CN117216846B - 钢筋混凝土构件滞回曲线预测方法、系统、设备及介质 - Google Patents
钢筋混凝土构件滞回曲线预测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117216846B CN117216846B CN202311171177.3A CN202311171177A CN117216846B CN 117216846 B CN117216846 B CN 117216846B CN 202311171177 A CN202311171177 A CN 202311171177A CN 117216846 B CN117216846 B CN 117216846B
- Authority
- CN
- China
- Prior art keywords
- hysteresis curve
- model
- prediction
- optimal
- parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000011150 reinforced concrete Substances 0.000 title claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 39
- 238000012790 confirmation Methods 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 64
- 238000012549 training Methods 0.000 claims description 44
- 238000005457 optimization Methods 0.000 claims description 34
- 238000012360 testing method Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000006378 damage Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 19
- 241001673102 Jaya Species 0.000 description 16
- 239000010410 layer Substances 0.000 description 13
- 238000006073 displacement reaction Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012887 quadratic function Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于结构抗震分析与计算领域,并公开了一种钢筋混凝土构件滞回曲线预测方法、系统、设备及介质,包括:获取实验构件参数;将所述实验构件参数输入滞回曲线预测模型进行滞回曲线预测,得到滞回曲线预测结果;所述滞回曲线预测模型包括控制点确认模型和特征提取预测模型;所述特征提取预测模型为机器学习模型;所述控制点确认模型用于确认滞回曲线控制点的数量和位置,所述特征提取预测模型用于获取滞回曲线预测结果。本发明所述技术方案可以不需要按破坏形式进行分类,极大简化了滞回曲线建立流程。
Description
技术领域
本发明属于结构抗震分析与计算领域,特别是涉及钢筋混凝土构件滞回曲线预测方法、系统、设备及介质。
背景技术
地震是一种破坏性极大的自然灾害,它可以对建筑物、桥梁、道路等建设设施造成巨大的损害甚至使之崩塌。因此,如何提高建筑物的抗震能力成为了近年来工程领域研究的热点之一,滞回曲线则是在抗震设计中使用的一种非常重要的评估方法。
滞回曲线是在地震工程中广泛使用的一种曲线,它用来描述建筑物结构在地震作用下的力学响应。更进一步来说,它被用来描述结构体在受到外力作用下,由于内部材料的变形和损伤而产生的非线性力学行为。早期的抗震设计主要采用线性弹性理论来计算建筑物的响应,这种方法基于弹性原理,即假设结构物体在受到地震作用下的变形是线性的,也就是结构物的受力与变形之间存在着线性的关系。这样的计算方法比较简单,但是无法准确描述结构物体的非线性行为,因此难以准确预测结构物体在地震作用下的真实响应。
为了提高抗震设计的准确性,近年来相关研究人员开始使用滞回曲线代替传统的线弹性理论来描述结构物体的非线性响应。滞回曲线可以更准确地描述结构物体的非线性行为,并能够预测结构物体在地震作用下的真实响应,滞回曲线的研究可以帮助结构设计师更好地了解结构物体的性能,并为结构体的抗震设计提供更精确的数据,而现有技术中的滞回曲线研究无法保证在实际抗震预测需求的循环荷载下的预测准确性。
发明内容
本发明的目的是提供一种钢筋混凝土构件滞回曲线预测方法、系统、设备及介质,以解决上述现有技术存在的问题。
为实现上述目的,本发明提供了一种钢筋混凝土构件滞回曲线预测方法,包括:
获取钢筋混凝土的实验构件参数;
将所述实验构件参数输入滞回曲线预测模型进行滞回曲线预测,得到滞回曲线预测结果;所述滞回曲线预测模型包括控制点确认模型和特征提取预测模型;所述特征提取预测模型为机器学习模型;所述控制点确认模型用于确认滞回曲线控制点的数量和位置,所述特征提取预测模型用于获取滞回曲线预测结果。
