一种基于深度学习的自复位剪力墙损伤状态预测方法

本发明涉及机器学习，具体来说涉及一种基于深度学习的自复位剪力墙损伤状态预测方法。

背景技术：

1、自复位剪力墙具有较好的变形恢复能力和损伤控制能力，在抗震结构及震后快速恢复领域具有较好的应用前景。随着自复位剪力墙应用范围扩大，对其在地震作用下的损伤状态进行快速、准确识别，对于结构安全评估和震后状态判断具有重要意义。

2、现有自复位剪力墙损伤评估方法通常根据位移、累积耗能、刚度退化以及材料应变、应力等单一或少量指标判断结构损伤状态。由于自复位剪力墙同时涉及墙体构造参数、承载能力参数以及加载过程中的材料和结构响应，仅采用单一类型指标难以充分表征不同墙体及不同损伤阶段下的损伤状态。同时，当墙体参数组合和加载工况较多时，通常需要通过非线性数值分析获得损伤状态对应的响应数据，导致损伤评估过程存在计算量较大的问题。

3、现有机器学习方法能够建立结构参数、响应数据与损伤类别之间的映射关系，但通常将不同损伤状态作为相互独立的分类类别进行预测，而自复位剪力墙的损伤状态具有由低到高逐级演化的顺序关系，独立分类容易产生不符合损伤演化规律的概率输出，并增加相邻损伤状态之间的分类混淆。同时，结构特征、能力特征和响应特征对于不同墙体及不同损伤阶段的作用程度并不固定，将不同来源的特征直接拼接后进行统一处理，难以根据具体样本调整不同信息源之间的相对作用。

4、此外，在基于数值分析构建损伤状态数据时，部分墙体在既定加载历程内可能无法达到较高等级的损伤状态，对未达到状态的响应数据进行人为填补容易引入非实际响应信息；若同一墙体对应的多个损伤状态样本被分别划分至不同数据子集，还可能使同一墙体的信息在训练、验证和测试过程中重复出现。因此，需要一种能够合理构建自复位剪力墙损伤状态数据，并对多源工程特征进行自适应融合，同时保持损伤状态演化顺序的损伤状态预测方法。

技术实现思路

1、本发明的目的在于提供一种基于深度学习的自复位剪力墙损伤状态预测方法，通过获取结构特征、能力特征和响应特征并进行分支处理，使不同来源的工程信息得到分别表征；进一步通过逐特征注意力调节各类特征内部不同变量的作用，并根据不同墙体损伤状态样本自适应确定各特征分支的融合权重，实现多源特征的自适应融合；在此基础上，通过共享损伤得分与按照非递减顺序设置的损伤阈值获得具有累积关系的损伤概率，使损伤状态预测符合自复位剪力墙由低到高的演化顺序，从而提高不同损伤状态特别是相邻损伤状态的识别可靠性，并实现对自复位剪力墙损伤状态的快速预测。

2、为达到上述目的，本发明提供如下技术方案：

3、第一方面，本发明提供了一种基于深度学习的自复位剪力墙损伤状态预测方法，该方法包括：

4、获取自复位剪力墙的结构参数组合，并基于结构参数组合建立自复位剪力墙数值模型，通过加载分析获得结构参数组合对应的能力特征和响应特征，根据响应特征对应的材料状态和空间位置确定自复位剪力墙的特征损伤状态；

5、基于结构参数、能力特征和响应特征构建与特征损伤状态对应的墙体损伤状态样本，并按照墙体标识将墙体损伤状态样本划分为训练样本、验证样本和测试样本；

6、将墙体损伤状态样本中的特征按照物理属性划分为结构特征、能力特征和响应特征，对结构特征、能力特征和响应特征分别进行特征处理，并分别编码得到结构隐含表示、能力隐含表示和响应隐含表示；

7、根据结构隐含表示、能力隐含表示和响应隐含表示确定针对当前墙体损伤状态样本的多个融合权重，并利用多个融合权重对对应的隐含表示进行融合，得到融合表示；

8、基于融合表示获得共享损伤得分，并利用多个按照非递减顺序设置的损伤阈值对共享损伤得分进行有序划分，获得对应于不同特征损伤状态的多个累积概率；

9、根据多个累积概率确定墙体损伤状态样本对应的特征损伤状态，并利用训练得到的预测模型、标准化参数和判定阈值对待评估自复位剪力墙进行处理，输出待评估自复位剪力墙的特征损伤状态及对应的累积概率。

10、第二方面，本发明还提供了一种基于深度学习的自复位剪力墙损伤状态预测装置，该装置包括：

11、参数获取模块，用于获取自复位剪力墙的结构参数组合，并基于结构参数组合建立自复位剪力墙数值模型，通过加载分析获得结构参数组合对应的能力特征和响应特征，根据响应特征对应的材料状态和空间位置确定自复位剪力墙的特征损伤状态；

12、样本划分模块，用于基于结构参数、能力特征和响应特征构建与特征损伤状态对应的墙体损伤状态样本，并按照墙体标识将墙体损伤状态样本划分为训练样本、验证样本和测试样本；

13、特征划分模块，用于将墙体损伤状态样本中的特征按照物理属性划分为结构特征、能力特征和响应特征，对结构特征、能力特征和响应特征分别进行特征处理，并分别编码得到结构隐含表示、能力隐含表示和响应隐含表示；

14、权重确定模块，用于根据结构隐含表示、能力隐含表示和响应隐含表示确定针对当前墙体损伤状态样本的多个融合权重，并利用多个融合权重对对应的隐含表示进行融合，得到融合表示；

15、损伤划分模块，用于基于融合表示获得共享损伤得分，并利用多个按照非递减顺序设置的损伤阈值对共享损伤得分进行有序划分，获得对应于不同特征损伤状态的多个累积概率；

16、概率输出模块，用于根据多个累积概率确定墙体损伤状态样本对应的特征损伤状态，并利用训练得到的预测模型、标准化参数和判定阈值对待评估自复位剪力墙进行处理，输出待评估自复位剪力墙的特征损伤状态及对应的累积概率。

17、第三方面，本发明还提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现第一方面提供的基于深度学习的自复位剪力墙损伤状态预测方法。

18、第四方面，本发明还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现第一方面提供的基于深度学习的自复位剪力墙损伤状态预测方法。

19、第五方面，本发明还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面提供的基于深度学习的自复位剪力墙损伤状态预测方法。

20、本发明的有益效果在于：本发明中的方法，通过获取结构特征、能力特征和响应特征并进行分支处理，使不同来源的工程信息得到分别表征；进一步通过逐特征注意力调节各类特征内部不同变量的作用，并根据不同墙体损伤状态样本自适应确定各特征分支的融合权重，实现多源特征的自适应融合；在此基础上，通过共享损伤得分与按照非递减顺序设置的损伤阈值获得具有累积关系的损伤概率，使损伤状态预测符合自复位剪力墙由低到高的演化顺序，从而提高不同损伤状态特别是相邻损伤状态的识别可靠性，并实现对自复位剪力墙损伤状态的快速预测。

21、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。