CN116305461A - 结构响应计算方法、装置、电子设备及存储介质 - Google Patents
结构响应计算方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116305461A CN116305461A CN202310260100.7A CN202310260100A CN116305461A CN 116305461 A CN116305461 A CN 116305461A CN 202310260100 A CN202310260100 A CN 202310260100A CN 116305461 A CN116305461 A CN 116305461A
- Authority
- CN
- China
- Prior art keywords
- target
- structural
- target building
- node
- component
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000004044 response Effects 0.000 title claims abstract description 206
- 238000004364 calculation method Methods 0.000 title claims abstract description 94
- 230000005284 excitation Effects 0.000 claims abstract description 100
- 239000002131 composite material Substances 0.000 claims abstract description 94
- 238000013528 artificial neural network Methods 0.000 claims abstract description 61
- 230000006870 function Effects 0.000 claims description 47
- 238000000034 method Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 35
- 230000003416 augmentation Effects 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000004931 aggregating effect Effects 0.000 claims description 7
- 230000002787 reinforcement Effects 0.000 description 17
- 238000004458 analytical method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000003190 augmentative effect Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000006073 displacement reaction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013440 design planning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及建筑领域,具体涉及一种结构响应计算方法、装置、电子设备及存储介质。包括:获取目标建筑物对应的图结构特征数据;将图结构特征数据输入至目标图神经网络,输出目标建筑物对应的结构体系编码;获取目标建筑物对应的激励序列;将结构体系编码与激励序列进行组合,生成目标建筑物对应的复合特征;将复合特征输入至目标结构响应计算模型,输出目标建筑物中各个节点以及各个构件对应的结构响应的目标值。保证了输出的目标建筑物中各个节点以及各个构件对应的结构响应的目标值的准确性。提高了计算目标建筑物中各个节点以及各个构件对应的结构响应的目标值的效率,且保证了计算的准确性。
Description
技术领域
本发明涉及建筑领域,具体涉及一种结构响应计算方法、装置、电子设备及存储介质。
背景技术
从设计规划到施工建造,再到运营维护,结构体系计算贯穿工程结构全寿命周期各阶段。其中,由杆系构件(例如梁、柱、支撑、桁架等)构成的结构体系是一种工程中极为常见的结构形式,覆盖框架、大跨空间网架、输电塔、桥梁等大量工程应用场景。因此,实现对杆系结构体系的结构响应分析具有极为可观的工程实用价值。其中,结构响应分析可以是对杆系结构体系的内力与变形分析,以及对杆系结构体系的位移进行分析。
现阶段,考虑空间效应的三维杆系结构体系的非线性内力分析主要依赖于以有限元理论为基础的经典数值计算方法,在一些通用有限元软件平台上进行三维建模,定义材料性质、构件属性、边界条件、荷载工况等,通过正向计算实现杆系结构体系的结构响应的分析。
然而,上述方法在结构体系层次的通用性较差。现有研究与技术大多仅针对一个结构体系计算,少部分针对同种构型的高度简化的结构体系,例如将整层自由度全部凝聚的“糖葫芦串”模型,难以推广至不同拓扑组成的结构体系。因此,导致了结构响应的分析效率较低,且准确性较低。
发明内容
有鉴于此,本发明实施例提供了一种结构响应计算方法、装置、电子设备及存储介质,旨在解决现有技术中,结构响应的分析效率较低,且准确性较低的问题。
根据第一方面,本发明实施例提供了一种结构响应计算方法,包括:
获取目标建筑物对应的图结构特征数据,图结构特征数据用于表征目标建筑物中的节点特征、构件特征以及节点和构件的拓扑关系;
将图结构特征数据输入至目标图神经网络,输出目标建筑物对应的结构体系编码,结构体系编码包括节点体系编码和构件体系编码;
获取目标建筑物对应的激励序列,激励序列用于表征目标建筑物在特定环境下一定时长内受到的激励的时间序列;
将结构体系编码与激励序列进行组合,生成目标建筑物对应的复合特征;
将复合特征输入至目标结构响应计算模型,输出目标建筑物中各个节点以及各个构件对应的结构响应的目标值。
本发明实施例提供的结构响应计算方法,获取目标建筑物对应的图结构特征数据,将图结构特征数据输入至目标图神经网络,输出目标建筑物对应的结构体系编码,保证了输出的目标建筑物对应的结构体系编码的准确性。获取目标建筑物对应的激励序列,将结构体系编码与激励序列进行组合,生成目标建筑物对应的复合特征,保证了生成的目标建筑物对应的复合特征的准确性,且使得生成的复合特征中既包括了目标建筑物中节点特征和构件特征,还包括了目标建筑物对应的激励序列,因此可以保证最终输出的目标建筑物中各个节点以及各个构件对应的结构响应的目标值的准确性。然后,将复合特征输入至目标结构响应计算模型,输出目标建筑物中各个节点以及各个构件对应的结构响应的目标值,保证了输出的目标建筑物中各个节点以及各个构件对应的结构响应的目标值的准确性。上述方法,可以输出目标建筑物中各个节点以及各个构件对应的结构响应的目标值,因此不需要每次计算一个节点或者一个构件对应的结构响应的目标值,因此提高了计算目标建筑物中各个节点以及各个构件对应的结构响应的目标值的效率,且保证了计算的准确性。
结合第一方面,在第一方面第一实施方式中,获取目标建筑物对应的图结构特征数据,包括:
获取目标建筑物中各个节点的特征信息及节点数量信息和各个构件的特征信息及构件数量信息,以及各个节点以及各个构件之间的拓扑关系;
根据各个节点的特征信息以及节点数量信息,生成目标建筑物对应的节点特征;
根据各个构件的特征信息以及构件数量信息,生成目标建筑物对应的构件特征;
根据各个节点以及各个构件之间的拓扑关系,生成目标建筑物对应的邻接矩阵;
根据节点特征、构件特征以及邻接矩阵,生成目标建筑物对应的图结构特征数据。