可选的,所述控制点确认模型包括:控制点数量确认模型和控制点位置确认模型;
通过所述控制点数量确认模型确认滞回曲线控制点的数量,通过所述控制点位置确认模型确认各滞回曲线控制点在滞回曲线中的位置。
可选的,通过所述控制点位置确认模型确认各滞回曲线控制点在滞回曲线中的位置,具体包括:
步骤一:利用贪心算法构建第一目标方程和第二目标方程;
步骤二:基于所述控制点数量构建初始种群,对各目标方程的最佳输入参数和最佳目标函数值进行初始化,并设置迭代次数;
步骤三:结合差分系数获取种群中每个个体的试验输入参数;
步骤四:从所述种群中任选一个当前个体,将当前个体的试验输入参数代入各目标方程中与初始化后的最佳输入参数值和最佳目标函数值进行比较;若所述试验输入参数在两个目标函数值满足在非支配规则以及拥挤距离机制上的更优,则基于当前个体的试验输入参数对最佳输入参数值和最佳目标函数值进行更新;若不满足,则使所述最佳输入参数值和所述最佳目标函数值均保持原值,并进行下一个个体的比较;
步骤五:重复步骤四直至达到迭代次数并输出最佳输入参数值和最佳目标函数值;
步骤六:设定终止条件,基于所述终止条件对所述最佳输入参数和所述最佳目标函数值进行判断,若符合终止条件,输出最优输入参数作为各滞回曲线控制点在滞回曲线中的位置;若不符合终止条件,则返回步骤二。
可选的,所述第一目标方程为实验点围成的面积与控制点围成面积差值的绝对值最小值;
所述第二目标方程为控制点与锚点的距离差值的最小值。
可选的,所述终止条件包括:第一目标方程成功阈值为5.0,第二目标方程成功阈值为锚点面积值的1%,最小成功次数1次,最大失败次数5次;若是两个目标优化函数有一个未达到阈值则失败,此时增大10个种群规模并增大100次迭代次数,若达到最大失败次数则输出过程中的最佳结果。
可选的,所述特征提取预测模型的训练方法,具体包括:
获取训练数据;所述训练数据为所述钢筋混凝土的实验构件参数及对应的预测数据;
获取特征提取预测模型中的模型参数数据,包括学习率参数、分支最大深度参数、L1正则化权重值参数和L2正则化权重值参数;
将所述训练数据分别输入特征提取预测模型进行滞回曲线预测,对特征提取预测模型中各个模型参数数据进行参数随机初始化处理,处理完成后进行初步预测,得到初步预测结果,基于所述初步预测结果使用随机搜索方式自动优化各个模型参数数据,进一步利用XGBoost原理自动选出重要度排名前25的实验构件参数以进行特征选择,特征选择完成后进一步使用随机搜索的方式得出特征选择后的最优模型参数,基于所述最优模型参数对特征提取预测模型进行训练,基于训练结果对所述训练数据进行扩充,得到扩充后的训练数据,利用扩充后的训练数据对特征提取预测模型进行二次训练,并以二次训练结果与所述扩充后的训练数据对应的预测数据之间的平方损失函数最小为目标,进行训练,得到所述特征提取预测模型。
一种钢筋混凝土构件滞回曲线预测系统,包括:
数据采集模块,用于获取实验构件参数;
滞回曲线预测模块,用于将所述实验构件参数输入滞回曲线预测模型进行滞回曲线预测,得到滞回曲线预测结果;所述滞回曲线预测模型包括控制点确认模型和特征提取预测模型;所述特征提取预测模型为机器学习模型;所述控制点确认模型用于确认滞回曲线控制点的数量和位置,所述特征提取预测模型用于获取滞回曲线预测结果。
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行所述的钢筋混凝土构件滞回曲线预测方法。
一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现钢筋混凝土构件滞回曲线预测方法。
本发明的技术效果为:
本发明公开了钢筋混凝土构件滞回曲线预测方法、系统、设备及介质,其中方法包括:获取实验构件参数;将所述实验构件参数输入滞回曲线预测模型进行滞回曲线预测,得到滞回曲线预测结果;所述滞回曲线预测模型包括控制点确认模型和特征提取预测模型;所述特征提取预测模型为机器学习模型;所述控制点确认模型用于确认滞回曲线控制点的数量和位置,所述特征提取预测模型用于获取滞回曲线预测结果。
本发明利用了多目标优化和机器学习的方法使得准确性有了很大提升,并且基于本发明建模可以不需要按破坏形式进行分类,极大简化了滞回曲线建立流程。
本发明提出了一种新的表征滞回环形状的思路,并借助机器学习强大的拟合能力直接确定滞回环的控制点;在确定滞回环控制点的过程中,巧妙运用了多目标优化算法进行控制点定位,与此同时还引入了贪心算法显著提高了定位速度及准确率;本发明建立的预测模型具有比现有的BWBN模型、IMK模型以及修正IMK模型更高的预测精度;本发明提出的预测模型具有强大的可拓展性;通过增加控制点即可得到接近精确的预测曲线。因此该模型的适用范围将不再仅局限于钢筋混凝土构件,对于其它类型的结构构件(如钢管/型钢混凝土柱、FRP增强混凝土柱等)也将具有良好的适应性;本发明提供的预测模型无需先判断构件破坏方式,因此比已有的基于机器学习的滞回曲线预测模型更为简便和通用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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。
