一种数据与物理约束融合的场地地震响应预测方法及系统
本发明涉及地震工程与计算力学交叉,具体涉及一种数据与物理约束融合的场地地震响应预测方法及系统。
背景技术:
1、复杂场地的地震动模拟是地震工程领域中的关键科学问题之一。间接边界元法(ibem)因具备降维求解能力与良好的数值精度,在该类问题中得到了广泛应用。该方法以弹性动力学叠加原理为理论核心,通过引入均布于边界上的虚拟波源,将散射场表示为格林函数与虚拟波源密度乘积在边界上的积分。然而,传统ibem在数值实现中需构建大型稠密系数矩阵,对于含n个自由度的问题,其计算复杂度为o(n³),内存需求为o(n²),严重制约了其在大规模模拟中的求解效率。此外,该类矩阵具有非对称性和频率依赖性,随分析频带拓宽及边界离散细化,矩阵条件数显著增大,进一步加剧了数值求解的负担。
2、近年来,物理信息神经网络(pinn)凭借将物理定律(偏微分方程及定解条件)以损失函数形式嵌入训练过程的策略,有效降低了对网格的依赖,在处理高维、复杂几何问题上显示出明显优势,因而具备替代传统数值方法的潜力。然而,若将传统pinn直接用于边界积分方程求解,通常仍需通过自动微分计算域内偏导数来施加pde(偏微分方程)残差,这不仅增加了计算开销,也未能发挥边界积分方程仅需边界离散、天然降维的优势。近期研究提出另一种思路:将pinn作为边界积分方程未知量的神经网络代理模型。但传统神经网络固有的谱偏差缺陷,使其对高频分量的学习能力显著弱于低频分量,收敛缓慢甚至停滞。尽管现有研究已尝试引入傅里叶特征、多尺度或周期性激活函数加以改善,但场地地震动响应覆盖从零点几赫兹到数十赫兹的宽频带,且复杂地形地质条件下散射波场呈现多尺度、多方向的空间变化,现有方案仍难以在保证物理一致性的前提下实现全频带响应的高效模拟。
3、另一方面,纯数据驱动的机器学习方法虽能借助大量数值样本实现快速预测,但其局限性同样突出:样本生成依赖传统数值方法,未能规避矩阵求逆的计算瓶颈;且黑箱模型缺乏物理一致性,当介质参数、入射波特征或场地几何形态偏离训练样本分布时,其预测可靠性难以得到保证。此外,现有技术难以有效利用稀缺的台站实测数据,致使预测结果过度依赖介质参数的准确性。为此,亟需发展一种能够有机融合物理规律与数值参考解,并可选地引入实测数据约束以有效克服谱偏差的复杂场地地震动高效模拟方法。
技术实现思路
1、本发明提供一种数据与物理约束融合的场地地震响应预测方法及系统,实现了复杂场地地震动响应从频域到时域的端到端快速高精度模拟。
2、为此,本发明提供如下技术方案:
3、一种数据与物理约束融合的场地地震响应预测方法,所述方法包括:
4、步骤1,获取场地几何参数与介质参数,建立复杂场地数值模型,并对所述复杂场地数值模型的边界执行离散化处理得到边界几何特征,建立散射场影响系数矩阵;
5、步骤2,在频域内求解自由场的频域应力与位移响应,并对台站记录的地表实测地震动时程执行傅里叶变换,获得实测位移频谱;
6、步骤3,构建全连接前馈神经网络,并采用多频段迁移学习策略对全连接前馈神经网络进行训练,得到训练完备的物理信息神经网络;
7、步骤4,基于训练完备的物理信息神经网络预测虚拟波源密度,并计算频率总位移场;
8、步骤5,根据频率总位移场进行频域精度验证,并对频率总位移场进行离散逆傅里叶变换,重构时域地震动时程,执行时域精度验证。
9、可选地,在步骤1,首先,获取待分析复杂场地的几何参数和介质参数,其中,几何参数包括根据地形测绘数据提取的地形轮廓曲线及场地特征尺寸,用以刻画场地几何构型;介质参数包括介质密度、拉梅常数、泊松比、剪切波速及阻尼比,用以表征场地材料的力学特性;
