技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种火灾后锈蚀混凝土梁力学性能综合预测方法  >  正文

一种火灾后锈蚀混凝土梁力学性能综合预测方法

  • 国知局
  • 2024-09-11 14:54:53

本发明涉及火灾后混凝土梁力学性能评估,具体涉及一种火灾后锈蚀混凝土梁力学性能综合预测方法。

背景技术:

1、目前,锈蚀状态下的钢筋混凝土简支梁的抗弯承载力预测方法主要分为以下两大类,试验研究途径和有限元模拟途径。

2、试验研究的方法通过设计锈蚀梁的抗弯试验,在锈蚀梁受压的全过程分析中进行记录,在试验结束后对试验数据进行分析,可以建立起锈蚀混凝土梁的抗弯承载力预测模型。然而,此种方法虽具有较高的实际验证价值,但其劣势在于投入成本高昂,包括设备购置、材料准备以及人工操作等费用,且试验周期长,从设计、制备样品到完成试验分析往往需要数周乃至数月的时间,对研究人员的专业技能和经验要求较高。

3、有限元模拟方法则是利用现代计算机技术和有限元分析软件(如abaqus)对锈蚀混凝土梁建立精细的有限元模型,通过非线性力学分析手段,模拟锈蚀对梁抗弯性能的影响,进而预测其抗弯承载力。这种方法相较于试验方法节省了一定的人力成本,计算时间也大大缩短。在有限元模型建立的过程中,由于模型误差的存在,有限元模型不能精准的模拟实际构件的性能。虽然有着有限元模型修正等的方法,但是这无疑加大了对有限元方法应用的使用成本。尽管如此,有限元研究在缩短研究周期的同时,仍需承担较高的计算成本,其计算时间通常是以小时为单位计量的。

4、目前,已有多种方法可用于预测锈蚀混凝土梁的抗弯承载力,但它们普遍存在实际应用难度大、计算成本高、耗时长等问题,限制了其在工程实践中的广泛应用。相比较现如今锈蚀混凝土梁抗弯承载力预测的研究,对于锈蚀混凝土梁火灾后的抗弯承载力研究和承载力预测研究较少。具体来说,现有火灾后rc构件力学性能预测方法存在以下不足之处:首先,资源消耗较大。例如,使用试验设计的方法预测极限承载力与荷载位移曲线时,试验过程耗时且繁琐。其次,计算不够简便。比如,采用有限元方法时,需要有相当的专业知识以及繁琐的建模过程,在这个过程中费时费力。最后,使用场景比较局限,目前的力学性能预测还处在单一的极限承载力预测,未把荷载-位移曲线与极限承载力预测方式结合起来。而且对于锈蚀构件在火灾后的力学性能预测研究较少。

技术实现思路

1、本发明提出一种火灾后锈蚀混凝土梁力学性能综合预测方法,针对实际工程中缺少一种计算速度快、操作简单的火灾后锈蚀混凝土梁抗弯承载力预测方法的现状,开发了一种基于att-tcn-lstm网络模型的新型预测方法,用于预测火灾后锈蚀混凝土梁的荷载-位移曲线和残余极限承载力。本发明利用深度学习特征提取和递归图对多维空间的非线性特征表示对火灾后受损的锈蚀rc(reinforced concrete)构件进行模型修正和损伤识别,经过多方面试验验证,结果表明,att-tcn-lstm网络模型收敛速度最快、精度最高。实现了火灾锈蚀混凝土结构的力学性能综合预测,节省了大量试验资源和时间。

2、为实现上述目的,本发明的技术方案是:

3、一种火灾后锈蚀混凝土梁力学性能综合预测方法,所述的预测方法通过att-tcn-lstm网络模型实现,所述的att-tcn-lstm网络模型的构建包括如下步骤:

4、步骤1、构建数据集:利用abaqus模型分别建立锈蚀混凝土梁的温度场模型、热-动力耦合的模型、热-静力耦合的模型、模态计算模型,利用这些模型建立起残余极限承载力和荷载-位移曲线的abaqus数据集;

5、步骤2、构建tcn-lstm融合网络模型;

6、步骤3、承载力预测网络模型训练,基于通道注意力技术和tcn-lstm融合网络模型,获得att-tcn-lstm网络模型;

7、步骤4、分别通过tcn和att-tcn-lstm使用abaqus数据集进行残余承载力预测,验证att-tcn-lstm网络模型的有效性;

8、步骤5、分别通过tcn、lstm、gru和att-tcn-lstm使用abaqus数据集进行荷载-位移曲线预测,验证att-tcn-lstm网络模型的有效性;