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中的单层滞回环控制点分布位置示意图;
图2为本发明实施例中的第一圈滞回环改进版模型示意图;
图3为本发明实施例中的单个滞回环中控制点A的定位的优化目标示意图;
图4为本发明实施例中的单个滞回环中控制点C的定位的优化目标示意图;
图5为本发明实施例中的单个滞回环中控制点C1的定位的优化目标示意图;
图6为本发明实施例中的单个滞回环中控制点D的定位的优化目标示意图;
图7为本发明实施例中的单个滞回环中控制点E的定位的优化目标示意图;
图8为本发明实施例中的单个滞回环中控制点G的定位的优化目标示意图;
图9为本发明实施例中的单个滞回环中控制点G1的定位的优化目标示意图;
图10为本发明实施例中的单个滞回环中控制点H的定位的优化目标示意图;
图11为本发明实施例中的完整滞回曲线效果图;
图12为本发明实施例中的预测流程图。
具体实施方式
现详细说明本发明的多种示例性实施方式,该详细说明不应认为是对本发明的限制,而应理解为是对本发明的某些方面、特性和实施方案的更详细的描述。
应理解本发明中所述的术语仅仅是为描述特别的实施方式,并非用于限制本发明。另外,对于本发明中的数值范围,应理解为还具体公开了该范围的上限和下限之间的每个中间值。在任何陈述值或陈述范围内的中间值以及任何其他陈述值或在所述范围内的中间值之间的每个较小的范围也包括在本发明内。这些较小范围的上限和下限可独立地包括或排除在范围内。
除非另有说明,否则本文使用的所有技术和科学术语具有本发明所述领域的常规技术人员通常理解的相同含义。虽然本发明仅描述了优选的方法,但是在本发明的实施或测试中也可以使用与本文所述相似或等同的任何方法。本说明书中提到的所有文献通过引用并入,用以公开和描述与所述文献相关的方法。在与任何并入的文献冲突时,以本说明书的内容为准。
在不背离本发明的范围或精神的情况下,可对本发明说明书的具体实施方式做多种改进和变化,这对本领域技术人员而言是显而易见的。由本发明的说明书得到的其他实施方式对技术人员而言是显而易见的。本申请说明书和实施例仅是示例性的。
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等,均为开放性的用语,即意指包含但不限于。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例一
如图1-图12所示,本实施例中提供了一种钢筋混凝土构件滞回曲线预测方法,包括:获取实验构件参数;
将所述实验构件参数输入滞回曲线预测模型进行滞回曲线预测,得到滞回曲线预测结果;所述滞回曲线预测模型包括控制点确认模型和特征提取预测模型;所述特征提取预测模型为机器学习模型;所述控制点确认模型用于确认滞回曲线控制点的数量和位置,所述特征提取预测模型用于获取滞回曲线预测结果。
一种钢筋混凝土构件滞回曲线预测系统,包括:
数据采集模块,用于获取实验构件参数;
滞回曲线预测模块,用于将所述实验构件参数输入滞回曲线预测模型进行滞回曲线预测,得到滞回曲线预测结果;所述滞回曲线预测模型包括控制点确认模型和特征提取预测模型;所述特征提取预测模型为机器学习模型;所述控制点确认模型用于确认滞回曲线控制点的数量和位置,所述特征提取预测模型用于获取滞回曲线预测结果。
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行所述的钢筋混凝土构件滞回曲线预测方法。
一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现钢筋混凝土构件滞回曲线预测方法。
钢筋混凝土构件滞回曲线的模拟在结构抗震分析与计算中始终处于重要位置。本实施例依据传统的Ibarra-Medina-Krawinkler(IMK)模型,提出了一种新的基于Jaya多目标优化与XGBoost梯度提升算法的钢筋混凝土构件滞回行为预测模型,并将其命名为ML-guiding IMK模型。本实施例采用了美国土木工程师协会建立的包含441个钢筋混凝土柱低周往复试验结果的数据库,对所述ML-guiding IMK模型进行训练、验证及测试。ML-guidingIMK模型首先确定了滞回曲线每一圈的12个控制点,然后利用Jaya多目标优化确定每组数据各控制点的具体位置,最后使用XGBoost进行特征提取后,取前25个特征参数进行机器学习训练。本实施例随后将ML-guiding IMK模型、BWBN模型,IMK模型以及修正IMK模型的预测结果与试验结果进行了比较,证明了ML-guiding IMK模型具备更加优良的预测性能。
本实施例提出了一种新的表征滞回环形状的思路,并借助机器学习强大的拟合能力直接确定滞回环的控制点;在确定滞回环控制点的过程中,巧妙运用了Jaya多目标优化算法进行控制点定位,与此同时还引入了贪心算法显著提高了定位速度及准确率;本实施例建立的ML-guiding IMK模型具有比现有的BWBN模型、IMK模型以及修正IMK模型更高的预测精度;本实施例提出的ML-guiding IMK模型具有强大的可拓展性。理论上只要有足够优质的数据集,通过增加控制点即可得到接近完美的预测曲线。因此该模型的适用范围将不再仅局限于钢筋混凝土构件,对于其它类型的结构构件(如钢管/型钢混凝土柱、FRP增强混凝土柱等)也将具有良好的适应性;ML-guiding IMK模型无需先判断构件破坏方式,因此比已有的基于机器学习的滞回曲线预测模型更为简便和通用。