本发明实施例提供的结构响应计算方法,获取目标建筑物中各个节点的特征信息及节点数量信息和各个构件的特征信息及构件数量信息,以及各个节点以及各个构件之间的拓扑关系。然后,根据各个节点的特征信息以及节点数量信息,生成目标建筑物对应的节点特征,保证了生成的目标建筑物对应的节点特征的准确性。根据各个构件的特征信息以及构件数量信息,生成目标建筑物对应的构件特征,保证了生成的目标建筑物对应的构件特征的准确性。根据各个节点以及各个构件之间的拓扑关系,生成目标建筑物对应的邻接矩阵,保证了生成的目标建筑物对应的邻接矩阵的准确性。根据节点特征、构件特征以及邻接矩阵,生成目标建筑物对应的图结构特征数据,保证了生成的图结构特征数据的准确性。此外,本发明实施例生成的图数据结构与杆系结构体系存在一一对应的映射关系,能够高度保真还原结构体系的空间拓扑特征和材料构件参数,相比现有数据组织方式的效率和表达能力均有显著提升。解决了现有技术中,由于缺乏有效的结构体系数字化表征手段,仅能针对少量节点计算其结构响应的问题。
结合第一方面,在第一方面第二实施方式中,将图结构特征数据输入至目标图神经网络,输出目标建筑物对应的结构体系编码,包括:
将图结构特征数据输入至目标图神经网络;
目标图神经网络中的各层网络将各节点与各构件与相邻的相邻节点和相邻构件的特征信息进行聚合;
通过多层网络迭代聚合整个图结构特征数据,输出目标建筑物对应的结构体系编码。
本发明实施例提供的结构响应计算方法,将图结构特征数据输入至目标图神经网络,目标图神经网络中的各层网络将各节点与各构件与相邻的相邻节点和相邻构件的特征信息进行聚合,然后,通过多层网络迭代聚合整个图结构特征数据,输出目标建筑物对应的结构体系编码,保证了输出的目标建筑物对应的结构体系编码的准确性。
结合第一方面,在第一方面第三实施方式中,将结构体系编码与激励序列进行组合,生成目标建筑物对应的复合特征,包括:
根据激励序列的序列长度,对结构体系编码进行复制和增维操作,生成与激励序列的序列长度匹配的第一增广编码特征;
根据结构体系编码中节点体系编码对应的节点数量和构件体系编码对应的构件数量,对激励序列进行复制和增维操作,生成与节点数量和构件数量匹配的第二增广编码特征;
将第一增广编码特征和第二增广编码特征进行拼接,生成复合特征。
本发明实施例提供的结构响应计算方法,根据激励序列的序列长度,对结构体系编码进行复制和增维操作,生成与激励序列的序列长度匹配的第一增广编码特征,保证了生成的第一增广编码特征的准确性。根据结构体系编码中节点体系编码对应的节点数量和构件体系编码对应的构件数量,对激励序列进行复制和增维操作,生成与节点数量和构件数量匹配的第二增广编码特征,保证了生成的第二增广编码特征的准确性。将第一增广编码特征和第二增广编码特征进行拼接,生成复合特征,保证了生成的复合特征的准确性。且使得生成的复合特征中既包括了目标建筑物中节点特征和构件特征,还包括了目标建筑物对应的激励序列,因此可以保证最终输出的目标建筑物中各个节点以及各个构件对应的结构响应的目标值的准确性。
结合第一方面,在第一方面第四实施方式中,将复合特征输入至目标结构响应计算模型,输出目标建筑物中各个节点以及各个构件对应的结构响应的目标值,包括:
将复合特征输入至目标结构响应计算模型,输出目标建筑物中各个节点以及各个构件对应的结构响应的训练值;
根据结构响应,构建目标建筑物对应的损失函数,并将结构响应的训练值输入至损失函数,计算损失函数的损失值;
根据损失值的大小,对目标图神经网络和目标结构响应计算模型中的网络参数进行修正;
直至损失函数的损失值小于或者等于预设损失阈值,输出目标建筑物中各个节点以及各个构件对应的结构响应的目标值。
本发明实施例提供的结构响应计算方法,将复合特征输入至目标结构响应计算模型,输出目标建筑物中各个节点以及各个构件对应的结构响应的训练值,保证了输出的目标建筑物中各个节点以及各个构件对应的结构响应的训练值的准确性。然后,根据结构响应,构建目标建筑物对应的损失函数,保证了构建得到的损失函数的准确性。然后,将结构响应的训练值输入至损失函数,计算损失函数的损失值,保证了得到的损失值的准确性。根据损失值的大小,对目标图神经网络和目标结构响应计算模型中的网络参数进行修正;直至损失函数的损失值小于或者等于预设损失阈值,输出目标建筑物中各个节点以及各个构件对应的结构响应的目标值。保证了输出的目标建筑物中各个节点以及各个构件对应的结构响应的目标值的准确性。上述方法,利用深度学习的模型进行结构体系的计算分析,能够提供计算结果和设计参数的梯度,实现迭代过程可微,适应了当前结构智能化、信息化趋势对设计优化提出的参数化、可逆化要求,有助于提升工程设计的效率。解决了现有技术中,现有各层次的智能计算模型均采用纯数据驱动模式,即只通过数据训练和调整模型的参数,在测试集上的计算结果高度依赖于训练集带标签数据的规模和质量;然而体系层次的试验和观测数据较少,尤其是数据的标签困难,难以构造成本可接受的数据集训练处具有良好泛化性的智能模型的问题。
结合第一方面第四实施方式,在第一方面第五实施方式中,将复合特征输入至目标结构响应计算模型,输出目标建筑物中各个节点以及各个构件对应的结构响应的训练值,包括:
将复合特征输入至目标结构响应计算模型,目标结构响应计算模型中的门控循环单元对复合特征进行编码和预测,通过对复合特征逐步编码获得隐层信息,根据隐层信息逐步输出复合特征对应的各个节点以及各个构件对应的结构响应的训练值。
本发明实施例提供的结构响应计算方法,将复合特征输入至目标结构响应计算模型,目标结构响应计算模型中的门控循环单元对复合特征进行编码和预测,通过对复合特征逐步编码获得隐层信息,根据隐层信息逐步输出复合特征对应的各个节点以及各个构件对应的结构响应的训练值,保证了输出的结构响应的训练值的准确性。
结合第一方面第四实施方式,在第一方面第六实施方式中,根据结构响应,构建目标建筑物对应的损失函数,包括:
根据结构响应,构建目标建筑物对应的平衡方程和目标建筑物对应的构件的本构方程;
根据平衡方程和构件的本构方程,生成损失函数。
本发明实施例提供的结构响应计算方法,根据结构响应,构建目标建筑物对应的平衡方程和目标建筑物对应的构件的本构方程,保证了构建的目标建筑物对应的平衡方程和构件的本构方程的准确性。根据平衡方程和构件的本构方程,生成损失函数,保证了生成的损失函数的准确性。
根据第二方面,本发明实施例还提供了一种结构响应计算装置,包括:
第一获取模块,用于获取目标建筑物对应的图结构特征数据,图结构特征数据用于表征目标建筑物中的节点特征、构件特征以及节点和构件的拓扑关系;
第一输出模块,用于将图结构特征数据输入至目标图神经网络,输出目标建筑物对应的结构体系编码,结构体系编码包括节点体系编码和构件体系编码;
第二获取模块,用于获取目标建筑物对应的激励序列,激励序列用于表征目标建筑物在特定环境下一定时长内受到的激励的时间序列;
生成模块,用于将结构体系编码与激励序列进行组合,生成目标建筑物对应的复合特征;
第二输出模块,用于将复合特征输入至目标结构响应计算模型,输出目标建筑物中各个节点以及各个构件对应的结构响应的目标值。
本发明实施例提供的结构响应计算装置,获取目标建筑物对应的图结构特征数据,将图结构特征数据输入至目标图神经网络,输出目标建筑物对应的结构体系编码,保证了输出的目标建筑物对应的结构体系编码的准确性。获取目标建筑物对应的激励序列,将结构体系编码与激励序列进行组合,生成目标建筑物对应的复合特征,保证了生成的目标建筑物对应的复合特征的准确性,且使得生成的复合特征中既包括了目标建筑物中节点特征和构件特征,还包括了目标建筑物对应的激励序列,因此可以保证最终输出的目标建筑物中各个节点以及各个构件对应的结构响应的目标值的准确性。然后,将复合特征输入至目标结构响应计算模型,输出目标建筑物中各个节点以及各个构件对应的结构响应的目标值,保证了输出的目标建筑物中各个节点以及各个构件对应的结构响应的目标值的准确性。上述装置,可以输出目标建筑物中各个节点以及各个构件对应的结构响应的目标值,因此不需要每次计算一个节点或者一个构件对应的结构响应的目标值,因此提高了计算目标建筑物中各个节点以及各个构件对应的结构响应的目标值的效率,且保证了计算的准确性。
根据第三方面,本发明实施例提供了一种电子设备,包括存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行第一方面或者第一方面的任意一种实施方式中的结构响应计算方法。
根据第四方面,本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储计算机指令,计算机指令用于使计算机执行第一方面或者第一方面的任意一种实施方式中的结构响应计算方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是应用本发明实施例提供的结构响应计算方法的流程图;
