(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110465740.2 (22)申请日 2021.04.28 (65)同一申请的已公布的文献号 申请公布号 CN 113011073 A (43)申请公布日 2021.06.22 (73)专利权人 清华大学 地址 100084 北京市海淀区清华园1号 (72)发明人 陆新征　徐永嘉　费一凡　廖文杰　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 代理人 廖元秋 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (56)对比文件 CN 111881601 A,2020.1 1.03 CN 106017953 A,2016.10.12 CN 106650073 A,2017.0 5.10 US 2021042454 A1,2021.02.1 1 向畅等.结构材 料滞回模型的精确性比较 研 究. 《低温建筑技 术》 .2017,第39卷(第0 5期),第 41-44页. 张沛洲等.基 于纤维模型的钢混框架结构拟 静力试验数值模拟. 《建筑结构》 .2013,第43卷 (第18期),第64- 68页. 审查员 刘栩宏 (54)发明名称 基于深度学习的一维复杂滞回关系构建与 结构模拟方法 (57)摘要 本发明提出一种基于深度学习的一维复杂 滞回关系构建与结构模拟方法， 涉及土木结构工 程与计算机技术领域。 该方法首先选取具有一维 受力特点的目标对象并建立对应的物理模型； 选 定外部效应， 利用物理模型开展模拟， 形成广义 位移‑广义力数据集； 利用该数据集训练选取的 深度神经网络， 得到数据驱动的一维滞回关系模 型； 最后将数据驱动的一维滞回关系模型嵌入物 理驱动的经典模拟软件， 实现两者间的即时数据 融合与交互， 形成数据模型和物理模 型协同的结 构模拟方法， 并据此开展结构响应模拟。 该方法 能够准确构建一维复杂滞回关系， 并开展高精 度、 高效率的结构模拟， 从而在保证精确度的情 况下显著提升结构模拟任务的效率。 权利要求书1页 说明书8页 附图3页 CN 113011073 B 2022.04.29 CN 113011073 B 1.一种基于深度学习的一维复杂滞回关系构建与结构模拟方法， 其特征在于， 包括以 下步骤： 1)确定具有一维受力特点的目标对象， 建立模拟该目标对象在外部效应下所产生的结 构响应的物理模型； 2)根据目标对象在工程实践中承担的荷载类型， 确定该目标对象对应的外部效应， 构 建外部效应数据集； 定义该目标对象的广义位移与广义力， 将外部效应数据集中的每组外部效应数据输入 步骤1)建立的物理模型中， 对该目标对象开展模拟； 完成模拟后， 从模拟结果中提取每组输 入数据对应的广义 位移与广义力， 得到该目标对象的广义 位移‑广义力数据集； 3)选取深度神经网络架构， 对步骤2)得到的广义位移 ‑广义力数据集进行划分， 得到训 练集、 验证集和测试集， 然后基于训练集开展深度神经网络的训练、 基于验证集完成网络验 证， 最后基于测试集完成网络测试， 将具有最佳测试表现的深度神经网络作为目标对 象的 一维滞回关系数据驱动模型； 4)建立包含目标对象的真实结构案例模型； 该案例模型包含物 理驱动模块和数据驱动 模块； 所述数据驱动模块为步骤3)得到的目标对象的一维滞回关系数据驱动模型； 物理驱 动模块为该案例模型中剩余对象和环 节对应的物理模型； 将数据驱动模块嵌入物理驱动模块并构建数据共享机制， 将真实结构所对应的外部荷 载输入该案例模型中， 开展一维滞回关系模型和物理模型协同的结构模拟， 得到在该外部 荷载作用下的真实结构响应模拟结果。权　利　要　求　书 1/1 页 2 CN 113011073 B 2基于深度学习的一维复杂滞回关系构建与结构模拟方 法 技术领域 [0001]本发明涉及土木结构工程与计算机技术领域， 特别涉及 一种基于深度学习的一维 复杂滞回关系构建与结构模拟方法。 背景技术 [0002]工程结构等目标对象在外部效应下的滞回特性模拟， 是开展工程实践与研究的重 要环节与关键技术， 其本质是构建外部效应 ‑目标对象响应的映射关系。 其中， 一维滞回关 系是最为基础的一种滞回关系， 在支撑、 普通梁柱等构件的试验和工程设计中广泛存在， 且 可以进一步推广到层 模型等多种重要应用场景中。 传统上， 一般基于物理或经验的方法， 通 过细致的数学力学分析、 研究与函数设计、 构 造， 对上述映射关系采用人工方式进 行显式地 总结提炼。 但上述方法存在以下不足： 1)受限于建模、 分析的复杂性， 直接以微观尺度为起 点， 手动开展大规模建模与模拟， 在工程实践中工作量过大， 缺乏可行性； 2)显式地凝练关 键特征也高度依赖于专 业知识与技巧， 并往往需引入较多简化与假定； 3)在处理复杂、 抽象 的跨尺度问题时， 缺乏通用的自动化方法， 精度提升困难； 4)复杂的物理模型开展模拟的效 率较低， 且限于模型的基本架构， 进一 步提升存在难度。 [0003]因此， 亟需一种能够从更高维度对复杂对象的抽象特征进行自动化抽取与映射的 方法， 构建一维复杂滞回关系， 并提出相应的结构模拟方法。 发明内容 [0004]本发明的目的是为克服已有技术的不足之处， 提出一种基于深度学习的一维复杂 滞回关系构建与结构模拟方法。 该方法能自动化地对复杂对 象的特征进行高维度抽象化， 构建数据驱动的外部效应 ‑目标对象响应映射， 并对这种映射所需的参数进行固化， 从而在 保障准确性的前提下， 开展高效的目标对象响应模拟。 [0005]本发明提出一种基于深度学习的一维复杂滞回关系构建与结构模拟 方法， 其特征 在于， 包括以下步骤： [0006]1)确定具有一维受力特点的目标对象， 建立模拟该目标对象在外部效应下所产生 的结构响应的物理模型； [0007]2)根据目标对象在工程实践中承担的荷载类型， 确定该目标对象对应的外部效 应， 构建外 部效应数据集； [0008]定义该目标对象的广义位移与广义力， 将外部效应数据集中的每 组外部效应数据 输入步骤1)建立的物理模 型中， 对该目标对象开展模拟； 完成模拟后， 从模拟结果中提取每 组输入数据对应的广义 位移与广义力， 得到该目标对象的广义 位移‑广义力数据集； [0009]3)选取深度神经 网络架构， 对步骤2)得到的广义位移 ‑广义力数据集进行划分， 得 到训练集、 验证集和测试集， 然后基于训练集开展深度神经网络的训练、 基于验证集完成网 络验证， 最后基于测试集完成网络测试， 将具有最佳测试表现的深度神经网络作为 目标对 象的一维滞回关系数据驱动模型；说　明　书 1/8 页 3 CN 113011073 B 3