建筑結構人工智能實驗分析環(huán)境.pdf

1、長期以來,在結構工程領域,為了精確分析各種工程結構的工作性能和反應,人們提出和引入了各種分析理論及方法,并與時俱進地不斷改進,使有限元為代表的結構數值模擬分析技術日漸強大。但是,兩個顯而易見的問題一直在挑戰(zhàn)目前的結構分析理論與方法:一是結構分析理論與方法,無論是經驗公式還是被廣泛應用的有限元分析方法,都是建立在一定的基本假設基礎之上,這使得結構的數值模擬結果與結構的實際工作性能與反應之間具有天然的缺欠,在許多復雜工程結構分析中誤差太大、

2、甚至失效。二是長期積累的數量巨大的現有試驗數據僅用于回歸分析或檢測數值模擬精度,而這些數據中所包含的大量關于結構工作性能與反應的寶貴信息沒有被充分發(fā)掘出來并加以利用,無形中造成了巨大浪費。因此,若想避免由基本假設引進的誤差,提高結構分析的精度和有效性,則需尋找能夠直接從結構的實際工作行為/反應出發(fā),預測新結構工作行為/反應的結構分析方法;而試驗數據的充分利用,則需要發(fā)展行之有效的從現有試驗數據進行知識挖掘的方法。
　　為了解決上述

3、問題,本文在實驗數據和人工智能方法的“建筑結構人工智能實驗分析環(huán)境(AIEESA)”的概念基礎上,創(chuàng)建了相應的集成分析系統?！敖ㄖY構人工智能實驗分析環(huán)境”由人工智能技術(AITs)、數據挖掘技術、試驗數據、結構構造的數字建模方法、以及一系列匹配結構類似性質和繪制結構行為/反應的匹配準則共同構成。試驗數據經過數據挖掘處理,作為適合于AITs運算的數字模式。當一個新/未知結構模型進入“建筑結構人工結構智能實驗分析環(huán)境”,該模型的行為或反應

4、,如試驗表達,能夠基于現有的試驗數據和現場測量數據繪制出來。在給出“建筑結構人工結構智能實驗分析環(huán)境”的概念后,本文依次探討了“建筑結構人工結智能實驗分析環(huán)境”各個組成部分。
　　首先,提出了“建筑結構人工智能實驗分析環(huán)境”數據庫的組織方法:此數據庫有三個組成部分:(1)結構行為,在本文中具體指橫向荷載作用下砌體墻板的破壞模式與破壞荷載;(2)標準化的結構行為,為了集中反映橫向荷載作用下砌體墻板破壞模式的特征,將構造類似的墻板破壞

5、模式主要特征進行歸納提煉并剔除次生裂紋,得到標準化的墻板破壞模式,稱為標準化的結構行為;(3)結構的反應,本文中結構反應指各級荷載作用下砌體墻板相應測點的位移值。這樣,就構成了知識發(fā)現的原始信息源,而且便于將相應的數據挖掘技術引入“建筑結構人工智能實驗分析環(huán)境”。
　　其次,本文研究了“建筑結構人工智能實驗分析環(huán)境”中的兩個數值模式:結構工作行為數值模式以及結構構造狀態(tài)數值模式。在探討結構破壞模式的數值描述方法過程中,引入了廣義墻

6、板的概念,從而豐富了相似度概念的特有內涵,并給出了一種定量的比較基礎模型和新模型破壞模式的方法。在探討結構構造狀態(tài)數值模式過程中,提出了結構構造數值模式的兩種方法:適于四邊簡支墻板的細胞自動機模型(CA)和基于有限元分析(FEA)的無量綱化法。后者以FEA分析所得區(qū)域位移的無量綱化結果作為數值模式,豐富了“建筑結構人工智能實驗分析環(huán)境”結構行為建模的物理意義。
　　再者,研究了“建筑結構人工智能實驗分析環(huán)境”的兩個匹配準則:類似區(qū)

7、域匹配準則和行為匹配準則。本文重點研究了類似區(qū)域匹配準則。在Zhou提出的匹配準則基礎上提出了三種加權的匹配準則,并對這三種匹配準則在“建筑結構人工智能實驗分析環(huán)境”中的應用效果進行比較,找出了結構構造條件不同時相應效果最佳的加權匹配準則。
　　本文還針對CA數值模型中,新模型的整體性質變異和局部性質及邊界約束變異的建模方法進行了探討。整體性質的變異可通過CA模型通過傳遞系數取值的變化來反映。建立SVM模型求得最優(yōu)的傳遞系數取值范

8、圍,該范圍一旦確定,則新模型的破壞模式即可通過“建筑結構人工智能實驗分析環(huán)境”得到。并進一步研究了如何通過CA模型邊界條件初始值的變化來反映由于邊界條件和較大區(qū)域范圍內的結構性質變異。
　　然后,建立起了三種基于墻板破壞模式預測其相應破壞荷載的神經網絡模型,BP,RBF和RA神經網絡模型,使得“建筑結構人工智能實驗分析環(huán)境”具有了預測破壞荷載的功能。
　　最后,給出了一系列應用“建筑結構人工智能實驗分析環(huán)境”預測結構行為的例