图2是应用本发明另一实施例提供的结构响应计算方法的流程图;
图3是应用本发明另一实施例提供的结构响应计算方法的流程图;
图4是应用本发明另一实施例提供的平面框架结构的示意图;
图5是应用本发明另一实施例提供的二层GINE网络的示意图;
图6是应用本发明另一实施例提供的结构响应计算方法的流程图;
图7是应用本发明另一实施例提供的目标结构响应计算模型中(以GRU作为基本单元)的示意图;
图8是应用本发明另一实施例提供的StructPINN模型的示意图
图9是应用本发明实施例提供的结构响应计算装置的功能模块图;
图10是应用本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本申请实施例提供的结构响应计算的方法,其执行主体可以是结构响应计算的装置,该结构响应计算的装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部,其中,该计算机设备可以是服务器或者终端,其中,本申请实施例中的服务器可以为一台服务器,也可以为由多台服务器组成的服务器集群,本申请实施例中的终端可以是智能手机、个人电脑、平板电脑、可穿戴设备以及智能机器人等其他智能硬件设备。下述方法实施例中,均以执行主体是电子设备为例来进行说明。
在本申请一个实施例中,如图1所示,提供了一种结构响应计算方法,以该方法应用于电子设备为例进行说明,包括以下步骤:
S11、获取目标建筑物对应的图结构特征数据。
其中,图结构特征数据用于表征目标建筑物中的节点特征、构件特征以及节点和构件的拓扑关系。
具体地,电子设备可以接收用户输入的目标建筑物对应的图结构特征数据;电子设备还可以接收其他设备发送的目标建筑物对应的图结构特征数据;电子设备还可以对目标建筑物进行识别,确定目标建筑物中包括的各个构件以及各个节点之间的拓扑关系。然后,根据目标建筑物中包括的各个构件以及各个节点之间的拓扑关系,确定目标建筑物对应的图结构特征数据。
本申请实施例对电子设备获取目标建筑物对应的图结构特征数据的方式不做具体限定。
关于该步骤将在下文进行详细介绍。
S12、将图结构特征数据输入至目标图神经网络,输出目标建筑物对应的结构体系编码。
其中,结构体系编码包括节点体系编码和构件体系编码。
具体地,电子设备可以将图结构特征数据输入至目标图神经网络,目标图神经网络对输入的图结构特征数据进行特征识别和特征提取,根据提取的特征输出目标建筑物对应的结构体系编码。
关于该步骤将在下文进行详细介绍。
S13、获取目标建筑物对应的激励序列。
其中,激励序列用于表征目标建筑物在特定环境下一定时长内受到的激励的时间序列。
具体地,电子设备可以接收用户输入的目标建筑物对应的激励序列,电子设备还可以接收其他设备发送的目标建筑物对应的激励序列,电子设备还可以接收用户输入的目标建筑物对应的环境信息,根据环境信息确定目标建筑物对应的激励序列。
本申请实施例对电子设备获取目标建筑物对应的激励序列的方式不做具体限定。
示例性的,激励序列可以是地震激励序列、海浪激励序列、泥石流激励序列等激励序列等激励序列中的至少一种。本申请实施例对激励序列不做具体限定。
S14、将结构体系编码与激励序列进行组合,生成目标建筑物对应的复合特征。
具体地,电子设备在获取到目标建筑物对应的激励序列和结构体系编码之后,可以根据结构体系编码和激励序列对应的维度信息,对结构体系编码与激励序列进行组合处理,生成目标建筑物对应的复合特征。
关于该步骤将在下文进行详细介绍。
S15、将复合特征输入至目标结构响应计算模型,输出目标建筑物中各个节点以及各个构件对应的结构响应的目标值。
具体地,电子设备在获取到复合特征之后,可以将复合特征输入至目标结构响应计算模型,目标结构响应计算模型对输入的复合特征进行特征识别和特征提取,根据提取的特征,输出目标建筑物中各个节点以及各个构件对应的结构响应的目标值。
其中,目标结构响应计算模型可以是循环神经网络层,也可以其他神经网络层,本申请实施例对目标结构响应计算模型不做具体限定。
关于该步骤将在下文进行详细介绍。
示例性的,为了更好地介绍本申请实施例提供的结构响应计算方法,如图2所示,本申请实施例提供了一种结构响应计算方法的流程图。具体地,电子设备可以获取目标建筑物对应的训练集结构数据,其中,训练集结构数据包括结构体系和激励。电子设备对结构体系进行数据预处理,提取结构体系中的静态特征,即采用图结构特征数据表述结构体系和拓扑特征。然后将图结构特征数据输入至图神经网络层,输出目标建筑物对应的结构体系编码。与此同时,电子设备可以处理激励序列并分配至节点,生成激励序列。电子设备将结构体系编码和激励序列进行组合,生成复合特征。
电子设备将复合特征输入至循环神经网络层,并输出目标建筑物中各个节点以及各个构件对应的结构响应的训练值,根据各个节点以及各个构件对应的结构响应的训练值代入损失函数,计算损失值,并判断损失值是否满足精度。当损失值不满足精度时,对循环神经网络和图神经网络层中的参数进行反馈,直至损失值满足精度时,输出目标建筑物中各个节点以及各个构件对应的结构响应的目标值。
本发明实施例提供的结构响应计算方法,获取目标建筑物对应的图结构特征数据,将图结构特征数据输入至目标图神经网络,输出目标建筑物对应的结构体系编码,保证了输出的目标建筑物对应的结构体系编码的准确性。获取目标建筑物对应的激励序列,将结构体系编码与激励序列进行组合,生成目标建筑物对应的复合特征,保证了生成的目标建筑物对应的复合特征的准确性,且使得生成的复合特征中既包括了目标建筑物中节点特征和构件特征,还包括了目标建筑物对应的激励序列,因此可以保证最终输出的目标建筑物中各个节点以及各个构件对应的结构响应的目标值的准确性。然后,将复合特征输入至目标结构响应计算模型,输出目标建筑物中各个节点以及各个构件对应的结构响应的目标值,保证了输出的目标建筑物中各个节点以及各个构件对应的结构响应的目标值的准确性。上述方法,可以输出目标建筑物中各个节点以及各个构件对应的结构响应的目标值,因此不需要每次计算一个节点或者一个构件对应的结构响应的目标值,因此提高了计算目标建筑物中各个节点以及各个构件对应的结构响应的目标值的效率,且保证了计算的准确性。
在本申请一个实施例中,如图3所示,提供了一种结构响应计算方法,以该方法应用于电子设备为例进行说明,包括以下步骤:
S21、获取目标建筑物对应的图结构特征数据。
其中,图结构特征数据用于表征目标建筑物中的节点特征、构件特征以及节点和构件的拓扑关系。
在本申请一种可选的实施方式中,上述步骤S11“获取目标建筑物对应的图结构特征数据”,可以包括如下步骤:
S211、获取目标建筑物中各个节点的特征信息及节点数量信息和各个构件的特征信息及构件数量信息,以及各个节点以及各个构件之间的拓扑关系。
在本申请一种可选的实施方式中,电子设备可以接收用户输入的目标建筑物中各个节点的特征信息及节点数量信息和各个构件的特征信息及构件数量信息,以及各个节点以及各个构件之间的拓扑关系,电子设备接收其他设备发送的目标建筑物中各个节点的特征信息及节点数量信息和各个构件的特征信息及构件数量信息,以及各个节点以及各个构件之间的拓扑关系。
在本申请另一种可选的实施方式中,电子设备还接收用户或者其他设备发送的目标建筑物对应的建筑模型,对建筑模型进行识别。根据识别结果,确定目标建筑物中包括的各个节点以及各个构件,并确定各个节点的特征信息及节点数量信息、各个构件的特征信息及构件数量信息以及各个节点以及各个构件之间的拓扑关系。
S212、根据各个节点的特征信息以及节点数量信息,生成目标建筑物对应的节点特征。
具体地,电子设备可以根据各个节点的特征信息以及节点数量信息,生成目标建筑物对应的节点特征。
示例性的,节点的特征信息可以是其空间坐标加楼层。
S213、根据各个构件的特征信息以及构件数量信息,生成目标建筑物对应的构件特征。
具体地,电子设备可以根据各个构件的特征信息以及构件数量信息,生成目标建筑物对应的构件特征。
示例性的,每种类型的构件也都有其特征,柱的特征信息为(b,h,rx,ry),即截面宽、截面高、x方向的配筋率,y方向的配筋率;墙的特征信息为(t,rx,ry),即墙厚度、水平方向的配筋率和竖直方向的配筋率;梁的特征信息为(b,h,rb,rt,P),即截面宽、截面高、底部配筋率、顶部配筋率和荷载线密度值。
