基于物理信息的 U-Net-LSTM 网络用于地震激励下的非线性结构响应
机器学习
2026-03-06 v2
摘要
精准且高效的地震响应预测是设计韧性结构的关键。虽然有限元方法 (FEM) 仍是非线性地震分析的标准方法，但其高计算需求限制了可扩展性和实时性。近期发展的深度学习技术——尤其是卷积神经网络 (CNN)、循环神经网络 (RNN) 和长短期记忆网络 (LSTM) 模型——在降低结构非线性地震分析计算成本方面显示出前景。然而，这些数据驱动模型常常难以泛化并捕捉底层物理规律，导致可靠性下降。我们提出一种新颖的物理信息 U-Net-LSTM 框架，将物理规律与深度学习集成，以提升准确性和效率。该方法通过嵌入领域特定约束于学习过程中，使提取长期输入序列潜在特征的 1D U-Net 能够实现超越常规机器学习架构的预测性能。该方法弥合了纯数据驱动方法与基于物理的建模之间的鸿沟，为预测结构地震响应提供了稳健且计算高效的替代方案。
引用
@article{arxiv.2511.21276,
title = {A physics-informed U-Net-LSTM network for nonlinear structural response under seismic excitation},
author = {Sutirtha Biswas and Kshitij Kumar Yadav},
journal= {arXiv preprint arXiv:2511.21276},
year = {2026}
}
备注
Revised version with updated title and expanded analysis. Includes additional figures and enhanced performance evaluation of the physics-informed model