物理信息驱动的图注意力变换器网络：用于钢筋混凝土框架渐进倒塌的多尺度残余位移预测

《Advanced Engineering Informatics》：Physics-informed Graph Attention-Transformer networks for multi-scale residual displacement prediction in progressive collapse of RC frames

　　

• •
  结构拓扑和失效状态以图知识形式编码。
• •
  采用GAT-Transformer代理模型预测RC框架的残余位移。
• •
  对角楼板边代表图拓扑中的楼板薄膜效应。
• •
  解耦网络头实现多尺度三维位移预测。
• •
  毫秒级推理速度支持灾后快速决策。

引言

渐进式倒塌是指从结构构件局部损伤开始的失效传播，最终导致不相称部分甚至整个结构坍塌。传统上，利用非线性动力有限元方法（FEM）分析由替代传力路径（ALP）引起的结构对渐进式倒塌的响应，同时考虑几何非线性和材料非线性。然而，该方法需要大量建模且计算资源消耗极高，对于城市建筑的快速评估或实时数字孪生应用而言，其计算成本过于高昂[1]、[2]、[3]、[4]。

为提高计算效率，数据驱动的机器学习（ML）方法已被广泛应用于结构性能的快速预测。在构件层面，传统机器学习算法，如人工神经网络（ANN）[5]、[6]、[7]、[8]、[9]、[10]、梯度提升树和随机森林，已成功用于预测RC梁的抗剪承载力、评估单柱的地震与爆炸响应[9]、[10]、[11]，以及评估剪力墙的失效模式[12]、[13]、[14]。在结构层面，包括集成模型和长短期记忆（LSTM）网络在内的先进机器学习框架已被用于预测整体地震损伤状态和火灾事件下的实时结构响应[15]、[16]、[17]、[18]、[19]。然而，关于预测整个结构渐进式倒塌演化的研究仍然有限。这一局限性可能源于渐进式倒塌本质上受结构动力拓扑支配——即构件间物理连接和内力重分布路径在局部失效过程中不断演变的网络。传统机器学习方法通常将复杂的三维结构配置扁平化为孤立的一维特征向量。这种数学上的扁平化从根本上忽略了至关重要的空间连接关系，使得传统算法无法准确追踪ALP并评估抗渐进式倒塌机制[20]、[21]、[22]。

通过分析梁柱节点和结构构件之间的拓扑连接关系，图神经网络（GNN）提供了一种有效的数学框架，用于表示信息在结构系统中的传播[23]、[24]、[25]、[26]。在极端荷载预测领域，GNN已被成功应用于快速预测复杂三维建筑物外表面积内部空间的荷载分布。将这些结构边界和内部建模为空间图表示可以有效捕捉高度复杂的空间相关性[27]、[28]、[29]。在渐进式倒塌领域，Wang等人[30]、[31]的先驱性工作提出了一种基于图卷积网络（GCN）快速预测RC框架坍塌区域的方法。通过将FEM模型转化为以构件为基础的图表示，他们成功利用GCN捕捉空间动力拓扑并识别结构失效路径。

尽管取得了这些进展，GNN在建模渐进式倒塌高度非线性结构响应方面的应用仍受限于四个关键差距：第一，现有GNN模型主要将渐进式倒塌预测简化为二值节点分类问题。对于严格的结构安全评估而言，定性分类是不够的，迫切需要精确的连续变量定量回归。第二，预测结构位移暴露了不同空间轴之间的严重物理尺度不平衡。在重力驱动下，竖直方向变形（沿Z轴）可能比水平方向变形（沿X和Y轴）大几个数量级。使用统一的回归目标必然导致大的竖直梯度主导优化过程，引发严重的任务干扰，从而阻止网络准确预测水平响应。第三，当前图表示主要将构件限制为正交梁柱，忽略了楼板的关键空间力学贡献，例如其面内抗剪刚度和薄膜效应。第四，标准GCN架构依赖局部卷积，在深层网络中容易出现过平滑效应。这限制了其感受野，使其难以捕捉由初始局部失效触发的宏观长距离内力重分布。

为克服上述局限性，提出了一种物理信息驱动的图注意力-Transformer（GAT-Transformer）框架，用于快速预测RC框架在渐进式倒塌下的三维残余位移，如图1所示。主要贡献总结如下：

• (1)
  开发了自动化LS-DYNA–Python工作流，生成具有多样化结构配置和柱移除场景的渐进式倒塌案例，产生了包含9968个有效案例的数据集用于模型开发和评估。
• (2)
  通过集成拓扑约束的局部聚合与全局自注意力机制，开发了混合GATv2-Transformer架构。进一步引入全局特征旁路和解耦回归头，以保留结构尺度信息并适应水平和竖直位移响应的不同尺度。
• (3)
  通过纳入物理引导的特征向量和楼板感知的对角连接，建立了物理信息驱动的图表示，使结构先验信息可以直接嵌入图表示中。
• (4)
  通过代表性图学习基线模型、拓扑不相交测试、结构外推实验和全尺寸RC框架试验，系统评估了所提框架的预测性能和泛化能力，并与非线性动力FEA进行了精度–效率对比。

章节摘要

宏观非线性建模与物理失效准则

在渐进式倒塌过程中，结构的局部失效触发了内力的急剧重分布。宏观非线性有限元建模和自动化数据生成的总体框架如图2所示。为使GNN获得保留有限元模型所表征非线性结构响应特性的训练数据，本研究采用LS-DYNA建立三维RC框架渐进式倒塌模型进行仿真。宏观

融合空间楼板效应的精细化图拓扑

在基于GNN的结构响应预测中，拓扑表示的合理性直接决定了信息传递的物理保真度。传统图拓扑通常仅将梁和柱等线性构件抽象为正交边，并将其交点提取为节点。在渐进式倒塌的演化过程中，楼板依次激活压应力薄膜效应和拉应力薄膜效应，提供大量冗余的

数据集划分、模型训练与评估

从1000个基准建筑中总共生成了9968个倒塌案例。矩形、空心形和T形框架用于模型训练和验证，而L形和C形框架则保留用于拓扑不相交测试。划分在基准建筑层面进行，使得源自同一建筑的所有柱移除案例被分配到同一子集中。原始数据库中不存在的十字形和H形平面则用于评估

结论

本研究开发了一种物理信息驱动的GAT-Transformer框架，用于快速预测RC框架在渐进式倒塌下的三维残余位移。主要结论如下：

• (1)
  所提模型在验证集上实现了总体R²为0.951和MAE为18.2 mm。基于图的公式在结构拓扑和尺度变化下表现出良好的空间迁移性，而外推案例则展示了在训练

CRediT作者贡献声明

Ni, Jia-Hui：撰写—初稿，方法论，形式化分析，概念化。Gan, Yi-Ping：撰写—审阅与编辑，验证，形式化分析，数据管理。Li, Rui-Ran：可视化，软件，调查。Liang, Shi-Lin：可视化，验证。Yang, Bo-Kun：验证，数据管理。Yu, Jun：撰写—审阅与编辑，监督，方法论，资金支持获取，概念化。

利益冲突声明

作者声明，不存在任何可能影响本文所报告工作的已知竞争性经济利益或个人关系。

致谢

作者感谢国家自然科学基金（编号52378490）的财政支持。

Ni, Jia-Hui | Gan, Yi-Ping | Li, Rui-Ran | Liang, Shi-Lin | Yang, Bo-Kun | Yu, Jun