S214、根据各个节点以及各个构件之间的拓扑关系,生成目标建筑物对应的邻接矩阵。
具体地,电子设备在获取到各个节点以及各个构件之间的拓扑关系之后,可以根据各个节点以及各个构件之间的拓扑关系,生成目标建筑物对应的邻接矩阵。
S215、根据节点特征、构件特征以及邻接矩阵,生成目标建筑物对应的图结构特征数据。
具体地,电子设备根据生成的节点特征、构件特征以及邻接矩阵,生成目标建筑物对应的图结构特征数据。
示例性的,生成目标建筑物对应的图结构特征数据可以如下所示:
G=(V,E,A) (1)
其中,V表示图结构特征数据中的节点矩阵,用于描述结构体系中各构件的连接节点;E表示图结构特征数据中的构件特征,用于描述结构体系中的各个构件;节点特征V和构件特征E构成了结构的特征部分,用两个二维张量分别表示(tensor([A,B])表示A×B形状的张量):
V=tensor([Nv,Cv]),Nv表示节点数,Cv表示节点输入特征维度
E=tensor([Ne,Ce]),Ne表示边数,Ce表示边输入特征维度 (2)
其中,节点和构件的特征是节点和构件某些静态特征的抽象,例如节点的特征信息可以是其空间坐标加楼层,柱的特征为(b,h,rx,ry),即截面宽、截面高、x方向的配筋率,y方向的配筋率;墙的特征为(t,rx,ry),即墙厚度、水平方向的配筋率和竖直方向的配筋率;梁的特征为(b,h,rb,rt,P),即截面宽、截面高、底部配筋率、顶部配筋率和荷载线密度值。
此外,A表示图结构特征数据中的邻接矩阵,用于定量描述结构的边界条件和拓扑组成。具体而言,A的维度与结构的节点一一对应,其非对角元素Aij对应节点i与j的连接关系,Aij=1表示i与j之间有连接杆件,Aij=0时表示i与j之间没有构件直接相连;而对角元素Aii对应节点i的边界条件,用0和1分别表示是否约束相应的自由度,即
例如,附图4构造了一个平面框架结构体系的计算示意图,根据上述规则其邻接矩阵记为:
S22、将图结构特征数据输入至目标图神经网络,输出目标建筑物对应的结构体系编码。
其中,结构体系编码包括节点体系编码和构件体系编码。
在本申请一种可选的实施方式中,上述步骤S22“将图结构特征数据输入至目标图神经网络,输出目标建筑物对应的结构体系编码”,可以包括如下步骤:
S221、将图结构特征数据输入至目标图神经网络。
具体地,电子设备可以将生成的图结构特征数据输入至目标图神经网络。
在本申请一种可选的实施方式中,目标图神经网络可以带边特征的同构图神经网络(Graph Isomorphism Network with Edge features,GINE),带边特征的同构图神经网络处理结构体系的图结构特征数据,得到定长的静态特征编码,其模型示意图见附图5,为一个2层的GINE模型示意图。
目标图神经网络还可以是其他图神经网络,本申请实施例对目标图神经网络不做具体限定。
其中,需要说明的是,目标图神经网络与图结构特征数据相互对应。
S222、目标图神经网络中的各层网络将各节点与各构件与相邻的相邻节点和相邻构件的特征信息进行聚合。
具体地,目标图神经网络可以采取邻域聚合策略(neighborhood aggregationstrategy),将各节点和各构件聚合其相邻节点和相邻构件的特征信息,而相邻节点和相邻构件聚合其对应的相邻节点和相邻构件的特征信息,从而使得可以将全部的节点和构件的特征信息进行聚合。
S223、通过多层网络迭代聚合整个图结构特征数据,输出目标建筑物对应的结构体系编码。
具体地,电子设备通过多层网络迭代聚合整个图结构特征数据,输出目标建筑物对应的结构体系编码。
为了更好地理解本申请实施例对应的目标图神经网络,示例性的,目标图神经网络可以采用求和操作作为聚合函数,采用2层前馈神经网络作为信息传递函数(每层网络参数分别为为(W1,b1)和(W2,b2)),采用ReLU函数作为激活函数,则GINE的第k层表示为:
其中,hv是节点特征,euv是构件特征。为了避免过度平滑问题,目标图神经网络的各个节点初始输入需要相互区分,可采用坐标编码的形式,即采用各节点的平面/空间初始位置作为输入:
一般情况下该形式可以保证各节点差异性足够,避免GINE网络出现过度平滑;而构件的输入特征可以选取构件方向向量,构件长度,构件截面轴向刚度,抗弯刚度等主要物理性质,对于更复杂的情形也可以根据需要定义其他形式的初始输入;示例性的,柱可以采用截面宽、截面高、x方向的配筋率,y方向的配筋率为输入,墙可以采用墙厚度、水平方向的配筋率和竖直方向的配筋率为输入,粱可以采用截面宽、截面高、底部配筋率、顶部配筋率和荷载线密度值为输入。最终GINE网络的预期输出为统一m维定长的节点信息编码,即
其中,上标LK表示最后一层输出。对整个图的所有节点和构件都能得到一个对应的定长编码,将其组合得到整个结构的对应结构体系编码张量:
其中,Cv’和Ce’分别是节点和构件(边)的编码维度,Nv和Ne是节点数量和构件(边)数量。
S23、获取目标建筑物对应的激励序列。
其中,激励序列用于表征目标建筑物在特定环境下一定时长内受到的激励的时间序列。
关于该步骤请参见图1对S13的介绍,在此不进行赘述。
S24、将结构体系编码与激励序列进行组合,生成目标建筑物对应的复合特征。
在本申请一种可选的实施方式中,上述步骤S24“将结构体系编码与激励序列进行组合,生成目标建筑物对应的复合特征”,可以包括如下步骤:
S241、根据激励序列的序列长度,对结构体系编码进行复制和增维操作,生成与激励序列的序列长度匹配的第一增广编码特征。
由于激励序列是用于表征目标建筑物在特定环境下一定时长内受到的激励的时间序列,因此激励序列是时间维度的一个序列。
具体地,电子设备可以根据激励序列的序列长度,对结构体系编码进行复制和增加时间维度操作,生成与激励序列的序列长度匹配的第一增广编码特征。
示例性的,电子设备生成的第一增广编码特征可以如下所示:
其中,H’为第一增广编码特征,L表示序列长度,Nv表示节点数,C′V表示结构体系编码中的节点体系编码;Ne表示构件点数,C′e表示结构体系编码中的构架体系编码。
S242、根据结构体系编码中节点体系编码对应的节点数量和构件体系编码对应的构件数量,对激励序列进行复制和增维操作,生成与节点数量和构件数量匹配的第二增广编码特征。
具体地,电子设备还可以根据结构体系编码中节点体系编码对应的节点数量和构件体系编码对应的构件数量,对激励序列进行复制和增维操作,将激励序列复制增维为与节点数量和构件数量匹配的第二增广编码特征。
示例性的,电子设备生成的第二增广编码特征可以如下所示;
其中,S’为第二增广编码特征,L表示序列长度,Nv表示节点数,Ne表示构件点数,Cs表示节点和构件对应的激励特征。
S243、将第一增广编码特征和第二增广编码特征进行拼接,生成复合特征。
具体地,电子设备获取到第一增广编码特征和第二增广编码特征之后,可以将第一增广编码特征和第二增广编码特征进行拼接,生成复合特征。
示例性的,电子设备生成的复合特征可以如下所示;
其中,I为复合特征。
S25、将复合特征输入至目标结构响应计算模型,输出目标建筑物中各个节点以及各个构件对应的结构响应的目标值。
关于该步骤请参见图1对S15的介绍,在此不进行赘述。
本发明实施例提供的结构响应计算方法,获取目标建筑物中各个节点的特征信息及节点数量信息和各个构件的特征信息及构件数量信息,以及各个节点以及各个构件之间的拓扑关系。然后,根据各个节点的特征信息以及节点数量信息,生成目标建筑物对应的节点特征,保证了生成的目标建筑物对应的节点特征的准确性。根据各个构件的特征信息以及构件数量信息,生成目标建筑物对应的构件特征,保证了生成的目标建筑物对应的构件特征的准确性。根据各个节点以及各个构件之间的拓扑关系,生成目标建筑物对应的邻接矩阵,保证了生成的目标建筑物对应的邻接矩阵的准确性。根据节点特征、构件特征以及邻接矩阵,生成目标建筑物对应的图结构特征数据,保证了生成的图结构特征数据的准确性。此外,本发明实施例生成的图数据结构与杆系结构体系存在一一对应的映射关系,能够高度保真还原结构体系的空间拓扑特征和材料构件参数,相比现有数据组织方式的效率和表达能力均有显著提升。解决了现有技术中,由于缺乏有效的结构体系数字化表征手段,仅能针对少量节点计算其结构响应的问题。
