
根据所述上部建筑结构设计训练数据、所述抗震设防条件以及所述隔震层参数设计数据,构建上部建筑结构-隔震层设计图谱训练数据集;
基于所述上部建筑结构-隔震层设计图谱训练数据集,通过数据损失函数和力学损失函数将所述数据-力学耦合驱动图神经网络模型训练至收敛;
其中,所述上部建筑结构-隔震层设计图谱训练数据集包括输入图谱表示和输出图谱表示,所述输入图谱表示以隔震支座布置位置为图谱节点,以上部建筑结构构件连接为图谱边,以节点坐标、支座节点反力、设防烈度以及特征周期为设计特征,所述输出图谱表示以支座布置位置为图谱节点,以上部建筑结构构件连接为图谱边,以支座类型和支座直径为节点特征。
3.根据权利要求2所述的基于数据-力学耦合驱动图神经网络的隔震支座设计方法,其特征在于,所述获取上部建筑结构设计训练数据的步骤,之后包括:
获取上部建筑结构的构件布置,以及构件对应的截面尺寸,并进行力学分析;
基于力学分析结果,获取上部建筑结构底层隔震支座节点的支座节点反力,以及上部建筑结构底层结构构件的剪力。
4.根据权利要求2所述的基于数据-力学耦合驱动图神经网络的隔震支座设计方法,其特征在于,所述获取隔震层参数设计数据的步骤,之后包括:
获取所述隔震层参数设计数据中的隔震支座类型、支座直径以及力学性能参数;
根据所述隔震支座类型、所述支座直径以及所述力学性能参数,建立不同隔震支座类型、不同支座直径对应的力学性能参数回归公式;
其中,所述力学性能参数包括等效阻尼和等效刚度。
5.根据权利要求2所述的基于数据-力学耦合驱动图神经网络的隔震支座设计方法,其特征在于,所述力学损失函数包括支座面压力学损失函数、减震系数的力学损失函数、隔震层变形的力学损失函数以及最大层间位移角的力学损失函数,其中,所述力学损失函数的公式如下:
6.根据权利要求5所述的基于数据-力学耦合驱动图神经网络的隔震支座设计方法,其特征在于,所述隔震支座面压根据所述上部建筑结构底层隔震支座节点的支座节点反力与支座直径求解得到;
所述减震系数根据隔震后上部建筑结构底层结构构件在中震作用下的剪力总和与未隔震上部建筑结构底层结构构件在中震作用下的剪力总和求解得到;
所述隔震层最大变形根据隔震建筑对应的大震水平地震作用力与大震作用下隔震层的等效刚度求解得到。
7.根据权利要求6所述的基于数据-力学耦合驱动图神经网络的隔震支座设计方法,其特征在于,所述中震作用下的剪力总和的获取步骤如下:
根据上部建筑结构底层隔震支座节点的支座节点反力求解得到竖向重力荷载,以及所述竖向重力荷载对应的结构质量;
根据所述结构质量、中震作用下的等效刚度以及大震作用下的等效刚度,获取上部建筑结构的中震周期和大震周期;
根据中震设计反应谱、所述上部建筑结构的中震周期以及中震等效阻尼,获取中震作用下的地震影响系数;
根据所述中震作用下的地震影响系数与所述竖向重力荷载,得到中震作用下的剪力总和。
8.根据权利要求7所述的基于数据-力学耦合驱动图神经网络的隔震支座设计方法,其特征在于,所述隔震层最大变形的获取步骤如下:
根据大震设计反应谱、所述建筑结构的大震周期以及大震等效阻尼,获取大震作用下的地震影响系数;
根据所述大震作用下的地震影响系数与所述竖向重力荷载,得到对应的大震水平地震作用力;
根据所述大震水平地震作用力与大震作用下隔震层的等效刚度,获取所述隔震层最大变形。
9.根据权利要求2所述的基于数据-力学耦合驱动图神经网络的隔震支座设计方法,其特征在于,所述数据损失函数基于生成特征与目标特征之间的差异构建。
10.根据权利要求2所述的基于数据-力学耦合驱动图神经网络的隔震支座设计方法,其特征在于,所述数据-力学耦合驱动图神经网络模型包括图神经网络和多层感知机。
11.一种基于数据-力学耦合驱动图神经网络的隔震支座设计装置,其特征在于,包括:
数据获取模块,用于获取上部建筑结构设计数据和抗震设计条件,所述上部建筑结构设计数据包括结构布置、节点坐标、支座节点反力,所述抗震设计条件包括设防烈度和特征周期;
输入图谱表示构造模块,用于根据所述上部建筑结构设计数据和所述抗震设计条件,构造待输入图谱表示,所述待输入图谱表示以隔震支座布置位置为图谱节点,以上部建筑结构构件连接为图谱边,以节点坐标、支座节点反力、设防烈度和特征周期为节点特征;
隔震支座设计图谱获取模块,用于将所述待输入图谱表示输入至预先训练的数据-力学耦合驱动图神经网络模型,得到隔震支座设计图谱,所述隔震支座设计图谱以支座类型和支座直径为节点特征;
隔震支座设计模块,用于根据所述隔震支座设计图谱,对隔震支座进行设计。
12.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至10任一项所述的基于数据-力学耦合驱动图神经网络的隔震支座设计方法的步骤。
13.一种非暂态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10任一项所述的基于数据-力学耦合驱动图神经网络的隔震支座设计方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211516303.XA CN116186826B (zh) | 2022-11-29 | 2022-11-29 | 基于数据-力学耦合驱动图神经网络的隔震支座设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211516303.XA CN116186826B (zh) | 2022-11-29 | 2022-11-29 | 基于数据-力学耦合驱动图神经网络的隔震支座设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116186826A true CN116186826A (zh) | 2023-05-30 |
