CN116305995B - 结构体系的非线性分析方法及装置、设备及介质 - Google Patents
结构体系的非线性分析方法及装置、设备及介质 Download PDFInfo
- Publication number
- CN116305995B CN116305995B CN202310317726.7A CN202310317726A CN116305995B CN 116305995 B CN116305995 B CN 116305995B CN 202310317726 A CN202310317726 A CN 202310317726A CN 116305995 B CN116305995 B CN 116305995B
- Authority
- CN
- China
- Prior art keywords
- data
- structural
- node
- target
- coding
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 claims abstract description 54
- 230000003068 static effect Effects 0.000 claims abstract description 53
- 230000008859 change Effects 0.000 claims abstract description 46
- 230000004044 response Effects 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims description 56
- 230000003416 augmentation Effects 0.000 claims description 52
- 230000006870 function Effects 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 26
- 238000003062 neural network model Methods 0.000 claims description 26
- 238000013136 deep learning model Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 13
- 239000002131 composite material Substances 0.000 claims description 10
- 230000003190 augmentative effect Effects 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 20
- 230000005284 excitation Effects 0.000 description 18
- 239000000463 material Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000002787 reinforcement Effects 0.000 description 6
- 229910000831 Steel Inorganic materials 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000004323 axial length Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001550 time effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种结构体系的非线性分析方法及装置、设备及介质。结构体系的非线性分析方法,包括:获取目标结构体系的结构数据表征;基于结构数据表征,按照指定数据格式构建目标结构体系的异构图数据;对异构图数据进行属性特征提取,得到目标结构体系的静态编码特征;基于目标结构体系所在工况的工况信息以及待观测时长,确定所述目标结构体系的动态变化特征;基于静态编码特征和动态变化特征,对目标结构体系进行非线性分析,确定目标结构体系的目标结构响应。通过本发明,使得到的结构响应更贴合目标结构体系在工况下使用时的真实情况,进而能够减少误差,使得到的结构响应更具有准确性。
Description
技术领域
本发明涉及建筑与基础设施结构技术领域,具体涉及一种结构体系的非线性分析方法及装置、设备及介质。
背景技术
随着信息革命的推进,“数字孪生”等信息化概念在土木工程领域得到大力推广,追求实现工程结构的实时仿真与动态更新。
相关技术中,结构体系非线性分析主要依赖于有限元技术为代表的经典数值方法。但该种非线性分析方法仅适用于已有本构模型的材料与结构,对于只有试验数据而缺少理论模型的新材料和新结构形式,直接套用既有模型进行分析,产生的结果误差较大。
因此,亟需一种更具有通用性的结构体系非线性分析方法,以提高对结构体系进行非线性分析的准确性。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中针对结构体系进行非线性分析结果误差大的缺陷,从而提供一种结构体系的非线性分析方法及装置、设备及介质。
根据第一方面,本发明实施方式提供一种结构体系的非线性分析方法,方法包括:获取目标结构体系的结构数据表征;基于结构数据表征,按照指定数据格式构建目标结构体系的异构图数据;对异构图数据进行属性特征提取,得到目标结构体系的静态编码特征;基于目标结构体系所在工况的工况信息以及待观测时长,确定所述目标结构体系的动态变化特征;基于静态编码特征和动态变化特征,对目标结构体系进行非线性分析,确定目标结构体系的目标结构响应。
在该方式中,通过获取目标结构体系的结构数据表征,能够明确目标结构体系中各构件的连接关系,进而使构建的异构图数据能够极大限度的还原结构体系的完整信息。结合通过异构图数据提取到的静态编码特征以及动态变化特征,对目标结构体系进行非线性分析,使得到的结构响应更贴合目标结构体系在工况下使用时的真实情况,进而能够减少误差,使得到的结构响应更具有准确性。
结合第一方面,在第一方面的第一实施例中,基于结构数据表征,按照指定数据格式构建目标结构体系的异构图数据,包括:从结构数据表征中确定目标结构体系的结构节点数据、构件节点数据以及邻接矩阵;根据结构节点数据以及结构节点数据对应结构节点的特征维度,得到第一张量,第一张量用于表征所述结构节点的节点特征;根据构件节点数据以及构件节点数据对应构件节点的特征维度,得到第二张量,第二张量用于表征构件节点的节点特征;根据第一张量、第二张量以及邻接矩阵,按照指定数据格式构建目标结构体系的异构图数据。
结合第一方面,在第一方面的第二实施例中,对异构图数据进行属性特征提取,得到目标结构体系的静态编码特征,包括:通过预先训练好的异构图神经网络模型对异构图数据进行属性特征提取,得到指定长度的特征编码张量;将特征编码张量作为目标结构体系的静态编码特征。
