基于改进物理信息神经网络的减震装置优化方法及系统

本发明涉及结构工程，具体设计一种基于改进物理信息神经网络的减震装置优化方法及系统。

背景技术：

1、随着城市化进程的加速和高层建筑的增多，建筑结构的安全性和稳定性成为了工程领域的重要课题。特别是在地震等自然灾害频发的地区，多层钢框架结构由于其特有的结构特性，容易在外部激励下产生较大振动，这不仅影响了建筑的使用寿命，更对人民生命财产安全构成了严重威胁。

2、为了应对这一挑战，工程师和研究人员已经开发了多种减震装置，包括但不限于调谐质量阻尼器(tmd)、调谐液体阻尼器(tld)和调谐液柱阻尼器(tlcd)。这些装置通过吸收和耗散结构振动能量，有效降低了建筑物的振动响应。然而，现有减震装置的参数优化方法存在诸多不足，主要表现在以下几个方面：

3、效率问题：传统的参数优化方法如遗传算法和粒子群算法，通常需要大量的迭代计算才能得到满意的解，这在实际工程应用中往往难以满足快速设计和施工的需求；

4、精度问题：由于缺乏对结构物理特性的深入考虑，传统的参数优化方法在参数优化过程中可能无法准确捕捉结构的真实响应，导致优化结果与实际应用中的表现存在偏差；

5、计算成本：在进行数值模拟和参数优化时，传统的参数优化方法往往需要大量的计算资源，这不仅增加了研究和开发的成本，也限制了优化算法在实际工程中的广泛应用。

6、适应性问题：传统的参数优化方法在处理不同类型的结构和多种激励条件下的优化问题时，往往缺乏足够的适应性和灵活性。

7、综上，需要一种能够有效克服上述诸多不足的多层钢框架结构减震装置的参数优化方法。

技术实现思路

1、本发明提供一种基于改进物理信息神经网络的减震装置优化方法及系统，通过深度学习技术与物理规律的紧密结合，能够有效克服传统减震装置参数优化方法在效率、精度、资源消耗以及适应性方面的不足。

2、第一方面，本发明提出一种基于改进物理信息神经网络的减震装置优化方法，包括如下步骤：

3、建立减震装置的物理系统模型，获得物理系统模型的运动方程；

4、确定减震装置的待优化参数及参数范围，建立物理系统模型的目标函数；

5、根据物理系统模型的目标函数及约束条件，增加硬边界约束条件后建立基于硬边界约束的物理信息神经网络模型；

6、根据物理系统模型的运动方程建立基于硬边界约束的物理信息神经网络模型的总损失函数；

7、采用增广拉格朗日算法对总损失函数进行优化，获得总损失函数取得最小值时减震装置的最佳参数。

8、进一步的，所述减震装置的待优化参数包括水头损失系数、u型管内液体总长度、u型管的质量、减震装置的刚度、减震装置的阻尼、u型管的横截面面积中的一种或多种。

9、进一步的，所述基于硬边界约束的物理信息神经网络模型包括第一全连接神经网络模块、第二全连接神经网络模块、硬边界约束模块、自动微分模块、残差网络模块、权重更新模块，第一全连接神经网络模块、第二全连接神经网络模块的输入均为时间变量，第一全连接神经网络模块的输出作为硬边界约束模块的输入，硬边界约束模块的输出作为自动微分模块的输入，自动微分模块的输出和第二全连接神经网络模块输出的减震装置的最佳参数一并输入残差网络模块，残差网络模块的输出经权重更新模块后反向传播至第一全连接神经网络模块、第二全连接神经网络模块。

10、进一步的，所述第一全连接神经网络模块、第二全连接神经网络模块均包括一个输入层、若干个隐藏层和若干个输出层；所述输入层、隐藏层和输出层依次连接；输入层的输入变量为时间变量，输出层的输出数据分别为减震装置在该时间变量下的位移速度和最佳参数。

11、进一步的，所述基于硬边界约束的物理信息神经网络模型的约束条件包括边界条件约束和不等式约束。

12、进一步的，所述边界条件为狄利克雷边界条件、诺伊曼边界条件、罗宾边界条件中的至少一种。

13、进一步的，所述采用增广拉格朗日算法对总损失函数进行优化，获得总损失函数取得最小值时减震装置的最佳参数的具体步骤如下：

14、选择深度网络神经模型，并给定惩罚系数和以及惩罚因子βf和βh的初始值、阈值；

15、输入减震装置的物理系统模型运动方程的初始值；

16、设置初始迭代次数为0，设置最大迭代次数k和需要达到的阈值；

17、将数据送入深度网络神经模型开始初次训练直到深度网络神经模型损失函数收敛为止；

18、若精度要求未达标或迭代次数小于最大迭代次数，则令迭代次数k＝k+1，同时反向传播更新深度网络神经模型的权重和偏置；

19、更新惩罚系数和增广拉格朗日算子，调整深度网络神经模型的学习率和优化器后继续进行训练，找到减震装置最佳参数对应的总损失函数最小的值。

20、进一步的，所述总损失函数的表达式为：

21、

22、其中，j为目标函数，loss1为偏微分方程损失，loss2为不等式损失。

23、进一步的，所述目标函数的表达式为：

24、

25、其中，分别为深度网络神经模型预测的建筑主结构位移、建筑主结构平均位移；分别为深度网络神经模型预测法人减震装置位移、减震装置平均位移；分别为深度网络神经模型预测的减震装置液面高差、减震装置液面平均高差。

