基于动力先验与神经残差的监控杆地震动反演方法及装置

摘要: 本技术涉及地震工程、结构健康监测领域,特别是涉及一种基于动力先验与神经残差的监控杆地震动反演方法及装置。背景技术:1、地面强震动记录是地震预警、震后评估、城市韧...
基于动力先验与神经残差的监控杆地震动反演方法及装置

本技术涉及地震工程、结构健康监测领域,特别是涉及一种基于动力先验与神经残差的监控杆地震动反演方法及装置。

背景技术:

1、地面强震动记录是地震预警、震后评估、城市韧性分析和结构安全判断的重要数据。传统强震仪能够提供可靠地震动记录,但设备成本、站点建设、供电通信和长期维护要求限制了城市高密度布设。城市道路中已存在大量监控杆、路灯杆和交通附属杆,若能够根据其结构响应反演地面震动,则有望扩展城市地震动观测信息来源。

2、监控杆并非刚体,其摄像机位置、杆端位置或悬臂端部位置的位移响应由地面输入、杆件几何、附属设备质量、杆底约束和结构动力特性共同决定。基于结构动力方程的输入反演方法具有物理可解释性,但其结果依赖结构模型精度、参数质量和响应方向耦合状态;当杆件为l形悬臂结构、摄像机质量偏心或基础存在转动退化时,某些方向的物理反演基线可能不可靠。

3、纯数据驱动的神经网络能够学习复杂的响应到地震动映射,但当杆件高度、悬臂长度、截面变化、附属设备质量或基础状态发生变化时,模型泛化能力容易下降,且预测结果缺少明确的结构动力解释。因而,需要一种将结构动力先验与神经网络残差修正相结合的方法,在保留物理可解释性的同时,利用神经网络补偿模型简化、方向耦合、数值差分噪声和结构差异造成的反演误差。

技术实现思路

1、本技术的目的是提供一种基于动力先验与神经残差的监控杆地震动反演方法及装置,可解决现有技术中纯物理反演依赖模型精度易受方向耦合影响,以及纯数据驱动神经网络泛化能力差且缺乏物理解释的问题。

2、为实现上述目的,本技术提供了如下方案:

3、第一方面,本技术提供了一种基于动力先验与神经残差的监控杆地震动反演方法,包括:

4、步骤s1,获取目标监控杆在预设响应位置处的三分量位移响应时程,并获取所述目标监控杆对应的结构参数;

5、步骤s2,基于所述三分量位移响应时程和所述结构参数中的等效质量矩阵、等效阻尼矩阵和等效刚度矩阵,计算三分量地震动物理基线;

6、步骤s3,根据所述结构参数中的杆型标识和方向频率比确定方向权重,对所述三分量地震动物理基线进行加权,得到可靠性加权物理基线;

7、步骤s4,分别对所述三分量位移响应时程和所述可靠性加权物理基线进行幅值归一化,并沿通道维度拼接为六通道响应-基线序列,同时保留所述可靠性加权物理基线的幅值尺度;

8、步骤s5,将所述六通道响应-基线序列输入多尺度残差时序编码模块,提取多尺度残差时序特征;

9、步骤s6,将所述结构参数中的结构条件向量与所述多尺度残差时序特征拼接后输入结构条件残差融合模块,预测得到归一化三分量神经残差;所述结构条件向量包括:杆型标识和方向频率比;

10、步骤s7,将所述归一化三分量神经残差与所述步骤s4中归一化后的可靠性加权物理基线相加,并利用步骤s4中保留的所述幅值尺度进行量纲恢复,得到目标监控杆所在地面的三分量地震动加速度时程。

11、可选地,所述步骤s1中的结构参数包括由等效质量矩阵、等效阻尼矩阵和等效刚度矩阵展开形成的27维物理参数,以及4维结构条件向量;所述4维结构条件向量包括目标监控杆在x、y、z三个方向相对于参考直杆的自振频率比,以及表示直杆或l形杆的杆型标识。

12、可选地,所述步骤s2中计算三分量地震动物理基线,具体包括:

13、对所述三分量位移响应时程进行单位转换和差分处理,得到速度响应和加速度响应;

14、将所述速度响应、加速度响应以及所述等效质量矩阵、等效阻尼矩阵和等效刚度矩阵代入结构动力平衡关系,直接求解质量矩阵的线性方程,得到所述三分量地震动物理基线。

15、可选地,所述步骤s3中根据杆型标识和方向频率比确定方向权重,具体包括:

16、当所述杆型标识为直杆时,方向权重矩阵取为[1,1,1];

17、当所述杆型标识为l形杆时,方向权重矩阵取为[1,,0];其中,为y向权重系数,其取值根据x向频率比确定:当x向频率比不低于预设高阈值时,取1;当x向频率比低于预设低阈值时,取0.1;其余情况取0.3。

18、可选地,所述步骤s4中分别进行幅值归一化,具体包括:

19、分别计算所述三分量位移响应时程和所述可靠性加权物理基线在全部时间点和三个方向上的逐样本均方根尺度;

20、利用各自的均方根尺度对所述三分量位移响应时程和所述可靠性加权物理基线进行归一化,其中所述均方根尺度的计算包含稳定项以防止除零错误。

21、可选地,所述步骤s5中的多尺度残差时序编码模块包括三个并行的一维卷积分支、通道压缩层和多个串联的残差卷积块;

22、所述三个并行的一维卷积分支的卷积核大小分别为3、7和15,用于分别提取局部峰值、短时波包和长时包络特征;

23、三个分支的输出拼接后通过所述通道压缩层压缩为预设通道数,再依次通过膨胀系数分别为1、2和4的三个串联残差卷积块,输出所述多尺度残差时序特征。

24、可选地,所述步骤s6中的结构条件残差融合模块包括长短期记忆网络和线性投影层;

25、所述结构条件向量沿时间维复制后,与所述多尺度残差时序特征拼接形成条件序列;

26、所述条件序列输入所述长短期记忆网络学习结构条件对残差特征的调制作用,再通过所述线性投影层映射为每个时间步的所述归一化三分量神经残差。

27、可选地,所述步骤s7中进行量纲恢复,具体包括:

28、将所述归一化三分量神经残差与归一化后的可靠性加权物理基线相加得到归一化加速度估计;

29、将所述归一化加速度估计乘以所述步骤s4中保留的可靠性加权物理基线的均方根尺度,恢复至物理量纲,得到所述三分量地震动加速度时程。

30、可选地,所述多尺度残差时序编码模块和结构条件残差融合模块构成的反演网络,通过以下步骤训练得到:

31、构建包含幅值误差、一阶差分误差、二阶差分误差的监督损失,以及预测结果与方向加权物理基线比较的物理一致性损失;

32、利用包含三分量位移响应、三分量目标地震动真值、物理参数和结构条件向量的样本集,对所述反演网络进行迭代训练,直至满足收敛条件。

33、第二方面,本技术提供了一种基于动力先验与神经残差的监控杆地震动反演装置,包括:

34、数据获取模块,用于获取目标监控杆在预设响应位置处的三分量位移响应时程,并获取所述目标监控杆对应的结构参数;

35、物理基线计算模块,用于基于所述三分量位移响应时程和所述结构参数中的等效质量矩阵、等效阻尼矩阵和等效刚度矩阵,计算三分量地震动物理基线;

36、可靠性加权模块,用于根据所述结构参数中的杆型标识和方向频率比确定方向权重,对所述三分量地震动物理基线进行加权,得到可靠性加权物理基线;

37、序列构建模块,用于分别对所述三分量位移响应时程和所述可靠性加权物理基线进行幅值归一化,并沿通道维度拼接为六通道响应-基线序列,同时保留所述可靠性加权物理基线的幅值尺度;

38、特征编码模块,用于将所述六通道响应-基线序列输入多尺度残差时序编码模块,提取多尺度残差时序特征;

39、残差融合模块,用于将所述结构参数中的结构条件向量与所述多尺度残差时序特征拼接后输入结构条件残差融合模块,预测得到归一化三分量神经残差;所述结构条件向量包括:杆型标识和方向频率比;

40、输出恢复模块,用于将所述归一化三分量神经残差与归一化后的可靠性加权物理基线相加,并利用所述幅值尺度进行量纲恢复,得到目标监控杆所在地面的三分量地震动加速度时程。

41、根据本技术提供的具体实施例,本技术具有了以下技术效果:

42、本技术提供了一种基于动力先验与神经残差的监控杆地震动反演方法及装置,具有以下显著优势:

43、保留物理可解释性:本技术把结构动力反演结果作为物理基线输入神经网络,使反演过程保留可解释的相位和幅值先验,避免完全依赖黑箱映射。

44、抑制不可靠先验干扰:根据杆型和方向可靠性设置物理基线权重,能够在物理基线可靠时充分利用该先验,在物理基线不可靠(如l形杆竖向)时抑制错误先验对神经网络残差学习的干扰。

45、多尺度特征提取:多尺度残差时序编码模块能够同时提取局部峰值、短时波包和长时包络特征,高度契合地震动时程中脉冲和持续振动并存的特点。

46、条件化修正适应性强:结构条件残差融合模块引入频率比和杆型标识,使同一网络能够针对不同高度、不同悬臂构造和不同动力特性的监控杆进行条件化修正,提升了模型的泛化能力。