一种适用于预测非线性楼层加速度反应谱的深度学习方法

1.本发明属于地震工程技术领域，具体涉及一种适用于预测非线性楼层加速度反应谱的深度学习方法。


背景技术：

2.长期以来，地震作为一种不确定性和突发性的自然灾害一直对建筑物的安全产生巨大的威胁，此外，随着城市抗灾能力和安全性的日益发展，防灾减灾研究的重点正从单体向城市建筑物转移。因此，在现阶段中城市地区的抗震分析日益受到关注，城市建筑物地震反应的快速预测已成为现阶段的主要技术挑战。这通常需要研究者根据不同的抗震需求对建筑物进行抗震设计，而楼面反应谱方法作为建筑物抗震计算中最常用的方法被广泛研究。
3.现阶段中获取楼层反应谱的方法通常涉及时程分析法、反应谱-楼面反应谱法、有限元法和随机振动理论法等；然而，这种传统的模型和静态分析往往涉及到复杂的数学和物理模型，这通常意味着高昂的建模或计算成本并且难以实现高精度的实时计算。因此，研究一种用于楼层加速度反应谱的自动化预测方法，降低模型计算成本，实现模型的高精度实时计算日益重要。
4.目前，深度学习作为一种新颖的人工智能方法，拥有从数据中自动挖掘潜在特征的巨大优势；然而，这种将地震结构信息数据与响应相结合的方法，在应用到非线性楼层加速度反应谱时，还存在有以下问题：
5.1)现有的深度学习方法例如一维卷积神经网络(1d-cnn)和rnn模型，在预测这种带有时序信息的非线性楼层反应谱数据时，由于梯度消失和数据爆炸等问题会导致模型的预测精度显著下降。
6.2)此外，现有的深度学习方法在面对多个不同结构的加速度反应谱进行预测时，往往需要利用不同结构的信息来训练诸多模型，这意味着模型需要针对具体的结构信息来单独展开训练，往往会浪费大量的计算和建模成本。
7.因此为了克服上述一系列问题，需要设计一种集多结构一体化的高精度非线性楼层加速度反应谱预测方法，从而解决非线性结构响应建模和预测的限制。


技术实现要素：

8.本发明的目的是：克服现有技术中存在的问题，提供一种适用于预测非线性楼层加速度反应谱的深度学习方法，该方法利用具有注意力机制的双向卷积长短期记忆网络依靠注意力机制、多尺度滑动时间窗以及深度残差回归网络共同实现一个模型对任意结构中任意楼层加速度反应谱精准预测的目的，且能够简化复杂的建模过程，并提高计算效率。
9.为实现上述目的，本发明采用了以下技术方案：一种适用于预测非线性楼层加速度反应谱的深度学习方法，包括以下步骤：
10.s1、对带有时间戳的地震动和楼层加速度反应谱数据集gms-frs进行数据预处理：
11.将结构的顶层楼层加速度反应谱与对应的地震动反应谱分别按照各自的结构周期在时间轴上进行归一化预处理，并对归一化后的时间序列数据进行三次样条插值操作；将结构的楼层高度也进行同样的归一化预处理，并计算结构模态周期下每一层楼层的加速度反应谱值与顶层楼层加速度反应谱值之间的比例因子；
12.s2、构建具有注意力机制的双向卷积长短期记忆网络模型：
13.由1-d卷积神经网络层、bi-lstm网络层、attention注意力层和全连接层来构建具有注意力机制的双向卷积长短期记忆网络结构，四层网络设置在结构中的input层和output层之间，其中1-d卷积神经网络层由数个一维卷积神经单元组成，位于1-d卷积神经网络层和output输出层之间的两端分别设置一个全连接层，前端的全连接层由多个神经单元构成，后端的全连接层由一个神经单元构成；
14.s3、输入由步骤s1处理后的地震动和楼层加速度反应谱数据集进行具有注意力机制的双向卷积长短期记忆网络模型训练：
15.将上述步骤s1中预处理后的地震动和楼层加速度反应谱数据视为多元时间序列特征，通过多尺度滑动窗口内观察的数据，将第i个观察到的数据xi输入到上述步骤s2中构建的模型中进行训练；首先通过1-d卷积神经网络层搭建残差块和全连接层，利用1-d卷积神经网络对输入数据xi进行特征提取，获取时间序列的隐藏表示与序列中上下文向量的相似度信息，并通过时间步计算出条件概率分布的重要性权重αi，再经attention注意力层将汇总向量c
