一种基于距离场降阶的混凝土结构毁伤形貌预测方法
本发明涉及结构毁伤预测,具体涉及一种基于距离场降阶的混凝土结构毁伤形貌预测方法。
背景技术:
1、钢筋混凝土(rc)结构在爆炸冲击载荷作用下会产生复杂的毁伤形貌,包括混凝土剥落、裂纹扩展以及局部失效区域的形成。在进行毁伤评估过程中,形貌特征是对结构毁伤程度进行定量表征的重要依据。现有研究通常基于有限元方法对结构破坏过程进行数值仿真,并从仿真结果中提取损伤参数以开展毁伤评估。另一方面,通过实验数据拟合得到毁伤范围或破坏程度的经验公式,但该类方法无法描述复杂空间形貌,无法提供高分辨率损伤分布。
2、近年来,神经网络、支持向量机和集成学习等数据驱动模型被用于结构响应预测,但对于爆炸毁伤形貌这类高维空间场,若直接以单元失效状态作为模型输出,则会面临输出维度极高、二值标签不连续、训练样本需求量大以及模型泛化能力不足等问题。特别是传统失效/未失效的0/1二值表示仅能反映单元是否损伤,无法表达单元到毁伤边界的空间距离和几何关系,不利于模型学习连续的形貌演化规律。
3、综上,现有技术主要存在如下缺点:
4、1、高维空间场难以建模。rc结构毁伤形貌通常对应大量有限元单元的空间分布结果,维度可达量级甚至更高,直接建立输入工况参数到高维毁伤场的映射关系会导致模型规模大、训练困难和计算复杂度高。
5、2、毁伤形貌表达不连续。传统失效/未失效标签在毁伤边界处发生突变,空间梯度信息缺失,导致模型难以学习毁伤边界形状、破坏范围以及毁伤区域的连续变化规律。
6、3、计算成本高。对于不同爆炸当量、爆距及偏移量组合,若均采用精细有限元模型进行显式动力学计算,将耗费大量建模和计算资源。
7、4、输入参数与毁伤形貌之间存在强非线性。爆炸当量、爆距、偏移量等参数共同影响冲击波强度和结构局部破坏模式,传统回归模型难以稳定表征该类强非线性映射关系。
8、因此,有必要提出一种预测方法,能够在保持毁伤形貌空间细节和物理可解释性的同时,提高预测效率并降低对大规模高质量样本的依赖。
技术实现思路
1、有鉴于此,本发明提供了一种基于距离场降阶的混凝土结构毁伤形貌预测方法,该方法将rc结构爆炸毁伤形貌由离散二值场转化为连续几何场,再结合机器学习模型进行预测学习,填补了空间梯度信息缺失,使得模型能够学习毁伤边界形状、破坏范围以及毁伤区域的连续变化规律;同时,本发明还将高维连续几何场压缩为可学习的低维表示,以在保持毁伤形貌空间细节和物理可解释性的同时,提高预测效率并降低对大规模高质量样本的依赖。
2、为了解决上述技术问题,本发明是这样实现的。
3、一种基于距离场降阶的混凝土结构毁伤形貌预测方法,包括:
4、步骤1:建立钢筋混凝土结构在爆炸荷载作用下的有限元模型,设置多组爆炸工况开展仿真;针对每一爆炸工况提取失效状态并转化为二值失效场;
5、步骤2:将各爆炸工况的二值失效场转化为符号距离场sdf:
6、基于二值失效场识别失效区域和失效边界;对于任一结构单元,确定结构单元中心到失效边界的最短距离;按照符号映射规则,依据结构单元是否归属失效区域的情况,对最短距离取负值或原值,作为结构单元对应的sdf值;
7、步骤3:对各爆炸工况的sdf进行降阶表示,获得用于重构毁伤形貌的sdf低维表征;
8、步骤4:基于爆炸工况的工况参数,构造输入特征;
9、步骤5:以爆炸工况的输入特征作为预测模型输入,以对应爆炸工况的sdf低维表征作为标签,进行预测模型训练;
10、步骤6:构造待预测爆炸工况的输入特征,利用训练好的预测模型得到sdf低维表征预测量;基于sdf低维表征预测量,重构高维连续的sdf;
11、步骤7:根据重构的sdf,按照反向符号映射规则,恢复结构失效形貌。
12、优选地,所述步骤2中,所述符号映射规则为:若结构单元属于失效区域,则对应的sdf值取;若结构单元不属于失效区域,则对应的sdf数值取;
13、所述步骤7中,反向符号映射规则为:若结构单元对应的重构sdf值小于失效判定阈值,则恢复结构失效形貌为1;若结构单元对应的重构sdf值大于或等于失效判定阈值,则恢复结构失效形貌为0;所有结构单元的组成预测的混凝土结构毁伤形貌。
14、优选地,所述失效判定阈值取值为0;或者,所述失效判定阈值利用训练样本的验证集进行优化:令失效判定阈值取设定范围内的不同值,采用验证集进行预测效果测试,取预测效果最好的值,作为实际预测时所用失效判定阈值。
15、优选地,步骤3中,所述降阶表示采用主成分分析、动态模态分解、非负矩阵分解、独立成分分析、字典学习、张量分解或自编码器获得。
16、优选地,步骤3中,所述降阶表示采用本征正交分解pod获得,具体为:通过pod处理获得k个pod空间模态以及每一爆炸工况对应的pod系数向量,k取值小于结构单元数量至少1个数量级,表示第
k个pod空间模态的pod系数向量;获得的pod系数向量即为所述sdf低维表征;
