結構地震響應分析與預測是結構工程以及工程抗震防災的一個重要課題,地震響應傳統(tǒng)的計算方法是時程分析,但該方法存在著分析復雜、計算時間長等缺陷,故在結構主動控制、結構危險預警等方面并不適用,為此,尋找性能更優(yōu)越的計算模型顯得尤為必要。近年來,深度學習等機器學習方法研究越來越深入,且計算數據的增多為機器學習等方法的應用創(chuàng)造了前提條件。本文對國內外利用神經網絡等機器學習方法的研究成果進行了調研,并結合調研成果,提出了地震響應的靜態(tài)極值指標預測模型和響應時程曲線預測模型。本文主要包括以下幾部分內容:1.進行了8層鋼筋混凝土框架結構的設計,利用OPENSEES有限元軟件進行計算,并對結構的基本情況、地震動記錄的選用方式以及有限元的計算成果進行了簡要的說明,在有限元計算結果的基礎上生成后續(xù)預測模型使用的數據集,并進行數據預處理等工作,為后續(xù)預測模型的訓練和預測提供了數據支持。2.對XGBOOST等機器學習方法進行了簡要的介紹,并且采用XGBOOST為底層原理建立了結構地震響應靜態(tài)極值指標預測模型（最大頂點位移、最大層間位移角、最大基底剪力）,對其預測結果和性能進行了說明;同時對LSTM等時間序列神經... 

【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校

【文章頁數】：110 頁

【學位級別】：碩士

【部分圖文】：

結構標準層平面布置圖

結構側立面布置圖

標準層梁上線荷載布置圖（kN/m）

【參考文獻】：
期刊論文
[1]利用GRU神經網絡預測橫波速度[J]. 孫宇航,劉洋.  石油地球物理勘探. 2020(03)
[2]深度神經網絡解釋方法綜述[J]. 蘇炯銘,劉鴻福,項鳳濤,吳建宅,袁興生.  計算機工程. 2020(09)
[3]如何有效構建地震多發(fā)地區(qū)地質災害防災減災體系[J]. 張瑜.  綠色環(huán)保建材. 2020(06)
[4]基于迭代訓練和集成學習的圖像分類方法[J]. 羅會蘭,易慧.  計算機工程與設計. 2020(05)
[5]基于溶解氡數據和長短期記憶網絡的地震預報[J]. 劉海軍,單維鋒,耿貴珍.  科學技術與工程. 2020(10)
[6]使用XGBoost識別時間序列中的結構[J]. 曲昊.  九江職業(yè)技術學院學報. 2019(03)
[7]注意力機制在深度學習中的研究進展[J]. 朱張莉,饒元,吳淵,祁江楠,張鈺.  中文信息學報. 2019(06)
[8]基于雙記憶注意力的方面級別情感分類模型[J]. 曾義夫,藍天,吳祖峰,劉嶠.  計算機學報. 2019(08)
[9]基于機器學習Xgboost模型解決商店商品銷量預測的問題[J]. 趙一安.  通訊世界. 2018(11)
[10]基于XGBoost的信用風險分析的研究[J]. 趙天傲,鄭山紅,李萬龍,劉凱.  軟件工程. 2018(06)



本文編號：3581287