t
计算为所有隐藏状态h
t
到h
t-1
基于权重的加权和，并将汇总向量c
t
和当前时刻的隐藏状态h
t
相结合来生成注意力向量h
*
，最后将得到的注意力向量h
*
前向传播到全连接层来预测下一时刻的数据，最终得到任意结构中的顶层楼层加速度反应谱f
total
；
16.其中，式中，mish表示为mish激活函数，ww为隐藏状态的权重系数，bw为隐藏状态的偏置系数；
17.式中，exp表示为自然指数函数，表示为h
t
的隐藏表示；
18.式中，hi表示为当前时刻的隐藏状态；
19.h
*
＝f(c
t
,h
t
)＝mish(wc[c
t
；h
t
])，式中，wc为汇总向量c
t
的权重系数；
[0020]
s4、搭建深度残差回归网络模型：
[0021]
由五个深度残差块、一个flatten层和三个全连接层来搭建深度残差回归网络结构，其中第一层卷积层采用普通一维卷积，其余卷积层都采用深度一维卷积，每个深度残差块包含两个深度一维卷积层、两个prelu非线性激活函数、一个跳跃连接和一个最大池化层；
[0022]
s5、输入归一化的楼层高度进行深度残差回归网络模型的回归训练：
[0023]
将上述步骤s1中归一化后的楼层高度以及每一层楼层的加速度反应谱与顶层楼层加速度反应谱的比例因子作为模型的输入进行回归训练，并利用数个深度残差模块对数据进行特征的自动提取和交互融合，经flatten层将数据扁平化后前向传播到全连接层实
现对归一化楼层高度和比例因子的回归分析，并通过选取结构中非线性楼层加速度反应谱中模态周期处的第一周期与第二周期处的峰值f
t1
与f
t2
、0点处的初始值f
t0
以及模态周期处峰值点之间的最小值f
tmin
这四点处的比例因子来获得层间反应谱比例因子s
t
；
[0024]
其中层间反应谱比例因子s
t
的计算公式为：
[0025]
式中，表示结构任一楼层在周期为i处的反应谱值，表示结构的顶层楼层在周期为i处的反应谱值；
[0026]
s6、将结构中的顶层楼层加速度反应谱和层间反应谱比例因子相结合输入深度残差回归网络模型进行回归分析：
[0027]
将上述步骤s3中得到的任意结构中的顶层楼层加速度反应谱按下式拟合为三段式标准化反应谱，具体公式为：
[0028][0029]
式中，c，α为常数，β
max
代表最大放大倍数，x代表任意结构中某一楼层的反应谱向量，θ代表与反应谱向量中相对应的权重系数，t代表周期值，t0、tg、tm表示三段式标准化反应谱中各段的最大周期值。
[0030]
采用顶层标准化反应谱和上述步骤s5中得到的层间反应谱比例因子s
t
结合输入模型中进行回归训练，训练其获得任意结构中任意楼层加速度反应谱，利用反应谱比例因子s
t
对顶层楼层标准化反应谱曲线进行调整，最终得到具有双峰特性的任意结构中任意楼层的标准化加速度楼层反应谱。
[0031]
所述步骤s1中，归一化处理的计算公式为：
[0032][0033]
式中，和代表gms数据样本的时间向量，和代表frs数据样本中时间向量，ts代表建筑的基本周期。
[0034]
所述步骤s3中，在模型输入前需要采用多尺度滑动时间窗口的方法进行数据的预处理操作，具体为：按照给定步长在输入的原始时间序列信息上进行滑动和卷积操作，并将原始时间序列分割成固定长度的子序列[x1,x2,x3,
…
x6]，逐窗口按照给定滑动步长进行特征提取后，将从原始时间序列中得到的新的特征按照自然顺序进行排列，以此得到新的长时序向量[x
w1
,x
w2
,x
w3
,
…
x
w6
]，并将新的长时序向量作为模型的输入。
