基于物理引导神经网络的特殊桁架弯矩框架特殊区段截面特性预测与自动化初步构件选择方法研究

《Scientific Reports》：A physics-guided neural network framework for special segment section prediction and automated preliminary design of special truss moment frames

　　摘要特殊桁架弯矩框架是一种延性钢结构体系，具有优异的耗能能力。其设计遵循能力设计原则，即特殊区段以外的构件基本保持弹性，而塑性变形则通过弦杆屈服集中在特殊区段内。本文提出了一种基于物理引导的神经网络框架，用于特殊桁架弯矩框架中特殊区段的截面预测，并开发了一个基于前端Web的预测平台，用于根据特殊区段设计参数进行初步构件选择。该框架预测特殊区段的截面特性，包括弦杆塑性截面模量、弦杆惯性矩、竖杆塑性截面模量和竖杆惯性矩。工程设计公式和预期剪力一致性约束被纳入学习过程，以将数据驱动预测与力学一致性相结合。为了评估分布内预测性能并避免增强引起的数据泄露，原始154个楼层级样本在数据增强之前进行了划分。高斯噪声增强仅应用于训练样本，将123个原始训练样本增加至492个样本，而31个测试样本则保留其原始未增强形式。预期剪力一致性评估进一步表明，预测的截面特性组合与能力设计所需的力学关系保持了合理的一致性。通过一个4层、45英尺跨度的特殊桁架弯矩框架示例，进一步验证了简化自动化初步构件选择的可行性。此外，使用Streamlit开发了一个轻量级Web应用程序，通过交互式参数输入实时预测截面特性和预期最大剪力，便于在初步设计阶段快速比较设计方案。所提出的框架为特殊桁架弯矩框架设计中的特殊区段截面特性预测和简化自动化初步构件选择提供了一种物理引导的设计支持方法。