结合第一方面的第二实施例,在第一方面的第三实施例中,异构图数据包括:目标结构体系的结构节点数据以及构件节点数据;通过预置的异构图神经网络模型对异构图数据进行属性特征提取,得到指定长度的编码张量,包括:在异构图数据输入至异构图神经网络模型中,基于结构节点数据中结构节点的数量以及结构节点的属性数据,通过异构图神经网络模型内指定层数的异构图神经网络提取静态属性特征,得到结构节点编码长度为指定长度的第一编码张量;基于构件节点数据中构件节点的数量以及构件节点属性数据,按照指定长度提取构件节点的属性特征,得到构件节点编码长度为所述指定长度的第二编码张量;将第一编码张量和第二编码张量输出,得到特征编码张量。
结合第一方面,在第一方面的第四实施例中,基于目标结构体系所在工况的工况信息以及待观测时长,确定所述目标结构体系的动态变化特征,包括:将目标结构体系所在工况的工况信息以及待观测时长输入预先训练好的序列模型中,对工况在待观测时长下的动力过程进行分析,得到目标结构体系的动态变化特征。
结合第一方面的第四实施例,在第一方面的第五实施例中,工况信息包括工况环境发生改变时的变化加速度分量和/或施加在目标结构体系中每一个节点上的外荷载。
结合第一方面,在第一方面的第六实施例中,基于静态编码特征和动态变化特征,对目标结构体系进行非线性分析,确定目标结构体系的目标结构响应,包括:对静态编码特征进行第一增广处理,得到第一增广编码特征;对动态变化特征进行第二增广处理,得到第二增广编码特征,第二增广编码特征与第一增广编码特征的特征长度相同;将第一增广编码特征与第二增广编码特征拼接,得到复合增广编码特征;将复合增广编码特征输入预先训练好的非线性分析模型中进行非线性分析,得到目标结构体系的目标结构响应。
结合第一方面的第六实施例,在第一方面的第七实施例中,方法还包括:获取样本数据集,样本数据集包括多个结构体系的样本数据,样本数据包括对应结构体系的结构数据表征样本、指定目标结构体系的动态变化特征样本,以及对应结构体系在指定工况下的结构响应样本;对结构数据表征样本进行掩码处理,得到结构数据表征样本对应的结构掩码数据表征样本,以对结构数据表征样本对应的样本数据进行扩增处理,得到扩增样本数据;通过样本数据集以及每一个样本数据集对应的扩增样本数据,得到训练集和测试集;基于训练集和测试集对深度学习模型进行训练,得到非线性分析模型。
结合第一方面的第七实施例,在第一方面的第八实施例中,基于训练集和测试集对深度学习模型进行训练,得到非线性分析模型,包括:在通过训练集对深度学习模型进行训练的过程中,获取序列模型在利用动态变化特征样本训练时的第一损失函数值;获取深度学习模型当前的第二损失函数值;基于第一损失函数值和第二损失函数值之间的和值,对深度学习模型进行训练,得到非线性分析模型。
根据第二方面,本发明实施方式还提供一种结构体系的非线性分析装置,装置包括:第一获取单元,用于获取目标结构体系的结构数据表征;构建单元,用于基于结构数据表征,按照指定数据格式构建目标结构体系的异构图数据;第一提取单元,用于对异构图数据进行属性特征提取,得到目标结构体系的静态编码特征;第二提取单元,用于基于目标结构体系所在工况的工况信息以及待观测时长,确定所述目标结构体系的动态变化特征;分析单元,用于基于静态编码特征和动态变化特征,对目标结构体系进行非线性分析,确定目标结构体系的目标结构响应。
根据第三方面,本发明实施方式还提供一种电子设备,包括存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行第一方面及其可选实施方式中任一项的结构体系的非线性分析方法。
根据第四方面,本发明实施方式还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使计算机执行第一方面及其可选实施方式中任一项的结构体系的非线性分析方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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是根据一示例性实施例提出的一种结构体系的非线性分析方法的流程图。
图2是根据一示例性实施例提出的一种目标结构体系的结构示意图。
图3是根据一示例性实施例提出的一种异构图神经网络模型结构的结构示意图。
图4是根据一示例性实施例提出的一种序列模型的结构示意图。
图5是根据一示例性实施例提出的一种非线性分析模型的训练方法的流程图。
图6是根据一示例性实施例提出的一种数据划分的流程图。
图7是根据一示例性实施例提出的另一种非线性分析模型的训练方法的流程图。
图8是根据一示例性实施例提出的一种结构体系的非线性分析装置的结构框图。
图9是根据一示例性实施例提出的一种电子设备的硬件结构示意图。
具体实施方式
下面将结合附图对本发明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。
相关技术中,结构体系非线性分析主要依赖于有限元技术为代表的经典数值方法。但该种非线性分析方法仅适用于已有本构模型的材料与结构,对于只有试验数据而缺少理论模型的新材料和新结构形式,直接套用既有模型进行分析,产生的结果误差较大。
为解决上述问题,本发明实施例中提供一种结构体系的非线性分析方法,用于电子设备中,需要说明的是,其执行主体可以是结构体系的非线性分析装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为电子设备的部分或者全部,其中,该电子设备可以是终端或客户端或服务器,服务器可以是一台服务器,也可以为由多台服务器组成的服务器集群,本申请实施例中的终端可以是智能手机、个人电脑、平板电脑、可穿戴设备以及智能机器人等其他智能硬件设备。下述方法实施例中,均以执行主体是电子设备为例来进行说明。
在本发明提供的结构体系的非线性分析方法中,适用于针对覆盖各类材料的框架、剪力墙、大跨网架等各类常见工程结构体系进行非线性分析的应用场景。
在本发明提供的结构体系的非线性分析方法中,包括:获取目标结构体系的结构数据表征;基于结构数据表征,按照指定数据格式构建目标结构体系的异构图数据;对异构图数据进行属性特征提取,得到目标结构体系的静态编码特征;基于目标结构体系所在工况的工况信息以及待观测时长,确定所述目标结构体系的动态变化特征;基于静态编码特征和动态变化特征,对目标结构体系进行非线性分析,确定目标结构体系的目标结构响应。通过本发明,能够通过获取目标结构体系的结构数据表征,明确目标结构体系中各构件的连接关系,进而使构建的异构图数据能够极大限度的还原结构体系的完整信息。结合通过异构图数据提取到的静态编码特征以及动态变化特征,对目标结构体系进行非线性分析,使得到的结构响应更贴合目标结构体系在工况下使用时的真实情况,进而能够减少误差,使得到的结构响应更具有准确性。
图1是根据一示例性实施例提出的一种结构体系的非线性分析方法的流程图。如图1所示,结构体系的非线性分析方法包括如下步骤S101至步骤S105。
在步骤S101中,获取目标结构体系的结构数据表征。
在本发明实施例中,为便于确定目标结构体系中各构件之间的拓扑连接关系以及内部构件信息,则将该目标结构体系的结构数据表征进行获取,以明确该目标结构体系所涉及的多种节点类型的节点、各个节点的属性信息以及各个构件之间的连接关系。
