多元特征驱动的超高层建筑变形状态智能学习与预测

为实现基于监测数据的结构未来状态可预测，提出了一种多元特征驱动的超高层建筑变形状态智能学习与预测方法。通过信号自适应分解、响应多维特征分析与子信号相关性分析，实现结构响应数据重构与组合，并基于长短时记忆网络(LSTM)进行多通道学习与多步预测。利用上海中心大厦在台风“梅花”作用下的结构顶部水平位移响应实测数据，揭示位移响应数据具有超低频准静态变形与一阶模态控制振动响应的叠加特征以及时域非平稳特性。通过响应数据重构，形成三组具有不同时间尺度、振动幅值和平稳特性的子信号组合。通过3个独立LSTM模型，实现基于300个时间步数据预测未来1～60个时间步的位移响应。结果表明，在控制未来预测时间步长(60个时间步内)的条件下，所提出的数据驱动的学习预测模型能充分学习与预测已知的位移响应数据特征与物理状态，具备较高的预测精度，归一化误差可控制在10%以内，能实现对超高层建筑变形状态的准确实时预测。     

基于大数据深度学习的输电塔结构抗风易损性评估

为了有效预测输电网系统在强风作用下的响应，并开展高效精准的性能评估，文章提出了基于深度学习模型的风致易损性评估框架。以某具备健康监测系统的输电塔结构为例，首先对监测数据进行清洗和重构，通过大数据深度学习建立荷载输入和响应输出的等效映射模型，然后通过数值模拟生成灾害强度均匀的风场数据并由深度学习模型预测输电塔关键杆件响应，计算不同性能水准的易损性曲线。研究结果表明，经训练的深度学习模型可以涵盖实际工程中存在的各类不确定性因素，有效映射复杂风环境下输电塔结构的动力响应。提出的框架方法可以避免单纯通过数值模型制备大量动态响应数据，更高效地进行输电网系统风致易损性评估。     

基于长短期记忆神经网络的空间网格结构损伤预测和评估

以凯威特型(K6)球面网壳为研究对象,研究基于数据驱动的空间网格结构的损伤预测和评估。通过数值模拟得到大气均匀腐蚀作用下结构模态频率的结构健康监测(SHM)模拟数据,基于长短期记忆(LSTM)神经网络,建立了结构损伤预测和评估的深度学习模型。最后,总结了基于LSTM神经网络的空间网格结构损伤预测和评估方法。结果表明:LSTM神经网络可以对SHM数据建立基于数据驱动的深度学习模型,对结构健康状态进行预测和评估。建立的模型在模拟数据上表现良好,具有良好的抗噪性,能很好地拟合SHM模拟数据趋势。利用更新后的数据集重新调整模型,可以达到持续对结构健康状态预测和评估的目的。     

基于Simulink的结构动力响应预测仿真

基于Matlab/Simulink下神经网络工具箱功能进行在地震作用下的结构振动响应预测仿真。利用RBF神经网络对实时地震数据进行动力响应预测,能有效的解决在振动控制中所存在的时滞效应以及测量系统的噪声干扰等问题。通过对计算模型顶层以及标准层的结构动力响应预测结果以及实际结构动力响应结果的对照,证实了使用Simulink下的神经网络功能进行结构响应预测的准确性,并为后续仿真阶段对响应数据采用序列最优控制法进行计算,获得系统控制力奠定基础。     

