考虑结构与地面运动特性在频域内相互关系的地震损伤状态预测模型
《Journal of Building Engineering》:Seismic damage state prediction model considering the interrelation of the structure and ground motion characteristics in the frequency domain
【字体:
大
中
小
】
时间:2026年04月02日
来源:Journal of Building Engineering 7.4
编辑推荐:
地震损伤状态预测模型研究,提出基于地震动与结构频率域共振区域(Ra)及其时间变化(Tra)的卷积神经网络模型(Model_Tra和Model_TraP),通过融合Ra、峰值地面加速度(PGA)等参数实现结构地震损伤分类。
朴孝善|达耀云|吴秉宽
韩国首尔延世大学建筑与建筑工程系,邮编03722
摘要
本研究提出了一个基于结构与地面运动(GM)之间相互关系的地震损伤状态(DS)预测模型。结构与GM在频域中的关系表现为GM数据在结构固有频率附近的频率响应区域。在本研究中,这种关系被定义为地震共振区域(Ra)。基于Ra,模型考虑了随时间变化的GM的频率特征。根据最大层间位移比(MIDR),地震损伤状态被分为四种类型。通过神经网络训练了Tra与MIDR之间的关系,该训练模型被称为Model_Tra。在Model_Tra的基础上,还考虑了GM的峰值和时域中的GM数据,形成了Model_TraP模型。这些模型被应用于示例结构的损伤预测。
引言
建筑物和民用基础设施等结构可能会因地震施加的严重荷载而受损。这种损伤可能导致结构局部失效甚至倒塌,从而造成巨大的经济损失和人员伤亡。即使在今天,全球仍会发生大规模地震,导致结构严重损坏和人员死亡[1]、[2]、[3]。同时,及时决定暂停使用并进行修复/改造可以防止余震造成的进一步损害。然而,地震后的传统现场调查需要大量的人力、成本和时间,从而限制了快速地震评估的效率[4]。因此,需要快速地震评估、地震响应和损伤预测技术来防止地震引发的大规模灾难。
结构健康监测(SHM)利用传感和计算技术,确保结构在多种荷载和环境因素作用下的安全性和适用性[5]、[6]。因此,已经开发了基于SHM框架的地震响应和损伤预测技术[7]、[8]。早期的基于SHM的地震评估研究采用了有限元(FE)模型。研究的重点是通过使用地震前测量的结构响应来更新模型,以建立精确的模型。该方法基于更新后的模型检测和预测结构损伤。从GM计算出的Ra被用来推导时变Ra(Tra)。地震损伤状态根据最大层间位移比(MIDR)分为四种类型。Tra与MIDR之间的关系通过神经网络进行训练,该训练模型称为Model_Tra。在Model_Tra的基础上,还考虑了GM的峰值和时域中的GM数据,形成了Model_TraP模型。这些模型被应用于示例结构的损伤预测。
介绍
建筑物和民用基础设施等结构可能会因地震施加的严重荷载而受损。这种损伤可能导致结构局部失效甚至倒塌,从而造成巨大的经济损失和人员伤亡。即使在今天,全球仍会发生大规模地震,导致结构严重损坏和人员死亡[1]、[2]、[3]。同时,及时决定暂停使用并进行修复/改造可以防止余震造成的进一步损害。然而,地震后的传统现场调查需要大量的人力、成本和时间,从而限制了快速地震评估的效率[4]。因此,需要快速地震评估、地震响应和损伤预测技术来防止地震引发的大规模灾难。