其中,多种节点类型包括结构节点和构件节点。结构节点用于表征结构体系中的几何节点,例如,结构节点可以是几何节点,结构节点包括但不限于以下节点:梁柱连接处,剪力墙角点。构件节点包括但不限于以下节点:梁构件节点、柱构件节点、剪力墙构件节点。梁构件节点用于表征结构体系中的梁构件(水平构件)。柱构件节点用于表征结构体系中的柱构件(竖向构件)。剪力墙构件节点用于表征结构体系中的单层剪力墙构件(包含边框梁柱)等。各个构件之间的连接关系可以采用邻接矩阵进行表示。
在一实施场景中,结合图2所示的平面结构(目标结构体系),得到的邻接矩阵的表达式可以如下:
其中,a~j分别表示该平面结构中的各个构件,0~11分别表示该平面结构中包括的各个几何节点。其中,在图2中,b和c所对应的构件为剪力墙。
在步骤S102中,基于结构数据表征,按照指定数据格式构建目标结构体系的异构图数据。
在本发明实施例中,为便于后续进行分析,则从结构数据表征中确定各类节点的节点特征以及各构件之间的连接关系,并按照指定数据格式构建目标结构体系的异构图数据,以通过异构图数据极大还原目标结构体系的完整信息,进而后续提取目标结构体系的静态编码特征时,能够提高特征提取的效率和准确性。
并且,采用指定数据格式构建异构图数据,有助于对结构数据表征中的各个数据进行针对性整合,使得到的异构图数据具有唯一性。
在步骤S103中,对异构图数据进行属性特征提取,得到目标结构体系的静态编码特征。
在本发明实施例中,为便于分析工况对目标结构体系的影响,则对异构图数据进行属性特征提取,以将目标结构体系的静态特征抽象化表征,进而得到目标结构体系的静态编码特征。
在一实施场景中,静态编码特征的表达式可以如下:
其中,C′是各类节点(包括结构节点和构件节点)的静态编码特征的输出维度,N是对应节点类型的节点数量。
在步骤S104中,基于目标结构体系所在工况的工况信息以及待观测时长,确定所述目标结构体系的动态变化特征。
在本发明实施例中,为分析在待观测时长内目标结构体系所在工况对目标结构体系所产生的影响,则基于目标结构体系所在工况的工况信息以及待观测时长,确定所述目标结构体系的动态变化特征,以确定目标结构体系在该待观测时长下的动态激励。例如:动态变化特征可以包括地震动、风荷载、潮汐荷载等具有时间效应的动态特征。
在步骤S105中,基于静态编码特征和动态变化特征,对目标结构体系进行非线性分析,确定目标结构体系的目标结构响应。
在本发明实施例中,基于静态编码特征和动态变化特征,对目标结构体系进行非线性分析,能够充分考虑工况环境对目标结构体系所产生的影响,进而使得到的结构响应更合理,更贴合该目标结构体系在真实工况环境下进行使用时结构响应,更具有准确性。
通过上述实施例,能够通过获取目标结构体系的结构数据表征,明确目标结构体系中各构件的连接关系,进而使构建的异构图数据能够极大限度的还原结构体系的完整信息,从而后续进行非线性分析时,可以不受结构体系的结构类型限制,能够保障非线性分析结果的有效性以及通用性。并且,结合动态变化特征对目标结构体系进行非线性分析,能够使确定的结构响应更贴合目标结构体系在工况下使用时的真实情况,进而能够减少误差,使得到的结构响应更具有准确性。
并且,当目标结构体系所在工况的工况信息发生改变时,也能够快速确定目标结构体系的目标结构响应,提高确定效率。
在一实施例中,为提高特征提取有效性和准确性,则在构建异构图数据的过程中,先从结构数据表征中确定目标结构体系的结构节点数据、构件节点数据以及邻接矩阵。其中,结构节点数据包括但不限于对应结构节点的属性数据,例如,属性数据可以包括对应结构节点的坐标数据以及位置数据。构件节点数据包括但不限于对应构件的材料数据和节点属性信息。
根据结构节点数据以及结构节点数据对应结构节点的特征维度,得到第一张量。第一张量用于表征结构节点的节点特征。根据构件节点数据以及构件节点数据对应构件节点的特征维度,得到第二张量。第二张量用于表征构件节点的节点特征。
在一实施场景中,异构图数据的指定数据格式可以如下:
G=(Vn,Vb,Vc,Vs,A);
其中,Vn用于表示该目标结构体系中结构节点的结构节点特征,Vb用于表示该目标结构体系中梁的构件节点特征,Vc用于表示该目标结构体系中柱的构件节点特征,Vs用于表示该目标结构体系中剪力墙的构件节点特征,A用于表示该目标结构体系的邻接矩阵。
为确定各个节点的节点特征,则将第一张量和第二张量均采用二维张量的形式进行表达。以结构节点为例,第一张量的表达方式如下:
Vn=tensor([Nn,Cn]),
其中,N表示该类节点数,C表示该类节点的特征维度,下标n表示该节点为结构节点(例如:几何节点)。tensor([A,B])表示A×B形状的张量。
构件节点的第二张量与第一张量的表达形式相同,在此不再进行重复赘述。其中,若构件节点为梁节点,则下角标采用b表示。若构件节点为柱节点,则下角标采用c表示。若构件节点为剪力墙节点,则下角标采用s表示。
具体地,若结构节点为几何节点,则Vn为(x,y,z,n),Cn=4。x,y,z为结构节点的空间三维坐标,n表示当前结构节点在目标结构体系中的楼层数(若该结构节点为地面节点,则设n为0)。
若构件节点为梁节点,则Vb为(dx,dy,dz,L,E,A,Ix,Iy,rx,ry,rs),Cb=11。其中,dx为梁在x轴上的方向向量,dy为梁在y轴上的方向向量,dz为梁在z轴上的方向向量,坐标系基于梁的轴线方向进行确定。L为梁的轴线长度。E为截面平均弹性模量。A为梁的截面计算面积。Ix为梁在x轴方向上的惯性矩。Iy梁在y轴方向上的惯性矩。rx为梁截面在x轴方向上的配筋率,ry为梁截面在y轴方向上的配筋率,rs为梁截面的等效配箍率。在一实施场景中,若梁的材料为钢,则rx、ry与rs均取值为1.0。
若构件节点为柱节点,则Vc为(dx,dy,dz,L,E,A,Ix,Iy,rx,ry,rs),Cc=11。其中,dx为柱在x轴上的方向向量,dy为柱在y轴上的方向向量,dz为柱在z轴上的方向向量,坐标系基于柱的轴线方向进行确定。L为柱的轴线长度。E为截面平均弹性模量。A为柱的截面计算面积。Ix为柱在x轴方向上的惯性矩。Iy柱在y轴方向上的惯性矩。rx为柱截面在x轴方向上的配筋率,ry为柱截面在y轴方向上的配筋率,rs为柱截面的等效配箍率。在一实施场景中,若柱的材料为钢,则rx、ry与rs均取值为1.0。
若构件节点为剪力墙节点,则Vs为(dx,dy,dz,L,b,t,E,A,Ix,Iy,rx,ry,rsh,rsv,Vbs,Vcs),Cs=16。其中,dx为剪切墙在x轴上的方向向量,dy为剪切墙在y轴上的方向向量,dz为剪切墙在z轴上的方向向量,坐标系基于剪切墙垂直平面的法方向确定。L为剪切墙的计算高度,E为截面平均弹性模量,A为剪切墙的截面计算面积,Ix为剪切墙在x轴方向上的惯性矩,Iy剪切墙在y轴方向上的惯性矩。rx为剪切墙截面在x轴方向上的配筋率,ry为剪切墙截面在y轴方向上的配筋率,rs为剪切墙截面的等效配箍率。在一实施场景中,若剪切墙的材料为钢,则rx、ry与rs均取值为1.0。rsh为剪切墙在水平方向上的配箍率。rsv为剪切墙在垂直方向上的配箍率。Vbs,Vcs为剪切墙的边框梁柱编号。