10、其次,根据获取的待分析复杂场地的几何参数与介质参数建立所述复杂场地数值模型,并对所述复杂场地数值模型的边界进行离散化处理,得到离散后的边界信息,离散后的边界信息为所述边界几何特征,包括边界离散节点的空间坐标及各边界单元的外法线方向向量;
11、最后,基于所述边界几何特征,构建所述散射场影响系数矩阵,在构建所述散射场影响系数矩阵时,针对关注的目标频带范围,分别建立牵引力格林函数积分矩阵和位移格林函数积分矩阵。
12、可选地,在步骤2,依据地震波的入射方向、频率及场地介质参数,基于复杂场地条件下的弹性波动理论,解析求解自由场的频域应力与位移响应;同时,获取场地内台站记录的地表实测地震动时程,经基线校正与滤波处理后,通过傅里叶变换将地表实测地震动时程转换至频域,得到台站位置的实测位移频谱。
13、可选地,步骤3包括:
14、步骤31,对全连接前馈神经网络进行架构设计,包括:采用全连接前馈神经网络作为基础架构,全连接前馈神经网络由输入层、l个隐藏层及输出层依序级联构成,相邻层级间采用全连接策略,各隐藏层神经元均以双曲正切函数为激活函数,输出层采用线性映射,不施加激活函数;
15、步骤32,建立全连接前馈神经网络的输入输出映射关系,首先,构造输入特征向量,全连接前馈神经网络的输入特征向量包括:经归一化与傅里叶特征嵌入的边界单元中心坐标特征,边界单元外法向向量特征,边界等效载荷向量的实部与虚部特征,区域类型标签特征以及入射波无量纲频率特征;
16、然后,定义输出变量为各边界单元上的虚拟波源密度向量,所述虚拟波源密度向量与边界积分方程中待求的源密度系数向量相对应;
17、步骤33,构建混合约束损失函数;
18、步骤34,根据所述混合约束损失函数,进行网络训练与策略优化。
19、可选地,在步骤33,所述混合约束损失函数包括物理约束项、数值先验约束项以及正则化项,可选地,还包括台站观测数据约束。
20、可选地,在步骤34,网络训练采用adam优化器进行参数迭代更新,并结合自适应损失权重分配、损失尺度的滑动归一化处理以及迁移学习策略,以增强训练过程的稳定性,其中,迁移学习策略包括:首先在低频段开展预训练,以获得具有泛化能力的网络权重;继而将预训练的网络权重作为高频任务下的初始参数,在初始参数的基础上进行微调,完成高频波场的建模与参数优化;策略优化时,采用指数移动平均策略,分别对数据损失与物理损失两类损失的参考尺度进行递推评估,并根据递推评估结果对各损失项实施归一化处理,并根据归一化处理进度平滑调整两类损失的权重分配,训练初期赋予数据损失高于物理损失的权重,以使网络优先学习虚拟波源密度的基本分布特征,随着训练推进,逐步提升物理损失权重,以增强网络预测结果对边界积分方程的满足程度。
21、可选地,在步骤4,将目标频率点对应的所述边界几何特征、自由场位移响应的实部与虚部及介质参数输入至训练完备的物理信息神经网络中,经前向传播计算得到虚拟波源密度的预测值,并根据位移格林函数积分矩阵,计算散射位移场,将散射位移场与自由场位移叠加,获得频域总位移场。
22、可选地,在步骤5,在进行频域精度验证时,将物理信息神经网络预测的频域总位移场与ibem在相同频率点上求解得到的基准解进行定量对比,计算二者之间的相对误差及相关系数;若相对误差及相关系数均处于预设精度范围内,判定频域预测结果满足物理一致性要求;
23、执行时域精度验证时,通过离散逆傅里叶变换将频率总位移场转换为时域地震动时程,提取各边界节点的位移时程、速度时程及加速度时程,并计算峰值地面位移、峰值地面速度、峰值地面加速度及反应谱;将时域地震动时程与台站记录的地表实测地震动时程进行对比,通过时程相关系数、峰值加速度相对误差及反应谱匹配度这些定量指标进行精度评估;若指标满足预设阈值,则输出时域地震动模拟结果;若未满足,则判定当前模拟精度不足,通过调整神经网络超参数或增加训练迭代轮次重新训练模型,直至满足精度要求。
