一种基于深度学习的结构多工况倒塌响应预测方法及系统

本技术涉及土木工程结构抗连续倒塌分析与智能预测，特别涉及一种基于深度学习的结构多工况倒塌响应预测方法及系统。

背景技术：

1、结构连续倒塌是指由偶然事件导致局部承重构件失效后，失效区域上方荷载被迫通过剩余结构进行重分布，进而引发相邻构件依次破坏，最终造成整体结构的大范围坍塌甚至完全倒塌。柱失效诱发的结构连续倒塌分析是结构工程领域的重要研究课题。在实际工程评估中，通常需要在多个失效位置、边界条件和楼层参与模式下重复开展分析。若每一种子工况均依赖高成本有限元分析，则会严重降低结构抗连续倒塌评估的效率。

2、现有解析模型分析法通常是针对某种特定失效位置或特定传力机制建立，并基于结构几何参数、材料本构和边界条件通过薄膜效应或拉索作用，推导出抗力与变形之间的函数关系，得到局部失效后的抗力曲线，具有较好的力学可解释性。然而，不同失效位置对应的传力路径和边界约束条件差异显著，当面对复杂楼层参与模式、非线性材料退化等情形时，现有解析模型分析法的精度和适用范围均受到较大限制，难以满足工程中多工况快速评估的需求。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种基于深度学习的结构多工况倒塌响应预测方法。

2、本说明书采用下述技术方案：

3、本说明书提供了一种基于深度学习的结构多工况倒塌响应预测方法，包括：

4、获取目标结构的物理参数和失效工况参数；所述失效工况参数包括失效位置类别和楼层参与模式；基于所述物理参数和失效工况参数，得到目标结构各预设位移采样点的物理先验抗力值；

5、将所述目标结构的每一楼层分别建立楼层子图，各楼层子图中的节点包括该楼层内的柱节点和板单元节点，各楼层子图中的边包括该楼层内柱节点之间的水平相邻连接以及板单元节点与其角部柱节点之间的连接；通过相邻楼层的的层间连接关系，将各楼层子图拼接为全局图结构，并用邻接矩阵表示；

6、根据失效位置类别确定失效柱节点，将所述失效柱节点及与所述失效柱节点相关的边从所述邻接矩阵中屏蔽，并根据楼层参与模式将不参与消息传递的楼层子图从所述邻接矩阵中屏蔽，以构造失效感知动态图；

7、基于所述失效感知动态图，通过图神经网络进行图级池化，得到图级表示；

8、根据所述物理参数、物理先验抗力值与所述图级表示，得到目标结构的抗力预测曲线。

9、进一步地，根据所述物理参数、物理先验抗力值与所述图级表示，得到目标结构的抗力预测曲线，包括：

10、将各位移采样点的位移值、对应采样点的物理先验抗力值以及物理参数进行拼接，形成各位移采样点位置的原始向量，通过共享线性映射将所述原始向量映射为序列表示；

11、通过门控机制将所述图级表示与所述序列表示进行融合，构成联合输入序列；

12、将所述联合输入序列输入transformer编码器，通过transformer编码器的多头自注意力机制建模不同位移采样点之间的长程依赖关系，并输出各位移位置对应的隐藏状态；

13、通过transformer编码器的线性输出层将各位置的隐藏状态映射为响应预测值。

14、进一步地，通过门控机制将所述图级表示与所述序列表示进行融合，构成联合输入序列，包括：

15、将所述图级表示通过线性映射后得到映射图向量；

16、针对每个序列位置，根据该位置的序列表示和所述映射图向量，通过门控函数得到与位置相关的门控向量；

17、根据所述门控向量将所述映射图向量以逐元素相乘方式叠加至所述序列位置的序列表示，得到融合后的序列向量；

18、将所述映射图向量作为独立的全局向量，与各融合后的序列向量及其位置编码共同构成联合输入序列。

19、进一步地，基于所述物理参数和失效工况参数，得到目标结构各预设位移采样点的物理先验抗力值，包括：

20、基于所述物理参数和失效工况参数，根据膜效应分解理论，得到小变形阶段的压膜效应抗力曲线和大变形阶段的拉膜效应抗力曲线；其中，所述压膜效应抗力采用带退化系数的表达式描述，所述拉膜效应抗力采用带形状系数的表达式描述；

21、将压膜效应抗力与拉膜效应抗力叠加，生成对应失效位置类别的初始先验响应趋势，并按照预设的位移采样点数量进行离散化，得到目标结构的各位移采样点的物理先验抗力值序列。

22、进一步地，所述通过图神经网络进行图级池化，得到图级表示，包括：

23、对所述失效感知图的邻接矩阵进行归一化处理，得到归一化邻接矩阵；

24、基于所述归一化邻接矩阵，通过多层图神经网络进行节点特征的消息传递与更新，并在更新过程中以活动节点掩码屏蔽非活动节点的信息传播；

25、对消息传递后的活动节点执行掩码最大化池化，得到所述图级表示。

26、进一步地，所述目标结构的物理参数包括：x方向跨度、y方向跨度、x方向梁高、y方向梁高、x方向梁宽、y方向梁宽、板厚、x方向梁顶配筋率、x方向梁底配筋率、y方向梁顶配筋率、y方向梁底配筋率、板配筋率、钢筋屈服强度、钢筋极限强度、钢筋极限应变和混凝土抗压强度；

27、所述失效位置类别包括内柱失效、边柱失效和角柱失效。

28、进一步地，所述目标结构的抗力预测曲线为包含30个位移采样点的完整抗力位移响应曲线，所述30个位移采样点从位移0开始按0.005的步长等间距分布。

29、本说明书提供了一种基于深度学习的结构多工况倒塌响应预测系统，包括：

30、参数获取模块，用于获取目标结构的物理参数和失效工况参数；所述失效工况参数包括失效位置类别和楼层参与模式；基于所述物理参数和失效工况参数，得到目标结构各预设位移采样点的物理先验抗力值；

31、图结构构造模块，用于将所述目标结构的每一楼层分别建立楼层子图，各楼层子图中的节点包括该楼层内的柱节点和板单元节点，各楼层子图中的边包括该楼层内柱节点之间的水平相邻连接以及板单元节点与其角部柱节点之间的连接；通过相邻楼层的的层间连接关系，将各楼层子图拼接为全局图结构，并用邻接矩阵表示；

32、失效图构造模块，用于根据失效位置类别确定失效柱节点，将所述失效柱节点及与所述失效柱节点相关的边从所述邻接矩阵中屏蔽，并根据楼层参与模式将与所述失效柱节点进行消息传递的楼层子图从所述邻接矩阵中屏蔽，以构造失效感知动态图；

33、图级表示构造模块，用于基于所述失效感知动态图，通过图神经网络进行图级池化，得到图级表示；

34、预测模块，用于根据所述物理参数、物理先验抗力值与所述图级表示，得到目标结构的抗力预测曲线。

35、本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述框架结构多工况倒塌响应预测方法。

36、本说明书提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述框架结构多工况倒塌响应预测方法。

37、本说明书采用的上述至少一个技术方案能够达到以下有益效果：

38、这对现有解析模型分难以满足多种柱失效工况评估的需求，本说明书提供的框架结构多工况倒塌响应预测方法中，基于失效位置类别和楼层参与模式构造的失效感知动态图，实现了对不同失效位置工况的统一表征与建模，能够通过动态屏蔽失效柱节点及其关联边，并根据楼层参与模式自适应调整子图消息传递范围，使同一深度模型能够自然适配多种拓扑变化工况，无需针对每种失效位置单独训练或切换模型，显著降低了工程评估中的模型管理成本。