[发明专利]基于在线Xgboost算法的抗震混合试验模型更新方法

说明书

本发明公开了一种基于在线Xgboost算法的抗震混合试验模型更新方法，利用试验子结构的系统输入变量和恢复力观测值作为样本集在线训练Xgboost网络，进而在线更新数值子结构的本构模型以及预测数值子结构当前步的恢复力。在线Xgboost算法选择梯度树作为弱预测模型，然后将多个弱预测模型整合为一个强预测模型，再对数值子结构的恢复力进行表决输出。该方法提高了抗震混合试验中数值子结构恢复力的预测精度，显著提升了基于智能算法的抗震混合试验模型更新方法的泛化能力。

技术领域

本发明涉及土木工程领域的抗震试验方法，特别是涉及一种基于在线Xgboost 算法的抗震混合试验模型更新方法。

背景技术

一般土木工程领域常用的结构抗震试验方法主要有三种：拟静力试验、振动台试验和拟动力试验。拟静力试验是按照一定的荷载控制或位移控制对试件进行低周反复循环加载，使试件从弹性受力一直到破坏，由此获得结构或结构构件的非线性本构模型。其优点是简单、经济、实用，但不考虑地震作用对结构的动力效应。地震模拟振动台试验能重现地震动对结构的作用，但其受振动台承载能力及尺寸的限制。在进行大型结构试验时往往需要对模型进行缩尺试验，但需要考虑尺寸效应对试验结果的影响。拟动力试验是一种联机试验，通过计算机控制加载模拟再现地震过程，根据数值积分算法计算得到的动力响应加载恢复力、位移。优点是不需要事先假定结构的恢复力模型，可以直接从加载试件上测得结构的恢复力-位移特性，避免了假定恢复力模型带来的数值误差，并且可应用于大尺寸的模型试验，同时试验过程中可以观察结构的逐步破坏过程。

子结构混合试验是在传统拟动力试验方法基础上发展起来的。对于一些大型和复杂结构，子结构技术将结构划分为试验子结构和数值子结构，将易破坏或具有复杂非线性恢复力特性的部分作为试验子结构进行物理加载，其余部分作为数值子结构在计算机中进行数值模拟，两部分统一在结构的运动方程中。子结构技术的优点是有利于开展大型工程结构实验，降低了试验设备成本和经费规模。

在开展子结构混合试验时，由于设备及资金限制，不可能对所有非线性构件都进行物理加载试验，通常只选取有代表性的一个或几个作为试验子结构，剩余绝大部分非线性构件只能通过假定的数值模型划入数值子结构进行模拟计算。采用根据经验假定的数值模型通常会导致模拟值与构件的真实反应存在较大误差，并且这种模型误差随着数值计算单元在整体结构中所占比例的增加而增大。为了解决子结构混合试验中数值子结构模型误差大的问题，众多学者开始研究抗震混合试验中数值子结构的模型更新方法，模型更新方法主要包括基于模型的算法和智能算法。其中，智能算法不需要预先假定结构的本构模型，只需将试验子结构的位移、恢复力的样本数据输入智能算法的网络中进行在线训练，就可得到逼近真实构件的恢复力模型。进而可以用来在线更新数值子结构的恢复力模型，以及预测数值子结构每一步的恢复力，然后进行下一步的混合试验加载过程。

智能算法中常用的是神经网络算法，为了解决非线性滞回模型在神经网络中形成一对多映射的问题，2008年Gun Jin Yun等人提出了五参量的神经网络输入，2010 年哈工大张健在Gun Jin Yun等人的五参量输入上，提出了神经网络的八变量输入。 2013年，Elanwar.H等将遗传算法、NN算法引入模型更新混合试验，建立了混合试验模型在线更新的框架。但是上述传统的神经网络训练算法采用的是离线批量训练方式，不符合混合试验逐步加载情况，在线的增量训练方式更适合混合试验模型的在线更新。

2017年，王涛等将在线增量学习的BP神经网络算法应用于混合试验的模型更新，采用试验子结构当前步的小样本训练BP神经网络，实现网络阈值和权值不断迭代更新，进而预测数值子结构每一步的恢复力，具有更高的精度和效率。但是，传统的神经网络算法(单个网络)对初始权值很敏感，不同的初始权值设置可能会导致神经网络的泛化性能相差很大，从而导致混合试验中数值子结构恢复力的预测精度较差。

发明内容