24、一种数据与物理约束融合的场地地震响应预测系统,所述系统包括:
25、数据获取与模型构建模块,获取场地几何参数与介质参数,建立复杂场地数值模型,并对所述复杂场地数值模型的边界执行离散化处理得到边界几何特征,建立散射场影响系数矩阵;
26、求解计算模块,在频域内求解自由场的频域应力与位移响应,并对台站记录的地表实测地震动时程执行傅里叶变换,获得实测位移频谱;
27、神经网络构建与训练模块,构建全连接前馈神经网络,并采用多频段迁移学习策略对全连接前馈神经网络进行训练,得到训练完备的物理信息神经网络;
28、波长预测模块,基于训练完备的物理信息神经网络预测虚拟波源密度,并计算频率总位移场;
29、精度验证模块,根据频率总位移场进行频域精度验证,并对频率总位移场进行离散逆傅里叶变换,重构时域地震动时程,执行时域精度验证。
30、一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器运行时执行所述的数据与物理约束融合的场地地震响应预测方法的步骤。
31、本发明提供的数据与物理约束融合的场地地震响应预测方法及系统,涉及到了基于物理信息神经网络的复杂场地地震动响应模拟,解决了传统间接边界元法因大型稠密复数矩阵构建与求逆导致的计算效率低下与内存消耗大的问题,同时克服了传统物理信息神经网络因谱偏差效应而难以准确捕捉高频地震动响应的缺陷,并可选地将台站实测地震动数据作为一种损失约束引入训练过程,使预测结果兼具物理一致性和数据真实性。本发明采用一种pinn-ibem方法,将传统ibem中反复进行的大型稠密矩阵构建与求逆过程转化为神经网络前向传播,在预测阶段无需存储和求解大型稠密线性方程组,从而降低实时计算的内存需求与计算复杂度;同时,通过傅里叶特征嵌入,并结合“低频预训练-高频微调参”的迁移学习策略,有效缓解了标准神经网络固有的谱偏差问题;此外,在网络训练中引入台站实测数据作为约束,构建混合约束损失函数,使预测结果在满足波动方程的同时,向实测数据逼近;最后,通过虚拟波源密度对比,以及频域、时域与台站记录的验证,形成完整的误差评估体系。由此,实现了复杂场地地震动响应从频域到时域的端到端快速高精度模拟。与现有技术相比,本发明具有以下技术优点:
32、(1)相比于传统ibem在每次求解时均需组装并求逆大型稠密复数矩阵,本发明的pinn-ibem方法在预测阶段仅需通过神经网络前向传播即可获得虚拟波源密度,避免了在线构建与求逆稠密矩阵的过程,从而显著降低在线计算的内存需求与计算复杂度。
33、(2)采用傅里叶特征嵌入,结合先以低频ibem参考解进行预训练、再在目标高频下微调网络参数的迁移学习策略,有效抑制了神经网络的频谱偏差,增强了高频地震动响应的预测能力。
34、(3)建立了从虚拟波源密度误差分析,到频域与时域总波场双重精度检验,再到合成地震动与台站实测记录对比的递进式误差评估体系,实现了复杂场地地震动响应从频域到时域的快速高精度模拟,为宽频带地震动时程分析提供了高效可靠的技术手段。
35、(4)在本发明的一些可选实施例中,通过引入台站实测地震动数据作为损失约束,可使预测结果在满足物理方程的同时向实测地震动逼近,从而降低介质参数不确定性对模拟精度的影响,提高预测结果的数据一致性与工程实用性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com