CN116186826B CN116186826B (zh) | 2023-08-25 |
Family
ID=86444962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211516303.XA Active CN116186826B (zh) | 2022-11-29 | 2022-11-29 | 基于数据-力学耦合驱动图神经网络的隔震支座设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116186826B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094064A (zh) * | 2023-10-19 | 2023-11-21 | 西南交通大学 | 一种构件的布置参数计算方法、装置、设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08120973A (ja) * | 1994-10-19 | 1996-05-14 | Hideyuki Tada | 免震建築の設計方法及びこれを用いて建てられた特殊建 物 |
JP2002146718A (ja) * | 2000-11-10 | 2002-05-22 | Chodai Co Ltd | 構造物の耐震設計方法 |
CN101538951A (zh) * | 2009-04-17 | 2009-09-23 | 同济大学 | 整体悬挂隔震建筑结构 |
CN101586641A (zh) * | 2009-06-23 | 2009-11-25 | 武汉理工大学 | 自适应调节剪切性能的叠层型智能隔震支座 |
CN205296459U (zh) * | 2015-12-29 | 2016-06-08 | 浙江大学城市学院 | 一种隔震层节点结构 |
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 |
WO2022077587A1 (zh) * | 2020-10-14 | 2022-04-21 | 深圳大学 | 一种数据预测方法、装置及终端设备 |
CN114417465A (zh) * | 2021-12-31 | 2022-04-29 | 清华大学 | 基于深度学习的隔震结构生成方法及装置 |
CN114491740A (zh) * | 2021-12-31 | 2022-05-13 | 清华大学 | 物理与多模态数据驱动的建筑结构生成方法及设备 |
CN114880740A (zh) * | 2022-04-25 | 2022-08-09 | 清华大学 | 数据-力学-规则驱动的结构支撑智能化布置方法和装置 |
US20220261514A1 (en) * | 2020-05-08 | 2022-08-18 | Nasan Electric Industries Co., Ltd. | System of designing seismic isolation mount for protecting electrical equipment comprising switchboard and control panel |
CN115114694A (zh) * | 2021-03-17 | 2022-09-27 | 四川大学 | 一种基于现场动力测试的隔震结构减震性能评价方法 |
-
2022
- 2022-11-29 CN CN202211516303.XA patent/CN116186826B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08120973A (ja) * | 1994-10-19 | 1996-05-14 | Hideyuki Tada | 免震建築の設計方法及びこれを用いて建てられた特殊建 物 |
JP2002146718A (ja) * | 2000-11-10 | 2002-05-22 | Chodai Co Ltd | 構造物の耐震設計方法 |
CN101538951A (zh) * | 2009-04-17 | 2009-09-23 | 同济大学 | 整体悬挂隔震建筑结构 |
CN101586641A (zh) * | 2009-06-23 | 2009-11-25 | 武汉理工大学 | 自适应调节剪切性能的叠层型智能隔震支座 |
CN205296459U (zh) * | 2015-12-29 | 2016-06-08 | 浙江大学城市学院 | 一种隔震层节点结构 |
US20220261514A1 (en) * | 2020-05-08 | 2022-08-18 | Nasan Electric Industries Co., Ltd. | System of designing seismic isolation mount for protecting electrical equipment comprising switchboard and control panel |