26、第二方面，本发明提出一种基于改进物理信息神经网络的减震装置优化系统，包括：

27、物理系统模型建立模块，用于建立减震装置的物理系统模型，并获得物理系统模型的运动方程；

28、目标函数构建模块，用于确定减震装置的待优化参数及参数范围，建立物理系统模型的目标函数；

29、物理信息神经网络模型建立模块，用于根据物理系统模型的目标函数及约束条件，增加硬边界约束条件后建立基于硬边界约束的物理信息神经网络模型；

30、损失函数建立模块，用于根据物理系统模型的运动方程建立基于硬边界约束的物理信息神经网络模型的总损失函数；

31、深度学习模块，用于采用增广拉格朗日算法对总损失函数进行优化，获得总损失函数取得最小值时减震装置的最佳参数。

32、有益效果：

33、1、本发明通过深度学习技术与物理规律的紧密结合，利用硬边界约束物理信息神经网络算法可以更加快速的得到tlcd的最优参数，提高了计算效率，降低了研发成本，并且得到的参数对多层钢框架的响应起到了显著的作用，大大减少了计算量，确保了优化结果的高精度和可靠性。

34、2、本发明展现了出色的泛化能力和适应性，不仅适用于单自由度系统，还能扩展到复杂的多自由度结构体系。通过振动台试验的验证，本发明证明了其在多层钢框架结构减震优化领域的创新性和实用性，为提升建筑结构的抗震性能提供了一种高效、经济的解决方案。

技术特征：

1.一种基于改进物理信息神经网络的减震装置优化方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于改进物理信息神经网络的减震装置优化方法，其特征在于，所述减震装置的待优化参数包括水头损失系数、u型管内液体总长度、u型管的质量、减震装置的刚度、减震装置的阻尼、u型管的横截面面积中的一种或多种。

3.根据权利要求1所述的基于改进物理信息神经网络的减震装置优化方法，其特征在于，所述基于硬边界约束的物理信息神经网络模型包括第一全连接神经网络模块、第二全连接神经网络模块、硬边界约束模块、自动微分模块、残差网络模块、权重更新模块，第一全连接神经网络模块、第二全连接神经网络模块的输入均为时间变量，第一全连接神经网络模块的输出作为硬边界约束模块的输入，硬边界约束模块的输出作为自动微分模块的输入，自动微分模块的输出和第二全连接神经网络模块输出的减震装置的最佳参数一并输入残差网络模块，残差网络模块的输出经权重更新模块后反向传播至第一全连接神经网络模块、第二全连接神经网络模块。

4.根据权利要求3所述的基于改进物理信息神经网络的减震装置优化方法及系统，其特征在于，所述第一全连接神经网络模块、第二全连接神经网络模块均包括一个输入层、若干个隐藏层和若干个输出层；所述输入层、隐藏层和输出层依次连接；输入层的输入变量为时间变量，输出层的输出数据分别为减震装置在该时间变量下的位移速度和最佳参数。

5.根据权利要求1所述的基于改进物理信息神经网络的减震装置优化方法，其特征在于，所述基于硬边界约束的物理信息神经网络模型的约束条件包括边界条件约束和不等式约束。

6.根据权利要求5所述的基于改进物理信息神经网络的减震装置优化方法，其特征在于，所述边界条件为狄利克雷边界条件、诺伊曼边界条件、罗宾边界条件中的至少一种。

7.根据权利要求1所述的基于改进物理信息神经网络的减震装置优化方法及系统，其特征在于，所述采用增广拉格朗日算法对总损失函数进行优化，获得总损失函数取得最小值时减震装置的最佳参数的具体步骤如下：

8.根据权利要求7所述的基于改进物理信息神经网络的减震装置优化方法，其特征在于，所述总损失函数的表达式为：

9.根据权利要求8所述的基于改进物理信息神经网络的减震装置优化方法，其特征在于，所述目标函数的表达式为：

10.基于改进物理信息神经网络的减震装置优化系统，其特征在于，包括：

技术总结本发明公开了一种基于改进物理信息神经网络的减震装置优化方法及系统，其中方法包括步骤：建立减震装置的物理系统模型，获得物理系统模型的运动方程；确定减震装置的待优化参数及参数范围，建立物理系统模型的目标函数；根据物理系统模型的目标函数及约束条件，增加硬边界约束条件后建立基于硬边界约束的物理信息神经网络模型；根据物理系统模型的运动方程建立基于硬边界约束的物理信息神经网络模型的总损失函数；采用增广拉格朗日算法对总损失函数进行优化，获得总损失函数取得最小值时减震装置的最佳参数。得到的参数对多层钢框架的响应起到了显著的作用，大大减少了计算量，确保了优化结果的高精度和可靠性。技术研发人员：刘欣鹏,刘慧敏,田清云,张雪梅,舒文,史龙飞受保护的技术使用者：重庆科技大学技术研发日：技术公布日：2024/12/2