CN117094064A - 一种构件的布置参数计算方法、装置、设备及存储介质 - Google Patents
一种构件的布置参数计算方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117094064A CN117094064A CN202311353676.4A CN202311353676A CN117094064A CN 117094064 A CN117094064 A CN 117094064A CN 202311353676 A CN202311353676 A CN 202311353676A CN 117094064 A CN117094064 A CN 117094064A
- Authority
- CN
- China
- Prior art keywords
- arrangement
- parameters
- index
- model
- calculating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 241000282461 Canis lupus Species 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 35
- 238000005457 optimization Methods 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 239000007787 solid Substances 0.000 claims description 3
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 2
- 239000002131 composite material Substances 0.000 description 23
- 229910000831 Steel Inorganic materials 0.000 description 14
- 239000010959 steel Substances 0.000 description 14
- 238000004891 communication Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 5
- 230000008602 contraction Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 241000282421 Canidae Species 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000012614 Monte-Carlo sampling Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Architecture (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种构件的布置参数计算方法、装置、设备及存储介质,涉及布置参数计算领域,包括生成实体结构中构件的随机布置样本,将随机布置样本的参数输入有限元模型中计算得到结构性能指标;构建数据集和多层感知机模型,利用所述数据集对多层感知机模型进行训练和测试,得到预测模型;利用灰狼算法优化所述实体结构中构件的布置参数,将优化后的布置参数输入预测模型中得到预测结构性能指标;根据所述预测结构性能指标和对应的权重系数计算得到适应度值,将适应度最小值所对应的布置参数确定为最终布置参数,本发明可为组合梁在设计时栓钉连接件的布置情况进行指导,对计算过程复杂、计算工况多、计算时间长等问题提供了新的解决途径。
Description
技术领域
本发明涉及布置参数计算领域,具体而言,涉及一种构件的布置参数计算方法、装置、设备及存储介质。
背景技术
钢-混凝土组合结构桥梁是将钢材和混凝土结合使用的一种桥梁结构形式,栓钉连接件是组合结构桥梁最常使用的连接件, 其将混凝土和钢梁连接为一个整体,实现协同受力。而栓钉连接件在设计使用时面临以下问题:当栓钉连接件布置间距越小,栓钉连接件直径越大(刚度越大)时,钢与混凝土之间的结合便越牢固,组合梁在恒载作用下的变形便越小,但混凝土受栓钉连接件的约束产生的收缩应力越大,更容易产生收缩裂缝,此时不利于结构的使用。因此,如何简便合理且高效的确定栓钉连接件的布置间距和直径,是一个亟待解决的技术问题。
发明内容
本发明的目的在于提供一种构件的布置参数计算方法、装置、设备及可读存储介质,将多层感知机(MLP)模型和生物优化类算法中的灰狼算法(GWO)进行结合。使用MLP算法对栓钉连接件参数与跨中挠度和收缩应力的对应关系进行训练,得到训练模型,然后使用GWO算法在栓钉连接件参数与跨中挠度和收缩应力关系的训练模型进行全局寻优,以得到栓钉连接件的合理布置形式以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
第一方面,本申请提供了一种构件的布置参数计算方法,包括:
获取实体结构的结构参数,根据所述结构参数建立有限元模型;
采用随机抽样法生成所述实体结构中构件的随机布置样本,将随机布置样本的参数输入有限元模型中计算得到对应的结构性能指标,所述结构性能指标包括第一指标和第二指标;
由随机布置参数和结构性能指标构成数据集,构建多层感知机模型,利用所述数据集对多层感知机模型进行训练和测试,得到预测模型;
利用灰狼算法对所述实体结构中构件的布置参数进行迭代寻优,并将迭代得到的布置参数输入预测模型中得到预测结构性能指标;
确定第一指标和第二指标的权重系数,根据所述预测结构性能指标和对应的权重系数计算得到适应度值,将适应度最小值所对应的布置参数确定为最终布置参数
第二方面,本申请还提供了一种构件的布置参数计算装置,包括:
模型建立模块:用于获取实体结构的结构参数,根据所述结构参数建立有限元模型;
模拟模块:用于采用随机抽样法生成所述实体结构中构件的随机布置样本,将随机布置样本的参数输入有限元模型中计算得到对应的结构性能指标,所述结构性能指标包括第一指标和第二指标;
训练模块:用于由随机布置参数和结构性能指标构成数据集,构建多层感知机模型,利用所述数据集对多层感知机模型进行训练和测试,得到预测模型;
优化模块:用于利用灰狼算法对所述实体结构中构件的布置参数进行迭代寻优,并将迭代得到的布置参数输入预测模型中得到预测结构性能指标;
计算模块:用于确定第一指标和第二指标的权重系数,根据所述预测结构性能指标和对应的权重系数计算得到适应度值,将适应度最小值所对应的布置参数确定为最终布置参数。
第三方面,本申请还提供了一种构件的布置参数计算设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现所述构件的布置参数计算方法的步骤。
第四方面,本申请还提供了一种可读存储介质,所述可读存储介质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上述基于构件的布置参数计算方法的步骤。
本发明的有益效果为:
(1)本发明基于Monte Carlo抽样的数据,通过多层感知机(MLP)模型进行训练,建立布置参数和结构性能指标的对应关系,得到训练成功后的模型,该模型将作为后续灰狼算法(GWO)进行寻优时的调用模型。本发明充分利用了多层感知机(MLP)模型强大的非线性建模和自主化学习的能力,为后续灰狼算法(GWO)寻优提供了有利保障。
(2)本发明技术方案在多层感知机(MLP)训练模型基础上,通过灰狼算法(GWO)进行对布置参数寻优,寻找最佳的栓钉连接件布置方式和刚度大小。该技术方案能够作为钢-混凝土组合梁设计时栓钉布置指导,针对传统计算过程复杂、计算工况多、计算时间长等问题提供了新的解决途径。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例1中构件的布置参数计算方法流程示意图;
图2为本发明实施例1中钢-混凝土组合梁截面图;
图3为本发明实施例1中有限元模型示意图;
图4为本发明实施例1中钢-混凝土组合梁支座和跨中区域示意图;
图5为本发明实施例1中多层感知机(MLP)网络的拓扑结构示意图;
图6为本发明实施例1中损失函数值随MLP训练周期变化趋势图;
图7为本发明实施例1中MLP-GWO组合优化模型示意图;
图8为本发明实施例2中组合梁栓钉连接件的初始布置参数与最终布置参数的对比图;
图9为本发明实施例2中组合梁栓钉连接件的初始预测结构性能指标与优化后的预测结构性能指标的对比图;
图10为本发明实施例3中所述的构件的布置参数计算装置结构示意图;
图11为本发明实施例4中所述的构件的布置参数计算设备结构示意图。
图中标记:
1、工字钢梁;
800、构件的布置参数计算设备;801、处理器;802、存储器;803、多媒体组件;804、I/O接口;805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1:
本实施例提供了一种构件的布置参数计算方法:
参见图1,图中示出了本方法包括:
S1.获取实体结构的结构参数,根据所述结构参数建立有限元模型;
具体的,所述实体结构为钢-混凝土组合梁,钢-混凝土组合结构桥梁是将钢材和混凝土结合使用的一种桥梁结构形式,它通过抗剪连接件(如栓钉、开孔钢板、弯筋等)将下部钢梁和上部混凝土板连接成一个整体,在正弯矩区能够充分发挥混凝土的抗压性能和钢材的抗拉性能,其工作性能明显优于两者的简单叠加。
与混凝土桥梁相比,钢-混凝土组合结构桥梁具有跨越能力大、结构形式丰富、抗震性能好、易于工厂化制造及便于装配化施工等诸多突出优点,并且可以有效防止正弯矩作用区域混凝土底板的开裂问题。
如图3所示,本实施例中,通过有限元软件Midas Civil建立钢-混凝土组合梁数值模型,其中,有限元模型的截面如图2所示。通过该所述模型模拟钢-混凝土组合梁的行为,所述模型包括了钢和混凝土单元,并在钢和混凝土之间设置弹性连接来模拟栓钉连接件的作用以使钢和混凝土单元连接在一起协同受力。此外,所述模型还应当设置结构的材料、边界条件和荷载等属性。通过对所述有限元模型进行受力、变形和应力等结构分析,以评估不同栓钉连接件布置方式下组合梁的性能。
基于以上实施例,本方法还包括:
S2.采用随机抽样法生成所述实体结构中构件的随机布置样本,将随机布置样本的参数输入有限元模型中计算得到对应的结构性能指标,所述结构性能指标包括第一指标和第二指标,本实施例中,所述构件为钢-混凝土组合梁的栓钉;
具体的,所述步骤S2包括:
S21.确定实体结构中构件的布置参数和布置参数的变异系数Cov;
请参阅图4,图中包括工字钢梁1、支座区域和跨中区域位置,l表示工字钢梁1的跨度。图中所示栓钉数量和间距仅为示例,不代表本发明技术方案实际所采用栓钉数量和间距。所述布置参数为栓钉连接件参数,包括:支座区域栓钉间距、支座区域栓钉刚度/>、跨中区域栓钉间距/>、跨中区域栓钉刚度/>;其中,/>、/>分别代表位于组合梁支座、跨中区域两相邻栓钉之间的中心距离,/>、/>分别代表位于组合梁支座、跨中区域内栓钉的刚度大小。较小的栓钉间距和更高的栓钉刚度表明钢和混凝土的连接越强,更易协同受力,增加结构的稳定性,但同时意味着栓钉产生的约束越大,产生收缩应力越大,导致开裂。
S22.根据变异系数和布置参数的均值,通过蒙特卡洛(Monte Carlo)模拟抽样获得1000组随机布置样本,所述随机布置样本代表了多种可能的栓钉连接件布置方式,反映了在实际工程中可能出现的各种情况。
Monte Carlo抽样法是一种运用十分广泛的统计模拟方法,适用于各种类型的问题,包括复杂的数学模型、高维空间和随机过程等。其主要优势在于其能够进行有效的随机抽样,确保了抽样数据的广泛性和代表性。在本发明技术方案中,运用Monte Carlo抽样法在布置参数限定范围内抽取大量数据集合,为后续使用多层感知机(MLP)模型进行训练提供了有效且有代表性的数据。