需注意,第一张量和第二张量中所涉及的特征参数可以根据用户的使用需求进行设定,在本发明中不进行限定。
根据第一张量、第二张量以及邻接矩阵,按照指定数据格式构建目标结构体系的异构图数据,进而使得到的异构图数据能够充分体现目标结构体系的完整信息。
以下实施例将具体说明提取静态编码特征的过程。
在本发明中,通过预先训练好的异构图神经网络模型(Heterogeneous GraphNetwork,HGN)对异构图数据进行属性特征提取,得到指定长度的特征编码张量,进而将特征编码张量作为目标结构体系的静态编码特征。其中,异构图神经网络模型可以理解为是专门用于对结构体系的异构图数据进行属性特征提取的神经网络模型。
在异构图神经网络模型中,可以根据输入的异构图数据对目标结构体系中的各类节点进行综合分析,确定各类节点与非线性分析相关的关键属性,进而进行针对性提取,并将得到的属性特征按照指定长度进行编码,从而得到指定长度的特征编码张量,以便后续进行非线性分析时,能够减少计算量的同时,能够保障分析结果的准确性。
在一实施例中,异构图数据包括目标结构体系的结构节点数据以及构件节点数据。为得到指定长度的编码张量,在异构图数据输入至异构图神经网络模型中,基于结构节点数据中结构节点的数量以及结构节点的属性数据,通过异构图神经网络模型内指定层数的异构图神经网络提取静态属性特征,以充分考虑结构节点对目标结构体系中各体系层次的影响,从而将提取的静态属性特征进行编码,得到结构节点编码长度为指定长度的第一编码张量。其中,异构图神经网络的指定层数可以基于常见结构体系的拓扑特征进行确定。基于构件节点数据中构件节点的数量以及构件节点属性数据,通过指定层数的异构图神经网络提取静态属性特征,以充分考虑构件节点对目标结构体系中各体系层次的影响,从而将提取的静态属性特征进行编码,得到所述构件节点编码长度为所述指定长度的第二编码张量。将第一编码张量和第二编码张量输出,得到特征编码张量,以通过特征编码张量表达目标结构体系的静态特征。
在一实施场景中,异构图神经网络模型还包括聚类函数和信息传递函数。通过聚类函数和信息传递函数,可以从接收到的异构图数据中,对各类节点的信息进行综合分析。其中,聚类函数可以包括求和操作。信息传递函数可以采用前馈神经网络进行代替。在一例中,为避免过度分析,则前馈神经网络内网络单元层数可以基于常见结构体系的拓扑特征进行确定。优选地,网络单元层数为3。
在另一实施场景中,结合图3所示的异构图神经网络模型结构,可以采用3层的异构图神经网络在对结构节点或者构件节点进行静态属性特征提取。其中,每一层的异构图神经网络均可以采用下述公式进行表达:
其中,k表示当前异构图神经网络的层数。
最终输出的第一编码张量或者第二编码张量可以采用下述公式进行表示:
C′表示编码张量的指定长度。e表示对应提取的子静态属性特征。
以下实施例将具体说明动态变化特征的预测过程。
在本发明实施例中,将目标结构体系所在工况的工况信息以及待观测时长输入预先训练好的序列模型中,对工况在待观测时长下的动力过程进行分析,进而得到目标结构体系的动态变化特征。其中,序列模型为用于针对结构体系所在工况进行动态变化特征提取的模型。
在一例中,动态变化特征(待输出的激励序列S)可以采用下述公式进行表示:
S=S(t)=tensor([L,C]),
其中,L表示待观测时长,C表示工况的特征维度。
在一实施例中,工况信息包括但不限于以下信息:工况环境发生改变时的变化加速度分量和/或施加在目标结构体系中每一个节点上的外荷载。
在一例中:若工况环境发生地震时,则当前工况为地震工况,工程信息即为发生地震时,地面在各个方向上在指定观测时长下进行震动的加速度分量(输入维度为3)。例如:当当前工况为地震工况时,在待观测时长下输出的动态变化特征为:su=Accu=(Accux,Accuy,Accuz),Crn=3。
在另一例中,若工况信息为施加在目标结构体系中每一个节点上的外荷载Fu,ex,则输入维度为6。例如:当工况信息为施加在目标结构体系中每一个节点上的外荷载Fu,ex时,在待观测时长下输出的动态变化特征为:
su=Fu,ex=(Fux,ex,Fuy,ex,Fuy,ex,Mux,ex,Muy,ex,Muz,ex),C=6。
在一实施场景中,如图4所示,序列模型可以基于注意力机制和循环神经网络构建而成。序列模型包括编码器、解码器以及线性层。其中,编码器至少由两层归一化层、注意力机制以及两层前反馈神经网络构成。解码器至少由两层归一化层、多层门控循环单元(gated recurrent neural network,GRU)、拼接层以及两层前反馈神经网络构成。序列模型可以采用下述方式进行训练:编码器基于注意力机制对输入的工况信息样本应进行编码处理,得到背景信息编码。解码器基于多层GRU,将与该工况信息样本对应的激励序列样本逐步输入GRU中,将多层GRU输出的结果与编码器模块输出的背景信息编码拼接,再通过前馈神经网络得到预测的动态变化特征。基于激励序列样本与预测的动态变化特征之间的对比结果,以及该序列模型的收敛情况,确定并完成对该序列模型的训练。
在一例中,若工况信息样本为工况环境发生改变时的变化加速度分量,则对应的激励序列样本可以采用下述公式进行表示:
其中,下标n表示结构节点,下标b表示梁节点、下标c表示柱节点、下标s表示剪力墙节点,R表示对应节点类型的激励序列样本。N表示对应节点类型的节点数量。Cr表示对应节点类型的激励序列样本输出维度。
若工况信息样本为施加在目标结构体系中每一个节点上的外荷载,则对应的激励序列样本可以是以下任意一种或者组合:节点位移或者构件端部内界面内力。
例如:激励序列样本为节点位移,则对应的激励序列样本可以如下:
Rn,u=Du=(dx,dy,dz,dθx,dθy,dθz),Crn=6。
其中,Crn为对应的激励序列样本的特征维度。
若工况信息样本为构件端部内界面内力,则对应的激励序列样本可以根据构件节点的类型,确定对应的激励序列样本的特征维度。例如:若构件节点为梁节点或者柱节点,则对应的激励序列样本的特征维度为12。
梁节点的激励序列样本可以为:rnb,u,v=(Fnb,u,Fnb,v),Crb=12;
柱节点的激励序列样本可以为:rnc,u,v=(Fnc,u,Fnc,v),Crc=12;
若构件节点为剪力墙节点,则对应的激励序列样本的特征维度为24。例如:剪力墙节点的激励序列样本可以为:
Fn_,u=(Fn_,ux,Fn_,uy,Fn_,uy,Mn_,ux,Mn_,uy,Mn_,uz)。
以下实施例将说明对目标结构体系进行非线性分析,确定目标结构体系的目标结构响应的具体过程。
在本发明实施例中,为便于进行预测,则对静态编码特征进行第一增广处理,得到第一增广编码特征,对动态变化特征进行第二增广处理,得到第二增广编码特征,以使第二增广编码特征与第一增广编码特征的特征长度相同。将第一增广编码特征与第二增广编码特征拼接,得到复合增广编码特征,进而将复合增广编码特征输入预先训练好的非线性分析模型中进行非线性分析,得到目标结构体系的目标结构响应。
具体地,可以采用复制和增维等形式对静态编码特征进行第一增广处理,进而得到第一增广编码特征。
例如:若得到的静态编码特征为:
则经过第一增广处理后得到的第一增广编码特征为:
L表示第一增广处理后第一增广编码特征的特征长度。
为保障静态编码特征与动态变化特征的特征长度相同,则对动态变化特征进行第二增广处理,得到第二增广编码特征,以使得到的第二增广编码特征能够与第一增广编码特征相匹配。
例如:若得到的动态变化特征为:
则经过第二增广处理后得到的第二增广编码特征为:
C=L,C表示第二增广处理后第二增广编码特征的特征长度。
将第一增广编码特征与第二增广编码特征拼接,得到复合增广编码特征为:
将上述复合增广编码特征输入预先训练好的非线性分析模型中进行非线性分析,得到目标结构体系的目标结构响应Rpr可以如下:
图5是根据一示例性实施例提出的一种非线性分析模型的训练方法的流程图。如图5所示,非线性分析模型的训练方法包括如下步骤。
在步骤S501中,获取样本数据集。
在本发明实施例中,样本数据集包括多个结构体系的样本数据,样本数据包括对应结构体系的结构数据表征样本、指定目标结构体系的动态变化特征样本,以及对应结构体系在指定工况下的结构响应样本。
在步骤S502中,对结构数据表征样本进行掩码处理,得到结构数据表征样本对应的结构掩码数据表征样本,以对结构数据表征样本对应的样本数据进行扩增处理,得到扩增样本数据。
在本发明实施例中,由于结构体系的计算数据较为匮乏,因此,为提高非线性分析模型的训练有效性和准确性,则对结构数据表征样本进行掩码处理,得到结构数据表征样本对应的结构掩码数据表征样本,以对结构数据表征样本对应的样本数据进行扩增处理,以丰富样本数据数量,达到扩增样本数据数量的目的,从而得到扩增样本数据。
在步骤S503中,通过样本数据集以及每一个样本数据集对应的扩增样本数据,得到训练集和测试集。
在本发明实施例中,如图6所示,可以将样本数据集以及每一个样本数据集对应的扩增样本数据进行混合后,根据指定比例或者采用随机分配的方式进行划分,进而得到训练集和测试集。其中,训练集中样本数据与扩增样本数据之和大于测试集中样本数据与扩增样本数据之和。
在步骤S504中,基于训练集和测试集对深度学习模型进行训练,得到非线性分析模型。
在本发明实施例中,采用训练集对深度学习模型进行训练的过程中,需将待输入的样本数据或者扩增样本数据对应的结构响应样本一并输入至深度学习模型中进行共同训练,以便深度学习模型进行学习。采用测试集进行验证时,则无需将待输入的样本数据或者扩增样本数据对应的结构响应样本输入至深度学习模型中,可以将对应的结构响应样本作为结果对照组验证得到的非线性分析模型的准确率,进而确定训练进度,以验证非线性分析模型的训练是否完成。
在一实施例中,在通过训练集对深度学习模型进行训练的过程中,获取序列模型在利用动态变化特征样本训练时的第一损失函数值。获取深度学习模型当前的第二损失函数值,进而基于第一损失函数值和第二损失函数值之间的和值,验证非线性分析模型是否完成训练,从而在训练深度学习模型的过程中,能够降低序列模型输出动态变化特征时所产生的误差的影响。
具体地,判断第一损失函数值和第二损失函数值之间的和值是否小于第一指定阈值。第一指定阈值为确定损失合格的临界阈值。若深度学习模型的损失阈值小于第一指定阈值,且通过测试集对非线性分析模型进行测试的结果大于或者等于第二指定阈值,则确定训练完成,得到非线性分析模型。第二指定阈值为判定非线性分析模型训练合格的最小结果准确率。
在一实施场景中,可以基于宏观平衡方程确定第一损失函数值和第二损失函数值之间的和值,表达式如下:
Loss=Loss1+Loss2=||Rpr-Rtg||2+λ‖Fin+Fex‖2,
其中,Fex是各节点的外荷载(若无荷载设为0),Fin是非线性分析模型中各节点所连构件输出的截面内力和,‖·‖2表示2范数,λ为调节Loss1和Loss2相对值的超参数,可以根据模型训练结果进行确定。
通过上述实施例,能够缓解结构体系层次数据不足的问题,进而有助于增强非线性分析模型的泛化能力,从而有利于提高非线性分析结果的准确性。
在一实施场景中,还可以将深度学习模型与异构图神经网络模型和序列模型共同训练,进而得到非线性分析模型。具体训练过程可以如图7所示。其中,与分开训练不同之处在于,在训练的过程中,可以基于非线性分析模型的输出结果采用梯度回传的形式对异构图神经网络模型或者序列模型进行反馈调节,从而提高非线性分析模型的数据准确性。
在本发明中,为了保障非线性分析的准确性,在实际应用过程中,所使用的数据形式需要与训练集相符。例如,当训练集包括足量框架结构体系在地震波下的结构响应,则训练的得到的非线性分析模型可应用于同一结构体系在不同地震波下的结构响应,或不同结构体系在相同地震波下的结构响应,或不同结构体系在不同地震波下的结构响应。
并且,分析的过程中,基于深度学习张量运算,过程连续可微,参数化程度高,能够显著提升结构优化与反演的计算效率,进而能够有效提升非线性分析模型的分析效率。
基于相同发明构思,本发明还提供一种结构体系的非线性分析装置。
图8是根据一示例性实施例提出的一种结构体系的非线性分析装置的结构框图。如图8所示,结构体系的非线性分析装置包括第一获取单元801、构建单元802、第一提取单元803、第二提取单元804和分析单元805。
第一获取单元801,用于获取目标结构体系的结构数据表征;
构建单元802,用于基于结构数据表征,按照指定数据格式构建目标结构体系的异构图数据;
第一提取单元803,用于对异构图数据进行属性特征提取,得到目标结构体系的静态编码特征;
第二提取单元804,用于基于目标结构体系所在工况的工况信息以及待观测时长,确定所述目标结构体系的动态变化特征;
分析单元805,用于基于静态编码特征和动态变化特征,对目标结构体系进行非线性分析,确定目标结构体系的目标结构响应。
在一实施例中,构建单元802包括:第一确定单元,用于从结构数据表征中确定目标结构体系的结构节点数据、构件节点数据以及邻接矩阵;第二确定单元,用于根据结构节点数据以及结构节点数据对应结构节点的特征维度,得到第一张量,第一张量用于表征所述结构节点的节点特征;第三确定单元,用于根据构件节点数据以及构件节点数据对应构件节点的特征维度,得到第二张量,第二张量用于表征构件节点的节点特征;第一构建子单元,用于根据第一张量、第二张量以及邻接矩阵,按照指定数据格式构建目标结构体系的异构图数据。
在另一实施例中,第一提取单元803包括:第一提取子单元,用于通过预先训练好的异构图神经网络模型对异构图数据进行属性特征提取,得到指定长度的特征编码张量;第四确定单元,用于将特征编码张量作为目标结构体系的静态编码特征。
在又一实施例中,异构图数据包括:目标结构体系的结构节点数据以及构件节点数据;第一提取子单元包括:第一执行单元,用于在异构图数据输入至异构图神经网络模型中,基于结构节点数据中结构节点的数量以及结构节点的属性数据,通过异构图神经网络模型内指定层数的异构图神经网络提取静态属性特征,得到结构节点编码长度为指定长度的第一编码张量;第二执行单元,用于基于构件节点数据中构件节点的数量以及构件节点属性数据,按照指定长度提取构件节点的属性特征,得到构件节点编码长度为所述指定长度的第二编码张量;合并单元,用于将第一编码张量和第二编码张量输出,得到特征编码张量。
