[发明专利]基于机器学习的钢筋混凝土柱地震损伤程度评估方法

说明书

本发明提出了基于机器学习的钢筋混凝土柱地震损伤程度评估方法，首先根据钢筋混凝土柱构件拟静力试验全过程表观损伤图像，获得表观地震损伤参数和构件参数；然后根据钢筋混凝土柱构件拟静力试验滞回曲线数据，建立一种存在固定上下限、可以准确反映构件在整体损伤发展过程的非线性加速累积现象的钢筋混凝土柱地震损伤程度综合评价指标；最后通过建立表观地震损伤参数及构件参数和地震损伤程度综合评价指标的深度神经网络模型，通过将构件的表观损伤参数和尺寸信息输入至训练好的机器学习模型，直接预测其地震破坏程度，最终实现钢筋混凝土柱地震损伤程度的智能评估，同时也克服了基于专家经验的人工评价方法费时费力、准确性和安全性不足的缺点。

技术领域

本发明属于结构工程、地震工程、人工智能、计算机视觉、机器学习等领域，具体地，涉及基于机器学习的钢筋混凝土柱地震损伤程度评估方法。

背景技术

钢筋混凝土柱是建筑、桥梁、水工等各种工程结构中最基本的竖向承重构件，其在地震作用过程中的损伤和性能退化程度影响着结构的局部及整体安全。对于钢筋混凝土柱构件的抗震设计和震后加固，建立一个合理的损伤程度量化和力学性能退化指标是抗震体系研究的重中之重。目前，各国对建筑抗震性能水准划分的标准各不相同。

传统的抗震性能水准等级划分主要依赖于构件或建筑外观病害的定性描述和专家主观经验，较少从损伤机理出发，利用强度、延性、应变等物理参数构造构件的综合力学性能指标进行量化，并且需要进行现场勘察和模型试验，高度依赖工程经验、费时费力、准确性和可靠性均不足。特别是对于震后现场破坏评估，由于存在可能的后续余震，其安全问题更为严峻。对于钢筋混凝土柱构件，Park等提出了一种基于变形项和能量项组合的双参数损伤模型，在结构地震损伤评估中得到广泛应用，表达式为：

式中，δ_m为往复荷载作用下构件的最大变形，δ_u为单调荷载作用下构件的极限变形，∫dE为累积滞回耗能，F_y为构件的屈服强度，β为变形项和能量项组合系数，由以下经验公式确定：

β＝(-0.447+0.73λ+0.24n₀+0.314ρ_t)×0.7ρ_v

式中，λ为构件的剪跨比，n₀为轴压比，ρ_t为配筋率，ρ_v为体积配箍率。

然而，该传统Park模型仍存在以下不足：

(1)该模型在往复荷载作用下存在上下界不收敛的现象：构件在弹性阶段损伤指标大于0、结构失效时损伤指标大于1，并且没有明显的界限；

(2)该模型反映出结构在地震荷载作用下的损伤是由最大位移幅值和重复循环加载效应联合作用所引起的，其变形项和能量项组合系数β只与构件配筋、剪跨比、轴压比有关；然而对于实际钢筋混凝土柱，大部分构件的β值不超过0.1，即对应能量项的系数很小；

(3)该模型不能准确反映往复地震荷载的影响，无法准确反映构件在整体损伤发展过程中的非线性加速累积现象，给地震损伤评估带来误差；

(4)对于变形项，传统Park模型考采用了最大位移幅值进行损伤评估，导致在弹性阶段损伤指标不为0；

(5)该模型通常需要通过拟静力试验获得钢筋混凝土柱构件的滞回曲线从而确定构件的力学性能参数；而在实际地震损伤程度评估过程中，往往只能获得建筑结构钢筋混凝土柱的表观病害图像，无法对构件进行原位力学性能试验来获取力学参数；

(6)即使按设计图纸重新制作试件，也需要消耗大量人力物力财力，无法实现现场评估。

发明内容