[0035]
所述步骤s5中，利用gms-frs数据获取层间反应谱比例因子s
t
和归一化楼层高度，其中结构模态周期处峰值对应的比例因子：前两阶模态周期对应的比例因子s
t1
和s
t2
根据结构模态特征值分析确定，模态周期处峰值点之间的最小值的比例因子s
tmin
对应的周期点t
min
通过线性搜索得到。
[0036]
所述步骤s6中，0到t0阶段的反应谱函数关系中的系数α、t0到tg阶段的β
max
分别通
过0点和峰值处的比例因子与相应的时间关系得到，tg到tm阶段函数关系式中的参数θ通过该时间段内的反应谱数据训练得到。
[0037]
本发明的有益效果是：
[0038]
1)本发明采用注意力机制对双向卷积长短期记忆网络进行了优化，让模型从长时间的序列学习中快速锁定重要信息，忽略不相关的信息，更高效的完成任务；提出的具有注意力机制的双向卷积长短期记忆网络依靠注意力机制和多尺度滑动时间窗可以显著增强样本间的变化并抑制相邻时间点之间的累积误差，从而使模型表现出良好的泛化能力，进而利用带有时间戳的地震动和楼层反应谱数据实现精准预测任意结构中顶层楼层加速度反应谱的优异能力。
[0039]
2)本发明提出的深度残差回归模型采用深度一维卷积和新颖的网络结构设计思想增加了网络的训练深度，提高了回归精度，可以实现其它楼层加速度反应谱的精准预测。
[0040]
3)本发明将带有时间戳的地震动和楼层反应谱输入到深度学习模型中进行训练，解决了对不同结构中的楼层反应谱预测需要构建不同模型的局限性，仅用一个模型就可以实现对任意结构中任意楼层加速度反应谱的精准预测；整个训练过程无需人工参与，减少了复杂的建模过程并提高了计算效率，在一定程度上克服了传统方法中计算成本高、建模复杂的局限性，实现了非线性楼层加速度反应谱的自动化预测。
附图说明
[0041]
图1为本发明的设计方案流程图；
[0042]
图2为本发明中构建的具有注意力机制的双向卷积长短期记忆网络架构图；
[0043]
图3为图2中注意力机制的原理图；
[0044]
图4为本发明中采用的多尺度滑动时间窗的原理图；
[0045]
图5为本发明中顶层楼层反应谱的预测结果图；
[0046]
图6为本发明中搭建的深度残差回归网络架构图；
[0047]
图7为本发明中拟合的真实反应谱与标准化反应谱的结果对比图。
具体实施方式
[0048]
下面结合附图和具体实施例对本发明作进一步的解释说明。
[0049]
实施例：如图1-7所示，本发明提供一种适用于预测非线性楼层加速度反应谱的深度学习方法，包括以下步骤：
[0050]
s1、对带有时间戳的地震动和楼层加速度反应谱数据集gms-frs进行数据预处理：
[0051]
将结构的顶层楼层加速度反应谱与该楼层加速度反应谱对应的地震动反应谱分别按照各自的结构周期在时间轴上进行归一化预处理，归一化处理的计算公式为：
[0052]
式中，和代表gms数据样本的时间向量，和代表frs数据样本中时间向量，ts代表建筑的基本周期。
[0053]
按照上述方法将56个结构的顶层楼层加速度反应谱分别按照结构周期在时间轴
上进行归一化操作，经过归一化操作之后，56个结构的顶层楼层加速度反应谱结果与各结构动力特性无关；另外将结构的楼层高度也进行同样的归一化预处理，并计算结构模态周期下每一层楼层的加速度反应谱值与顶层楼层加速度反应谱值之间的比例因子。
[0054]
由于每个结构的周期性存在差异，归一化后时间列的时间间隔也存在差异，考虑到算法训练需要等时间间隔的时间序列的特性，并对归一化后的时间序列数据进行三次样条插值操作；由于楼层数越高周期越大的原因，高层结构的时间列在归一化之后时间间隔变得越来越小，因此针对插值操作，本发明中将最高结构中的时间间隔0.003829s作为三次样条插值进行取值，即每条数据之间的时间间隔为0.003829s，每个结构考虑601个样本点，总共得到33656条数据集，将经过数据预处理完成后的这33656条样本作为带有注意力机制的双向卷积长短期记忆网络模型的输入进行训练。