基于深度学习的土木工程结构全过程响应智能计算框架

为了实现工程结构的准确、高效模拟，提出了完全基于深度学习的结构全过程响应智能计算框架，从数据侧到模型侧综合考虑了结构自身构造信息以及任意加载制度，能够适用于材料、构件甚至是结构体系等多层次力学响应预测问题。并根据结构计算场景特点制定了结构静态特征统一数据接口模式，保真结构原始信息输入，有效减少人工干预。在此基础上，引入了注意力机制与深度交叉网络，提出了结构静态特征表示学习模型PADCN(注意力机制预处理的深度交叉网络，pre-attention deep&cross network),能够兼顾结构静态特征的记忆性与泛化性，挖掘不同构造信息的耦合关系。将PADCN模型与动态特征预测模型Mechformer相集成，并与设计的通用数据接口衔接，形成了端到端数据驱动的结构响应智能计算框架。为验证框架的有效性，以钢板剪力墙结构为载体开展数值试验，其中提出了适用于结构计算领域的数据增广算法，以缓解结构工程数据量匮乏的问题。结果表明：基于该框架的智能模型成功预测了不同构造的钢板剪力墙试件的全过程非线性响应，模拟精度优于精细有限元模型。同时，计算效率为传统数值方法1 000倍以上，证明该智能计...     

钢-混凝土组合框架抗震性能分析

为研究钢-混凝土组合框架在地震作用下动力性能及破坏形式,为钢-混凝土组合框架在地震区的使用提供依据,进行了1/3比例钢管混凝土柱-钢混凝土组合梁组合框架结构模型振动台试验研究。通过试验,得到不同地震烈度下组合框架结构的动力特性、位移响应、加速度响应。应用SAP2000软件对该结构进行不同烈度地震作用下的弹性时程分析和弹塑性时程分析,得到各水准地震作用下结构动力特性和位移反应,分析结构的地震损伤破坏过程及损伤分布情况。     

基于三维隔震的巨子结构多维地震反应分析

为解决高层结构三维隔震的难题,针对一种巨子结构和基于子结构三维隔震的巨子结构进行振动台试验和三维地震作用下的数值分析。首先介绍了巨子结构的原型结构、缩尺模型结构和振动台试验方案。随后进行了模型结构振动台试验,测量和分析了结构的地震响应,并与数值分析结果进行了对比。最后对原型结构进行了三维地震作用下的地震反应数值分析。试验及数值分析结果表明：在子框架底部设置三维隔震支座不同于基础隔震的形式和减震机理,但仍延长了整个结构的水平和竖向自振周期。数值分析结果与试验结果吻合较好,误差较小。隔震子框架对各类场地地震动作用下的主框架三维地震响应具有明显的调谐减震作用。三维隔震支座对各类场地地震动作用下的子框架三维地震响应具有显著的隔震作用。罕遇地震作用下的隔震层位移反应没有超过隔震缝宽,子框架不会与主框架发生碰撞。     

强震作用下高层结构地震响应时程的多步预测

提出了一种结合经验模态分解(EMD)与极限学习机(ELM)的时间序列多步预测方法,对近断层强震作用下弹塑性高层框架结构的顶层加速度和位移响应时程进行了多步预测。首先,利用经验模态分解技术将高层结构非线性、非平稳地震响应分解为一系列具有不同特征尺度的固有模态函数序列(IMFs)。然后,利用极限学习机分别对固有模态函数子序列进行多步预测,再将各子序列的预测值叠加得到最终的预测值。预测结果表明,EMD-ELM预测方法能够高精度地实现强震作用下高层建筑动力响应的多步预测。建筑结构地震响应时程的短期预测可为主动、半主动控制系统预先提供准确的动力响应,从而有利于实现工程结构的在线实时减震控制。     

基于振动台试验超高层框架-核心筒结构抗震性能的研究

为了研究超高层框架-核心筒结构在地震作用下的动力响应及抗震性能,建立了1/50缩尺比例模型,对结构在三种不同地震波作用下的动力响应进行了振动台试验,得到了结构的动力特性、动力响应及结构的破坏形式。利用大型非线性有限元分析软件MSC. Marc对结构进行了有限元分析,与试验数据进行了对比,验证了有限元模型的可行性,并对模型进行了进一步研究。研究表明:在三种不同地震波分别作用下,结构的扭转效应并不明显,结构最大层间位移角分别为1/606,1/267,1/781,均满足规范的层间侧移1/100的限制要求,该结构不存在明显的薄弱层,满足抗震需求。在地震作用下,核心筒部分屈服,框架梁与框架柱未屈服,说明核心筒结构能有效分担超高层结构对抗侧能力的要求,外框架也具有足够的抗震承载力,能够发挥第二道抗震防线的作用。研究结果在高层框架-核心筒结构抗震性能方面具有重要的理论意义。     

