一种条件驱动的RC结构爆炸毁伤智能评估方法及装置

本发明属于爆炸毁伤工程评估，具体涉及一种条件驱动的rc结构爆炸毁伤智能评估方法及装置。

背景技术：

1、现有钢筋混凝土（reinforced concrete，rc）结构爆炸毁伤研究中，实验样本通常非常有限。实爆试验不仅成本高，而且由于安全条件、场地条件和测量手段受限，很难获得覆盖不同当量、不同爆距和不同偏心位置的大样本数据。相比之下，有限元仿真能够在较大参数空间内批量生成位移、应变、单元失效状态等信息，因此是构建智能评估模型的重要数据来源。

2、然而，现有技术在将仿真数据用于智能毁伤评估时存在诸多技术缺陷：

3、其一，仿真工况覆盖虽多，但不同工况下毁伤模式变化复杂，样本相对于深度学习方法仍然不足；

4、其二，真实结构的几何对称性和物理对称性往往没有被充分利用，导致可用样本量被低估；

5、其三，现有方法常直接采用固定阈值对损伤概率图进行二值化，阈值选择依赖人工经验，敏感且不稳定；

6、其四，许多方法把应变预测与损伤评估混为一体，未充分利用应变是连续物理量、损伤是离散结果这一物理事实，此处的损伤指的是rc单元是否失效。

7、此外，在现有爆炸毁伤预测中，常见做法是直接训练一个从工况到损伤标签的端到端模型。这种方式虽然简单，但由于损伤标签高度稀疏且具有非连续性，模型训练往往不稳定，输出概率图容易出现分类边界模糊、阈值极其敏感以及对局部形貌失真等问题。特别是在小样本条件下，不同阈值下的失效区域可能发生剧烈跳变，严重影响结果可解释性。

8、综上所述，现有技术的主要缺点包括：第一，未充分利用rc结构的几何对称性进行样本扩充，导致仿真成本依旧很高，小样本问题突出；第二，直接从工况预测损伤标签，忽略了应变场对损伤演化的先导作用，模型稳定性和可解释性较差；第三，损伤概率图的二值判定依赖固定阈值，阈值微小变化即可导致失效区域大幅变化，难以稳定应用于工程；第四，缺少一套兼顾仿真数据利用、概率输出校准、阈值自适应选择以及三维毁伤形貌恢复的完整技术方案。

技术实现思路

1、有鉴于此，本发明一种条件驱动的rc结构爆炸毁伤智能评估方法及装置，通过数据增强扩展样本，建立工况到三维体素应变场、三维体素应变场到损伤概率图、损伤概率图到自适应二值判定的分阶段评估框架，实现更稳健、更可解释的rc结构毁伤评估结果。

2、实现本发明的技术方案如下：

3、第一方面，本发明提供一种条件驱动的rc结构爆炸毁伤智能评估方法，具体过程为：

4、步骤一，获取钢筋混凝土rc结构在不同原始毁伤工况下的有限元仿真结果，并从中提取各混凝土单元的三维应变场和三维失效场作为原始样本；构造原始毁伤工况的镜像毁伤工况，将各混凝土单元的三维应变场和三维失效场按照镜像索引进行重排得到镜像增强样本；

5、步骤二，基于条件生成神经网络构建应变场预测模型，应变场预测模型用于对输入的毁伤工况参数进行非线性映射提取高维特征表示，再将高维特征表示解码为三维应变体素场输出；

6、步骤三，构建损伤预测模型，将三维应变体素场、占据掩码值以及毁伤工况参数进行编码，并将编码结果扩展为与三维空间一致的条件特征体并进行融合作为损伤预测模型的输入，损伤预测模型预测输出为损伤概率图；

7、步骤四，设定自适应损伤阈值对损伤概率图进行二值转换，得到三维体素失效场；

8、步骤五，将原始样本和增强样本的三维应变场与三维失效场进行体素映射，将映射结果分别作为应变场预测模型和损伤预测模型的训练标签进行训练，利用训练好的应变场预测模型和损伤预测模型实现爆炸毁伤智能评估。

9、可选地，本发明构造原始毁伤工况的镜像毁伤工况，将各混凝土单元的三维应变场和三维失效场按照镜像索引进行重排得到镜像增强样本；具体过程为：

10、首先，针对爆点相对于结构中心线的偏移量为的原始毁伤工况，构造镜像偏移量，其余工况参数保持不变；

11、其次，建立单元级镜像映射关系：对于每个有限元单元中心坐标，构造中心坐标关于对称面的镜像坐标，在参考网格中寻找与镜像坐标距离最近且距离不超过预设阈值的对应单元，形成镜像索引映射；

