一种基于机器学习的钢筋混凝土构件抗撞性能预测方法技术

本发明专利技术公开了一种基于机器学习的钢筋混凝土构件抗撞性能预测方法，包括以下步骤：获得钢筋混凝土构件的冲击试验参数和构件特征参数，构建数据集，同时将数据集随机分为训练集和预测集；确定人工神经网络拓扑结构，获得训练后的残余性能预测模型；采用预测集检验已经训练完成模型的预测性能，直至达到合适的预测精度；对于具体的钢筋混凝土构件，利用训练完成的残余性能预测模型进行预测，获得其易损性曲面。本发明专利技术基于机器学习算法、采用冲击后RC构件残余性能作为指标，建立了RC构件抗冲击性能预测评估的快速可靠方法。通过对已有历史试验数据的充分使用，可以更为快速和准确地评价RC构件的抗冲击能力。价RC构件的抗冲击能力。价RC构件的抗冲击能力。

【技术实现步骤摘要】
一种基于机器学习的钢筋混凝土构件抗撞性能预测方法


[0001]本专利技术涉及土木工程抗冲击性能评估领域，具体是一种基于机器学习的钢筋混凝土构件抗撞性能预测方法。

技术介绍

[0002]钢筋混凝土构件(RC构件)的静力承载性能评估方法非常成熟，但是对RC构件的抗冲击性能评估一直以来缺少合理简便的方式。这主要受两方面原因影响，一是缺少对于普通构件的抗冲击性能评估的合理指标，采用最大支反力、最大冲击位移等评估构件抗冲击性能不能与结构冲击后的工作性能直接联系，不便于在工程实践中使用；二是RC构件冲击后损伤机理较为复杂，承载能力下降机理不甚明确，目前只能依赖于试验和高精度数值仿真获得有限参数下的性能劣化幅度，而模型试验消耗的人力物力较多，高精度数值仿真的技术门槛较高，以上两点使得评估RC构件的抗冲击性能成为一个难点。

