基于深度学习的剪力墙纤维单元参数选择

发布时间：2020-09-22 09:14

　　基于性能的抗震设计方法依赖于准确的结构弹塑性分析,进而依赖于准确的构件模拟结果。目前,纤维单元因计算效率高而被广泛应用于结构弹塑性计算中。对于杆系构件,如梁、柱等,其纤维单元参数选择的规律具有通用性,模拟精度较高。但是,对于剪力墙构件,其纤维单元参数选择的规律不具备通用性,难以确定合适的单元参数,导致模拟精度较低。本质上,剪力墙纤维单元参数选择是优化问题,即寻求控制参数和纤维单元参数的最优映射关系。而深度学习通过多层感知结构回归数据隐含规律,具有优异的特征学习能力,适用于解决剪力墙纤维单元参数选择问题。本文基于大量剪力墙滞回试验数据,创新性地采用深度学习对控制参数与单元参数之间的数值关系进行回归,通过深度神经网络准确预测剪力墙纤维单元参数,极大地提高了剪力墙构件弹塑性分析的精度。主要研究工作和成果如下:(1)收集共256份剪力墙试验数据,基于非关系型数据库Mongo DB构造标签数据库,根据目前纤维单元参数选择的经验和方法,通过Open SEES对数据库中所有试件建立MVLEM单元进行弹塑性分析,评估目前纤维单元模拟误差。统计结果显示,模拟结果误差较大,各特征点平均相对误差距离约为18%,且模拟结果的峰值点侧向承载力偏低,相对误差绝对值均值达到16%左右。同时,模拟滞回曲线下降段不明显,存在高估剪力墙延性的现象;(2)优化纤维单元参数,通过人为调参将目前试验结果转换为纤维单元参数标签数据,用于训练深度神经网络。同时,根据优化后的纤维单元参数,对试验数据库中的所有试件进行弹塑性分析,评估模拟误差。统计结果显示,优化结果各特征点的平均相对误差距离约8%。峰值点位移角相对误差绝对值均值约2%,而极限点位移角相对误差绝对值均值约5%;峰值点侧向承载力仍低于试验值,相对误差绝对值均值约7%,极限点侧向承载力相对误差绝对值均值约4%;(3)基于全连接层,设计适用于剪力墙纤维单元参数选择的深度前馈网络模型。模型共5层全连接层,接受26个独立的控制参数作为输入和28个独立的单元参数作为输出,隐藏层为3层,节点数分别为128、128和64。为抑制过拟合和提高收敛效率,采取早停措施和使用一种特殊的特征缩放方法;(4)基于优化纤维单元参数,训练深度前馈网络模型,通过分析训练集、验证集误差和统计测试集预测模拟结果,对模型的泛化能力进行评估。同时,基于该模型对剪力墙控制参数和纤维单元参数进行敏感性分析,复核结构概念。评估结果显示,深度前馈网络模型训练效果良好,无过拟合。训练集均方差仅4×10-4,验证集均方差仅7.5×10-3。误差分析结果显示,各特征点的位移角相对误差绝对值均值约7%,侧向承载力相对误差绝对值均值约10%,平均相对误差距离约13%,极大地降低弹塑性分析的误差。预测结果基本符合结构概念,泛化能力强,但极小概率存在模拟精度降低的情况。
【学位单位】：华南理工大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TU398.2
【部分图文】：

过程图,弹塑性分析,纤维,过程

华南理工大学硕士学位论文模型，评估不同剪跨比、轴压比和配筋率对塑性铰长度的影响，进而回归分析对塑性铰长度影响，提出多参数综合影响下的塑性铰长度计算模型。本文研究思路和内容基于纤维单元对构件或结构进行弹塑性分析的过程如图 1-1 所示。可见，第一参数确定纤维单元参数的过程，影响着后续建模和结果的精度，对于剪力墙构不例外。但是通过相关课题的研究现状可知，目前剪力墙纤维单元参数的选择为主，缺乏通用的单元参数选择方法，使得基于纤维单元的剪力墙构件弹塑性较大。

单元参数,纤维,神经网络训练,优化过程

第一章绪论人为调整纤维单元参数，使得模拟结果与试验结果相近，从而获得优化纤维单元参数，以此作为模型训练的标签数据，本文称这部分工作为纤维单元优化。同时，用于回归构件控制参数和纤维单元参数的深度神经网络可采用深度前馈网络模型，本文将基于常规设计方法对模型进行设计。最后，基于所设计的深度前馈网络模型，输入剪力墙构件控制参数，输出纤维单元参数，通过对预测值和优化纤维单元参数标签数据之间产生的误差进行反向传播来训练模型。最后，通过训练收敛的深度前馈网络模型，实现根据不同控制参数直接预测得到纤维单元参数的目标，达到本文的研究目的。

章节,相互关系,结构意义,拟解

10图 1-3 本文研究内容及章节相互关系中，拟解决以下三个关键性问题：经网络模型的设计对训练收敛与否以及收敛速度都经网络，保证训练过程能良好收敛，防止出现过拟合经网络所反映的特征和规律应具有一定的结构意义识的引入量需要进行权衡，不宜过多导致训练结果趋练结果与所掌握的结构概念相左，不易理解和应用。

【参考文献】