S23.依次将每组随机布置样本的参数输入有限元模型中计算得到第一指标和第二指标,并对第一指标和第二指标进行归一化处理;
本实施例中,所述第一指标为跨中挠度,第二指标为收缩应力/>,其中,跨中挠度反映了结构的变形特性和结构的刚度,收缩应力反映了混凝土内部的应力状态。
通过在不同的布置参数组合下运行有限元模型,可以得到多组跨中挠度和收缩应力/>,由于跨中挠度/>和收缩应力/>的量纲和单位不同,因此需要对其进行归一化处理:/>;(1)
式中,为归一化后结果;/>为跨中挠度或收缩应力;/>为/>中的极小值;为/>中的极大值。
基于以上实施例,本方法还包括:
S3.由随机布置参数和结构性能指标构成数据集,构建多层感知机模型,利用所述数据集对多层感知机模型进行训练和测试,得到预测模型;
具体的,所述步骤S3包括:
S31.构建关于布置参数和结构性能指标(/>,/>)关系的数据集,并将所述数据集划分为训练集和测试集;其中,布置参数为输入标签,结构性能指标为输出标签。
S32.建立包含1个输入层、2个隐藏层和1个输出层的多层感知机(MLP)模型,多层感知机模型的拓扑结构图如图5所示;
所述多层感知机模型选用线性函数(ReLu)作为激活函数,所述多层感知机模型的数学表达式为:;(2)
式中,为模型预测值(即跨中挠度和收缩应力),/>为激活函数;/>为权重值,/>为隐含层个数,/>为输入值(即布置参数),/>为模型截距。
S33.将训练集输入多层感知机模型,由多层感知机模型学习布置参数与结构性能指标之间的对应关系后输出结构性能指标的预测值;
具体的,使用训练集对多层感知机模型进行训练,对各层的权重矩阵和偏置项进行初始化,使得多层感知机模型能够学习并掌握布置参数和结构性能指标的对应关系。
S34.将结构性能指标的预测值与真实值的均方误差作为损失函数,通过反向传播计算损失函数关于模型多层感知机模型参数的梯度,并使用随机梯度下降算法更新模型的权重和偏置,以最小化损失函数值;具体的,在训练过程中,对于每个训练样本,通过前向传播计算模型的预测输出,这涉及将布置参数传递到模型中,经过多个隐藏层的线性组合和激活函数,最终得到输出参数的预测值。为了评估预测输出和真实输出的区别,需要计算损失函数,本实施例中使用均方根误差(Mean Squared Error, MSE)作为损失函数。记录单个训练周期的损失函数值,同时计算相邻训练周期损失函数的差值,判断所述是否小于预设精度ε=0.001,将其作为收敛条件。然后,通过反向传播算法,计算损失函数关于模型参数的梯度,再使用随机梯度下降(SGD)算法更新模型的权重和偏置,即一次性训练一批数据,先求得这一批数据中每一个数据对应的误差梯度,最后再根据它们的平均值来对参数进行更新。
S35.当所述损失函数达到满足预设的收敛条件或达到预设的训练周期时,多层感知机模型训练完成;
具体的,重复步骤S34,直至满足损失函数值收敛条件或达到最大训练周期,完成训练。损失函数值随MLP训练周期变化趋势如图6所示。
S36.利用所述测试集对多层感知机模型进行测试,测试完成后得到预测模型。
基于以上实施例,本方法还包括:
S4.利用灰狼算法对所述实体结构中构件的布置参数进行迭代寻优,并将迭代得到的布置参数输入预测模型中得到预测结构性能指标(,/>);
具体的,所述步骤S4包括:
S41.将布置参数的数量作为灰狼位置的维度dim,即栓钉连接件参数的数量,布置参数作为灰狼的位置;
S42.设定灰狼总群大小SN,即灰狼群体中的成员数量,确定最大迭代次数MaxIter,最大迭代次数决定了算法运行的时间限制,灰狼算法将在该次数限制内,寻找最优解;确定布置参数的上界ub和下界lb,即确定每个栓钉连接件参数的最大值和最小值,灰狼算法将在该范围内进行寻优,确保所求解在合理范围内。
S43. 随机初始化布置参数,将布置参数分布在预设的搜索空间内,作为算法的起点,灰狼将在接下来的迭代中根据适应度值Y不断调整位置,以寻找最优解,MLP-GWO组合优化模型寻优过程如图7所示。
需要说明的是,当栓钉间距较小和栓钉刚度较大时,结构的跨中挠度越小,有利于组合梁的稳定性;同时收缩应力越大,易产生收缩裂缝,不利于结构的耐久性。换言之,不存在一组布置参数使得跨中挠度和收缩应力同时取得最小值,只可能存在一组布置参数,是跨中挠度和收缩应力在当前适应度函数下取得平衡状态的最优解。
S44.更新灰狼的位置得到更新后的布置参数,将更新后的布置参数代入预测模型中得到预测结构性能指标。
基于以上实施例,本方法还包括:
S5.确定第一指标和第二指标的权重系数,根据所述预测结构性能指标和对应的权重系数计算得到适应度值,将适应度最小值所对应的布置参数确定为最终布置参数。
具体的,所述步骤S5包括:
S51.利用第一指标和第二指标的权重系数构建适应度函数:;(3)
式中,为第一指标的权重系数,/>为第二指标的权重系数,/>+/>=1,且均为大于0的数;当/>时,表明跨中挠度的大小作为设计时的主要控制条件;当时,表明跨中挠度和收缩应力同样重要;当/>时,表明收缩应力作为设计时的主要控制条件。
本实施例中,当和/>的值为确定值时,使用灰狼算法(GWO)进行寻优以得到在确定权重系数组合下的栓钉连接件的布置方式。
S52.将预测结构性能指标代入适应度函数中计算得到适应度值Y;
S53.在布置参数的上界和下界范围内更新布置参数的位置,重复计算布置参数更新后的适应度值;
具体的,所述步骤S53包括:
S531.获取适应度值最小的前三组布置参数,根据三组所述布置参数的位置更新当前的布置参数;
具体的,重复计算多次适应度值后,保留适应度值最优的前三组布置参数,记为。更新布置参数,新的布置参数值会受到三组最优布置参数/>的影响,因此需要根据适应度值最优的布置参数组合进行更新。布置参数的更新应当采取下式进行计算:;(4)/>;(5)
式中,表示灰狼(布置参数)个体与猎物(最优目标)的距离,/>和/>均为系数向量,/>表示猎物的位置向量,/>表示布置参数向量;/>表示更新后布置参数,t表示当前的迭代次数。