然后,将图结构特征数据输入至目标图神经网络,目标图神经网络中的各层网络将各节点与各构件与相邻的相邻节点和相邻构件的特征信息进行聚合,然后,通过多层网络迭代聚合整个图结构特征数据,输出目标建筑物对应的结构体系编码,保证了输出的目标建筑物对应的结构体系编码的准确性。
此外,本发明实施例提供的结构响应计算方法,根据激励序列的序列长度,对结构体系编码进行复制和增维操作,生成与激励序列的序列长度匹配的第一增广编码特征,保证了生成的第一增广编码特征的准确性。根据结构体系编码中节点体系编码对应的节点数量和构件体系编码对应的构件数量,对激励序列进行复制和增维操作,生成与节点数量和构件数量匹配的第二增广编码特征,保证了生成的第二增广编码特征的准确性。将第一增广编码特征和第二增广编码特征进行拼接,生成复合特征,保证了生成的复合特征的准确性。且使得生成的复合特征中既包括了目标建筑物中节点特征和构件特征,还包括了目标建筑物对应的激励序列,因此可以保证最终输出的目标建筑物中各个节点以及各个构件对应的结构响应的目标值的准确性。
在本申请一个实施例中,如图6所示,提供了一种结构响应计算方法,以该方法应用于电子设备为例进行说明,包括以下步骤:
S31、获取目标建筑物对应的图结构特征数据。
其中,图结构特征数据用于表征目标建筑物中的节点特征、构件特征以及节点和构件的拓扑关系。
关于该步骤请参见图3对S21的介绍,在此不进行赘述。
S32、将图结构特征数据输入至目标图神经网络,输出目标建筑物对应的结构体系编码。
其中,结构体系编码包括节点体系编码和构件体系编码。
关于该步骤请参见图3对S22的介绍,在此不进行赘述。
S33、获取目标建筑物对应的激励序列,激励序列用于表征目标建筑物在特定环境下一定时长内受到的激励的时间序列。
关于该步骤请参见图3对S23的介绍,在此不进行赘述。
S34、将结构体系编码与激励序列进行组合,生成目标建筑物对应的复合特征。
关于该步骤请参见图3对S24的介绍,在此不进行赘述。
S35、将复合特征输入至目标结构响应计算模型,输出目标建筑物中各个节点以及各个构件对应的结构响应的目标值。
在本申请一种可选的实施方式中,上述步骤S35“将复合特征输入至目标结构响应计算模型,输出目标建筑物中各个节点以及各个构件对应的结构响应的目标值”,可以包括如下步骤:
S351、将复合特征输入至目标结构响应计算模型,输出目标建筑物中各个节点以及各个构件对应的结构响应的训练值。
在本申请一种可选的实施方式中,上述步骤S351“将复合特征输入至目标结构响应计算模型,输出目标建筑物中各个节点以及各个构件对应的结构响应的训练值”,可以包括如下步骤:
(1)将复合特征输入至目标结构响应计算模型,目标结构响应计算模型中的门控循环单元对复合特征进行编码和预测,通过对复合特征逐步编码获得隐层信息,根据隐层信息逐步输出复合特征对应的各个节点以及各个构件对应的结构响应的训练值。
具体地,如图7所示,电子设备可以将复合特征输入至目标结构响应计算模型,目标结构响应计算模型中的门控循环单元对复合特征进行编码和预测,通过对复合特征逐步编码获得隐层信息,根据隐层信息逐步输出复合特征对应的各个节点以及各个构件对应的结构响应的训练值。
示例性的,具体到非线性计算中,可以由输入的地震动时程预测结构的位移和内力响应。
S352、根据结构响应,构建目标建筑物对应的损失函数,并将结构响应的训练值输入至损失函数,计算损失函数的损失值。
在本申请一种可选的实施方式中,上述步骤S352“根据结构响应,构建目标建筑物对应的损失函数”,可以包括如下步骤:
(1)根据结构响应,构建目标建筑物对应的平衡方程和目标建筑物对应的构件的本构方程。
具体地,电子设备可以目标建筑物中各个节点以及各个构件对应的结构响应,构建目标建筑物对应的平衡方程和目标建筑物对应的构件的本构方程。
(2)根据平衡方程和构件的本构方程,生成损失函数。
在本申请一种可选的实施方式中,电子设备将平衡方程和构件的本构方程进行相加,生成损失函数。
示例性的,电子设备输入的激励序列S和输出的结构响应R(如体系各节点的位移时程),其中,激励序列S和结构响应R均为时间序列。用数学形式表达为:
S=S(t)=tensor([L,Cs])
其中,Cs是输入激励序列的特征维度(需要说明的是,S为目标结构响应计算模型的一部分输入,上述实施方式中电子设备生成的复合特征I为目标结构响应计算模型输入),Crv和Cre分别是节点对应的结构响应的特征维度和构件对应的结构响应的特征维度,根据计算需求决定。
需要说明的是,式(13)中L是关注的时间长度,一般远大于节点/构件特征维度,所以需要针对性处理动态特征序列。
示例性的,假设激励序列S为地震激励序列,计算地震时程分析时输入激励序列的特征维度可以选取地面震动的加速度分量(Cs=3,三个方向地震动),或输入等效的各节点外荷载Fu,ex(Cs=6,六个等效荷载分量):
su=Fu,ex=(Fux,ex,Fuy,ex,Fuy,ex,Mux,ex,Muy,ex,Muz,ex) (14)
输出的结构响应可以包括节点结构响应和构件结构响应,例如,节点结构响应为节点的位移,示例性的Crv=6,表示三个平动自由度和三个转动自由度,构件结构响应可以包括构件端部截面内力,示例性的Cre=12,两端截面在整体坐标系中各内力分量的合力,即某个节点v和某个构件uv在某一时刻的输出如下:
ru=Du=(dx,dy,dz,dθx,dθy,dθz)
ruv=(Fu,v,Fv,u)=(Fux,Fuy,Fuy,Mux,Muy,Muz,Fvx,Fvy,Fvy,Mvx,Mvy,Mvz) (15)
示例性的,电子设备采用平衡方程和构件的本构方程构造的损失函数,可以如下所示:
其中优化目标Loss1为平衡方程,Fu,in是模型中节点u所连构件输出的截面内力和,根据式(15)的结果求和计算;Fu,ex是节点u的外部输入荷载(输入激励序列S的部分特征,若无直接荷载设为0),||·||2表示2范数。
举例而言,若输入激励序列为地面地震动加速度,则Fu,ex=0,按公式(15)结果输出计算Fu,in:
而优化目标Loss2考虑构件的本构方程fuv,描述节点u和节点v的位移Du与Dv和节点间连接构件的两端截面内力Fu,in与Fv,in间的定量关系,根据结构构件的具体性质决定;举例而言,理想弹塑性材料(构件的宏观本构矩阵为Eu,v)的构件本构方程fuv满足:
fuv(Fu,in,Fv,in,Du,Dv)=(Fu,in,Fv,in)+Eu,v(Du,Dv) (18)
其中,λ为调节Loss1和Loss2相对值的超参数,根据模型训练结果决定。
在本申请另一种可选的实施方式中,电子设备可以获取衡方程和构件的本构方程分别对应的权重系数。然后将衡方程和构件的本构方程分别乘以对应的权重系数之后,进行相加,生成损失函数。
S353、根据损失值的大小,对目标图神经网络和目标结构响应计算模型中的网络参数进行修正。
具体地,电子设备在计算得到结构响应的训练值对应的损失值的大小之后,可以将损失值与预设损失阈值进行对比,当损失值大于预设损失阈值时,电子设备可以根据损失值的大小,对目标图神经网络和目标结构响应计算模型中的网络参数进行修正。
S354、直至损失函数的损失值小于或者等于预设损失阈值,输出目标建筑物中各个节点以及各个构件对应的结构响应的目标值。
具体地,直至损失函数的损失值小于或者等于预设损失阈值,输出目标建筑物中各个节点以及各个构件对应的结构响应的目标值。
示例性的,预设损失阈值可以是10-3,可认为误差降低到0.1%,也可以是其他数值,本申请实施例对预设损失阈值不做具体限定。
示例性的,在本申请一种可选的实施方式中,上述目标图神经网络和目标结构响应计算模型可以组成一个StructPINN模型,其中,目标结构响应计算模型可以是循环神经网络层。如图8所示,本申请实施例提供了StructPINN模型的示意图。
电子设备对目标建筑物对应的结构体系利用图数据表征,并将图数据输入至图神经网络,生成结构体系编码。此外,电子设备还对目标建筑物对应的原始数据进行数据前处理,生成激励序列。
电子设备分别对激励序列和结构体系编码进行升维,将升维后的激励序列和结构体系编码进行拼接,生成复合特征。电子设备将复合特征输入至循环神经网络层,输出目标建筑物对应的结构响应的训练值,根据目标建筑物对应的结构响应,生成损失函数,并根据损失函数对图神经网络和循环神经网络层进行参数修正。直至损失函数的损失值小于或者等于预设损失阈值,输出目标建筑物中各个节点以及各个构件对应的结构响应的目标值