[0055]
s2、构建具有注意力机制的双向卷积长短期记忆网络模型：
[0056]
如图2所示，由1-d卷积神经网络层、bi-lstm网络层、attention注意力层和全连接层来构建具有注意力机制的双向卷积长短期记忆网络结构，四层网络设置在结构中的input层和output层之间；其中1-d卷积神经网络层由数个一维卷积神经单元组成，位于1-d卷积神经网络层和output输出层之间的两端分别设置一个全连接层，前端的全连接层由512个神经单元构成并将1-d卷积神经网络层的输出转变为bi-lstm网络层的输入向量，后端的全连接层由一个神经单元构成并降低接收到attention注意力层的特征维度，两个全连接层之间为bi-lstm网络层和attention注意力层。
[0057]
s3、输入由步骤s1处理后的地震动和楼层加速度反应谱数据集进行具有注意力机制的双向卷积长短期记忆网络模型训练：
[0058]
将上述步骤s1中预处理后的地震动和楼层加速度反应谱数据视为多元时间序列特征，通过多尺度滑动窗口内观察的数据，将第i个观察到的数据xi输入到上述步骤s2中构建的模型中进行训练；
[0059]
如图3所示，首先通过1-d卷积神经网络层搭建残差块和全连接层，利用1-d卷积神经网络对输入数据xi进行特征提取，获取时间序列的隐藏表示与序列中上下文向量的相似度信息，并通过时间步计算出条件概率分布的重要性权重αi，它代表了第i个滑动时间窗口对预测任务的重要程度；再经attention注意力层将汇总向量c
t
计算为所有隐藏状态h
t
到h
t-1
基于权重的加权和，并将汇总向量c
t
和当前时刻的隐藏状态h
t
相结合来生成注意力向量h
*
，最后将得到的注意力向量h
*
前向传播到全连接层来预测下一时刻的数据，最终得到任意结构中的顶层楼层加速度反应谱f
total
；
[0060]
其中，式中，mish表示为mish激活函数，ww为隐藏状态的权重系数，bw为隐藏状态的偏置系数；
[0061]
式中，exp表示为自然指数函数，表示为h
t
的隐藏表示；
[0062]
式中，hi表示为当前时刻的隐藏状态；
[0063]h*
＝f(c
t
,h
t
)＝mish(wc[c
t
；h
t
])，式中，wc为汇总向量c
t
的权重系数；
[0064]
如图4所示，在模型输入前需要采用多尺度滑动时间窗口的方法进行数据的预处理操作，具体为：按照给定步长在输入的原始时间序列信息上进行滑动和卷积操作，并将原始时间序列分割成固定长度的子序列[x1,x2,x3,
…
x6]；以多尺度滑动时间窗口k1为例，整个窗口的长度为5，宽度为3，多尺度比例因子设置为1(代表每隔一个时间点提取一次特征)；逐窗口按照给定滑动步长进行特征提取后，将从原始时间序列中得到的新的特征按照自然顺序进行排列，以此得到新的长时序向量[x
w1
,x
w2
,x
w3
,
…
x
w6
]，并将新的长时序向量作为模型的输入。那么每个bi-lstm单元的输入形状为(1,t)，滑动步幅用于确定检测时间序列的下一个位置，如果第一个子序列从t0开始，则下一个位置将是t
0+s
，其中s表示滑动时间窗的步长；经过上述的预处理操作，原始的长时序向量被转换为更小的子向量输入到bi-lstm单元中进行训练，从而实现预测下一时刻数据的任务。
[0065]
模型输入序列的长度设置为6，维度为3，预测长度为1，即采用每3个序列长度预测后1个序列长度，其中80％的数据集用于训练，20％的用于测试；模型总共预测了8408个时间序列样本，网络一共训练了1000个epoch，batch size为2048，以mse为损失函数，采用adam优化器对模型进行优化。