9、步骤6、对att-tcn-lstm网络模型的有效性进行综合验证。

10、优选的,所述的步骤1中:所述的abaqus数据集由经过模型修正后的abaqus模型生成,通过使用abaqus脚本批量建立火灾后锈蚀混凝土梁的数值模型,开展批量化的火灾后锈蚀混凝土梁静力数值模拟,并计算提取其荷载-位移曲线。

11、优选的,所述的步骤1中,为了构造足够数量的样本,将锈蚀率与构件的受火时间变量特征进行组合,遵循工程实际与现有文献研究结果,锈蚀率选择按照0、0.05、0.10、0.15、0.20的5个梯度间隔进行构建,以体现不同程度的锈蚀对混凝土梁截面强度和刚度的削减效应;在受火时间的选择上,选取受火时间按照0min、60min、90min和120min的选择设置4个代表性的火灾持续时间;同时为了扩充数据集,在保证以上参数的同时改变混凝土梁的混凝土密度,将其按照不同的混凝土密度进行分组,对得到的数据进行整合,得到最终abaqus数据集以完成火灾后锈蚀试件的荷载-位移曲线训练。

12、优选的,所述的步骤1中,基于abaqus数据集,遵循正交试验设计原则,批量建立共计480组受火后锈蚀混凝土梁的动力学分析模型,设定采样频率为100hz,采集5秒时长的白噪声激励数据,在完成动力学计算后,提取加速度信号,并将所得的动力学数值模型转化为与之参数匹配的静力学计算模型,进而确定锈蚀混凝土梁的残余承载力与荷载-位移曲线。

13、优选的,所述的步骤2中,分别将tcn和lstm视为两个子模型,通过融合策略,整合二者输出以产生最终预测结果。

14、优选的,所述的步骤3中,利用得到的abaqus数据集输入att-tcn-lstm网络模型进行训练,将得到的abaqus数据集按照80%训练集,20%测试集的大小进行划分,在训练过程中,继续使用adam作为网络的优化算法,设置每个每个批量的大小为8,共设置100个训练轮次;为了验证改进算法在火灾后锈蚀混凝土梁荷载-位移曲线预测上的有效性,同时选取的gru网络、lstm网络和tcn网络共同训练作为对比;这4种算法的初始学习率均定为0.01;

15、为了评估深度学习网络模型在荷载-位移曲线的预测任务中的表现,选取多个评价指标,包括均方误差mse、均方根误差rmse、平均绝对误差mae以及决定系数,计算公式分别如下:

16、

17、优选的,所述的步骤4中,将锈蚀混凝土梁实际火灾试验得到的加速度信号作为网络模型的输入,利用步骤3中训练好的att-tcn-lstm网络模型及未经过改进的tcn网络模型输出承载力折减系数,进而验证att-tcn-lstm网络模型的有效性。

18、优选的,所述的步骤6中,取梁的实测值荷载-位移曲线与经过模型修正后的abaqus模型的荷载-位移曲线、att-tcn-lstm网络模型的荷载-位移曲线进行对比,对att-tcn-lstm网络模型的有效性进行综合验证。

19、本发明一种火灾后锈蚀混凝土梁力学性能综合预测方法的有益效果为:

20、1、本发明基于深度学习中的tcn和lstm建立了一种可以同时预测结构承载力和荷载-位移曲线的att-tcn-lstm网络模型;利用这种网络模型,将火灾后锈蚀混凝土梁的极限承载力预测与荷载-位移曲线预测结合起来,可得到更为精准可靠的荷载-位移曲线。

21、2、att-tcn-lstm网络模型基于tcn、lstm网络及通道注意力技术,提出了一种新型的极限承载力与荷载-位移曲线预测方法,可以简便精准的预测出火灾及锈蚀构件在火灾后的综合力学性能。

22、3、在实际使用中,基于火灾后构件的受火时间,钢筋配比以及构件尺寸数据,使用本发明的att-tcn-lstm网络模型可精确得出火灾后构件的残余力学性能,为合理评估火灾后构件的承载能力提供了精确、简便的新方法。

23、说明书附图

24、图1为数值模拟荷载-位移曲线。

25、图2为tcn网络结构图。

26、图3为lstm网络结构图。

27、图4为预测精度雷达图。

28、图5为模型的训练损失及验证损失。

29、图6为时域预测结果。

30、图7为预测值与试验值(实测值)对比图。

31、图8为有限元模型对比图。

本文地址:https://www.jishuxx.com/zhuanli/20240911/292548.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。