在又一实施例中,第二提取单元804包括:第二提取子单元,用于将目标结构体系所在工况的工况信息以及待观测时长输入预先训练好的序列模型中,对工况在待观测时长下的动力过程进行分析,得到目标结构体系的动态变化特征。
在又一实施例中,工况信息包括工况环境发生改变时的变化加速度分量和/或施加在目标结构体系中每一个节点上的外荷载。
在又一实施例中,分析单元805包括:第一处理单元,用于对静态编码特征进行第一增广处理,得到第一增广编码特征;第二处理单元,用于对动态变化特征进行第二增广处理,得到第二增广编码特征,第二增广编码特征与第一增广编码特征的特征长度相同;整合单元,用于将第一增广编码特征与第二增广编码特征拼接,得到复合增广编码特征;分析子单元,用于将复合增广编码特征输入预先训练好的非线性分析模型中进行非线性分析,得到目标结构体系的目标结构响应。
在又一实施例中,装置还包括:第二获取单元,用于获取样本数据集,样本数据集包括多个结构体系的样本数据,样本数据包括对应结构体系的结构数据表征样本、指定目标结构体系的动态变化特征样本,以及对应结构体系在指定工况下的结构响应样本;第三处理单元,用于对结构数据表征样本进行掩码处理,得到结构数据表征样本对应的结构掩码数据表征样本,以对结构数据表征样本对应的样本数据进行扩增处理,得到扩增样本数据;第五确定单元,用于通过样本数据集以及每一个样本数据集对应的扩增样本数据,得到训练集和测试集;训练单元,用于基于训练集和测试集对深度学习模型进行训练,得到非线性分析模型。
在又一实施例中,训练单元包括:第三获取单元,用于在通过训练集对深度学习模型进行训练的过程中,获取序列模型在利用动态变化特征样本训练时的第一损失函数值;第四获取单元,用于获取深度学习模型当前的第二损失函数值;训练子单元,用于基于第一损失函数值和第二损失函数值之间的和值,对深度学习模型进行训练,得到非线性分析模型。
上述结构体系的非线性分析装置的具体限定以及有益效果可以参见上文中对于结构体系的非线性分析方法的限定,在此不再赘述。上述各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中,也可以以软件形式存储于电子设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图9是根据一示例性实施例提出的一种电子设备的硬件结构示意图。如图9所示,该设备包括一个或多个处理器910以及存储器920,存储器920包括持久内存、易失内存和硬盘,图9中以一个处理器910为例。该设备还可以包括:输入装置930和输出装置940。
处理器910、存储器920、输入装置930和输出装置940可以通过总线或者其他方式连接,图9中以通过总线连接为例。
处理器910可以为中央处理器(Central Processing Unit,CPU)。处理器910还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器920作为一种非暂态计算机可读存储介质,包括持久内存、易失内存和硬盘,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本申请实施例中的业务管理方法对应的程序指令/模块。处理器910通过运行存储在存储器920中的非暂态软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述任意一种结构体系的非线性分析方法。
存储器920可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据、需要使用的数据等。此外,存储器920可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器920可选包括相对于处理器910远程设置的存储器,这些远程存储器可以通过网络连接至数据处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置930可接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键信号输入。输出装置940可包括显示屏等显示设备。
一个或者多个模块存储在存储器920中,当被一个或者多个处理器910执行时,执行如图1-图7所示的方法。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,具体可参见如图1-图7所示的实施例中的相关描述。
本发明实施例还提供了一种非暂态计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的认证方法。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccess Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (9)
1.一种结构体系的非线性分析方法,其特征在于,所述方法包括:
获取目标结构体系的结构数据表征;
基于所述结构数据表征,按照指定数据格式构建所述目标结构体系的异构图数据,包括:从所述结构数据表征中确定所述目标结构体系的结构节点数据、构件节点数据以及邻接矩阵;根据所述结构节点数据以及所述结构节点数据对应结构节点的特征维度,得到第一张量,所述第一张量用于表征所述结构节点的节点特征;根据所述构件节点数据以及所述构件节点数据对应构件节点的特征维度,得到第二张量,所述第二张量用于表征所述构件节点的节点特征;根据所述第一张量、所述第二张量以及所述邻接矩阵,按照指定数据格式构建所述目标结构体系的异构图数据;
对所述异构图数据进行属性特征提取,得到所述目标结构体系的静态编码特征,包括:通过预先训练好的异构图神经网络模型对所述异构图数据进行属性特征提取,得到指定长度的特征编码张量;将所述特征编码张量作为所述目标结构体系的静态编码特征,其中,所述异构图数据包括:所述目标结构体系的结构节点数据以及构件节点数据;所述通过预先训练好的异构图神经网络模型对所述异构图数据进行属性特征提取,得到指定长度的编码张量,包括:在所述异构图数据输入至所述异构图神经网络模型中,基于所述结构节点数据中结构节点的数量以及所述结构节点的属性数据,通过所述异构图神经网络模型内指定层数的异构图神经网络提取静态属性特征,得到所述结构节点编码长度为指定长度的第一编码张量;基于所述构件节点数据中构件节点的数量以及所述构件节点属性数据,通过所述指定层数的异构图神经网络提取所述静态属性特征,得到所述构件节点编码长度为所述指定长度的第二编码张量;将所述第一编码张量和所述第二编码张量输出,得到所述特征编码张量;
基于所述目标结构体系所在工况的工况信息以及待观测时长,确定所述目标结构体系的动态变化特征;
基于所述静态编码特征和所述动态变化特征,对所述目标结构体系进行非线性分析,确定所述目标结构体系的目标结构响应。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标结构体系所在工况的工况信息以及待观测时长,确定所述目标结构体系的动态变化特征,包括:
将所述目标结构体系所在工况的工况信息以及待观测时长输入预先训练好的序列模型中,对所述工况在所述待观测时长下的动力过程进行分析,得到所述目标结构体系的动态变化特征。