本发明实施例提供的结构响应计算方法,将复合特征输入至目标结构响应计算模型,目标结构响应计算模型中的门控循环单元对复合特征进行编码和预测,通过对复合特征逐步编码获得隐层信息,根据隐层信息逐步输出复合特征对应的各个节点以及各个构件对应的结构响应的训练值,保证了输出的结构响应的训练值的准确性。
然后,根据结构响应,构建目标建筑物对应的平衡方程和目标建筑物对应的构件的本构方程,保证了构建的目标建筑物对应的平衡方程和构件的本构方程的准确性。根据平衡方程和构件的本构方程,生成损失函数,保证了生成的损失函数的准确性。然后,将结构响应的训练值输入至损失函数,计算损失函数的损失值,保证了得到的损失值的准确性。根据损失值的大小,对目标图神经网络和目标结构响应计算模型中的网络参数进行修正;直至损失函数的损失值小于或者等于预设损失阈值,输出目标建筑物中各个节点以及各个构件对应的结构响应的目标值。保证了输出的目标建筑物中各个节点以及各个构件对应的结构响应的目标值的准确性。上述方法,利用深度学习的模型进行结构体系的计算分析,能够提供计算结果和设计参数的梯度,实现迭代过程可微,适应了当前结构智能化、信息化趋势对设计优化提出的参数化、可逆化要求,有助于提升工程设计的效率。解决了现有技术中,现有各层次的智能计算模型均采用纯数据驱动模式,即只通过数据训练和调整模型的参数,在测试集上的计算结果高度依赖于训练集带标签数据的规模和质量;然而体系层次的试验和观测数据较少,尤其是数据的标签困难,难以构造成本可接受的数据集训练处具有良好泛化性的智能模型的问题。
应该理解的是,虽然图1、图3以及图6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1、图3以及图6中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
如图9所示,本实施例提供一种结构响应计算装置,包括:
第一获取模块41,用于获取目标建筑物对应的图结构特征数据,图结构特征数据用于表征目标建筑物中的节点特征、构件特征以及节点和构件的拓扑关系;
第一输出模块42,用于将图结构特征数据输入至目标图神经网络,输出目标建筑物对应的结构体系编码,结构体系编码包括节点体系编码和构件体系编码;
第二获取模块43,用于获取目标建筑物对应的激励序列,激励序列用于表征目标建筑物在特定环境下一定时长内受到的激励的时间序列;
生成模块44,用于将结构体系编码与激励序列进行组合,生成目标建筑物对应的复合特征;
第二输出模块45,用于将复合特征输入至目标结构响应计算模型,输出目标建筑物中各个节点以及各个构件对应的结构响应的目标值。
在本申请一个实施例中,上述第一获取模块41,具体用于获取目标建筑物中各个节点的特征信息及节点数量信息和各个构件的特征信息及构件数量信息,以及各个节点以及各个构件之间的拓扑关系;根据各个节点的特征信息以及节点数量信息,生成目标建筑物对应的节点特征;根据各个构件的特征信息以及构件数量信息,生成目标建筑物对应的构件特征;根据各个节点以及各个构件之间的拓扑关系,生成目标建筑物对应的邻接矩阵;根据节点特征、构件特征以及邻接矩阵,生成目标建筑物对应的图结构特征数据。
在本申请一个实施例中,上述第一输出模块42,具体用于将图结构特征数据输入至目标图神经网络;目标图神经网络中的各层网络将各节点与各构件与相邻的相邻节点和相邻构件的特征信息进行聚合;通过多层网络迭代聚合整个图结构特征数据,输出目标建筑物对应的结构体系编码。
在本申请一个实施例中,上述生成模块44,具体用于根据激励序列的序列长度,对结构体系编码进行复制和增维操作,生成与激励序列的序列长度匹配的第一增广编码特征;根据结构体系编码中节点体系编码对应的节点数量和构件体系编码对应的构件数量,对激励序列进行复制和增维操作,生成与节点数量和构件数量匹配的第二增广编码特征;将第一增广编码特征和第二增广编码特征进行拼接,生成复合特征。
在本申请一个实施例中,上述第二输出模块45,具体用于将复合特征输入至目标结构响应计算模型,输出目标建筑物中各个节点以及各个构件对应的结构响应的训练值;根据结构响应,构建目标建筑物对应的损失函数,并将结构响应的训练值输入至损失函数,计算损失函数的损失值;根据损失值的大小,对目标图神经网络和目标结构响应计算模型中的网络参数进行修正;直至损失函数的损失值小于或者等于预设损失阈值,输出目标建筑物中各个节点以及各个构件对应的结构响应的目标值。
在本申请一个实施例中,上述第二输出模块45,具体用于将复合特征输入至目标结构响应计算模型,目标结构响应计算模型中的门控循环单元对复合特征进行编码和预测,通过对复合特征逐步编码获得隐层信息,根据隐层信息逐步输出复合特征对应的各个节点以及各个构件对应的结构响应的训练值。
在本申请一个实施例中,上述第二输出模块45,具体用于根据结构响应,构建目标建筑物对应的平衡方程和目标建筑物对应的构件的本构方程;根据平衡方程和构件的本构方程,生成损失函数。
关于结构响应计算装置的具体限定以及有益效果可以参见上文中对于结构响应计算方法的限定,在此不再赘述。上述结构响应计算装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中,也可以以软件形式存储于电子设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本发明实施例还提供一种电子设备,具有上述图9所示的结构响应计算装置。
如图10所示,图10是本发明可选实施例提供的一种电子设备的结构示意图,如图10所示,该电子设备可以包括:至少一个处理器51,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口53,存储器54,至少一个通信总线52。其中,通信总线52用于实现这些组件之间的连接通信。其中,通信接口53可以包括显示屏(Display)、键盘(Keyboard),可选通信接口53还可以包括标准的有线接口、无线接口。存储器54可以是高速RAM存储器(Random Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器54可选的还可以是至少一个位于远离前述处理器51的存储装置。其中处理器51可以结合图9所描述的装置,存储器54中存储应用程序,且处理器51调用存储器54中存储的程序代码,以用于执行上述任一方法步骤。
其中,通信总线52可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线52可以分为地址总线、数据总线、控制总线等。为便于表示,图10中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器54可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器54还可以包括上述种类的存储器的组合。
其中,处理器51可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器51还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic,缩写:GAL)或其任意组合。
可选地,存储器54还用于存储程序指令。处理器51可以调用程序指令,实现如本申请图1、图3以及图6实施例中所示的结构响应计算方法。
本发明实施例还提供了一种非暂态计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的结构响应计算方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种结构响应计算方法,其特征在于,包括:
获取目标建筑物对应的图结构特征数据,所述图结构特征数据用于表征所述目标建筑物中的节点特征、构件特征以及节点和构件的拓扑关系;
将所述图结构特征数据输入至目标图神经网络,输出所述目标建筑物对应的结构体系编码,所述结构体系编码包括节点体系编码和构件体系编码;
获取所述目标建筑物对应的激励序列,所述激励序列用于表征所述目标建筑物在特定环境下一定时长内受到的激励的时间序列;
将所述结构体系编码与所述激励序列进行组合,生成所述目标建筑物对应的复合特征;