其中和/>的计算公式如下:/>;(6)/>;(7)
式中,表示收敛因子,随着迭代次数从2线形减小到0,/>和/>的模取[0,1]之间的随机数。
S532.判断更新后的布置参数是否越过上界或下界,若是,则将上界或下界作为更新后的布置参数,并重复计算更新后的布置参数的适应度值;否则,直接计算布置参数更新后的适应度值。
S533.利用更新后适应度值更新适应度值最小的前三组布置参数;
具体的,若更新后布置参数的适应度值更优,则更新的适应度值和布置参数,否则保持原/>不变。
S54.当更新次数达到最大迭代次数时得到适应度最小值,停止迭代,并将适应度最小值所对应的布置参数确定为最终布置参数;
实施例2:
本实施例提供了一种构件的布置参数计算方法,所述方法包括:
S1.获取实体结构的结构参数,根据所述结构参数建立有限元模型;
S2.采用随机抽样法生成所述实体结构中构件的随机布置样本,将随机布置样本的参数输入有限元模型中计算得到对应的结构性能指标,所述结构性能指标包括第一指标和第二指标;
S3.由随机布置参数和结构性能指标构成数据集,构建多层感知机模型,利用所述数据集对多层感知机模型进行训练和测试,得到预测模型;
S4.确定第一指标和第二指标的多组权重系数组合;
具体的,利用第一指标和第二指标的权重系数构建适应度函数:;(3)
本实施例中,在第一指标和第二指标的权重不确定的情况下,所构建的9组权重系数组合如表1所示:
S5.利用灰狼算法对每组权重系数组合下实体结构中构件的布置参数进行迭代寻优,得到每组权重系数组合下的最小适应度值和最小适应度对应的待选布置参数;
具体的,依次利用每组权重系数组合构建自适应函数,再利用灰狼算法以当前的自适应函数最小值为目标,寻找实体结构中构件的布置参数。在前10次迭代过程中,灰狼算法(GWO)的适应度值明显下降,几乎已完成收敛,达到适应度值的最小值,表明已得到最优解。
S6.将每组待选布置参数输入有限元模型中计算得到对应的结构性能指标,请参阅表2,表中记录9组权重系数组合下布置参数的取值以及对应的结构性能指标;
S7.比较每组结构性能指标的实体结构性能,将实体结构性能最优的待选布置参数作为最终参数。
从表中可以看出,第1组—4组通过灰狼算法(GWO)寻优得到的关于布置参数的最优解不同,但结构性能指标均相同,对应的跨中挠度值为18.94mm,收缩应力为0.75MPa。此外,注意到1组—4组的权重系数η 1 始终小于η 2,表明此组合下收缩应力作为更重要的控制条件。尽管此时收缩应力值很小,但对应的跨中挠度值较大,表明结构的变形较大,不利于结构的平顺和稳定性。
第7组—9组通过灰狼算法(GWO)寻优得到的关于布置参数的最优解也不相同,但y 1和y 2结果相互仍然相等,跨中挠度为10.33mm,收缩应力为1.80MPa,而此部分组合下的权重系数η 1始终大于η 2,表明跨中挠度作为更重要的控制条件,因此计算得到的跨中挠度值较小,同时收缩应力值较大,能够满足组合梁的平顺性和稳定性,但收缩应力大,混凝土易受拉开裂,削弱结构的耐久性。
最后,第5组的权重系数η 1与η 2相等,表明跨中挠度和收缩应力在进行计算时同样重要。从结果来看,此权重系数组合下跨中挠度为11.95mm,比跨中挠度最大值18.94mm减小了36.91%,收缩应力为1.47MPa,比收缩应力最大值1.80MPa减小了18%。同时使得跨中挠度和收缩应力值均有一定程度的减小,使结构稳定性和耐久性均有一定程度的保障。需要说明的是,第5组得到的布置参数是在当前权重系数组合下,在满足跨中挠度和收缩应力两个优化目标条件取得平衡状态下的最优解。
基于以上实施例,本方法还包括:
获取组合梁栓钉的初始布置参数,将初始布置参数与最终布置参数进行比对,比对结果如图8所示。
从图中可以看出,相较于优化前的栓钉布置参数,基于MLP-GWO优化后的由1500cm减少到20cm,/>由200kN/mm增加到400kN/mm,/>由100cm增加到171.4mm,/>由350kN/mm减少到25kN/mm。综合来看,优化后的栓钉布置方式增强了支座区域钢与混凝土之间的连接,而削弱了跨中区域的连接强度,改变了组合梁钢-混凝土之间的受力分布情况。
将初始布置参数输入有限元模型中,得到初始结构性能指标,将初始结构性能指标与优化后的结构性能指标进行比对,比对结果如图9所示。从图中可以看出,优化后的跨中挠度由14.06mm减少到11.96mm,减少了14.93%,而收缩应力由原来的1.43MPa增加至1.47MPa,仅增加了2.80%。总体而言,经过MLP-GWO优化后的栓钉连接件布置方式较大幅度地减小了钢-混凝土组合梁的跨中挠度值,减小了结构的变形,从而增加了结构的平顺性和稳定性。尽管此种布置方式下收缩应力值也有相应提高,但仅增加了2.8%,可认为对结构的影响较小。综上所述,经过MLP-GWO优化后的栓钉连接件布置方式提升了组合梁的平顺性和稳定性,改善了组合梁性能,同时也验证了MLP-GWO组合优化模型针对组合梁栓钉连接件布置优化的有效性。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3:
如图10所示,本实施例提供了一种构件的布置参数计算装置,所述装置包括:
模型建立模块:用于获取实体结构的结构参数,根据所述结构参数建立有限元模型;
模拟模块:用于采用随机抽样法生成所述实体结构中构件的随机布置样本,将随机布置样本的参数输入有限元模型中计算得到对应的结构性能指标,所述结构性能指标包括第一指标和第二指标;
训练模块:用于由随机布置参数和结构性能指标构成数据集,构建多层感知机模型,利用所述数据集对多层感知机模型进行训练和测试,得到预测模型;
优化模块:用于利用灰狼算法对所述实体结构中构件的布置参数进行迭代寻优,并将迭代得到的布置参数输入预测模型中得到预测结构性能指标;
计算模块:用于确定第一指标和第二指标的权重系数,根据所述预测结构性能指标和对应的权重系数计算得到适应度值,将适应度最小值所对应的布置参数确定为最终布置参数。