结构健康监测(SHM)利用传感和计算技术,确保结构在多种荷载和环境因素作用下的安全性和适用性[5]、[6]。因此,已经开发了基于SHM框架的地震响应和损伤预测技术[7]、[8]。早期的基于SHM的地震评估研究采用了有限元(FE)模型。研究的重点是通过使用地震前测量的结构响应来更新模型,以建立精确的模型。该方法基于更新后的模型检测和预测结构损伤。为了更新模型,首先构建一个基线模型,该模型用于最小化从测量结构响应中提取的模态参数与分析模型模态参数之间的差异,然后用于地震后的地震评估[9]。此外,还进行了关于遭受地震损伤的建筑物结构地震评估的研究,其中使用从操作模态分析(OMA)[10]中提取的模态参数进行模型更新[10],并根据更新后的模型评估地震性能[11]。还研究了基于非线性模型更新的地震损伤评估技术,以更精确地预测地震期间的结构行为[12]、[13]。在这些研究中,通过优化技术搜索非线性材料模型中的参数或梁柱连接的迟滞曲线,以模拟地震期间的非线性结构行为并预测地震损伤和结构响应。
基于FE模型的地震评估技术可以通过OMA提供相对精确的地震损伤预测。然而,由于计算成本高昂,地震后的模型更新在快速高效预测地震损伤方面存在局限性。因此,数据驱动的技术更直接地利用与地震相关的测量数据,如地面加速度和结构响应。还进行了研究,使用安装在结构中的传感器测量的结构响应来预测地震期间的结构响应。应用了机器学习和小波分析等技术,利用地震期间测量的加速度响应数据或与地震损伤相关的结构位移响应来预测损伤[7]、[14]、[15]。在一项研究中[16],提出了一种地震响应预测方法,该方法结合了深度学习技术之一的卷积神经网络(CNN)和动态结构行为的基本理论,通过输入地面加速度响应的时间历史来预测地震期间的结构位移响应。
关于基于SHM的地震评估,还开发了利用地面加速度和建筑信息快速识别地震损伤状态(DS)的技术。在大多数相关研究中,应用了机器学习技术(如深度学习)在地震前预先构建DS预测模型,然后利用地震后的有限信息(如地面加速度)立即确定DS[17]。大多数技术使用地震荷载(即地面运动数据)或从GM中提取的地震主要特征作为机器学习中的输入数据来识别结构的DS。Xu等人[17]引入了支持向量机、逻辑回归和决策树等机器学习技术进行地震损伤预测。在这种技术中,地震损伤被分为五种不同的状态[18],并使用GM数据中的48个地震强度指标(IMs)来对这些状态进行分类。通过不同组合的IMs作为输入,利用机器学习模型识别和分类结构的地震DS,并根据结果讨论了有效的IM组合[19]。Xu等人[19]引入了长短期记忆(LSTM)神经网络进行地震损伤评估。在提出的技术中,通过LSTM训练和识别了GM信息与结构DS之间的关系。DS被分为五种类型,并对多种地震荷载进行了非线性时域分析(NLTHS),以创建神经网络数据集。训练模型预测DS的准确率约为78.6%,预测所需时间为0.52秒。在这项研究中,对LSTM模型中的各种参数(如层数、每层的单元数、丢弃率、学习率等)进行了研究,以进行地震损伤预测。在使用GM数据的基于机器学习的研究中,捕捉了地震作用下动态特性的变化,并用于识别地震响应和损伤[20]。在这项研究中,使用地面加速度的连续小波变换(CWT)数据识别了结构的DS。还引入了CNN来研究GM数据的CWT与DS之间的关系。通过识别一栋建筑的DS,并几乎实时地识别了该区域内数百栋建筑的DS,验证了这项研究。
上述基于机器学习的地震DS预测研究侧重于利用地面加速度数据研究地震与结构损伤之间的关系。同时,在其他研究中,除了地面加速度数据外,还使用代表结构特征的信息来预测DS。Mangalathu等人[21]提出了一种基于深度学习的地震DS预测方法,使用建筑清单数据。在该方法中,利用LSTM模型将建筑的地震DS分类为ATC-20标签(红色、黄色和绿色)。该预测模型以相对较高的精度分类了3423栋建筑的DS。Xiong等人[22]提出了一种利用GM信息和建筑属性数据预测结构损伤的方法。该方法基于建筑属性数据显著影响地震响应的前提。即使在相同的地震下,结构的地震响应也会因其固有周期而有所不同。因此,为了提出CNN模型,将地震的加速度响应时间历史和峰值地面加速度(PGA),以及目标建筑结构的第一个固有周期和抗震加固等级(FL)作为输入。FL对应于中国规范设计谱中的最大谱加速度[23]。