本实施例的数据库包括美国工程师协会441组实验数据,每组数据中总共有57个实验构件参数。在实验构件参数中,有34个是可以在实验前直接测量得到的数据,并且再补充每一圈加载的正向和负向最大位移作为XGBoost机器学习的输入参数。在每组数据的滞回曲线图中,原始数据由若干位移-力坐标点表示,不同组之间坐标点数量,滞回环数量都不一样,因此滞回曲线的规律只能由每一圈滞回环的形态特征得出。
本模型舍弃了用于控制整体形态的骨架曲线,而是采用了每一层增加固定控制点坐标的方案,具体的控制点位置采用多目标Jaya优化算法来确定。
本实施例的控制点都是基于滞回曲线本身的形态和多目标Jaya优化算法确定的,能有明确的数学上的依据用于取代经验公式,基于本实施例的数据库集,本模型采用了A,B,B1,C,C1,D,E,F,F1,G,G1,H一共十二个控制点来进行模型的构建。图1展示了单层滞回环控制点分布位置示意图。
在进行控制点具体位置的确定前,首先需要定义Jaya多目标优化方案,本实施例采用的目标优化的第一以及第二函数分别是对锚点的距离差值的最小值和对指定区域的面积差值的绝对值最小值,采用的种群规模为50,迭代次数为100,差分系数0.4。另外设置了目标达成条件为第一目标函数成功阈值为5.0,第二目标函数成功阈值为锚点面积值的1%,最小成功次数1次,最大失败次数5次,若是两个目标优化函数有一个未达到阈值则Jaya失败,此时增大10个种群规模并增大100次迭代次数,若达到最大失败次数则输出过程中的最佳结果。以上参数都在Python程序编程中设置成了可以根据实际情况进行调整的,以此来取舍实验中的速度和精度。
采用了贪心算法的思想进行优化。贪心算法是常用的一种求解最优解方法,该方法通过将单个求解过程分解为若干求解过程,对每一个拆分的求解过程求取对应最优解(即局部最优解),并利用拆分的各局部最优解的推导出全局最优解。此处的全局最优包括两个角度的考量:第一个是实验点围成的面积与控制点围成面积差值的绝对值最小值,第二个是控制点与实验图像边界偏移距离最小值。而拆分后的将12个控制点拆分成每三个控制点优化两个目标函数,它们分别为实验点围成的面积与控制点围成面积差值的绝对值最小值,控制点与锚点的距离差值最小值,另外还将无约束Jaya改进为有约束Jaya进行控制点的位置限制,以此保证图像不失真且能够缩小判断范围,提高运行速度。以上做法的好处是可以极大的减少运行时间,经过此改进后能将单个滞回环由10分钟降低到2秒,并能够极大地提高滞回环拟合的准确率。
所述控制点确认模型包括:控制点数量确认模型和控制点位置确认模型;
通过所述控制点数量确认模型确认滞回曲线控制点的数量,通过所述控制点位置确认模型确认各滞回曲线控制点在滞回曲线中的位置。
可选的,通过所述控制点位置确认模型确认各滞回曲线控制点在滞回曲线中的位置,具体包括:
步骤一:利用贪心算法构建第一目标方程和第二目标方程;
步骤二:基于所述控制点数量构建初始种群,对各目标方程的最佳输入参数和最佳目标函数值进行初始化,并设置迭代次数进行种群迭代;
步骤三:结合差分系数获取种群中每个个体的试验输入参数;
式中,i,j,k分别代表各组迭代,变量和候选解对应的标识;
步骤四:从所述种群中任选一个当前个体,将当前个体的试验输入参数代入各目标方程中与初始化后的最佳输入参数值和最佳目标函数值进行比较;若所述试验输入参数在两个目标函数值满足在非支配规则以及拥挤距离机制上的更优,则基于当前个体的试验输入参数对最佳输入参数值和最佳目标函数值进行更新;若不满足,则使所述最佳输入参数值和所述最佳目标函数值均保持原值,并进行下一个个体的比较;
计算最佳目标函数值的过程为:将所述初始种群和所述拟反向种群进行合并,并计算合并后种群的约束支配排序、非约束支配排序和拥挤距离;基于合并后种群的约束支配排序、非约束支配排序和拥挤距离对目标方程的解进行标识,得到目标方程的第一最优解和第一最差解;
对所述第一最优解和所述第一最差解进行调整迭代,得到第二最优解和第二最差解;
对各个解进行合并处理,并计算合并处理后的各个解的约束支配排序、非约束支配排序和拥挤距离;
设定终止条件,基于所述终止条件对合并处理后的各个解的约束支配排序、非约束支配排序和拥挤距离进行判断,若各个解符合终止条件,输出最优解;若各个解不符合终止条件,则返回步骤二;
步骤六:设定终止条件,基于所述终止条件对所述最佳输入参数和所述最佳目标方程值进行判断,若符合终止条件,输出最优解作为各滞回曲线控制点在滞回曲线中的位置;若不符合终止条件,则返回步骤二。
在ML-guiding IMK滞回曲线模型中,需要注意的是,为了使用多目标优化Jaya算法确定各控制点具体位置,确定顺序并非是严格按照顺时针进行的。首先确定的是控制点B,其与正方向力峰值点对应的锚点重合,然后除了第一圈要显式加入原点以外,其余滞回曲线圈层需要隐式找到每一圈起始锚点O点。
接着利用与滞回曲线OB弧段上与线段OB最远距离确定曲线上控制点A对应的锚点A’,确认A点的方案是利用A与A’距离最小值为多目标Jaya优化的第一优化目标函数,三角形OBA’与三角形OBA面积差值的绝对值作为第二优化目标函数进行控制点A的定位。示意图如图3所示:
接着控制点B1与正方向位移最大点对应锚点重合。然后利用多目标Jaya优化确定C点,锚点C’为横轴正向零点,多目标Jaya优化的第一目标函数为C与C’距离差值,第二目标函数为三角形OBC与三角形OBC’面积差值绝对值,示意图如图4所示:
接着,C1的锚点为B1与C的连成线段与弧B1C上最远距离点C1’,多目标Jaya优化的第一优化目标函数为C1与C1’的距离,第二优化目标函数为三角形B1C1C与三角形B1C1’C的面积差值绝对值,示意图如图5所示:
然后控制点D的锚点为纵轴负方向零点D’,第一目标函数为D与D’的距离,第二目标函数为三角形OCD与三角形OCD’的面积差值绝对值,示意图如图6所示:
接着在反方向加载上,点F和点F1分别为负方向力最大值点和负方向位移最大值点,二者皆与锚点重合。
然后利用线段DF在弧段DF上最远点确定锚点E,多目标Jaya优化的第一目标函数为E与E’的距离,第二目标函数为三角形DEF与三角形DEF’的面积差值绝对值,示意图如图7所示:
然后确定点G的锚点于横轴负轴交点G’,多目标Jaya优化的第一目标函数为G与G’的距离,第二目标函数为三角形ODG与三角形ODG’的面积差值绝对值,示意图如图8所示:
接下来利用线段GF1在弧段GF1上最远点确定锚点G1’,多目标Jaya优化的第一目标函数为G1与G1’的距离,第二目标函数为三角形GF1G1与三角形GF1G1’的面积差值绝对值,示意图如图9所示:
最后确定本圈层的最后一点H,其锚点位于纵轴的正半轴交点H’,多目标Jaya优化的第一目标函数为H与H’的距离,第二目标函数为三角形OGH与三角形OGH’的面积差值绝对值。除最后一圈以外,其余每一圈滞回曲线的H点都与下一圈的A点相连,示意图如图10所示:
对于一些特殊情况的处理如下,若正方向力峰值点与位移峰值点重合,则B与B1点重合,反方向同理F与F1重合。在最后一层可能出现滞回曲线不完整或者规律性较弱的圈层情况,此时对应处理方式是让最后一个对应位置控制点以后的其余控制点与之重合即可。
基于以上的思想,将第一圈滞回环扩展到整个循环滞回曲线后完整滞回曲线图如图11所示;
为了对效果的优劣进行量化,本实施例参考滞回曲线评价方法使用了以下三个指标:
式中Sexp,Smodel分别表示实验测得滞回曲线面积和ML-guiding IMK滞回曲线模型得到的面积。V2,V3分别为横轴和纵轴的捏缩控制点均方根误差,Nd为总圈层数量,分别为实验测得滞回曲线和ML-guiding IMK滞回曲线模型对应圈层的位移和力对应横纵轴的交点,即控制点C,G,D,H。/>分别为实验测得滞回曲线最后一层的横纵轴交点。
基于以上评判标准,对所有得出的滞回曲线图进行评价可以得到表1的结果:表1为本模型评价结果;
表1
机器学习的输入参数包括所有可以不进行加载实验便可以获取的34参数以及前六层每层设定的位移正向和负向最大值点一共46个参数,34个输入参数信息如表2所示:
表2
输出参数为各层的目标控制点坐标,六层一共72个控制点,除去固定为0的每层C点横坐标,D点纵坐标,G点横坐标和H点纵坐标,一共有120个输出参数。本实施例以6个六层滞回曲线图作为测试集,其余滞回曲线图作为训练集进行训练。
由于本实施例可以获得的数据集数量较少,作为小数据集训练,本实施例采用了数据增强以及特征选择方式进行处理。数据增强方式指的是将训练集使用模型训练后数据再加入训练集对数据集进行扩充,经历一次扩充后训练集数据翻倍,本次实验使用两次扩充使得原有数量级的训练集扩展至数量级。特征选择是使得实验改进成输出参数量无关的关键方法,具体做法是对每一个输出参数单独使用特征提取后,各自选出重要度前25的参数用于进行再次训练,因此可以使得输出参数量多少与结果准确度无关,具体对每个输出参数训练流程如下:
根据XGBoost训练原理,训练策略采用了先随机初始化学习率,分支最大深度,L1正则化权重和L2正则化权重值四个参数,初步得出结果后使用随机搜索方式自动优化上述参数,再利用XGBoost自动选出重要度排名前25的参数以进行特征选择,然后再次使用随机搜索的方式找出特征选择后的最优参数进行最终训练。
每一次XGBoost训练有159个输入参数,1个输出参数,,每个输出参数对应预测的图1中的12个点中某个点的横坐标或纵坐标,经过数次XGBoost训练将所有坐标得出。
在一次XGBoost训练过程中,超参数(即预设参数)为学习率,分支最大深度,L1正则化权重和L2正则化权重值四个参数。迭代轮数固定设定为50次。具体训练流程如下:
XGBoost的输入为预测值和真实值(即预测输出参数和真实输出参数)之间损失函数以及正则化项Ω(fk)之和,整体目标函数可记为:
其中是线性空间上的目标函数表达式,i为第i个样本,k为第k棵树,/>是第i个样本xi的预测值即真实坐标值,yi即预测坐标值;Ω(fk)正则化项这里采用的是L1正则化+L2正正则化,即/>n和m为权重;
转换后的目标函数:
得到目标函数后会用三步对XGBoost的目标函数进行优化。首先第一步是对在/>处进行二阶泰勒展开,以此去除常数项,优化损失函数项得:
式中为x的一阶导,/>为x的二阶导。第二步正则项展开移除常数项,即将常数项/>移除,又因为对于第t棵树来说,前t-1棵树的结构已经确定即/>也为常数项可以移除,经此化简后可得:
下一步对一次项和二次项系数进行合并,设Gj和Hj分别为叶子节点j包含样本的一阶偏导数累加之和及二阶偏导数累加之和,权重wj=ft(xi),复杂度用叶子节点数量与L2范式和代替即
根据上式可得每个叶子节点j的目标函数为一个关于wj的一元二次函数:
根据一元二次函数凹凸性质可知函数f(wj)开口像下,并且在处取得最小值,并代入计算可得最小值/>此时目标值Obj最小,因此在这个时候可以得到最优解。又因为各目标函数叶子节点计算式相互独立,故而可以在各叶子节点分别取得最优时推得全局最优。
以上所述,仅为本申请较佳的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种钢筋混凝土构件滞回曲线预测方法,其特征在于,包括:
获取钢筋混凝土的实验构件参数;
将所述实验构件参数输入滞回曲线预测模型进行滞回曲线预测,得到滞回曲线预测结果;所述滞回曲线预测模型包括控制点确认模型和特征提取预测模型;所述特征提取预测模型为机器学习模型;所述控制点确认模型用于确认滞回曲线控制点的数量和位置,所述特征提取预测模型用于获取滞回曲线预测结果;
所述控制点确认模型包括:控制点数量确认模型和控制点位置确认模型;
通过所述控制点数量确认模型确认滞回曲线控制点的数量,通过所述控制点位置确认模型确认各滞回曲线控制点在滞回曲线中的位置;
通过所述控制点位置确认模型确认各滞回曲线控制点在滞回曲线中的位置,具体包括:
步骤一:利用贪心算法构建第一目标方程和第二目标方程;
步骤二:基于所述控制点数量构建初始种群,对各目标方程的最佳输入参数和最佳目标函数值进行初始化,并设置迭代次数;
步骤三:结合差分系数获取种群中每个个体的试验输入参数;
步骤四:从所述种群中任选一个当前个体,将当前个体的试验输入参数代入各目标方程中与初始化后的最佳输入参数值和最佳目标函数值进行比较;若所述试验输入参数在两个目标函数值满足在非支配规则以及拥挤距离机制上的更优,则基于当前个体的试验输入参数对最佳输入参数值和最佳目标函数值进行更新;若不满足,则使所述最佳输入参数值和所述最佳目标函数值均保持原值,并进行下一个个体的比较;
步骤五:重复步骤四直至达到迭代次数并输出最佳输入参数值和最佳目标函数值;
步骤六:设定终止条件,基于所述终止条件对所述最佳输入参数和所述最佳目标函数值进行判断,若符合终止条件,输出最优输入参数作为各滞回曲线控制点在滞回曲线中的位置;若不符合终止条件,则返回步骤二;
所述特征提取预测模型的训练方法,具体包括:获取训练数据;所述训练数据为所述钢筋混凝土的实验构件参数及对应的预测数据;
获取特征提取预测模型中的模型参数数据,包括学习率参数、分支最大深度参数、L1正则化权重值参数和L2正则化权重值参数;
将所述训练数据分别输入特征提取预测模型进行滞回曲线预测,对特征提取预测模型中各个模型参数数据进行参数随机初始化处理,处理完成后进行初步预测,得到初步预测结果,基于所述初步预测结果使用随机搜索方式自动优化各个模型参数数据,进一步利用XGBoost原理自动选出重要度排名前25的实验构件参数以进行特征选择,特征选择完成后进一步使用随机搜索的方式得出特征选择后的最优模型参数,基于所述最优模型参数对特征提取预测模型进行训练,基于训练结果对所述训练数据进行扩充,得到扩充后的训练数据,利用扩充后的训练数据对特征提取预测模型进行二次训练,并以二次训练结果与所述扩充后的训练数据对应的预测数据之间的平方损失函数最小为目标,进行训练,得到所述特征提取预测模型。
2.根据权利要求1所述的钢筋混凝土构件滞回曲线预测方法,其特征在于,
所述第一目标方程为实验点围成的面积与控制点围成面积差值的绝对值最小值;
所述第二目标方程为控制点与锚点的距离差值的最小值。
3.根据权利要求1所述的钢筋混凝土构件滞回曲线预测方法,其特征在于,
所述终止条件包括:第一目标方程成功阈值为5.0,第二目标方程成功阈值为锚点面积值的1%,最小成功次数1次,最大失败次数5次;若是两个目标优化函数有一个未达到阈值则失败,此时增大10个种群规模并增大100次迭代次数,若达到最大失败次数则输出过程中的最佳结果。
4.一种钢筋混凝土构件滞回曲线预测系统,应用于权利要求1-3中任一项所述的钢筋混凝土构件滞回曲线预测方法,其特征在于,包括:
数据采集模块,用于获取实验构件参数;
滞回曲线预测模块,用于将所述实验构件参数输入滞回曲线预测模型进行滞回曲线预测,得到滞回曲线预测结果;所述滞回曲线预测模型包括控制点确认模型和特征提取预测模型;所述特征提取预测模型为机器学习模型;所述控制点确认模型用于确认滞回曲线控制点的数量和位置,所述特征提取预测模型用于获取滞回曲线预测结果。
5.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1-3中所述的钢筋混凝土构件滞回曲线预测方法。
6.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-3中所述的钢筋混凝土构件滞回曲线预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311171177.3A CN117216846B (zh) | 2023-09-12 | 2023-09-12 | 钢筋混凝土构件滞回曲线预测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311171177.3A CN117216846B (zh) | 2023-09-12 | 2023-09-12 | 钢筋混凝土构件滞回曲线预测方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117216846A CN117216846A (zh) | 2023-12-12 |