基于以上实施例,所述模拟模块包括:
第一确定单元:用于确定实体结构中构件的布置参数和布置参数的变异系数;
模拟抽样单元:用于根据变异系数和布置参数的均值,通过蒙特卡洛模拟抽样获得若干组随机布置样本;
归一化处理单元:用于依次将每组随机布置参数输入有限元模型中计算得到第一指标和第二指标,并对第一指标和第二指标进行归一化处理。
基于以上实施例,所述训练模块包括:
划分单元:用于将所述数据集划分为训练集和测试集;
模型建立单元:用于建立包含1个输入层、2个隐藏层和1个输出层的多层感知机模型;
学习单元:用于将训练集输入多层感知机模型,由多层感知机模型学习布置参数与结构性能指标之间的对应关系后输出结构性能指标的预测值;
第一计算单元:用于将结构性能指标的预测值与真实值的均方误差作为损失函数,通过反向传播计算损失函数关于模型多层感知机模型参数的梯度,并使用随机梯度下降算法更新模型的权重和偏置,以最小化损失函数值;
第一判断单元:用于当所述损失函数达到满足预设的收敛条件或达到预设的训练周期时,多层感知机模型训练完成;
测试单元:用于利用所述测试集对多层感知机模型进行测试,测试完成后得到预测模型。
基于以上实施例,所述优化模块包括:
设定单元:用于将布置参数的数量作为灰狼位置的维度,布置参数作为灰狼的位置;
第二确定单元:用于设定灰狼总群大小,确定最大迭代次数和布置参数的上界和下界;
初始化单元:用于随机初始化布置参数,将布置参数分布在预设的搜索空间内;
优化单元:用于更新灰狼的位置得到更新后的布置参数,将更新后的布置参数代入预测模型中得到预测结构性能指标。
基于以上实施例,所述计算模块包括:
构建单元:用于利用第一指标和第二指标的权重系数构建适应度函数;
第二计算单元:用于将预测结构性能指标代入适应度函数中计算得到适应度值;
第一更新单元:用于在布置参数的上界和下界范围内更新布置参数,重复计算布置参数更新后的适应度值;
第二判断单元:用于当更新次数达到最大迭代次数时得到适应度最小值,并将适应度最小值所对应的布置参数确定为最终布置参数。
基于以上实施例,所述第一更新单元包括:
获取单元:用于获取适应度值最小的前三组布置参数,根据三组所述布置参数更新当前布置参数;
第三判断单元:用于判断更新后的布置参数是否越过上界或下界,若是,则将上界或下界作为更新后的布置参数,并重复计算更新后的布置参数的适应度值;
第二更新单元:用于利用更新后的适应度值更新适应度值最小的前三组布置参数。
实施例4:
相应于上面的方法实施例,本实施例中还提供了一种构件的布置参数计算设备,下文描述的一种构件的布置参数计算设备与上文描述的一种构件的布置参数计算方法可相互对应参照。
图11是根据示例性实施例示出的一种构件的布置参数计算设备800的框图。如图11所示,该构件的布置参数计算设备800可以包括:处理器801,存储器802。该构件的布置参数计算设备800还可以包括多媒体组件803, I/O接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该构件的布置参数计算设备800的整体操作,以完成上述的构件的布置参数计算方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该构件的布置参数计算设备800的操作,这些数据例如可以包括用于在该构件的布置参数计算设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static RandomAccess Memory,简称SRAM),电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该构件的布置参数计算设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near Field Communication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,构件的布置参数计算设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(Digital Signal Processor,简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的构件的布置参数计算方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的构件的布置参数计算方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由构件的布置参数计算设备800的处理器801执行以完成上述的构件的布置参数计算方法。
实施例5:
相应于上面的方法实施例,本实施例中还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种构件的布置参数计算方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的构件的布置参数计算方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种构件的布置参数计算方法,其特征在于,包括:
获取实体结构的结构参数,根据所述结构参数建立有限元模型;
采用随机抽样法生成所述实体结构中构件的随机布置样本,将随机布置样本的参数输入有限元模型中计算得到对应的结构性能指标,所述结构性能指标包括第一指标和第二指标;
由随机布置样本的参数和结构性能指标构成数据集,构建多层感知机模型,利用所述数据集对多层感知机模型进行训练和测试,得到预测模型;
利用灰狼算法对所述实体结构中构件的布置参数进行迭代寻优,并将迭代得到的布置参数输入预测模型中得到预测结构性能指标;
确定第一指标和第二指标的权重系数,根据所述预测结构性能指标和对应的权重系数计算得到适应度值,将适应度最小值所对应的布置参数确定为最终布置参数。