3.根据权利要求2所述的方法,其特征在于,所述工况信息包括工况环境发生改变时的变化加速度分量和/或施加在所述目标结构体系中每一个节点上的外荷载。
4.根据权利要求3所述的方法,其特征在于,所述基于所述静态编码特征和所述动态变化特征,对所述目标结构体系进行非线性分析,确定所述目标结构体系的目标结构响应,包括:
对所述静态编码特征进行第一增广处理,得到第一增广编码特征;
对所述动态变化特征进行第二增广处理,得到第二增广编码特征,所述第二增广编码特征与所述第一增广编码特征的特征长度相同;
将所述第一增广编码特征与所述第二增广编码特征拼接,得到复合增广编码特征;
将所述复合增广编码特征输入预先训练好的非线性分析模型中进行非线性分析,得到所述目标结构体系的目标结构响应。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
获取样本数据集,所述样本数据集包括多个结构体系的样本数据,所述样本数据包括对应结构体系的结构数据表征样本、指定目标结构体系的动态变化特征样本,以及所述对应结构体系在指定工况下的结构响应样本;
对所述结构数据表征样本进行掩码处理,得到所述结构数据表征样本对应的结构掩码数据表征样本,以对所述结构数据表征样本对应的样本数据进行扩增处理,得到扩增样本数据;
通过所述样本数据集以及每一个样本数据集对应的扩增样本数据,得到训练集和测试集;
基于所述训练集和所述测试集对深度学习模型进行训练,得到所述非线性分析模型。
6.根据权利要求5所述的方法,其特征在于,所述基于所述训练集和所述测试集对深度学习模型进行训练,得到所述非线性分析模型,包括:
在通过所述训练集对所述深度学习模型进行训练的过程中,获取所述序列模型在利用所述动态变化特征样本训练时的第一损失函数值;
获取所述深度学习模型当前的第二损失函数值;
基于所述第一损失函数值和所述第二损失函数值之间的和值,对深度学习模型进行训练,得到所述非线性分析模型。
7.一种结构体系的非线性分析装置,其特征在于,所述装置包括:
第一获取单元,用于获取目标结构体系的结构数据表征;
构建单元,用于基于所述结构数据表征,按照指定数据格式构建所述目标结构体系的异构图数据,包括:从所述结构数据表征中确定所述目标结构体系的结构节点数据、构件节点数据以及邻接矩阵;根据所述结构节点数据以及所述结构节点数据对应结构节点的特征维度,得到第一张量,所述第一张量用于表征所述结构节点的节点特征;根据所述构件节点数据以及所述构件节点数据对应构件节点的特征维度,得到第二张量,所述第二张量用于表征所述构件节点的节点特征;根据所述第一张量、所述第二张量以及所述邻接矩阵,按照指定数据格式构建所述目标结构体系的异构图数据;
第一提取单元,用于对所述异构图数据进行属性特征提取,得到所述目标结构体系的静态编码特征,包括:通过预先训练好的异构图神经网络模型对所述异构图数据进行属性特征提取,得到指定长度的特征编码张量;将所述特征编码张量作为所述目标结构体系的静态编码特征,其中,所述异构图数据包括:所述目标结构体系的结构节点数据以及构件节点数据;所述通过预先训练好的异构图神经网络模型对所述异构图数据进行属性特征提取,得到指定长度的编码张量,包括:在所述异构图数据输入至所述异构图神经网络模型中,基于所述结构节点数据中结构节点的数量以及所述结构节点的属性数据,通过所述异构图神经网络模型内指定层数的异构图神经网络提取静态属性特征,得到所述结构节点编码长度为指定长度的第一编码张量;基于所述构件节点数据中构件节点的数量以及所述构件节点属性数据,通过所述指定层数的异构图神经网络提取所述静态属性特征,得到所述构件节点编码长度为所述指定长度的第二编码张量;将所述第一编码张量和所述第二编码张量输出,得到所述特征编码张量;
第二提取单元,用于基于所述目标结构体系所在工况的工况信息以及待观测时长,确定所述目标结构体系的动态变化特征;
分析单元,用于基于所述静态编码特征和所述动态变化特征,对所述目标结构体系进行非线性分析,确定所述目标结构体系的目标结构响应。
8.一种电子设备,其特征在于,包括存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-6中任一项所述的结构体系的非线性分析方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的结构体系的非线性分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310317726.7A CN116305995B (zh) | 2023-03-27 | 2023-03-27 | 结构体系的非线性分析方法及装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310317726.7A CN116305995B (zh) | 2023-03-27 | 2023-03-27 | 结构体系的非线性分析方法及装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116305995A CN116305995A (zh) | 2023-06-23 |
CN116305995B true CN116305995B (zh) | 2023-11-07 |
Family
ID=86834150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310317726.7A Active CN116305995B (zh) | 2023-03-27 | 2023-03-27 | 结构体系的非线性分析方法及装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116305995B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251865A (zh) * | 2008-03-27 | 2008-08-27 | 上海交通大学 | 基于整体的大型钢结构防火的系统化设计方法 |
CN112327701A (zh) * | 2020-11-09 | 2021-02-05 | 浙江大学 | 面向非线性动态工业过程的慢特征网络监测方法 |
WO2021179838A1 (zh) * | 2020-03-10 | 2021-09-16 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和系统 |
WO2022152161A1 (zh) * | 2021-01-14 | 2022-07-21 | 蚂蚁智信(杭州)信息技术有限公司 | 混合图神经网络模型的训练、预测 |
CN114912578A (zh) * | 2022-04-26 | 2022-08-16 | 清华大学 | 结构响应预测模型的训练方法、装置和计算机设备 |
CN115187610A (zh) * | 2022-09-08 | 2022-10-14 | 中国科学技术大学 | 基于图神经网络的神经元形态分析方法、设备及存储介质 |
