[发明专利]钢管混凝土叠合构件撞击位移时程图卷积预测方法

说明书

本发明公开了一种钢管混凝土叠合构件撞击位移时程图卷积预测方法，包括：获取数据集；将每组特征影响参数和横向位移值作为数据样本；定义图结构的节点、各节点之间的边和图结构；构建特征矩阵和邻接矩阵，图结构在向量空间中用邻接矩阵表示，图结构中的节点在向量空间中用特征矩阵表示；构建图卷积神经网络模型，以数据样本的特征矩阵和邻接矩阵作为输入信号，训练图卷积神经网络模型；将实际工程中的钢管混凝土叠合构件横向撞击荷载时的各特征影响参数输入训练好的图卷积神经网络模型中，获得位移时程曲线的预测结果。本发明高效地预测钢管混凝土叠合构件横向撞击位移时程曲线。

技术领域

本发明涉及钢管混凝土技术领域，尤其涉及一种钢管混凝土叠合构件撞击位移时程图卷积预测方法。

背景技术

钢管混凝土叠合构件包括外部钢筋混凝土部件和钢管混凝土部件。钢管混凝土普通构件仅包括钢管混凝土部件。钢管混凝土叠合构件与钢管混凝土普通构件相比，由于外部钢筋混凝土部件的存在，使得钢管混凝土叠合构件具有更好的耐火能力和耐腐蚀能力；由于钢管混凝土部件的存在，使得钢管混凝土叠合构件具有更高的承载力和更好的延性。

由于具有以上优点，钢管混凝土叠合构件越来越多的应用于桥梁、高层和超高层建筑结构之中。但建筑结构和桥梁在其服役过程中可能遭受车辆、船只的撞击，造成主体结构的损坏，产生严重的人员伤亡及财产损失。因此，需要对钢管混凝土叠合构件的横向撞击位移时程曲线进行预测，以确保其在极端情况下的安全。

目前，基于“机理驱动”的数值仿真模拟技术存在建模和计算时间长、模拟效率低等不足，特别对于钢管混凝土叠合构件的横向撞击位移时程曲线，其影响因素繁多且存在耦合效应，影响规律十分复杂，因此传统的数值模拟和理论解析方法存在适用参数范围有限、计算精度有限等缺点。以机器学习为代表的“数据驱动”性能预测技术为结构分析开辟了新路径。机器学习方法可直接挖掘“数据”与“性能”之间的复杂映射关系，训练的模型可实现撞击位移时程曲线快速、精准的预测。

发明内容

有鉴于此，本发明的目的在于提出一种钢管混凝土叠合构件撞击位移时程图卷积预测方法，是基于图卷积神经网络实现对钢管混凝土叠合构件横向撞击位移时程曲线预测，可精确、稳定、高效地预测钢管混凝土叠合构件横向撞击位移时程曲线，为工程师提供可科学、快速预测和评估钢管混凝土叠合结构构件性能的技术和方法。

为了实现上述的技术目的，本发明所采用的技术方案为：

本发明提供了一种钢管混凝土叠合构件撞击位移时程图卷积预测方法，包括如下步骤：

步骤1、获取钢管混凝土叠合构件在横向撞击作用下的数据集，所述数据集包括位移时程曲线和特征影响参数；

步骤2、将所述位移时程曲线按等时间间隔取M个点，每个点包含时间点和该时间点对应的横向位移值，将每一组特征影响参数和对应的横向位移值作为数据样本；

步骤3、将各时间点的横向位移值和一组特征影响参数定义为图结构的节点，将各组特征影响参数对钢管混凝土叠合构件在横向撞击作用下运动轨迹的耦合影响程度和规律定义为各节点之间的边；根据节点和边定义图结构；

步骤4、根据横向位移值和特征影响参数构建特征矩阵和邻接矩阵，图结构在向量空间中用邻接矩阵表示，图结构中的节点在向量空间中用特征矩阵表示；

步骤5、构建图卷积神经网络模型，以数据样本的特征矩阵和邻接矩阵作为输入信号，训练图卷积神经网络模型，直至图卷积神经网络模型收敛；具体包括：

步骤51、将所述数据集划分为训练集、验证集和测试集；构建图卷积神经网络模型，所述图卷积神经网络模型包括输入层、图卷积网络层、全局池化层和输出层；