[0066]
如图5所示，显示了模型的预测结果，其中横轴表示预测样本的个数，纵轴表示楼层的加速度反应谱，从图中可以看出，整个楼层的反应谱变化趋势非常相似，模型的预测值和真实值吻合良好。为了更加清晰地分析预测值和真实值的拟合情况，在每个子图中绘制了预测信息的详细放大图，在放大图中可以看出，模型的预测结果与真实值几乎一致，这清楚的说明了带有注意力机制的双向卷积长短期记忆网络模型模型优异的预测能力，能够利用带有时间戳的地震动反应谱预测任意结构中的顶层楼层反应谱。
[0067]
s4、搭建深度残差回归网络模型：
[0068]
如图6所示，由五个深度残差块、一个flatten层和三个全连接层来搭建深度残差回归网络结构，其中第一层卷积层采用普通一维卷积其余卷积层都采用深度一维卷积，每个深度残差块包含两个深度一维卷积层、两个prelu非线性激活函数、一个跳跃连接和一个最大池化层；
[0069]
其中，每个卷积层都有256个大小为1的kernel，其中所有的池化层中使用了大小为1步幅为2的最大池化。在网络的搭建过程中，还将数据集经卷积层处理过后的浅层特征与每一个深度残差块建立了残差捷径连接，增加了网络的深度。最后，利用flatten层将卷积层的输出进行扁平化后，前向传播到全连接层进行数据维度的降低，并将具有1个神经元的最后一个全连接层的输出作为预测结果。
[0070]
s5、输入归一化的楼层高度进行深度残差回归网络模型的回归训练：
[0071]
将上述步骤s1中归一化后的楼层高度以及每一层楼层的加速度反应谱与顶层楼层加速度反应谱的比例因子作为模型的输入进行回归训练，并利用数个深度残差模块对数据进行特征的自动提取和交互融合，经flatten层将数据扁平化后前向传播到全连接层实现对归一化楼层高度和比例因子的回归分析，并通过选取结构中非线性楼层加速度反应谱中第一周期处的峰值f
t1
、第二周期处的峰值f
t2
、0点处的初始值f
t0
以及双峰值之间的最小值f
tmin
这四点处的比例因子来获得层间反应谱比例因子s
t
；
[0072]
其中层间反应谱比例因子s
t
的计算公式为：
[0073]
式中，表示结构任一楼层在周期为i处的反应谱值，表示结构的顶层楼层在周期为i处的反应谱值；利用gm-frs数据获取层间反应谱比例因子s
t
和归一化楼层高度，其中结构模态周期处峰值对应的比例因子：前两阶模态周期对应的比例因子s
t1
和s
t2
根据结构模态特征值分析确定，模态周期处峰值点之间的最小值的比例因子s
tmin
对应的周期点t
min
通过线性搜索得到。
[0074]
s6、将结构中的顶层楼层加速度反应谱和层间反应谱比例因子相结合输入深度残差回归网络模型进行回归分析：
[0075]
将上述步骤s3中得到的任意结构中的顶层楼层加速度反应谱按下式拟合为三段式标准化反应谱(图7)，具体公式为：
[0076][0077]
式中，c，α为常数，β
max
代表最大放大倍数，x代表任意结构中某一楼层的反应谱向量，θ代表与反应谱向量中相对应的权重系数，t代表周期值，t0、tg、tm表示三段式标准化反应谱中各段的最大周期值。
[0078]
采用顶层标准化反应谱和上述步骤s5中得到的层间反应谱比例因子s
t
结合输入模型中进行回归训练，训练其获得任意结构中任意楼层加速度反应谱，利用反应谱比例因子s
t
对顶层楼层标准化反应谱曲线进行调整，最终得到具有双峰特性的任意结构中任意楼层的标准化加速度楼层反应谱(图7)；
[0079]
0到t0阶段的反应谱函数关系中的系数α、t0到tg阶段的β
max
分别通过0点和峰值处的比例因子与相应的时间关系得到，tg到tm阶段函数关系式中的参数θ通过该时间段内的反应谱数据训练得到。
[0080]