2.根据权利要求1所述的构件的布置参数计算方法,其特征在于,采用随机抽样法生成所述实体结构中构件的随机布置样本,将随机布置样本的参数输入有限元模型中计算得到对应的结构性能指标,包括:
确定实体结构中构件的布置参数和布置参数的变异系数;
根据变异系数和布置参数的均值,通过蒙特卡洛模拟抽样获得若干组随机布置样本;
依次将每组随机布置样本的参数输入有限元模型中计算得到第一指标和第二指标,并对第一指标和第二指标进行归一化处理。
3.根据权利要求1所述的构件的布置参数计算方法,其特征在于,构建多层感知机模型,利用所述数据集对多层感知机模型进行训练和测试,得到预测模型,包括:
将所述数据集划分为训练集和测试集;
建立包含1个输入层、2个隐藏层和1个输出层的多层感知机模型;
将训练集输入多层感知机模型,由多层感知机模型学习布置参数与结构性能指标之间的对应关系后输出结构性能指标的预测值;
将结构性能指标的预测值与真实值的均方误差作为损失函数,通过反向传播计算损失函数关于模型多层感知机模型参数的梯度,并使用随机梯度下降算法更新模型的权重和偏置,以最小化损失函数值;
当所述损失函数达到满足预设的收敛条件或达到预设的训练周期时,多层感知机模型训练完成;
利用所述测试集对多层感知机模型进行测试,测试完成后得到预测模型。
4.根据权利要求1所述的构件的布置参数计算方法,其特征在于,利用灰狼算法对所述实体结构中构件的布置参数进行迭代寻优,并将迭代得到的布置参数输入预测模型中得到预测结构性能指标,包括:
将布置参数的数量作为灰狼位置的维度,布置参数作为灰狼位置;
设定灰狼总群大小,确定最大迭代次数和布置参数的上界和下界;
随机初始化布置参数,将布置参数分布在预设的搜索空间内;
更新灰狼的位置得到更新后的布置参数,将更新后的布置参数代入预测模型中得到预测结构性能指标。
5.根据权利要求4所述的构件的布置参数计算方法,其特征在于,确定第一指标和第二指标的权重系数,根据所述预测结构性能指标和对应的权重系数计算得到适应度值,将适应度最小值所对应的布置参数确定为最终布置参数,包括:
利用第一指标和第二指标的权重系数构建适应度函数;
将预测结构性能指标代入适应度函数中计算得到适应度值;
在布置参数的上界和下界范围内更新布置参数,重复计算布置参数更新后的适应度值;
当更新次数达到最大迭代次数时得到适应度最小值,并将适应度最小值所对应的布置参数确定为最终布置参数。
6.根据权利要求5所述的构件的布置参数计算方法,其特征在于,在布置参数的上界和下界范围内更新布置参数,重复计算布置参数更新后的适应度值,包括:
获取适应度值最小的前三组布置参数,根据三组所述布置参数更新当前布置参数;
判断更新后的布置参数是否越过上界或下界,若是,则将上界或下界作为更新后的布置参数,并重复计算更新后的布置参数的适应度值;
利用更新后的适应度值更新适应度值最小的前三组布置参数。
7.一种构件的布置参数计算方法,包括权利要求1-6的任意一项构件的布置参数计算方法,其特征在于,包括:
确定第一指标和第二指标的多组权重系数组合;
利用灰狼算法对每组权重系数组合下实体结构中构件的布置参数进行迭代寻优,得到每组权重系数组合下的最小适应度值和最小适应度对应的待选布置参数;
将每组待选布置参数输入有限元模型中计算得到对应的结构性能指标;
比较每组结构性能指标的实体结构性能,将实体结构性能最优的待选布置参数作为最终参数。
8.一种构件的布置参数计算装置,其特征在于,包括:
模型建立模块:用于获取实体结构的结构参数,根据所述结构参数建立有限元模型;
模拟模块:用于采用随机抽样法生成所述实体结构中构件的随机布置样本,将随机布置样本的参数输入有限元模型中计算得到对应的结构性能指标,所述结构性能指标包括第一指标和第二指标;
训练模块:用于由随机布置参数和结构性能指标构成数据集,构建多层感知机模型,利用所述数据集对多层感知机模型进行训练和测试,得到预测模型;
优化模块:用于利用灰狼算法对所述实体结构中构件的布置参数进行迭代寻优,并将迭代得到的布置参数输入预测模型中得到预测结构性能指标;
计算模块:用于确定第一指标和第二指标的权重系数,根据所述预测结构性能指标和对应的权重系数计算得到适应度值,将适应度最小值所对应的布置参数确定为最终布置参数。
9.一种构件的布置参数计算设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述构件的布置参数计算方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质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权利要求1至7任一项所述构件的布置参数计算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311353676.4A CN117094064B (zh) | 2023-10-19 | 2023-10-19 | 一种构件的布置参数计算方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311353676.4A CN117094064B (zh) | 2023-10-19 | 2023-10-19 | 一种构件的布置参数计算方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117094064A true CN117094064A (zh) | 2023-11-21 |
CN117094064B CN117094064B (zh) | 2024-03-01 |
Family