17、则步骤6中,预测模型基于待预测爆炸工况的输入特征输出预测的pod系数向量;基于
k个pod空间模态和预测的pod系数向量,重构待预测爆炸工况下的高维连续sdf为:
18、
19、其中,为结构单元中心位置处的重构sdf值,为所有训练样本在结构单元中心位置处的sdf均值;为第个pod空间模态在结构单元中心位置处的模态分量,为预测的pod系数向量中的第个系数。
20、优选地,k个pod空间模态的选取方式为:
21、k取10~30中的一个数;或者k值根据训练样本中验证集的预测误差确定;或者基于pod降阶过程中所得奇异值对角矩阵所表征的各pod空间模态能量贡献,选取能量贡献率不低于设定比率的前k个pod空间模态。
22、优选地,步骤4中,所述输入特征包括各爆炸工况参数以及爆炸工况参数的组合项;所述爆炸工况参数的组合项包括爆炸工况参数间的比例项、爆炸工况参数间的耦合项和/或爆炸工况参数的幂次项。
23、优选地,所述爆炸工况参数包括爆炸tnt当量、爆炸距离以及爆点相对于混凝土结构参考中心的偏移量;
24、预测模型的输入特征构造为:
25、
26、其中,比例项,为爆炸工况参数的幂次项,为爆炸工况参数间的耦合项。
27、优选地,所述步骤2中,获得sdf后,进一步对sdf进行取值范围限制的截断处理和归一化处理。
28、优选地,所述预测模型采用多层感知机mlp、支持向量回归svr模型、高斯过程回归模型、极端梯度提升算法xgboost模型、随机森林或深度神经网络;
29、训练预测模型的损失函数采用均方误差或平均绝对误差,并结合l2正则化、dropout、早停策略或交叉验证以抑制过拟合。
30、有益效果:
31、(1)二值场转化为连续场,提升毁伤形貌表达连续性:本发明利用sdf将离散失效场转化为带空间梯度的连续几何场,依靠正负距离区分失效区与未失效区,零值等值面精准对应毁伤边界,使毁伤边界、距离梯度和空间轮廓得到更充分表达。该方式保留单元与毁伤区域的空间关联,使模型不仅能够学习毁伤边界形状、破坏范围,还能够学习毁伤区域的连续变化规律,这有利于模型学习复杂毁伤形貌,提升模型预测准确性。
32、而且,连续距离值在毁伤区域边界处平滑过渡,消除二值场变量非光滑跃变缺陷,有效提升模型对复杂爆炸毁伤形貌、不规则剥落的识别与拟合精度。
33、(2)搭建sdf双向映射体系,毁伤边界判定灵活且精准:本发明配套正向符号转换规则与反向失效判定规则,实现连续sdf场与离散单元失效形貌可逆转换;因此本发明并非仅预测毁伤等级、毁伤面积或毁伤深度等低维指标,而是能够重构单元级或网格级毁伤分布,可用于后续毁伤可视化、失效范围统计和结构安全评估。而且,毁伤边界阈值既可直接取0,依靠sdf零等值面划分破坏区域,也可基于验证集遍历寻优得到最优阈值,精准输出单元级二值失效分布,适用于高分辨率毁伤形貌输出。
34、(3)对高维sdf降阶压缩,降低建模与计算成本:本发明通过降阶方式将高维度的三维毁伤形貌场压缩为低维表征,使模型预测对象由高维空间场转化为低维参数向量,从根本上降低了学习难度和计算复杂度,有效缩减模型规模,降低仿真样本依赖,提升训练速度。
35、(4)构造复合输入特征,适配爆炸强非线性效应:本发明在预测模型的输入特征中增设比例距离、参数耦合项、幂次项等扩展特征,其好处在于:一方面爆炸当量、爆距、爆点偏移三者相互耦合、相互制约,直接输入原始参数时,模型难以区分“当量增大”和“爆距减小”各自带来的冲击波增强效果,载荷效应混杂在一起,存在强共线性,无法独立识别单一参数的破坏贡献。因此本发明加入了上述扩展特征,其中比例距离实现尺度化以剥离当量与爆距耦合,幂次项描述载荷非线性衰减规律,耦合项表征多参数协同破坏效应,通过上述三类扩展特征,把爆炸载荷拆解为冲击波基础强度、非线性衰减、多参数协同叠加三类独立分量,各分量物理含义互不重叠,模型可分别学习每一类载荷对应的毁伤规律,实现爆炸载荷效应解耦;另一方面适度提升输入特征维度,更好匹配降阶后输出模态维度,进一步增强模型拟合能力与预测泛化效果。
36、(5)提高小样本条件下的预测稳定性:sdf提供比二值标签更丰富的空间监督信息,低维表征提取主要形貌模态并减少输出维度,物理意义明确的输入特征又强化了爆炸荷载规律表达,因此即使训练样本有限,也能够获得较稳定的毁伤形貌预测结果。
37、(6)实现快速预测:训练完成后,仅需输入爆炸当量、爆距和偏移量等工况参数,即可预测低维表征并重构毁伤形貌,相比重复有限元显式动力学仿真可显著缩短评估时间。
38、(7)具有较好的物理可解释性。pod模态对应毁伤形貌的主要空间变化模式,sdf零水平集对应毁伤边界,输入特征中的比例距离和参数耦合项具有明确爆炸荷载物理含义,使预测过程和结果更便于解释。
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