通过上述方法所拟合的标准化楼层反应谱结果如图7所示，可以看出，实际的地震动反应谱曲线在上升段和下降段出现的频段内谱型变化规律是复杂的、不规律的。但是利用具有注意力机制的双向卷积长短期记忆网络和深度残差回归网络模型的标准化反应谱标定方法能够在一定程度上描述相关反应谱真实的频谱特性。
[0081]
本发明方法利用具有注意力机制的双向卷积长短期记忆网络依靠注意力机制、多尺度滑动时间窗以及深度残差回归网络共同实现一个模型对任意结构中任意楼层加速度反应谱精准预测的目的，且能够简化复杂的建模过程，并提高计算效率。
[0082]
以上所述，仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种适用于预测非线性楼层加速度反应谱的深度学习方法，其特征在于：包括以下步骤：s1、对带有时间戳的地震动和楼层加速度反应谱数据集gms-frs进行数据预处理：将结构的顶层楼层加速度反应谱与对应的地震动反应谱分别按照各自的结构周期在时间轴上进行归一化预处理，并对归一化后的时间序列数据进行三次样条插值操作；将结构的楼层高度也进行同样的归一化预处理，并计算结构模态周期下每一层楼层的加速度反应谱值与顶层楼层加速度反应谱值之间的比例因子；s2、构建具有注意力机制的双向卷积长短期记忆网络模型：由1-d卷积神经网络层、bi-lstm网络层、attention注意力层和全连接层来构建具有注意力机制的双向卷积长短期记忆网络结构，四层网络设置在结构中的input层和output层之间，其中1-d卷积神经网络层由数个一维卷积神经单元组成，位于1-d卷积神经网络层和output输出层之间的两端分别设置一个全连接层，前端的全连接层由多个神经单元构成，后端的全连接层由一个神经单元构成；s3、输入由步骤s1处理后的地震动和楼层加速度反应谱数据集进行具有注意力机制的双向卷积长短期记忆网络模型训练：将上述步骤s1中预处理后的地震动和楼层加速度反应谱数据视为多元时间序列特征，通过多尺度滑动窗口内观察的数据，将第i个观察到的数据x
i
输入到上述步骤s2中构建的模型中进行训练；首先通过1-d卷积神经网络层搭建残差块和全连接层，利用1-d卷积神经网络对输入数据x
i
进行特征提取，获取时间序列的隐藏表示与序列中上下文向量的相似度信息，并通过时间步计算出条件概率分布的重要性权重α
i
，再经attention注意力层将汇总向量c
t
计算为所有隐藏状态h
t
到h
t-1
基于权重的加权和，并将汇总向量c
t
和当前时刻的隐藏状态h
t
相结合来生成注意力向量h
*
，最后将得到的注意力向量h
*
前向传播到全连接层来预测下一时刻的数据，最终得到任意结构中的顶层楼层加速度反应谱f
total
；其中，式中，mish表示为mish激活函数，w
w
为隐藏状态的权重系数，b
w
为隐藏状态的偏置系数；式中，exp表示为自然指数函数，表示为h
t
的隐藏表示；式中，h
i
表示为当前时刻的隐藏状态；h
*
＝f(c
t
,h
t
)＝mish(wc[c
t
；h
t
])，式中，wc为汇总向量c
t
的权重系数；s4、搭建深度残差回归网络模型：由五个深度残差块、一个flatten层和三个全连接层来搭建深度残差回归网络结构，其中第一层卷积层采用普通一维卷积，其余卷积层都采用深度一维卷积，每个深度残差块包含两个深度一维卷积层、两个prelu非线性激活函数、一个跳跃连接和一个最大池化层；s5、输入归一化的楼层高度进行深度残差回归网络模型的回归训练：将上述步骤s1中归一化后的楼层高度以及每一层楼层的加速度反应谱与顶层楼层加速度反应谱的比例因子作为模型的输入进行回归训练，并利用数个深度残差模块对数据进
行特征的自动提取和交互融合，经flatten层将数据扁平化后前向传播到全连接层实现对归一化楼层高度和比例因子的回归分析，并通过选取结构中非线性楼层加速度反应谱中模态周期处的第一周期与第二周期处的峰值f
