【技术实现步骤摘要】
基于机器学习的RC柱骨架曲线多元时间序列识别方法
[0001]本专利技术涉及人工智能及结构抗震
,具体涉及基于机器学习的RC柱骨架曲线多元时间序列识别方法。
技术介绍
[0002]RC柱作为承受竖向和抵抗水平荷载的关键结构构件,研究其在水平往复荷载下的受力性能对基于性能的结构抗震设计具有重要意义。骨架曲线是构件在低周往复荷载作用下,每级循环加载的第一圈荷载
‑
位移曲线的极值点的轨迹,可以反映构件的承载力、刚度、延性和抗倒塌能力等性能,为即建结构的设计和现有结构的剩余抗震能力评估提供依据。目前RC柱骨架曲线识别方法主要有理论推导、半理论半经验、数值模拟和试验法等方法。理论推导和半理论半经验是基于抗震相关理论和现有数据,对骨架曲线特征点的计算公式进行推导或拟合,将骨架曲线简化为包含几个特征点的折线型模型。但上述方法基于的不同假定导致其离散性大、精确度低。数值模拟可以展现结构或构件在外力作用下的非线性行为。目前,RC柱数值模型主要基于宏观单元建立,如纤维模型、集中塑性铰模型。但纤维模型迭代过程繁琐、计算时间长。现有的集中塑性铰模型大多为折线型模型,计算效率高、易收敛,但计算精度较差、存在刚度变化不连续问题,Bouc
‑
Wen等曲线型模型则存在控制参数较多且复杂等问题。此外,通过试验法确定RC柱的骨架曲线,其精确度高,但需要耗费大量的人力、物力,且时间成本高。
[0003]因此,需要开发一种可以快速、准确、低成本地识别RC柱骨架曲线的方法,而人工智能技术的发展为此目标的实现提 ...
【技术保护点】
【技术特征摘要】
1.基于机器学习的RC柱骨架曲线多元时间序列识别方法,其特征为:包括如下步骤:步骤1、数据库建立;步骤2、确定输入参数和输出参数;步骤3、数据预处理;步骤4、建立骨架曲线识别模型,确定超参数。2.如权利要求1所述的基于机器学习的RC柱骨架曲线多元时间序列识别方法,其特征为:所述的步骤1包括如下具体步骤:收集RC柱拟静力试验数据,建立拟静力试验数据库,收集的RC柱的设计参数有16个,分别为b、h、l、f
c
、ρ
t
、ρ
l
、f
yt
、f
yl
、d
t
、d
l
、s、λ、n、s
h
、α
t
、α
l
;其中,b为截面宽度、h为截面高度、l为柱长度、f
c
为混凝土抗压强度、ρ
t
为箍筋配筋率、ρ
l
为纵筋配筋率、f
yt
为箍筋屈服强度、f
yl
为纵筋屈服强度、d
t
为箍筋直径、d
l
为纵筋直径、s为箍筋间距、λ为剪跨比、n为轴压比、s
h
为箍筋间距与截面高度的比值、α
t
为箍筋配筋参数,计算公式为α
t
=f
yt
/f
c
·
ρ
t
;α
l
为纵筋配筋参数,计算公式为α
l
=f
yl
/f
c
·
ρ
l
。3.如权利要求2所述的基于机器学习的RC柱骨架曲线多元时间序列识别方法,其特征为:所述的步骤2包括如下具体步骤:基于最大互信息系数方法,通过将连续问题离散化的方式确定RC柱骨架曲线的主要影响因素,即通过骨架曲线所反映的性能来分析骨架曲线的影响因素,选取初始阶段刚度K1、屈服后刚度K2、下降段刚度K3、延性系数、屈服荷载F
y
、峰值荷载F
max
和极限位移Δ
u
7个指标,其中,延性系数的公式为μ=Δ
y
/Δ
u
,Δ
y
和Δ
u
分别为屈服位移和极限位移;分别计算7个指标与各个RC柱设计参数之间的最大互信息系数,选取各指标下相关性最大的6个因素,并将6个因素综合考虑;通过计算和分析,7个指标分别对应的前6个影响最大的因素如下,其中的数据代表对应的设计参数与性能指标之间的最大互信息系数:屈服荷载:纵筋配筋参数0.8447、箍筋强度0.8351、纵筋强度0.8171、纵筋配筋率0.7823、柱长度0.7440、截面高度0.6844;峰值荷载:纵筋配筋参数0.8400、纵筋强度0.8097、纵筋配筋率0.80845、箍筋强度0.8074、截面高度0.7302、柱长度0.7291;极限位移:柱长度0.8832、截面宽度0.8738、截面高度0.8566、纵筋强度0.7902、纵筋配筋率0.7823、箍筋强度0.7564;延性系数:纵筋配筋参数0.5682、混凝土强度0.5367、纵筋配筋率0.5073、箍筋配筋参数0.5035、箍筋强度0.4973、轴压比0.4816;初始阶段刚度:剪跨比0.7907、箍筋强度0.7601、纵筋强度0.7443、箍筋配筋率0.7183、纵筋配筋率0.6980、截面高度0.65145;屈服后刚度:剪跨比0.7270、纵筋强度0.7081、箍筋强度0.6837、轴压比0.6589、混凝土强度0.6291...
【专利技术属性】
技术研发人员:于德湖,盖彤彤,杨淑娟,曾森,
申请(专利权)人:青岛理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。