CN115828242A (zh) * | 2022-12-08 | 2023-03-21 | 上海交通大学 | 基于大型异构图表示学习的安卓恶意软件检测方法 |
-
2023
- 2023-03-27 CN CN202310317726.7A patent/CN116305995B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251865A (zh) * | 2008-03-27 | 2008-08-27 | 上海交通大学 | 基于整体的大型钢结构防火的系统化设计方法 |
WO2021179838A1 (zh) * | 2020-03-10 | 2021-09-16 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和系统 |
CN112327701A (zh) * | 2020-11-09 | 2021-02-05 | 浙江大学 | 面向非线性动态工业过程的慢特征网络监测方法 |
WO2022152161A1 (zh) * | 2021-01-14 | 2022-07-21 | 蚂蚁智信(杭州)信息技术有限公司 | 混合图神经网络模型的训练、预测 |
CN114912578A (zh) * | 2022-04-26 | 2022-08-16 | 清华大学 | 结构响应预测模型的训练方法、装置和计算机设备 |
CN115187610A (zh) * | 2022-09-08 | 2022-10-14 | 中国科学技术大学 | 基于图神经网络的神经元形态分析方法、设备及存储介质 |
CN115828242A (zh) * | 2022-12-08 | 2023-03-21 | 上海交通大学 | 基于大型异构图表示学习的安卓恶意软件检测方法 |
Non-Patent Citations (4)
Title |
---|
Time-frequency analysis and applications in time-varying/nonlinear structural systems: A state-of-the-art review;Zuo-Cai Wang等;《Advances in Structural Engineering》;第21卷(第10期);全文 * |
基于非线性时程的短肢与长肢剪力墙结构受力性能对比分析;冯金蕊;《CNKI优秀硕士学位论文全文库》(2009年第11期);全文 * |
框架剪力墙结构模态静力非线性抗震分析方法研究;卢文生等;《地震工程与工程振动》(第01期);全文 * |
混凝土折板式拟球面网壳的几何非线性分析;胡茂狄等;《空间结构》;第28卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116305995A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6817431B2 (ja) | ニューラルアーキテクチャ検索 | |
KR20190042055A (ko) | 컨볼루션 신경망을 이용한 시퀀스 프로세싱 | |
KR102469261B1 (ko) | 적응적 인공 신경 네트워크 선택 기법들 | |
CN111406267A (zh) | 使用性能预测神经网络的神经架构搜索 | |
CN109120462B (zh) | 机会网络链路的预测方法、装置及可读存储介质 | |
CN109885916B (zh) | 一种基于lssvm的混合试验在线模型更新方法 | |
CN114117617B (zh) | 一种三跨内廊式rc框架建筑地震响应的快速预测方法 | |
JP7121891B2 (ja) | 構造情報表示装置、構造設計支援装置、及び構造設計支援モデル学習装置 | |
Mirrashid et al. | Innovative computational intelligence-based model for vulnerability assessment of RC frames subject to seismic sequence | |
CN106169095A (zh) | 主动学习大数据标注方法和系统 | |
CN114912578B (zh) | 结构响应预测模型的训练方法、装置和计算机设备 | |
KR20220130177A (ko) | 학습된 은닉 상태를 사용한 에이전트 제어 플래닝 | |
Paz et al. | Lightweight parametric design optimization for 4D printed parts | |
KR20230065343A (ko) | 메쉬 표현 및 그래프 신경망을 사용한 물리적 환경 시뮬레이션 | |
CN112187554A (zh) | 一种基于蒙特卡洛树搜索的运维系统故障定位方法和系统 | |
Liu et al. | Machine learning-based stochastic subspace identification method for structural modal parameters | |
CN115983148A (zh) | 一种cfd仿真云图预测方法、系统、电子设备及介质 | |
CN113158292B (zh) | 构件匹配方法、工程量计算方法、装置及电子设备 | |
CN116305995B (zh) | 结构体系的非线性分析方法及装置、设备及介质 | |
Quattrini et al. | From TLS to FE analysis: Points cloud exploitation for structural behaviour definition. The San Ciriaco’s Bell Tower | |
CN114116995A (zh) | 基于增强图神经网络的会话推荐方法、系统及介质 | |
Baghdadi et al. | Parametric design of in-plane concrete dry joints by FE method and Fuzzy logic toward utilising additive manufacturing technique | |
Skochko | Morphogenesis and correction of planar rod constructions with a small amount of free nodes | |
Whiteman et al. | Convolutional Neural Network Approach for Vibration-Based Damage State Prediction in a Reinforced Concrete Building | |
CN114638048A (zh) | 三维喷管流场快速预测与敏感性参数分析方法及装置 |
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 |