基于状态空间增强减法平均优化算法的土-结构相互作用结构参数识别研究

本研究针对传统结构参数识别算法精度不足、迭代效率低及土-结构相互作用（SSI）效应被忽视的问题，开发了融合减法平均优化器（SABO）算法的框架结构力学模型。通过对比粒子群优化（PSO）和灰狼优化（GWO）算法，验证了SABO在收敛精度与计算效率上的优势，并结合6层与5层基准模型实验数据，证明其识别误差低于10%。研究进一步通过12层框架振动台试验，量化了软土地基对结构加速度与位移响应的调控作用，揭示了上海基岩波与神户波、集集波的地震谱差异，为SSI效应下的智能参数识别与抗震设计提供了新范式。

　　

在结构工程领域，准确识别建筑物理参数是确保抗震安全的核心环节。然而，传统方法如最小二乘法或扩展卡尔曼滤波（EKF）常因多变量非线性系统复杂性而失效，更棘手的是，多数研究将地基视为刚性固定，完全忽略了土壤与结构动态耦合（Soil-Structure Interaction, SSI）带来的影响。这种简化可能导致重大设计偏差——软土地基会显著放大结构位移，而坚硬基岩则可能抑制振动能量消散。面对算法精度与SSI效应的双重挑战，河南工业大学联合上海科研团队在《Soil Dynamics and Earthquake Engineering》发表突破性研究，开创性地将新型智能算法与力学模型结合，为复杂地基条件下的结构安全评估提供了精准工具。

研究团队采用减法平均优化器（Subtraction Average-Based Optimizer, SABO）这一2023年提出的元启发式算法，其通过群体个体位置更新的减法-平均策略，有效规避了粒子群优化（PSO）的局部最优陷阱。技术路线涵盖三大核心：建立考虑SSI的状态空间方程力学模型，基于振动台试验数据反演参数（包括12层框架实测数据），以及对比分析不同地震波（上海基岩波、Kobe波、Chi-Chi波）的谱调制效应。

SABO算法验证
通过二维线性剪切型框架数值模拟，证明SABO识别刚度参数的相对误差仅2.1%，远低于PSO的6.8%和GWO的4.9%。算法在5层基准模型中同样展现鲁棒性，对土体刚度与阻尼系数的识别误差控制在8%以内。

5层基准模型SSI效应
软土地基使结构加速度峰值降低23%，但顶层位移增幅达41%。对比固定基假设，SSI模型频率衰减达18%，证实忽略土-结构相互作用会严重高估结构刚性。

12层框架振动台试验
基于实测数据识别显示：上海波加速度谱强度仅为Kobe波的35%，而软土使阻尼器能耗效率降低27%（金属阻尼器）至39%（粘滞阻尼器），凸显SSI对减震装置的负面影响。

结论与展望
该研究首次实现SSI耦合框架结构的参数精准识别，证实SABO算法在收敛速度（迭代次数减少42%）与精度上的双重优势。发现软土地基的"低频滤波"效应会放大长周期结构响应，而上海基岩波的高频成分更少，这对区域抗震设计具有指导价值。局限性在于未考虑土体非线性本构关系，未来计划引入子结构法深化三维耦合分析。论文为智能算法在土木工程的应用树立了新标杆，其方法论可扩展至桥梁、风电塔等复杂基础设施的安全评估。