基于门控重参数化时序融合与结构相似性外推网络的城市钢筋混凝土框架结构位移时程快速预测
《Structures》:Rapid displacement time history prediction for urban reinforced concrete frames using Gated Reparameterized Temporal Fusion and Structural Similarity‐Based Extrapolation Networks
【字体:
大
中
小
】
时间:2026年08月29日
来源:Structures 4.9
编辑推荐:
摘要
计算效率是大规模城市建筑结构地震响应分析中的一个主要考虑因素。然而,现有的深度学习方法侧重于提高精度,而对效率的关注有限。尽管大城市包含大量建筑,但同类型结构(例如钢筋混凝土[RC]框架)通常采用规则布置,其结构参数也往往选自常见的参数范围,具有高度相似性。利用这种固
摘要
计算效率是大规模城市建筑结构地震响应分析中的一个主要考虑因素。然而,现有的深度学习方法侧重于提高精度,而对效率的关注有限。尽管大城市包含大量建筑,但同类型结构(例如钢筋混凝土[RC]框架)通常采用规则布置,其结构参数也往往选自常见的参数范围,具有高度相似性。利用这种固有的相似性,可以利用有限数量代表结构的响应来外推整个建筑群的 behavior,从而显著降低计算成本。本研究提出了一种新颖的两阶段框架,旨在不大幅牺牲精度的前提下提高城市RC框架地震位移时程预测的效率。首先,设计了一个门控重参数化时序融合网络(GRTFN),利用地面运动和易获取的结构参数来预测代表结构的响应。其次,开发了一个基于结构相似性的外推网络(SSBEN),将响应外推至其他相似结构。研究了在两种选择策略下,代表结构比例和邻居数量对SSBEN精度和效率的影响。结果表明,GRTFN达到了与基线模型相当的精度,同时将推理时间减少了12.5%。当代表结构比例为20%–25%且邻居数量为4时,SSBEN的最小均方误差为7.31 × 10?? m2,最小平均绝对误差为1.104 × 10?2 m,最大决定系数为0.949,相比GRTFN效率提高了66.7%。此外,将聚类数等于目标代表结构数量的策略在某些情况下产生了更低的误差,而基于比例的子聚类策略则提供了更稳定的性能。最后,该框架在北京昌平区的区域级应用中得到验证,涉及三种地震情景。
引言
一种可靠且高效的方法来预测城市建筑群的结构损伤,对于震前应急规划和震后快速评估至关重要,有助于减轻潜在损失。尽管传统的现场调查和数值模拟能够提供高精度,但它们的时效性有限,降低了对大规模场景的实用性[1,2]。数据驱动的深度学习方法能够从大量数据中学习潜在的映射关系,为城市尺度的快速地震损伤预测提供了一种有前景的替代方案[3,4]。这些方法已被成功应用于预测关键结构指标,如峰值响应[5]和损伤状态[6,7]。然而,依赖单一指标已被证明不足以全面刻画地震事件中的结构动态行为。结构损伤本质上具有路径依赖性,不仅受峰值需求控制,还受荷载顺序、持续时间和累积非弹性变形的影响。因此,经历相似峰值响应的结构可能由于滞回行为和能量耗散的不同而表现出显著不同的损伤状态。这一局限性在地震序列下尤为关键。例如,土耳其在2023年九小时内经历了两次连续强震(分别为Mw 7.8和Mw 7.5)[8]。这种情况使得通过传统方法进行准确的损伤评估变得复杂。相比之下,结构响应时程能够捕捉结构行为的完整时间演化,为评估损伤累积、分析动态性能退化以及在多次地震事件下识别损伤提供了关键支持。因此,预测城市建筑群的地震响应时程可以促进更综合、更详细的损伤评估。
近年来,深度学习在预测结构地震响应时程方面取得了显著进展。大多数现有研究利用数值模拟或传感器监测数据,通过优化或整合不同的网络架构(如循环神经网络、卷积神经网络(CNN)和Transformer)来提高预测精度。核心思想是利用神经网络强大的函数逼近能力,从大规模数据中建模地震激励与结构响应之间的复杂非线性映射。这种方法实现了无需显式物理建模的直接预测。例如,Zhang等人[9]开发了一个多层长短期记忆(LSTM)模型,使用连续时间步作为输入以提高训练效率。Xu等人[10]引入了一个递归LSTM网络,能够适应不同长度和采样率的地震输入。Torky和Ohno[11]使用实际结构监测数据训练了四种混合卷积-LSTM模型,而Park等人[12]设计了四种CNN模型来分析时域和频域输入对结构响应预测的影响。Transformer通过注意力机制动态计算不同时间步之间的相关性,从而捕捉地震序列中的长期依赖关系。此外,Chen等人[13]将增强型Transformer模型应用于预测钢筋混凝土(RC)柱和实际结构的响应,分别使用模拟数据和传感器数据。Zhang等人[14]提出了一种结合Transformer和LSTM的混合架构,以联合学习全局和局部时间特征。上述研究展示了深度学习在预测结构响应时程方面的潜力。然而,大多数模型都是为单个结构开发的,缺乏对多样化结构配置的泛化能力。因此,在城市建筑群中的应用仍然具有挑战性,因为模型通常在结构变异性有限的数据集上训练,而城市建筑则表现出各种设计参数和结构特性。