建筑的地震DS被作为输出。该方法应用于多层钢筋混凝土结构的地震DS预测,总体预测准确率为79.7%。上述关于基于机器学习的DS预测模型的主要特点总结在表1中。先前研究[17]、[18]、[19]、[20]中报告的大多数基于机器学习的DS预测方法仅依赖于从地面运动(GM)派生的数据集,如地震强度指标、时域GM数据和GM的时频表示。此外,在[21]中还将建筑清单信息纳入了基于机器学习的损伤预测模型。尽管[22]中同时考虑了GM和建筑信息,但仅使用了建筑的第一个固有频率。因此,之前的基于机器学习的预测方法没有考虑GM与建筑特征在频域中的相互关系。由于这种相互关系影响响应放大,它们之间的相关性在地震响应和DS预测中起着重要作用。因此,在提出的方法中,以共振区域的形式将频域相关性纳入了神经网络模型。
本研究提出了一种基于机器学习的地震DS预测模型。在该模型中,考虑了地震荷载与结构特征在频域中的相互作用,以反映具有不同特征的结构在地震下的不同响应特性。如果GM数据在结构固有频率附近的频带内的频率响应较大,则地震对结构响应放大的影响较大。因此,在本研究中,计算并定义了目标结构固有频率附近频带内GM数据的频率响应区域作为地震共振区域(Ra),该区域描述了地震与结构之间的相互作用。此外,为了反映随时间变化的地震荷载的频率特性,将地震荷载划分为特定的时间间隔,并计算了对应于分割地面加速度数据的Ra。然后,根据时间的推移排列Ra,以推导出时变Ra(Tra)。根据结构在地震下的最大层间位移比(MIDR),将地震损伤状态分为四类。在本研究中,通过深度学习技术之一的CNN训练和建立了提出的Tra与结构DS之间的关系,该CNN被称为Model_Tra。此外,还定义了一个利用PGA(地面加速度时域中的主要信息之一)和Tra的模型,称为Model_TraP,并将其预测性能与Model_Tra进行了比较。这些模型被应用于示例结构的地震DS预测。为了训练基于CNN的模型,生成了许多人工地震数据,并对训练模型的地震DS预测性能进行了比较评估。
章节片段
时变共振区域
地震损伤状态识别方法考虑了目标结构与地震之间的相互作用。结构对具有不同频率特征的地震的响应放大特性各不相同。具体来说,结构会根据地震的复杂物理现象作出相应响应。
结构模型和数据准备说明
介绍了一个具有MDOF的示例结构,以验证所提模型的地震DS预测性能。目标结构假设有四个自由度(DOF),采用四层框架。图6详细说明了质量和刚度。用于计算模型中的TRa的结构固有频率分别为0.9428Hz、2.5688Hz、3.8543Hz和4.7541Hz,从第一模到第四模。动态分析所需的模态阻尼假设为2%
结论
本研究提出了一种利用结构特征和频域中的GM特征预测结构地震损伤状态的模型。为此,提出了TRa作为表示地震波与结构在频域中相互作用的指标。使用CNN训练了TRa与地震损伤状态(DS)之间的关系,并将其表示为Model_TRa。还提出了考虑了PGA的Model_TRaP。这些模型被应用于示例结构
CRediT作者贡献声明
吴秉宽:写作——审稿与编辑、初稿撰写、验证、方法论、研究、资金获取、数据管理、概念化。达耀云:可视化、验证、软件、方法论、研究。朴孝善:写作——审稿与编辑、初稿撰写、验证、监督、方法论、研究、资金获取、概念化
利益冲突声明
作者声明他们没有已知的可能影响本文工作的竞争性财务利益或个人关系。
致谢
本研究得到了韩国国家研究基金会(NRF)的资助,该基金会由韩国政府(科学技术信息通信部、未来规划部、MSIP)提供支持(项目编号:NRF-2021R1A2C33008989、2018R1A5A1025137和NRF-2022R1C1C1009871)。本研究还得到了延世大学研究基金的支持(日期:2023-22-0447)。
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