基于深度学习方法的沪铜期货价格预测研究

为了提高沪铜期货价格预测的准确性,本文运用深度学习方法中的门控循环单元网络(GRU)、长短期记忆神经网络(LSTM)、卷积神经网络(CNN)三种模型对沪铜期货进行不同频率输入数据的价格预测,结果表明:相比于LSTM神经网络和CNN神经网络,GRU神经网络的预测效果最好。相对于低频数据,高频数据的预测结果更加准确。     

一种基于深度学习的数据预测方法

随着深度学习的发展,基于深度学习的数据预测将发挥至关重要的作用。准确的数据预测结果不仅对系统的调度运行和生产有很大影响,而且有助于提高系统的稳定性和安全性。但在进行多变量时序预测时,传统时间序列方法所预测出的结果误差较大,训练时间也较长。针对以上缺陷,本文使用一种基于深度学习神经网络的多变量时序数据预测方法,该方法基于长短期记忆(LSTM)神经网络,并使用该方法对某地电力负荷值进行预测。通过实验证明本文所提出的方法预测结果较为精准。     

柱端铰型受控摇摆式钢筋混凝土框架抗震性能有限元分析

柱端铰型受控摇摆式钢筋混凝土框架结构（CR-RCFC）是一种新型消能减震结构体系。根据CR-RCFC摇摆机制及其节点构造,建立了CR-RCFC和常规框架的有限元模型,并对其进行地震作用下动力时程分析,得到了不同地震作用下结构的动力特性、加速度响应、位移响应和基底剪力响应,对比分析了CR-RCFC与常规框架的抗震性能,并与振动台试验结果进行对比,验证数值建模及分析结果的正确性。研究结果表明：CR-RCFC结构因节点刚度弱化、抗侧刚度降低,其地震加速度响应比常规框架的小;通过设置层间阻尼器耗能装置使得CR-RCFC结构在地震作用下的结构整体位移得到有效控制;在遭遇罕遇地震作用时,CR-RCFC主体框架保持完好,无明显损伤,抗震性能良好。     

巨型框架多功能减振结构的地震反应分析

这里以一种结构方案为算例,建立巨型框架多功能减振结构的动力计算模型,对其进行了动力时程计算,得出巨型框架多功能减振结构在地震波作用下的动力位移及内力等地震响应。比较巨型框架多功能减振结构和巨型框架抗震结构的动力响应。计算结果表明:巨型框架多功能减振结构具有良好的减振效果,可有效地降低结构的地震响应,是一种较有前途的结构形式。     

悬挂结构在耦合地震下的抗震研究

针对核筒悬挂结构,建立了三维有限元模型,并且考虑材料非线性,在耦合地震的作用下,进行了弹塑性时程分析,得到了结构不同部位各节点的响应。将结果与单维地震作用下的结构响应进行比较,总结了耦合地震作用下悬挂结构响应的规律,对悬挂结构进一步的抗震研究和设计提供参考。     

基于贝叶斯理论的钢-混凝土混合结构试验模型地震损伤分析

采用纤维单元模型对1个3层钢-混凝土混合结构试验模型进行动力弹塑性时程分析,在多条不同地震波作用下,通过数值模拟得到结构的地震需求概率函数,并以此作为结构地震需求的先验概率。基于贝叶斯理论并结合振动台试验数据,更新需求信息,得到模型结构地震需求的后验概率,预测其在不同强度地震作用下的破坏概率。研究结果表明,较小强度地震作用下的数值模拟结果与试验结果吻合较好,强震作用下需基于贝叶斯理论并结合试验数据进行修正,修正后的易损性曲线能够对结构的损伤状态进行更准确的评估。     