CN117216846B true CN117216846B (zh) | 2024-04-19 |
Family
ID=89038204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311171177.3A Active CN117216846B (zh) | 2023-09-12 | 2023-09-12 | 钢筋混凝土构件滞回曲线预测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117216846B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112854513A (zh) * | 2021-01-13 | 2021-05-28 | 东南大学 | 一种粘滞阻尼器力学性能系数及滑移识别方法 |
CN113111416A (zh) * | 2021-04-07 | 2021-07-13 | 同济大学 | 基于数据驱动的钢筋混凝土结构地震损伤量化评估方法 |
CN113450333A (zh) * | 2021-06-30 | 2021-09-28 | 哈尔滨工业大学 | 基于机器学习的钢筋混凝土柱地震损伤程度评估方法 |
CN114139809A (zh) * | 2021-12-03 | 2022-03-04 | 国网河南省电力公司经济技术研究院 | 基于XGBoost电力系统动态频率响应曲线预测方法及系统 |
CN115183969A (zh) * | 2022-06-30 | 2022-10-14 | 上海材料研究所 | 一种bwbn模型的参数估计方法及系统 |
CN115659813A (zh) * | 2022-10-31 | 2023-01-31 | 华南理工大学 | 采用改进钢筋恢复力模型的抗震分析方法 |
CN116204957A (zh) * | 2023-02-16 | 2023-06-02 | 同济大学建筑设计研究院(集团)有限公司 | 基于OpenSees的小跨高比连梁滞回特性预测方法及存储介质 |
CN116702303A (zh) * | 2023-08-08 | 2023-09-05 | 合肥工业大学 | 一种桥墩骨架曲线解析方法、系统和存储介质 |
-
2023
- 2023-09-12 CN CN202311171177.3A patent/CN117216846B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112854513A (zh) * | 2021-01-13 | 2021-05-28 | 东南大学 | 一种粘滞阻尼器力学性能系数及滑移识别方法 |
CN113111416A (zh) * | 2021-04-07 | 2021-07-13 | 同济大学 | 基于数据驱动的钢筋混凝土结构地震损伤量化评估方法 |
CN113450333A (zh) * | 2021-06-30 | 2021-09-28 | 哈尔滨工业大学 | 基于机器学习的钢筋混凝土柱地震损伤程度评估方法 |
CN114139809A (zh) * | 2021-12-03 | 2022-03-04 | 国网河南省电力公司经济技术研究院 | 基于XGBoost电力系统动态频率响应曲线预测方法及系统 |
CN115183969A (zh) * | 2022-06-30 | 2022-10-14 | 上海材料研究所 | 一种bwbn模型的参数估计方法及系统 |
CN115659813A (zh) * | 2022-10-31 | 2023-01-31 | 华南理工大学 | 采用改进钢筋恢复力模型的抗震分析方法 |
CN116204957A (zh) * | 2023-02-16 | 2023-06-02 | 同济大学建筑设计研究院(集团)有限公司 | 基于OpenSees的小跨高比连梁滞回特性预测方法及存储介质 |
CN116702303A (zh) * | 2023-08-08 | 2023-09-05 | 合肥工业大学 | 一种桥墩骨架曲线解析方法、系统和存储介质 |
Non-Patent Citations (2)
Title |
---|
"基于机器学习的腐蚀RC柱抗震性能研究";郭昱良;《硕士电子期刊》;第2020卷(第02期);第4章 * |
"所述特征提取预测模型用于获取滞回曲线预测结果";韩小雷 等;《工程力学》;第38卷(第11期);第160-168页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117216846A (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104316341A (zh) | 一种基于bp神经网络的地下结构损伤识别方法 | |