12、最后，依据镜像索引映射，将原始样本中的单元级三维应变场和三维失效场分别重排，得到镜像增强样本。

13、可选地，本发明步骤二的具体过程为：

14、首先，设定整结构规则体素网格数量，将rc结构在三维空间的包络盒均匀划分为对应体素网格数量的小立方体单元；对rc结构有限元单元执行体素索引映射，根据体素索引映射将各混凝土单元的三维应变场映射为整结构应变体素场，并确定每一体素占据掩码值；

15、其次，按照预设局部块大小和块间步长对整结构应变体素场进行滑动切块得到多个局部块，根据占据掩码值进行局部块筛选；

16、最后，基于条件生成神经网络构建应变场预测模型，应变场预测模型输入为筛选保留下的局部块的空间位置编码与毁伤工况参数拼接构成的局部块特征，应变场预测模型用于对输入的局部块特征进行非线性映射得到潜在条件向量，再将潜在条件向量解码输出三维应变体素场。

17、可选地，本发明设局部块中第个体素的结构占据掩码值为，应变场预测模型预测的应变体素场为，真实的应变体素场为，则训练损失函数定义为：

18、，

19、其中，权重项为，，表示第个体素属于rc结构实体区域，表示第个体素属于rc结构空域区域，为权重调节系数，为防止分母为零的极小常数，表示二范数。

20、可选地，本发明损伤预测模型训练时，采用组合损失函数；

21、

22、其中，为焦点损失，为dice损失，为平衡损失的权重；

23、

24、

25、其中，表示第个体素属于rc结构实体区域，表示第个体素属于rc结构空域区域，表示第个体素被预测为损伤的概率，表示第个体素的真实损伤标签，表示第个体素为损伤体素，表示第个体素为未损伤体素；表示第个体素被预测为真实类别的概率，当时，，当时，；表示类别平衡因子，表示聚焦参数，为平滑项。

26、可选地，本发明毁伤工况参数包括：爆炸当量、爆距以及爆点相对于结构中心线的偏移量；派生参数包括：、以及。

27、可选地，本发明自适应损伤阈值通过如下过程设定：

28、设损伤预测模型输出验证集中第个样本的损伤概率图为，其中表示第个样本中第个体素被预测为损伤的概率；对损伤概率图进行多候选阈值扫描，候选阈值集合为；

29、针对每个候选阈值，，将损伤概率图二值化为损伤标签：

30、

31、根据二值化得到的损伤标签和真实损伤标签，计算dice系数或交并比iou，选取使dice系数最大或iou最大的候选阈值作为自适应损伤阈值。

32、可选地，本发明在候选阈值下，计算dice系数为：

33、

34、其中，为验证集样本数量，为防止分母为零的极小常数。

35、可选地，本发明在候选阈值下，计算交并比iou为：

36、

37、其中，为验证集样本数量，为防止分母为零的极小常数。

38、第二方面，本发明提供一种条件驱动的rc结构爆炸毁伤智能评估装置，包括：

39、应变场预测模型，用于对输入的毁伤工况参数进行非线性映射得到潜在条件向量，再将潜在条件向量解码输出三维应变体素场；

40、损伤预测模型，用于根据三维应变体素场、占据掩码值以及毁伤工况参数编码、扩展、融合后的特征，预测出损伤概率图；

41、二值转换模块，用于根据自适应损伤阈值对损伤概率图进行二值转换，得到三维体素失效场；

42、毁伤智能评估模块，用于根据三维应变体素场和三维体素失效场获得三维应变场和三维失效场。

43、有益效果：

44、第一，本发明融合“条件生成网络”与“应变驱动”的分阶段毁伤评估架构，采用三维体素应变场预测、损伤概率图推断与阈值自适应判定的分阶段评估框架，而非直接从工况到损伤标签的端到端判定。

45、第二，阈值自适应判定：在验证集上自动搜索最优损伤判定阈值，并以dice系数或iou最大为准则确定阈值，从而提升损伤评估稳定性和工程可解释性。

46、第三，智能毁伤评估：将连续损伤概率图与二值毁伤形貌同时输出，并可恢复至原有限元单元空间，从而实现快速毁伤评估。