因此,解决上述挑战需要能够同时整合地面运动和结构特性、从而在各种结构和地震事件中建立响应预测统一映射的模型。最近的研究已开始在这一方向上进行探索。例如,Zhang等人[15]开发了一种具有自适应多级融合输出的CNN模型来预测RC框架的地震响应。Li等人[16]提出了一种结构时序融合网络(STFN),使用Deep & Cross Network版本2(DCN V2)对结构特征进行预处理,并使用多个扩张因果卷积(DCC)层对地面运动特征进行处理。He和Zhang[17]引入了一种多通道门控循环单元(GRU)网络来考虑结构影响。Shu等人[18]提出了一种基于Transformer的模型,称为TransFrameNet,并在钢框架结构上进行了评估。Ge等人[19]利用注意力机制和DCN提取结构特征,并设计了编码器-解码器架构来编码地震荷载并自回归地预测地震响应。此外,Chou等人[20]将建筑表示为图,利用图神经网络和LSTM来预测钢框架中节点级的动态响应。
尽管先前的研究为多结构响应预测提供了基础,但仍有一些重要问题有待解决。1)一些先前研究中使用的结构参数(如材料性能)在实际中难以获取,这限制了模型在现实场景中的适用性。因此,在选择结构特征时应考虑数据可获取性。2)对于城市建筑群的大规模预测任务,实现推理效率对震后应急响应至关重要。然而,大多数研究优先考虑预测精度而非计算效率。在保持可靠性的同时优化网络效率是必要的。3)大多数研究独立预测每栋建筑,而忽略了城市建筑群内的结构相似性。因此,识别代表结构并将其响应外推至相似建筑可以显著降低计算成本以及硬件和软件需求。
位移响应是结构变形和损伤的基本指标。在大多数现有的基于深度学习的城市尺度建筑群结构响应预测代理模型[16,19]中,位移时程被采用为主要预测目标,因为它作为城市尺度快速评估和决策的一个高效且直观的指标。因此,本研究提出了一个针对城市RC框架结构的位移时程预测与外推框架,旨在提高地震损伤预测的效率(图1)。首先,通过非线性地震响应分析利用已建立的数据模型库生成了大量结构位移时程。为了预测各种结构的位移时程,开发了一个门控重参数化时序融合网络(GRTFN),将地面运动与易获取的结构参数相结合。该模型使用校园建筑进行验证,随后被用于扩展结构响应数据库。接下来,开发了一个基于结构相似性的外推网络(SSBEN),其中采用了两种聚类策略使用K-Means算法选择代表结构,并通过K近邻算法识别相似结构。目标结构的响应基于其代表邻居的响应进行外推。随后,系统地分析了代表结构比例和邻居数量对外推模型精度和推理效率的影响。响应预测模型与外推模型之间的运行时间比较进一步证明了该框架在城市RC框架快速损伤预测中的可行性。最后,在北京昌平区进行了区域级应用演示,涉及3791栋RC框架建筑在三种地震情景下的预测,以展示所提框架的适用性。
各章节片段
模拟结构响应数据库
在作者的先前工作[21]中,开发了一个典型RC框架结构的数值模型数据库,该数据库考虑了钢筋腐蚀和建造年份的影响。该数据库的建立旨在为城市尺度地震损伤评估中表征这些结构提供高效且可靠的简化模型。这些模型被设计用于捕捉中国城市地区常见的低层至中高层RC框架建筑的主要类型。
总体架构
准确的地震响应预测需要对结构的静态特性和地面运动的动态变化进行建模。尽管Lim等人[27]提出的时序融合Transformer在静态信息融合和多视野预测方面表现出色,但其架构针对的是通用时间序列任务。为了将该框架适配于结构响应预测,Li等人[15]提出了STFN,其中整合了DCN V2[28]用于...
数据库扩展
为了覆盖更广泛的结构参数范围,第2节中的结构数据库采用了较粗的参数间隔,这导致样本之间存在显著差异。然而,城市建筑群中的许多结构具有相似的参数。为了反映这种分布特征,使用表6中列出的特定参数值对原始结构参数空间进行了细化。将这些参数与表1中的其他参数相结合,得到了一个...
区域级应用演示
经验证的框架被应用于预测北京昌平区3791栋六层及以下RC框架建筑在不同地震烈度水平下的位移时程。这一区域级应用证明了所提框架在城市建筑群尺度上近实时地震响应预测的可行性。建筑信息来源于Zhang等人[40]建立的多属性建筑数据集。该...
适用性与局限性
本研究建立的结构数据库包含六层及以下的典型RC框架,代表了具有规则平面配置的低层至中高层建筑。因此,所提出的框架主要适用于无重大不规则性的此类结构。此外,GRTFN模型主要适用于峰值加速度低于7 m/s2的地震事件,因为在极端地震条件下结构响应变得高度非线性。
然而,仍存在一些局限性。
结论
本研究提出了一个面向城市RC框架建筑群高效地震位移时程预测的两阶段框架。该框架由响应预测模型GRTFN和基于结构相似性的响应外推模型SSBEN组成。主要结论总结如下:
1)GRTFN模型整合了GDCN和轻量级序列预处理网络,有效提取了结构特征交互和地面运动的多尺度时间特征。
CRediT作者贡献声明
宋晓艳:原始文稿撰写、可视化、验证、软件、方法论、调查、数据整理。王森娜:可视化、软件、调查。程晓伟:验证、监督、调查。张浩宇:软件、数据整理。郭瑞杰:调查。李毅:审稿与编辑、监督、资源、项目管理、方法论、调查、资金获取、概念化。
利益冲突声明
作者声明不存在已知的可能影响本文报告工作的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:52478480,52178094)提供的资金支持。
宋晓艳|王森娜|程晓伟|张浩宇|郭瑞杰|李毅
北京工业大学,北京震后工程与结构加固北京市重点实验室,北京,100124,中国
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号