将所述复合特征输入至目标结构响应计算模型,输出所述目标建筑物中各个节点以及各个所述构件对应的结构响应的目标值。
2.根据权利要求1所述的方法,其特征在于,所述获取目标建筑物对应的图结构特征数据,包括:
获取所述目标建筑物中各个所述节点的特征信息及节点数量信息和各个所述构件的特征信息及构件数量信息,以及各个所述节点以及各个所述构件之间的拓扑关系;
根据各个所述节点的特征信息以及所述节点数量信息,生成所述目标建筑物对应的所述节点特征;
根据各个所述构件的特征信息以及所述构件数量信息,生成所述目标建筑物对应的所述构件特征;
根据各个所述节点以及各个所述构件之间的拓扑关系,生成所述目标建筑物对应的邻接矩阵;
根据所述节点特征、所述构件特征以及所述邻接矩阵,生成所述目标建筑物对应的所述图结构特征数据。
3.根据权利要求1所述的方法,其特征在于,所述将所述图结构特征数据输入至目标图神经网络,输出所述目标建筑物对应的结构体系编码,包括:
将所述图结构特征数据输入至所述目标图神经网络;
所述目标图神经网络中的各层网络将各所述节点与各所述构件与相邻的相邻节点和相邻构件的特征信息进行聚合;
通过多层网络迭代聚合整个所述图结构特征数据,输出所述目标建筑物对应的所述结构体系编码。
4.根据权利要求1所述的方法,其特征在于,所述将所述结构体系编码与所述激励序列进行组合,生成所述目标建筑物对应的复合特征,包括:
根据所述激励序列的序列长度,对所述结构体系编码进行复制和增维操作,生成与所述激励序列的序列长度匹配的第一增广编码特征;
根据所述结构体系编码中所述节点体系编码对应的节点数量和所述构件体系编码对应的构件数量,对所述激励序列进行复制和增维操作,生成与所述节点数量和所述构件数量匹配的第二增广编码特征;
将所述第一增广编码特征和所述第二增广编码特征进行拼接,生成所述复合特征。
5.根据权利要求1所述的方法,其特征在于,所述将所述复合特征输入至目标结构响应计算模型,输出所述目标建筑物中各个节点以及各个所述构件对应的结构响应的目标值,包括:
将所述复合特征输入至所述目标结构响应计算模型,输出所述目标建筑物中各个所述节点以及各个所述构件对应的结构响应的训练值;
根据所述结构响应,构建所述目标建筑物对应的损失函数,并将所述结构响应的训练值输入值所述损失函数,计算所述损失函数的损失值;
根据所述损失值的大小,对所述目标图神经网络和所述目标结构响应计算模型中的网络参数进行修正;
直至所述损失函数的损失值小于或者等于预设损失阈值,输出所述目标建筑物中各个节点以及各个所述构件对应的所述结构响应的目标值。
6.根据权利要求5所述的方法,其特征在于,所述将所述复合特征输入至所述目标结构响应计算模型,输出所述目标建筑物中各个所述节点以及各个所述构件对应的结构响应的训练值,包括:
将所述复合特征输入至所述目标结构响应计算模型,所述目标结构响应计算模型中的门控循环单元对所述复合特征进行编码和预测,通过对所述复合特征逐步编码获得隐层信息,根据所述隐层信息逐步输出所述复合特征对应的各个所述节点以及各个所述构件对应的结构响应的训练值。
7.根据权利要求5所述的方法,其特征在于,所述根据所述结构响应,构建所述目标建筑物对应的损失函数,包括:
根据所述结构响应,构建所述目标建筑物对应的平衡方程和所述目标建筑物对应的构件的本构方程;
根据所述平衡方程和所述构件的本构方程,生成所述损失函数。
8.一种结构响应计算装置,其特征在于,包括:
第一获取模块,用于获取目标建筑物对应的图结构特征数据,所述图结构特征数据用于表征所述目标建筑物中的节点特征、构件特征以及节点和构件的拓扑关系;
第一输出模块,用于将所述图结构特征数据输入至目标图神经网络,输出所述目标建筑物对应的结构体系编码,所述结构体系编码包括节点体系编码和构件体系编码;
第二获取模块,用于获取所述目标建筑物对应的激励序列,所述激励序列用于表征所述目标建筑物在特定环境下一定时长内受到的激励的时间序列;
生成模块,用于将所述结构体系编码与所述激励序列进行组合,生成所述目标建筑物对应的复合特征;
第二输出模块,用于将所述复合特征输入至目标结构响应计算模型,输出所述目标建筑物中各个节点以及各个所述构件对应的结构响应的目标值。
9.一种电子设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-7中任一项所述的结构响应计算结构响应计算方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使计算机执行权利要求1-7中任一项所述的结构响应计算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310260100.7A CN116305461B (zh) | 2023-03-13 | 2023-03-13 | 结构响应计算方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310260100.7A CN116305461B (zh) | 2023-03-13 | 2023-03-13 | 结构响应计算方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116305461A true CN116305461A (zh) | 2023-06-23 |
CN116305461B CN116305461B (zh) | 2023-10-13 |
Family
ID=86828381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310260100.7A Active CN116305461B (zh) | 2023-03-13 | 2023-03-13 | 结构响应计算方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116305461B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111400560A (zh) * | 2020-03-10 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和*** |
CN112119412A (zh) * | 2018-05-18 | 2020-12-22 | 伯耐沃伦人工智能科技有限公司 | 具有注意力的图神经网络 |
US20210287138A1 (en) * | 2020-03-12 | 2021-09-16 | Autodesk, Inc. | Learning to simulate and design for structural engineering |
CN113409121A (zh) * | 2021-06-29 | 2021-09-17 | 南京财经大学 | 一种基于异构图表达学习的跨境电商推荐方法 |
CN113435268A (zh) * | 2021-06-09 | 2021-09-24 | 武汉理工大学 | 基于图变换知识嵌入算法的地震灾区遥感影像解译方法 |
CN113824575A (zh) * | 2020-06-18 | 2021-12-21 | ***通信集团浙江有限公司 | 故障节点识别的方法、装置、计算设备及计算机存储介质 |
CN114564878A (zh) * | 2021-12-31 | 2022-05-31 | 哈尔滨工业大学(深圳) | 一种基于图神经网络的结构动力学模型生成方法 |
CN114662204A (zh) * | 2022-04-07 | 2022-06-24 | 清华大学 | 基于图神经网络的弹性杆系结构体系数据处理方法及装置 |
CN114912578A (zh) * | 2022-04-26 | 2022-08-16 | 清华大学 | 结构响应预测模型的训练方法、装置和计算机设备 |
WO2022242827A1 (en) * | 2021-05-17 | 2022-11-24 | NEC Laboratories Europe GmbH | Information aggregation in a multi-modal entity-feature graph for intervention prediction |