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 |
WO2022077587A1 (zh) * | 2020-10-14 | 2022-04-21 | 深圳大学 | 一种数据预测方法、装置及终端设备 |
CN115114694A (zh) * | 2021-03-17 | 2022-09-27 | 四川大学 | 一种基于现场动力测试的隔震结构减震性能评价方法 |
CN114417465A (zh) * | 2021-12-31 | 2022-04-29 | 清华大学 | 基于深度学习的隔震结构生成方法及装置 |
CN114491740A (zh) * | 2021-12-31 | 2022-05-13 | 清华大学 | 物理与多模态数据驱动的建筑结构生成方法及设备 |
CN114880740A (zh) * | 2022-04-25 | 2022-08-09 | 清华大学 | 数据-力学-规则驱动的结构支撑智能化布置方法和装置 |
Non-Patent Citations (3)
Title |
---|
党育;张辙洵;李涌涛;谢鹏飞;: "基于概率统计方法的隔震结构可靠度", 工程力学, no. 11 * |
叶昆;骆江成;朱宏平;: "面向多级性能设防目标的铅芯橡胶隔震支座基础隔震结构优化设计及分析", 建筑结构学报, no. 10 * |
李慧;范萍萍;杜永峰;吴忠铁;: "基于BP神经网络的建筑结构隔震初步设计系统", 工程抗震与加固改造, no. 01 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094064A (zh) * | 2023-10-19 | 2023-11-21 | 西南交通大学 | 一种构件的布置参数计算方法、装置、设备及存储介质 |
CN117094064B (zh) * | 2023-10-19 | 2024-03-01 | 西南交通大学 | 一种构件的布置参数计算方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116186826B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023029432A1 (zh) | 物理-数据驱动的智能化剪力墙建筑结构设计方法和装置 | |
CN104484531B (zh) | 考虑多源不确定性的加筋板壳结构可靠度优化方法 | |
CN105787557A (zh) | 一种计算机智能识别的深层神经网络结构设计方法 | |
CN114491740B (zh) | 物理与多模态数据驱动的建筑结构生成方法及设备 | |
CN116186826B (zh) | 基于数据-力学耦合驱动图神经网络的隔震支座设计方法 | |
CN109871542B (zh) | 一种文本知识提取方法、装置、设备及存储介质 | |
CN107368891A (zh) | 一种深度学习模型的压缩方法和装置 | |
CN106203625A (zh) | 一种基于多重预训练的深层神经网络训练方法 | |
CN111488979B (zh) | 设备上持续学习用于分析输入数据的神经网络的方法及装置 | |
CN115577436B (zh) | 一种求解不确定结构风致振动响应的组合深度学习方法 | |
CN114417465B (zh) | 基于深度学习的隔震结构生成方法及装置 | |
CN115270635A (zh) | 贝叶斯-神经网络高层建筑地震需求与易损性预测方法 | |
CN114898121A (zh) | 基于图注意力网络的混凝土坝缺陷图像描述自动生成方法 | |
CN112541584A (zh) | 深度神经网络模型并行模式选择方法 | |
CN109740012A (zh) | 基于深度神经网络对图像语义进行理解和问答的方法 | |
CN115170874A (zh) | 一种基于解耦蒸馏损失的自蒸馏实现方法 | |
Fayaz et al. | Assessment of ground motion amplitude scaling using interpretable Gaussian process regression: Application to steel moment frames | |
CN116186825B (zh) | 基于图节点分类图神经网络的剪力墙设计方法和装置 | |
CN116186824B (zh) | 基于图像嵌入图神经网络模型的建筑结构布置方法 | |
CN116992733A (zh) | 一种基于数字孪生的导管架结构疲劳寿命在线预测方法 | |
CN114880740B (zh) | 数据-力学-规则驱动的结构支撑智能化布置方法和装置 | |
CN113177393B (zh) | 改进针对网页结构理解的预训练语言模型的方法和装置 | |
CN115829029A (zh) | 一种基于通道注意力的自蒸馏实现方法 | |
CN116150837B (zh) | 基于边特征预测图神经网络的剪力墙设计方法和装置 | |
CN115267883B (zh) | 地震响应预测模型训练及预测方法、系统、设备及介质 |
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 |