Perera et al. | Structural crack detection without updated baseline model by single and multiobjective optimization | |
RU2404418C1 (ru) | Способ определения параметров моделей грунтов и материалов | |
CN106909738B (zh) | 一种模型参数辨识方法 | |
CN111950180A (zh) | 一种缆索承重桥梁结构体系可靠度分析方法及系统 | |
Tafakori et al. | Probabilistic seismic loss estimation via endurance time method | |
Cheng et al. | Application of the response surface methods to solve inverse reliability problems with implicit response functions | |
Carbas et al. | Optimum design of steel space frames via bat inspired algorithm | |
CN117216846B (zh) | 钢筋混凝土构件滞回曲线预测方法、系统、设备及介质 | |
Zhao et al. | Determining geomechanical parameters and a deformation uncertainty analysis of the Longtan Hydropower Station slope, China | |
Karimpour et al. | Identification of structural parameters and boundary conditions using a minimum number of measurement points | |
Benyahi et al. | Nonlinear analysis and reliability of metallic truss structures | |
CN113642785B (zh) | 基于先验信息的空间碎片轨道长期预报方法、系统及设备 | |
CN113688465B (zh) | 一种基于载荷与状态结合的飞行器结构强度数字孪生方法 | |
CN114491730A (zh) | 一种高速铁路路基结构动力安定分析迭代方法及装置 | |
Seo et al. | Evaluation of applicability of 1D-CNN and LSTM to predict horizontal displacement of retaining wall according to excavation work | |
Li et al. | Prediction error method‐based second‐order structural identification algorithm in stochastic state space formulation | |
Al-Mosawe et al. | Accelerating reliability analysis of deteriorated simply supported concrete beam with a newly developed approach: MCS, FORM and ANN | |
CN117421816B (zh) | 一种构筑物的长期变形智能预测方法及装置 | |
CN117436160A (zh) | 面向大坝变形的多点监测互验拟合方法、装置及存储介质 | |
Mei | Structural hybrid simulation with model updating of material constitutive model | |
Mucha et al. | Metamodeling as a model order reduction technique in hybrid simulation using RTFEM | |
Ding et al. | Finite element model updating based on direct optimization technique | |
Park et al. | CNN-based model updating for structures by direct use of dynamic structural response measurements | |
Mohammadi et al. | Finding Reliable Identification Results for Nonlinear SDOF Systems, based on Sensitivity Analyses |
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 |