CN115525962A (zh) * | 2022-11-29 | 2022-12-27 | 湖南工商大学 | 一种房屋建筑结构图数据构建方法 |
-
2023
- 2023-03-13 CN CN202310260100.7A patent/CN116305461B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112119412A (zh) * | 2018-05-18 | 2020-12-22 | 伯耐沃伦人工智能科技有限公司 | 具有注意力的图神经网络 |
CN111400560A (zh) * | 2020-03-10 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和*** |
US20210287138A1 (en) * | 2020-03-12 | 2021-09-16 | Autodesk, Inc. | Learning to simulate and design for structural engineering |
CN113824575A (zh) * | 2020-06-18 | 2021-12-21 | ***通信集团浙江有限公司 | 故障节点识别的方法、装置、计算设备及计算机存储介质 |
WO2022242827A1 (en) * | 2021-05-17 | 2022-11-24 | NEC Laboratories Europe GmbH | Information aggregation in a multi-modal entity-feature graph for intervention prediction |
CN113435268A (zh) * | 2021-06-09 | 2021-09-24 | 武汉理工大学 | 基于图变换知识嵌入算法的地震灾区遥感影像解译方法 |
CN113409121A (zh) * | 2021-06-29 | 2021-09-17 | 南京财经大学 | 一种基于异构图表达学习的跨境电商推荐方法 |
CN114564878A (zh) * | 2021-12-31 | 2022-05-31 | 哈尔滨工业大学(深圳) | 一种基于图神经网络的结构动力学模型生成方法 |
CN114662204A (zh) * | 2022-04-07 | 2022-06-24 | 清华大学 | 基于图神经网络的弹性杆系结构体系数据处理方法及装置 |
CN114912578A (zh) * | 2022-04-26 | 2022-08-16 | 清华大学 | 结构响应预测模型的训练方法、装置和计算机设备 |
CN115525962A (zh) * | 2022-11-29 | 2022-12-27 | 湖南工商大学 | 一种房屋建筑结构图数据构建方法 |
Non-Patent Citations (2)
Title |
---|
JIANG BO,WANG LEILING,CHENG JIAN,TANG JIN,LUO BIN: "GPENs: Graph Data Learning With Graph Propagation-Embedding Networks", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》, GPENS: GRAPH DATA LEARNING WITH GRAPH PROPAGATION-EMBEDDING NETWORKS, pages 5075 - 5080 * |
孙宏杨: "工业建筑钢结构地震反应分析关键问题研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑 》,工业建筑钢结构地震反应分析关键问题研究, pages 59 - 85 * |
Also Published As
Publication number | Publication date |
---|---|
CN116305461B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107818367B (zh) | 用于神经网络的处理***和处理方法 | |
Ates et al. | Two-stage convolutional encoder-decoder network to improve the performance and reliability of deep learning models for topology optimization | |
CN114154412A (zh) | 基于深度强化学习的优化芯片布局***及方法 | |
CN111783209B (zh) | 一种学习函数与kriging模型结合的自适应结构可靠性分析方法 | |
CN111898750A (zh) | 基于进化算法的神经网络模型压缩方法及装置 | |
Mirrashid et al. | Innovative computational intelligence-based model for vulnerability assessment of RC frames subject to seismic sequence | |
CN114741766B (zh) | 基于联合结构优化神经网络的建筑结构设计方法和装置 | |
CN115983148A (zh) | 一种cfd仿真云图预测方法、***、电子设备及介质 | |
CN111640296B (zh) | 交通流预测方法、***、存储介质及终端 | |
CN114912578A (zh) | 结构响应预测模型的训练方法、装置和计算机设备 | |
Fan et al. | Algorithm and hardware co-design for reconfigurable cnn accelerator | |
CN117115339A (zh) | 一种基于NeRF 5D神经辐射场的建筑三维重建与损伤识别方法 | |
CN111597602A (zh) | 一种基于amgpcg算法的高层建筑结构高效分析方法 | |
US11675951B2 (en) | Methods and systems for congestion prediction in logic synthesis using graph neural networks | |
CN116305461B (zh) | 结构响应计算方法、装置、电子设备及存储介质 | |
CN117635444A (zh) | 基于辐射差和空间距离的深度补全方法、装置和设备 | |
CN117556691A (zh) | 面向高维昂贵优化问题的梯度信息驱动维度扰动变异方法 | |
Sakr et al. | Memory-efficient CMSIS-NN with replacement strategy | |
CN114662204B (zh) | 基于图神经网络的弹性杆系结构体系数据处理方法及装置 | |
CN116451308A (zh) | 建筑结构材料用量预测方法、装置、电子设备及存储介质 | |
CN115130768A (zh) | 移动目标长轨迹预测方法、装置 | |
CN115438575A (zh) | 一种用于高精度翼型流场预测的分析方法 | |
WO2020054402A1 (ja) | ニューラルネットワーク処理装置、コンピュータプログラム、ニューラルネットワーク製造方法、ニューラルネットワークデータの製造方法、ニューラルネットワーク利用装置、及びニューラルネットワーク小規模化方法 | |
Lu et al. | Dynamic model updating using a combined genetic‐eigensensitivity algorithm and application in seismic response prediction | |
CN115577618B (zh) | 高压换流阀厅环境因子预测模型构建方法与预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |