一种基于机器学习的实时混合试验方法和系统

技术领域

本发明属于结构抗震试验领域，尤其涉及一种基于机器学习的实时混合试验方法和系统。

背景技术

结构抗震试验是检验结构抗震理论最直接最有效的方法。常用的抗震试验有拟静力试验、地震模拟振动台试验和拟动力试验。拟静力试验方法是结构抗震性能研究应用最广泛的一种方法，可以最大限度地利用试件提供各种信息，例如承载力、刚度、变形能力等，但受限于预定的加载制度，拟静力试验很难获得结构在地震激励下的响应，并且加载速率较慢，不适用于率相关材料。地震模拟振动台试验是复现地震动最为直接有效的工具，但受限于台面尺寸和承载能力的限制，对于大型结构只能进行缩尺试验，要求试验满足动力相似性条件。拟动力试验具有拟静力试验和地震模拟振动台试验的优点，既能真实再现地震作用，又具有经济方便的特点，可实现大比例尺试验或者原型结构试验。但拟动力试验采用拟静力的加载方式，同样不适用于率相关材料。

实时混合试验是近年来发展起来的一种新型抗震试验方法，该方法将待评估系统拆分为两部分，其中具有强非线性或者难以数值分析的部分在实验室中进行物理加载，称为物理子结构，剩余部分在计算机上进行数值模拟，称为数值子结构。两种子结构间通过传递系统来实现边界协调和力的平衡。与拟动力试验不同，实时混合试验要求子结构间的边界条件实时实现，这就需要数值子结构可以完成实时计算。在数值计算方面，实时混合试验主要存在两方面的不足：1、现有关于实时混合试验的记录，多数将数值子结构考虑为线弹性结构以减小计算耗时，无法真正得到结构在动力荷载作用下的响应；2、若将数值子结构考虑为非线性结构，其计算耗时较长，无法在规定的时间内将命令信号发送给传递系统进行加载，将导致试验失效。

发明内容

针对上述问题，本发明第一方面提出一种基于机器学习的实时混合试验方法，包括以下步骤：

S1，基于机器学习算法建立用于结构反应预测的代理模型；

S2，应用代理模型开展实时混合试验；

其中S1具体包括：

S11，准备数据：获取地震动序列，对结构开展有限元分析，记录结构位移时程、物理子结构位移时程和物理子结构的恢复力时程；

S12，构建训练集：以地震动时程、物理子结构的恢复力时程为输入，以结构位移时程、物理子结构位移时程为输出；

S13，构建代理模型：应用训练集训练不同的机器学习算法模型，获得不同的结构反应预测代理模型，并确定代理模型。

上述方案应用代理模型进行实时混合试验，能够实现具有大量自由度和复杂非线性的数值子结构计算，且具有较短的计算耗时。

进一步地，S13中基于模型平均理论确定所述不同的结构反应预测代理模型的权重，从而获得所述代理模型。

进一步地，S2具体包括：

S21，在每一时间步，以地震动和物理子结构的恢复力为输入，通过代理模型，预测得到下一时间步的结构位移和物理子结构的位移；

S22，物理加载系统根据物理子结构的位移在物理子结构上实现命令位移；

S23，采集物理子结构的恢复力并传递给代理模型进行预测；

S24，重复S21-S23。

优选地，S22所述命令位移在所述物理子结构的位移基础上通过时滞补偿获得。

优选地，S13所述机器学习算法包括深度长短期记忆神经网络(LSTM)、逆向传播神经网络(BP)、支持向量机(SVM)和/或逻辑回归。

进一步地，S11具体包括：

S111，在有限元软件中建立研究对象的有限元模型，计算结构周期，并根据研究对象的场地类别，选择地震动输入；

S112，基于实验设计理论对所述地震动幅值进行调幅，得到一系列具有不同峰值加速度的地震动序列；

S113，开展有限元分析。

进一步地，S11具体包括：

建立结构的运动微分方程

采用有限元软件模拟数值子结构和物理子结构；

选择数值计算方法求解运动方程，获得数值子结构和物理子结构的位移；

将位移分别发送给对应子结构的有限元程序，进行非线性静力分析；

获得数值子结构和物理子结构的恢复力R

重复直至地震动结束。

第二方面，本发明提出一种基于机器学习的实时混合试验系统，包括：

数据准备模块，配置用于准备数据：获取地震动序列，对结构开展有限元分析，记录结构位移时程、物理子结构位移时程和物理子结构的恢复力时程；

训练集构建模块，配置用于构建训练集：以地震动时程、物理子结构的恢复力时程为输入，以结构位移时程、物理子结构位移时程为输出；

代理模型构建模块，配置用于构建代理模型：应用训练集训练不同的机器学习算法模型，获得不同的结构反应预测代理模型，并确定最终代理模型；

实时混合试验模块，配置用于应用所述代理模型开展实时混合试验。

进一步地，代理模型构建模块基于模型平均理论确定所述不同的结构反应预测代理模型的权重，从而获得所述代理模型。

进一步地，实时混合试验模块还包括时滞补偿器。

本发明提出的基于机器学习的实时混合试验方法和系统，由基于机器学习的代理模型完成复杂且耗时的数值子结构有限元计算，计算效率得到极大的改善，可以在较短的时间内完成数值计算，得到物理子结构的命令位移；采用不同的机器学习算法训练得到多个代理模型，进而采用模型平均方法得到最终的数值子结构的代理模型，可以避免单一代理模型预测存在的鲁棒性差、有用信息遗失、偏离实际目标的缺陷。

附图说明

附图帮助进一步理解本申请。为了便于描述，附图中仅示出了与有关发明相关的部分。

图1为本发明一实施例中基于机器学习的实时混合试验方法原理图；

图2为本发明另一实施例中基于机器学习的实时混合试验步骤示意图；

图3为本发明另一实施例中结构反应预测代理模型构建流程图；

图4为本发明另一实施例中选用LSTM算法构建代理模型的过程示意图；

图5为本发明另一实施例中选用BP算法构建代理模型的过程示意图；

图6为本发明另一实施例中的模型平均代理模型流程图；

图7为本发明另一实施例中基于机器学习的实时混合试验系统结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。

图1为本发明一实施例中基于机器学习的实时混合试验原理图。本发明所述的基于机器学习的实时混合试验方法将研究对象分为数值子结构和物理子结构两部分。物理子结构是研究对象中力学性能难以采用数学模型表达的部分，采用物理加载装置在实验室中进行试验；数值子结构是研究对象中除物理子结构外的部分，其力学行为由机器学习算法描述。

在具体实施例中，如图1所示，研究对象分为数值子结构和物理子结构两部分，实时混合试验的步骤包括：以地震动、结构参数和物理子结构的恢复力为输入，通过机器学习算法预测物理子结构的位移，物理加载系统控制器接收所预测的物理子结构的位移并通过作动器在物理子结构上实现，采集物理子结构的恢复力，重复上述步骤直到试验结束。

图2为一实施例中基于机器学习的实时混合试验步骤示意图，该方法具体包括：

S1，基于机器学习算法建立用于结构反应预测的代理模型；

S2，应用代理模型开展实时混合试验。

图3为一实施例中结构反应预测代理模型构建流程图，该流程采用动力荷载作用下结构反应的有限元模拟结果，基于机器学习算法建立结构反应预测的代理模型，具体包括：

S11，准备数据：获取地震动序列EQ-1、EQ-2、…、EQ-n，对结构开展有限元分析，反应得到结构位移d、物理子结构位移d

S12，构建训练集：利用S11得到的n*m组数据构件训练集，其中以地震动时程{X}

S13，构建代理模型：设计具有单点输入预测功能的机器学习算法模型结构，并以之为基础采用训练集训练多种不同的机器学习模型，获得不同的结构反应预测代理模型，并确定最终代理模型。机器学习模型个数不少于2个。其中，单点输入是对应与常规机器学习算法的批处理而言的，区别于常规的机器学习中的全部数据一次性输入给训练好的模型后输出一系列结果，在混合试验中，以当前步的地震动、历史的恢复力等为输入，预测一步数据。

优选实施例中，S11具体包括：

S111，在有限元软件中建立研究对象的有限元模型，计算结构周期，并根据研究对象的场地类别，选择地震动输入；

S112，基于实验设计理论对地震动幅值进行调幅，得到一系列具有不同峰值加速度的地震动序列；

S113，开展有限元分析。

在具体实施例中，有限元分析具体为：在有限元软件中建立研究对象的有限元模型，分析结构的基本周期，结合研究对象的场地类别，选择特征周期与基本周期相匹配的若干条地震动序列{EQ-1，EQ-2，EQ-3，…，EQ-n}，其中，n为地震动条数，并基于实验设计理论对并每一条地震动序列的峰值加速度进行一系列调幅EQ-i(p

另一具体实施例中，基于有限元的混合模拟过程为：建立结构的运动微分方程

优选实施例中，S13中选择的机器学习算法包括但不限于深度长短期记忆神经网络(LSTM)、逆向传播神经网络(BP)、支持向量机(SVM)和/或逻辑回归。

图4为一实施例中选用LSTM算法构建代理模型的过程示意图。本实施例中，根据所构建的训练集，将地震动、结构参数1-t和物理子结构恢复力输入模型，训练后获得一结构反应预测代理模型。

图5为一实施例中选用BP算法构建代理模型的过程示意图。本实施例中，根据所构建的训练集，将地震动、结构参数1-t和物理子结构恢复力输入模型，训练后获得一结构反应预测代理模型。输入层神经元个数为结构参数加2，输出层神经元个数为结构楼层数加1，隐含层层数及神经元个数由用户定义，为达到较好的效果隐含层层数至少为2。

优选实施例中，S13基于模型平均理论确定所述不同的结构反应预测代理模型的权重，从而获得最终的代理模型。

【实施例1】

图6为本实施例中模型平均代理模型流程图，如图6所示，采用模型平均的方法具体流程包括：n个模型(M

定义

进一步计算各模型的权重w

和最终的代理模型M

M＝w

【实施例2】

n个模型(M

M＝w

则代理模型的预测值可表示为

通过选择合适的优化方法，如最小二乘法，使得

在具体实施例中，S2具体包括：

S21，在每一时间步，以当前时刻的地震动加速度和物理子结构的历史恢复力为输入，通过代理模型，预测得到下一时间步的结构位移和物理子结构的位移；

S22，物理加载系统根据物理子结构的位移在物理子结构上实现命令位移；

S23，采集物理子结构的恢复力并传递给代理模型进行预测；

S24，重复S21-S23。

图7为本发明一实施例中的一种基于机器学习的实时混合试验系统700结构示意图，该系统包括：

数据准备模块701，配置用于准备数据：获取地震动序列，对结构开展有限元分析，记录结构位移时程、物理子结构位移时程和物理子结构的恢复力；

训练集构建模块702，配置用于构建训练集：以地震动时程、物理子结构的恢复力时程为输入，以结构位移时程、物理子结构位移时程为输出；

代理模型构建模块703，配置用于构建代理模型：选择机器学习算法，采用训练集训练得到不同的结构反应预测代理模型，并最终确定代理模型；

实时混合试验模块704，配置用于应用最终模型开展实时混合试验。

在具体的实施例中，实时混合试验模块704还包括时滞补偿器、物理加载系统；代理模型构建模块703包括协调器。

本申请提出了一种新型的实时混合试验方法，基于代理模型预测结构反应，有效降低实时混合试验中的计算成本，同时提出应用模型平均方法，避免单一代理模型预测存在的鲁棒性差、有用信息遗失、偏离实际目标的缺陷。

尽管结合优选实施方案具体展示和介绍了本申请的内容，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本申请的精神和范围内，没有做出创造性劳动的情况下，在形式上和细节上对本申请做出的各种变化，均为本申请的保护范围。