基于多任务迁移学习的钢混抗弯框架地震响应预测研究

《Soil Biology and Biochemistry》：Multi-task transfer learning for seismic response prediction across steel and concrete moment-resisting frames

本文提出了一种多任务迁移学习框架，通过硬参数共享的多任务架构同时预测峰值楼层加速度（PFA）和峰值层间位移角（PIDR）。该框架采用模型迁移策略，实现了不同层数抗弯框架（MRFs）的同类材料迁移和钢混结构的跨材料迁移，显著提升了小样本场景下的预测精度，为性能化设计和震后损伤评估提供了高效解决方案。

　　

框架亮点

本节将介绍针对不同层数和结构材料的抗弯框架（MRFs）进行地震响应预测的多任务迁移学习框架的整体设计。如图1所示，该框架包含三个主要阶段：数据库生成、基于多任务学习的源任务求解，以及目标任务的迁移学习。

结构模型特征

结构数据集基于易轶提供的30个具有随机参数的典型建筑模型构建。这些典型建筑涵盖了层数从1到15不等的钢结构和混凝土结构抗弯框架（MRFs）。所有设计配置均通过剪切结构集中质量表示法简化为降阶模型（ROM），如图2所示。降阶模型通过显著降低计算成本，同时保持足够的工程精度，为预测地震响应提供了一种高效方法。

多任务学习背景

多任务学习（Multi-task Learning, MTL）是一种机器学习范式，旨在通过利用多个相关任务间的共享信息来提高它们的泛化性能。受人类能够利用从一项任务中获得的知识来促进另一项任务学习的启发，多任务学习支持同时优化多个任务，从而促进数据效率并增强模型鲁棒性，尤其是在数据稀缺的场景下。在监督学习的背景下，多任务学习通常涉及一组任务 {T_i}_i=1^m。

基于模型迁移学习的地震响应预测策略

尽管材料属性和几何构造存在差异，但不同高度和材料的抗弯框架（MRFs）通常具有基本的结构共性。在钢和混凝土抗弯框架中，抗侧力机制主要受梁和柱的弯曲和剪切变形，以及整体刚度和质量分布的控制。这些相似性导致了在抗震激励下具有类似的整体动力行为，特别是在结构遵循基于性能的抗震设计原则时。因此，在不同抗弯框架配置的地震响应预测任务之间存在着可迁移的知识。

验证

本节通过使用真实世界结构模型的实验，验证了基于所提出的模型迁移学习框架集成的预测模型在地震响应预测中的有效性。采用一个三层和四个五层钢抗弯框架（SMRF）的真实设计案例的地震响应数据作为数据集，来测试预测模型的性能。

三层钢抗弯框架的设计信息如图12（a）所示，由参考文献[79]提供。它对应于……

结论

为解决在不同结构情况下、数据稀缺条件下开发独立地震预测模型所面临的挑战，本研究提出了一种多任务迁移学习框架，用于预测不同层数和材料类型的抗弯框架的地震响应。提出了一个具有硬参数共享多任务架构的深度学习模型，以同时预测峰值层间位移角（PIDR）和峰值楼层加速度（PFA）。