基于深度神经网络的火灾下不锈钢柱承载力预测方法技术

本发明专利技术涉及一种基于深度神经网络的火灾下不锈钢柱承载力预测方法，所属建筑结构工程技术领域，包括如下操作步骤：第一步：搜集已有不锈钢柱的抗火试验数据；第二步：基于实验数据，采用有限元软件Abaqus建立火灾下不锈钢柱有限元分析模型；第三步：对不锈钢柱的不锈钢种类、截面类型、长细比、温度、截面尺寸影响其承载力的因素进行参数分析；第四步：对参数分析结果进行归纳整理，得到火灾下不锈钢柱承载力以及相应特征参数的数据集；第五步：建立基于深度神经网络的火灾下不锈钢柱承载力预测模型；第六步：根据训练集训练预测模型；第七步：得出具体ANN模型训练方案。实现可高效、准确、可靠地预测火灾下不锈钢柱的承载力。可靠地预测火灾下不锈钢柱的承载力。可靠地预测火灾下不锈钢柱的承载力。

【技术实现步骤摘要】
基于深度神经网络的火灾下不锈钢柱承载力预测方法


[0001]本专利技术涉及建筑结构工程
，具体涉及一种基于深度神经网络的火灾下不锈钢柱承载力预测方法。

技术介绍

[0002]目前，火灾下不锈钢柱的承载力预测主要依据传统研究方法，即采用设计公式对火灾下不锈钢柱的承载力进行拟合，从而达到预测其承载力的目的。然而，传统预测方法难以反映火灾下不锈钢非线性强、屈服后应变硬化显著、破坏时屈曲模态耦合作用明显等特性与其承载力之间的复杂非线性关系。
[0003]由于传统钢结构喷涂防腐涂层维护费用高、环境污染严重，推广应用耐腐蚀性强、易于维护、绿色环保的不锈钢已成为工程结构防腐的新趋势。然而，火灾是钢结构安全性的重要威胁。钢材耐火性差，一旦发生火灾，钢结构建筑极易遭到破坏甚至倒塌，造成巨大的人员伤亡和经济损失。特别是针对不锈钢结构，其民用建筑常由于表观性好不做防火处理，工业建筑常暴露于易燃易爆环境，导致其安全性易受到火灾威胁。
[0004]中国专利《一种基于深度学习和BP神经网络的柱承载力预测方法》，申请号为CN202210311176.3，公开了包括：采集钢筋混凝土柱表面图像；对采集的图像进行预处理；训练基于深度学习的Crack
‑
Net裂缝识别模型，分析经过预处理后的钢筋混凝土柱表面图像，进行裂缝识别，输出裂缝特征；获取钢筋混凝土柱特征；进行钢筋混凝土柱特征的合并与缩放，得到缩放后的特征集；建立基于BP神经网络的柱承载力预测模型，训练该模型，并用该模型分析特征，对柱承载力进行预测，输出柱承载力。本专利技术通过采集钢筋混凝土表面的图像，提升了检测效率，降低了成本；通过扫描得到柱体表面图像，能快速准确地识别钢筋混凝土柱表面裂缝的情况并对裂缝的数量和大小进行量化。该现有技术是对钢筋混凝土柱的承载力预测方法，无法应用到不锈钢柱。
[0005]火灾下结构柱的承载力与结构抗火性能密不可分，因此需提出科学的方法对火灾下不锈钢柱的承载力进行预测，以确保不锈钢结构在火灾下的安全性和可靠性。现有火灾下不锈钢柱的承载力预测方法多是对传统设计公式进行拟合，通过修正关键参数达到预测承载力的目的，采用深度神经网络的预测方法并不多见。然而，传统设计方法不仅计算过程繁琐，且难以准确、可靠地预测火灾下不锈钢材料特性以及高温效应对其承载力的影响。

技术实现思路

[0006]本专利技术主要解决现有技术中存在 的不足，提供了一种基于深度神经网络的火灾下不锈钢柱承载力预测方法，通过建立基于深度神经网络的火灾下不锈钢柱承载力预测模型，并在模型中引入钢结构抗火设计的Kruppa三准则，可高效、准确、可靠地预测火灾下不锈钢柱的承载力。
[0007]本专利技术的上述技术问题主要是通过下述技术方案得以解决的：一种基于深度神经网络的火灾下不锈钢柱承载力预测方法，包括如下操作步骤：
第一步：搜集已有不锈钢柱的抗火试验数据。
[0008]第二步：基于实验数据，采用有限元软件Abaqus建立火灾下不锈钢柱有限元分析模型。
[0009]第三步：利用火灾下不锈钢柱的有限元分析模型，对不锈钢柱的不锈钢种类、截面类型、长细比、温度、截面尺寸影响其承载力的因素进行参数分析。
[0010]第四步：对参数分析结果进行归纳整理，得到火灾下不锈钢柱承载力以及相应特征参数的数据集。
[0011]第五步：建立基于深度神经网络的火灾下不锈钢柱承载力预测模型。
[0012]第六步：根据训练集训练基于深度神经网络的火灾下不锈钢柱承载力预测模型。
[0013]第七步：得出具体ANN模型训练方案。
[0014]作为优选，火灾下不锈钢柱承载力以及相应特征参数的数据集中的80%用作训练集，其中64%用于模型训练、16%用作模型验证验证，数据集的20%用作测试集。
[0015]作为优选，训练过程中需基于损失函数最小，且符合钢结构抗火设计的Kruppa三准则。
[0016]作为优选，Kruppa三准则分别为：1）承载力预测值不大于实际承载力的1.15倍；2）不安全的承载力预测值的数量应小于总数的20%；3）平均极限承载力是安全的。
[0017]作为优选，建立基于深度神经网络的火灾下不锈钢柱承载力预测模型，深度神经网络共有3层，依次为输入层、隐含层和输出层。
[0018]本专利技术能够达到如下效果：本专利技术提供了一种基于深度神经网络的火灾下不锈钢柱承载力预测方法，与现有技术相比较，通过建立基于深度神经网络的火灾下不锈钢柱承载力预测模型，并在模型中引入钢结构抗火设计的Kruppa三准则，可高效、准确、可靠地预测火灾下不锈钢柱的承载力。
附图说明
[0019]图1是本专利技术火灾下不锈钢柱承载力以及相应特征参数的数据集划分的示意图。
[0020]图2是本专利技术基于深度神经网络的火灾下不锈钢柱承载力预测模型的示意图。
[0021]图3是本专利技术ANN模型训练方案的示意图。
具体实施方式
[0022]下面通过实施例，并结合附图，对专利技术的技术方案作进一步具体的说明。
[0023]实施例：如图1
‑
3所示，一种基于深度神经网络的火灾下不锈钢柱承载力预测方法，包括如下操作步骤：第一步：搜集已有不锈钢柱的抗火试验数据。
[0024]第二步：基于实验数据，采用有限元软件Abaqus建立火灾下不锈钢柱有限元分析模型。
[0025]第三步：利用火灾下不锈钢柱的有限元分析模型，对不锈钢柱的不锈钢种类、截面类型、长细比、温度、截面尺寸影响其承载力的因素进行参数分析。
[0026]第四步：对参数分析结果进行归纳整理，得到火灾下不锈钢柱承载力以及相应特
征参数的数据集；火灾下不锈钢柱承载力以及相应特征参数的数据集中的80%用作训练集，其中64%用于模型训练、16%用作模型验证验证，数据集的20%用作测试集。
[0027]第五步：建立基于深度神经网络的火灾下不锈钢柱承载力预测模型。建立基于深度神经网络的火灾下不锈钢柱承载力预测模型，深度神经网络共有3层，依次为输入层、隐含层和输出层。
[0028]第六步：根据训练集训练基于深度神经网络的火灾下不锈钢柱承载力预测模型。训练过程中需基于损失函数最小，且符合钢结构抗火设计的Kruppa三准则。
[0029]Kruppa三准则分别为：1）承载力预测值不大于实际承载力的1.15倍。
[0030]2）不安全的承载力预测值的数量应小于总数的20%。
[0031]3）平均极限承载力是安全的。
[0032]第七步：得出具体ANN模型训练方案。
[0033]综上所述，该基于深度神经网络的火灾下不锈钢柱承载力预测方法，通过建立基于深度神经网络的火灾下不锈钢柱承载力预测模型，并在模型中引入钢结构抗火设计的Kruppa三准则，可高效、准确、可靠地预测火灾下不锈钢柱的承载力。
[0034]以上所述仅为本专利技术的具体实施例，但本专利技术的结构特征并不局限于此，任何本领域的技术人本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的火灾下不锈钢柱承载力预测方法，其特征在于包括如下操作步骤：第一步：搜集已有不锈钢柱的抗火试验数据；第二步：基于实验数据，采用有限元软件Abaqus建立火灾下不锈钢柱有限元分析模型；第三步：利用火灾下不锈钢柱的有限元分析模型，对不锈钢柱的不锈钢种类、截面类型、长细比、温度、截面尺寸影响其承载力的因素进行参数分析；第四步：对参数分析结果进行归纳整理，得到火灾下不锈钢柱承载力以及相应特征参数的数据集；第五步：建立基于深度神经网络的火灾下不锈钢柱承载力预测模型；第六步：根据训练集训练基于深度神经网络的火灾下不锈钢柱承载力预测模型；第七步：得出具体ANN模型训练方案。2.根据权利要求1所述的基于深度神经网络的火灾下不锈钢柱承载力预测方法，其特征在于：火灾下不锈钢柱承载力以及相应...

【专利技术属性】
技术研发人员：邢哲，毋凯冬，王元清，周观根，陈伟刚，
申请(专利权)人：浙江东南网架股份有限公司，
类型：发明
国别省市：