t1
与f
t2
、0点处的初始值f
t0
以及模态周期处峰值点之间的最小值f
tmin
这四点处的比例因子来获得层间反应谱比例因子s
t
；其中层间反应谱比例因子s
t
的计算公式为：式中，表示结构任一楼层在周期为i处的反应谱值，表示结构的顶层楼层在周期为i处的反应谱值；s6、将结构中的顶层楼层加速度反应谱和层间反应谱比例因子相结合输入深度残差回归网络模型进行回归分析：将上述步骤s3中得到的任意结构中的顶层楼层加速度反应谱按下式拟合为三段式标准化反应谱，具体公式为：式中，c，α为常数，β
max
代表最大动力放大系数，x代表任意结构中某一楼层的反应谱向量，θ代表与反应谱向量中相对应的权重系数，t代表周期值，t0、t
g
、t
m
表示三段式标准化反应谱中各段的最大周期值。采用顶层标准化反应谱和上述步骤s5中得到的层间反应谱比例因子s
t
结合输入模型中进行回归训练，训练其获得任意结构中任意楼层加速度反应谱，利用反应谱比例因子s
t
对顶层楼层标准化反应谱曲线进行调整，最终得到具有双峰特性的任意结构中任意楼层的标准化加速度楼层反应谱。2.根据权利要求1所述的一种适用于预测非线性楼层加速度反应谱的深度学习方法，其特征在于：所述步骤s1中，归一化处理的计算公式为：式中，和代表gms数据样本的时间向量，和代表frs数据样本中时间向量，t
s
代表建筑的基本周期。3.根据权利要求1所述的一种适用于预测非线性楼层加速度反应谱的深度学习方法，其特征在于：所述步骤s3中，在模型输入前需要采用多尺度滑动时间窗口的方法进行数据的预处理操作，具体为：按照给定步长在输入的原始时间序列信息上进行滑动和卷积操作，并将原始时间序列分割成固定长度的子序列[x1,x2,x3,
…
x6]，逐窗口按照给定滑动步长进行特征提取后，将从原始时间序列中得到的新的特征按照自然顺序进行排列，以此得到新的长时序向量[x
w1
,x
w2
,x
w3
,
…
x
w6
]，并将新的长时序向量作为模型的输入。4.根据权利要求1所述的一种适用于预测非线性楼层加速度反应谱的深度学习方法，其特征在于：所述步骤s5中，利用gms-frs数据获取层间反应谱比例因子s
t
和归一化楼层高
度，其中结构模态周期处峰值对应的比例因子：前两阶模态周期对应的比例因子s
t1
和s
t2
根据结构模态特征值分析确定，模态周期处峰值点之间的最小值的比例因子s
tmin
对应的周期点t
min
通过线性搜索得到。5.根据权利要求1所述的一种适用于预测非线性楼层加速度反应谱的深度学习方法，其特征在于：所述步骤s6中，0到t0阶段的反应谱函数关系中的系数α、t0到t
g
阶段的β
max
分别通过0点和峰值处的比例因子与相应的时间关系得到，t
g
到t
m
阶段函数关系式中的参数θ通过该时间段内的反应谱数据训练得到。

技术总结
本发明公开了一种适用于预测非线性楼层加速度反应谱的深度学习方法，属于地震工程技术领域；该深度学习方法中由具有注意力机制的双向卷积长短期记忆网络和深度残差回归网络两部分组成，采用多尺度滑动窗口的方法对数据进行预处理并输入到具有注意力机制的双向卷积长短期记忆网络模型中进行训练，得到任意结构中顶层楼层加速度反应谱；利用深度残差回归网络模型进行回归训练，并利用回归分析得到的层间反应谱比例因子对顶层楼层加速度反应谱进行调整，进而得到任意楼层的加速度反应谱。本发明的深度学习方法实现了一个模型对任意结构中任意楼层加速度反应谱精准预测的目的，且简化了复杂的物理建模过程，并提高了计算效率。率。率。


技术研发人员：王健泽 江永清 黄勤勇 戴靠山 罗宇骁
受保护的技术使用者：四川大学
技术研发日：2023.03.01
技术公布日：2023/7/13