SRC异形柱框架地震损伤识别研究

基于型钢混凝土(SRC)异形柱空间框架的振动台试验,获取其加速度响应信号、位移响应信号、应变响应信号,分析其破坏过程。研究结果表明,随着加速度峰值的增大,模型表面裂缝充分发展,梁端纵筋及一层柱脚型钢相继进入屈服状态;SRC异形柱框架的破坏模式呈典型的梁铰破坏机制。采用MATLAB对结构频响函数进行分析,得出结构的一阶和二阶自振频率分别为7.3 Hz和8.0 Hz。基于结构内部损伤与结构频响函数的对应关系,通过对模型结构频响函数产生的变化进行分析,可知结构内部损伤不断发展,自振频率不断降低。基于不同白噪声工况下结构频响函数的变化,对SRC异形柱空间框架在地震作用下的损伤程度进行评估,结果表明,该方法可较好地反映结构在遭遇地震作用时的损伤发展程度。     

基于深度学习理论的隧道变形监测技术研究

以河南省郑西高速栾双段中坪左线隧道实体工程的建设为背景,通过采集隧道建设过程中的沉降、收敛等数据,并结合深度学习理论LSTM神经网络模型进行深度学习,探究了该隧道在施工过程中的变形规律,通过结合现场实测数据进行对比分析验证,得出复杂地质条件下隧道的沉降速度与收敛速度成正相关,并随着时间的推移隧道沉降逐渐减小,且呈现先快后慢的趋势;通过深度学习理论LSTM神经网络模型能够有效的学习隧道采集的样本数据,并能很好的预测复杂地质条件下隧道的变形规律,给隧道的安全施工、运营提供良好的判别依据。     

BRBFs的抗震性能分析

应用ANSYS软件对屈曲约束支撑钢框架(BRBFs)和普通支撑钢框架的抗震性能进行有限元数值模拟,分析了两种结构在基本烈度地震作用下和罕遇地震作用下的层位移、顶层加速度及层间相对位移等结构响应,结果表明,在小震作用下两种结构抗震性能均表现良好,但在罕遇地震作用下普通支撑钢框架由于支撑的平面外失稳,导致整个结构刚度退化,而屈曲约束支撑钢框架则能更加有效地控制结构的侧移,降低结构的地震响应。     

节点局部加强钢框架的抗震性能分析

对节点局部加强的抗弯钢框架的抗震性能进行研究,考虑地震和模型误差。根据已有的研究成果,建立局部加强节点模型,模拟3个按现有标准设计的不同高度的建筑。为反映阶段变化,在性能化地震工程方法中采用增量动力分析。在考虑和不考虑模型误差的两种情况下,对多个响应水平下的结构性能进行概率评估。为进行模型误差分析,将能很好反映结构变化的参数数量设为随机变量。使模型变量在平均值附近变化,进行一系列敏感性增量动力分析,并确定多项式响应面。建立节点响应面,并采用蒙特卡罗模拟,可在不同的结构响应水平下进行全概率性能分析。变更预测性能时模型误差对结构单元研究的影响不大。     

基于卷积神经网络的框架剪力墙结构层间位移角预测

采用机器学习等智能算法预测结构时程响应时,通常将地震动的某项静态指标作为输入来考虑。这种处理方法丢失了地震动记录本身的时程特性。本文提出将地震动记录处理成二维张量来处理其时程信息,以一栋框架剪力墙结构为对象,通过数据集构造、网络模型搭建和参数优化,训练卷积神经网络(CNN)来预测结构的最大层间位移角。此外,还采用人工神经网络(ANN)以及长短时记忆神经网络(LSTM)进行对比分析,研究结果表明：CNN与LSTM能够有效地预测弹性状态下的结构层间位移角,且CNN的预测精度最高,训练耗时最少。