技术实现思路

[0003]专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种基于机器学习的钢筋混凝土构件抗撞性能预测方法。
[0004]技术方案：为解决上述技术问题，本专利技术的一种基于机器学习的钢筋混凝土构件抗撞性能预测方法，包括以下步骤：
[0005](1)获得钢筋混凝土构件冲击试验数据，包括冲击试验参数和构件特征参数；
[0006](2)将冲击试验参数和构件特征参数作为输入参数，冲击后剩余刚度和剩余承载力作为输出参数，构建数据集，同时将数据集随机分为训练集和预测集；
[0007](3)确定人工神经网络拓扑结构，利用训练集对人工神经网络进行训练，获得训练后的残余性能预测模型；
[0008](4)采用预测集检验已经训练完成模型的预测性能，若预测精度不满足要求，通过调整人工神经网络模型对预测模型进行修正，直至达到合适的预测精度；
[0009](5)对于具体的钢筋混凝土构件，利用训练完成的残余性能预测模型进行不同冲击参数下的残余性能预测，获得其易损性曲面。
[0010]优选地，所述步骤(1)中冲击试验参数包括冲击质量和冲击速度；构件特征参数包括构件尺寸、混凝土强度、钢筋强度、配筋率、配箍率，所有数据集中的构件的边界约束条件相同。
[0011]优选地，所述步骤(2)所构建的数据集为θ＝[θ1，θ2，
…
，θ
N
]＝[(X1，Y1，Z1)，(X2，Y2，Z2)，
…
，(X
N
，Y
N
，Z
N
)]，其中(X，Y，Z
……
)指每一组构件的输入参数集合，同时随机生成训练集和预测集。
[0012]优选地，所述步骤(3)中利用随机生成的训练集对人工神经网络进行训练，并得到所需的预测模型。
[0013]优选地，所述步骤(4)中采用测试集对预测模型进行测试，若误差满足要求，则利
用预测集进行更多工况冲击后残余性能的预测；若不满足要求，则对模型进行调整，直至满足误差精度为止。
[0014]优选地，所述步骤(5)中以冲击速度和冲击质量为变量，绘制具体构件的残余刚度和残余承载力的易损性曲面，此易损性曲面是进行构件抗冲击性能预测的关键依据。
[0015]优选地，通过数据分析软件拟合得出残余性能关于冲击速度和冲击质量变量的函数关系式，该关系式用于构件的快速抗冲击性能评价。
[0016]有益效果：本专利技术基于机器学习算法、采用冲击后RC构件残余性能作为指标，建立了RC构件抗冲击性能预测评估的快速可靠方法。通过对已有历史试验数据的充分使用，避免了进行大量的费时费力的模型试验和技术要求较高的仿真模拟，可以更为快速和准确地评价RC构件的抗冲击能力。
附图说明
[0017]图1为本专利技术的钢筋混凝土构件抗冲击能力预测的流程图；
[0018]图2为预测的钢筋混凝土构件剩余承载力三维曲面图。
具体实施方式
[0019]下面结合附图对本专利技术作更进一步的说明。
[0020]本专利技术的一种基于机器学习的钢筋混凝土构件抗撞性能预测方法，包括以下步骤：
[0021](1)冲击数据库的建立。通过数据调查统计、模型试验和有限元数值模拟等方法，获得典型工程构件(RC简支梁、RC轴心受压柱)在具体冲击试验参数(冲击质量、冲击速度)和构件特征参数(构件尺寸、混凝土强度、配筋率、配箍率)下的冲击后静力性能指标(刚度、极限承载力)，获得构件冲击试验数据，将冲击试验参数和构件特征参数作为输入参数，冲击后剩余刚度和剩余承载力作为输出参数，构建数据集θ＝[θ1，θ2，
…
，θ
N
]＝[(X1，Y1，Z1)，(X2，Y2，Z2)，
…
，(X
N
，Y
N
，Z
N
)]，同时将数据集随机分为训练集和预测集；
[0022](2)确定人工神经网络拓扑结构，利用训练集对人工神经网络进行训练，获得训练后的残余性能预测模型；确定人工神经网络的输入层神经网络个数n1为6，隐含层神经网络个数n2为2
×
n1+1＝13，输出层神经网络个数为2。最终人工神经网络的结构为6
‑
13
‑
2。
[0023](3)基于遗传算法的人工神经网络权值阈值优化。输入数据集，采用GA算法得到优化后的人工神经网络初始权值与阈值。共需优化参数个数为119个，其中优化权值个数为6
×
13+13
×
2＝104个，优化阈值个数为13+2＝15个。
[0024](4)采用预测集检验已经训练完成模型的预测性能，若预测精度不满足要求，通过调整人工神经网络模型对预测模型进行修正，直至达到合适的预测精度。作为一种具体实施方式，本专利技术采用基于GA修正的人工神经网络训练，包括以下步骤：
[0025]①
初始化，设置训练样本计数器m和训练次数计数器n，其中最大值分别为(M，N)；并将权值矩阵设立随机数，累积误差初始值E设置为0，允许误差为ε＝0.01，学习率为η＝0.1；
[0026]②
采用训练集对神经网络进行n次训练；
[0027]③
对训练结果产生的训练样本累积误差进行比较，看是否在所允许的训练误差之
内；若满足训练误差要求则训练完成，若不满足误差要求则需要调整网络结构，或者调整GA优化算法参数，并返回至第
②
步进行新一轮的训练。
[0028]④
对于训练完成的网络采用预测集进行预测，并对预测误差进行判断，若预测误差超过阈值，则需要调整网络结构，或者调整GA优化算法参数，并返回至第
②
步进行新一轮的训练。
[0029](5)剩余承载力预测。采用第(4)步训练完成的神经网络预测预测更多工况下的构件的冲击后静力性能指标。对于具体的钢筋混凝土构件，利用训练完成的残余性能预测模型进行不同冲击参数下的残余性能预测，获得其易损性曲面。
[0030](6)冲击本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的钢筋混凝土构件抗撞性能预测方法，其特征在于，包括以下步骤：(1)获得钢筋混凝土构件冲击试验数据，包括冲击试验参数和构件特征参数；(2)将冲击试验参数和构件特征参数作为输入参数，冲击后剩余刚度和剩余承载力作为输出参数，构建数据集，同时将数据集随机分为训练集和预测集；(3)确定人工神经网络拓扑结构，利用训练集对人工神经网络进行训练，获得训练后的残余性能预测模型；(4)采用预测集检验已经训练完成模型的预测性能，若预测精度不满足要求，通过调整人工神经网络模型对预测模型进行修正，直至达到合适的预测精度；(5)对于具体的钢筋混凝土构件，利用训练完成的残余性能预测模型进行不同冲击参数下的残余性能预测，获得其易损性曲面。2.根据权利要求1所述的一种基于机器学习的钢筋混凝土构件抗撞性能预测方法，其特征在于：所述步骤(1)中冲击试验参数包括冲击质量和冲击速度；钢筋混凝土构件特征参数包括构件尺寸、混凝土强度、钢筋强度、配筋率、配箍率，所有数据集中的构件的边界约束条件相同。3.根据权利要求1所述的一种基于机器学习的钢筋混凝土构件抗撞性能预测方法，其特征在于：所述步骤(2)所构建的数据集为θ＝[θ1，θ2，
…
，θ
N
]＝[(X1，Y1，Z1……

【专利技术属性】
技术研发人员：张景峰，鲁涛，荆一帆，仝朝康，张宇，张智超，冯亮，
申请(专利权)人：长安大学，
类型：发明
国别省市：