ID=88777292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311353676.4A Active CN117094064B (zh) | 2023-10-19 | 2023-10-19 | 一种构件的布置参数计算方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117094064B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991615A (zh) * | 2019-11-29 | 2020-04-10 | 广东工业大学 | 基于two-grsa-hgso的神经网络训练方法 |
CN112116144A (zh) * | 2020-09-15 | 2020-12-22 | 山东科技大学 | 一种区域配电网短期负荷预测方法 |
WO2021128510A1 (zh) * | 2019-12-27 | 2021-07-01 | 江苏科技大学 | 基于sdae和改进gwo-svm的轴承缺陷识别方法 |
CN114647975A (zh) * | 2021-12-20 | 2022-06-21 | 辽宁通用航空研究院 | 基于数字孪生和智能算法的复合材料构件成型质量控制方法 |
CN114757112A (zh) * | 2022-06-16 | 2022-07-15 | 佛山仙湖实验室 | 一种基于灰狼算法的电机参数设计方法及系统 |
WO2022236064A2 (en) * | 2021-05-06 | 2022-11-10 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
WO2022257243A1 (zh) * | 2021-06-07 | 2022-12-15 | 西安邮电大学 | 一种水质预警方法及系统 |
CN115659834A (zh) * | 2022-11-10 | 2023-01-31 | 福州大学 | 一种cfrp铣削工艺参数多目标优化方法及系统 |
CN116186826A (zh) * | 2022-11-29 | 2023-05-30 | 清华大学 | 基于数据-力学耦合驱动图神经网络的隔震支座设计方法 |
-
2023
- 2023-10-19 CN CN202311353676.4A patent/CN117094064B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991615A (zh) * | 2019-11-29 | 2020-04-10 | 广东工业大学 | 基于two-grsa-hgso的神经网络训练方法 |
WO2021128510A1 (zh) * | 2019-12-27 | 2021-07-01 | 江苏科技大学 | 基于sdae和改进gwo-svm的轴承缺陷识别方法 |
CN112116144A (zh) * | 2020-09-15 | 2020-12-22 | 山东科技大学 | 一种区域配电网短期负荷预测方法 |
WO2022236064A2 (en) * | 2021-05-06 | 2022-11-10 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
WO2022257243A1 (zh) * | 2021-06-07 | 2022-12-15 | 西安邮电大学 | 一种水质预警方法及系统 |
CN114647975A (zh) * | 2021-12-20 | 2022-06-21 | 辽宁通用航空研究院 | 基于数字孪生和智能算法的复合材料构件成型质量控制方法 |
CN114757112A (zh) * | 2022-06-16 | 2022-07-15 | 佛山仙湖实验室 | 一种基于灰狼算法的电机参数设计方法及系统 |
CN115659834A (zh) * | 2022-11-10 | 2023-01-31 | 福州大学 | 一种cfrp铣削工艺参数多目标优化方法及系统 |
CN116186826A (zh) * | 2022-11-29 | 2023-05-30 | 清华大学 | 基于数据-力学耦合驱动图神经网络的隔震支座设计方法 |
Non-Patent Citations (5)
Title |
---|
EL-SAYEDM. EL-KENAWY 等: "Advance Artificial Intelligence Technique for Designing Double T-Shaped Monopole Antenna", COMPUTERS, MATERIALS & CONTINUA, vol. 69, no. 03, pages 2983 - 3995 * |
张惠娟 等: "基于GWO-MLP的光伏系统输出功率短期预测模型", 电测与仪表, vol. 59, no. 07, pages 72 - 77 * |
王淑嫱 等: "灰狼算法在PC构件厂选址中的应用研究", 现代电子技术, vol. 44, no. 19, pages 100 - 104 * |
章杜锡 等: "基于神经网络的变电站异常网络流量识别", 信息技术, vol. 44, no. 05, pages 140 - 144 * |
邢燕祯 等: "基于模糊控制的权重决策灰狼优化算法", 计算机系统应用, vol. 27, no. 10, pages 202 - 20 * |
Also Published As
Publication number | Publication date |
---|---|
CN117094064B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiao et al. | An efficient Kriging-based subset simulation method for hybrid reliability analysis under random and interval variables with small failure probability | |
Naser et al. | Evaluating structural response of concrete-filled steel tubular columns through machine learning | |
Elhewy et al. | Reliability analysis of structures using neural network method | |
Novák et al. | ANN inverse analysis based on stochastic small-sample training set simulation | |
Furukawa et al. | An automated system for simulation and parameter identification of inelastic constitutive models | |
Nikoo et al. | Determining the natural frequency of cantilever beams using ANN and heuristic search | |
Lagaros et al. | Neurocomputing strategies for solving reliability‐robust design optimization problems | |
He et al. | Damage detection by a hybrid real-parameter genetic algorithm under the assistance of grey relation analysis | |
Keshtegar et al. | Novel hybrid machine leaning model for predicting shear strength of reinforced concrete shear walls | |
CN114912578B (zh) | 结构响应预测模型的训练方法、装置和计算机设备 | |
Gholizadeh et al. | Optimal seismic design of steel structures by an efficient soft computing based algorithm | |
Horton et al. | Accurate prediction of cyclic hysteresis behaviour of RBS connections using deep learning neural networks | |
Chen et al. | Probabilistic machine-learning methods for performance prediction of structure and infrastructures through natural gradient boosting | |
Hashemi et al. | A machine learning-based surrogate finite element model for estimating dynamic response of mechanical systems | |
Bekdaş et al. | Estimation of optimum design of structural systems via machine learning | |
Lin et al. | Collapse prognosis of a long‐span cable‐stayed bridge based on shake table test and nonlinear model updating | |
YiFei et al. | Metamodel-assisted hybrid optimization strategy for model updating using vibration response data | |
Ni et al. | Deep HystereticNet to predict hysteretic performance of RC columns against cyclic loading | |
Nguyen et al. | Early estimation of the long-term deflection of reinforced concrete beams using surrogate models | |
CN117094064B (zh) | 一种构件的布置参数计算方法、装置、设备及存储介质 | |
Luo et al. | Maximum energy conversion from human motion using piezoelectric flex transducer: A multi-level surrogate modeling strategy | |
Cheng | Serviceability reliability analysis of prestressed concrete bridges | |
CN117252085A (zh) | 基于神经网络与粒子群的斜拉桥索力容差优化方法及系统 | |
Catallo | Genetic anti-optimization for reliability structural assessment of precast concrete structures | |
Rafsanjani et al. | Predictive tri-linear benchmark curve for in-plane behavior of adobe walls |
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 |