基于深度学习的模块化加载协议用于Bouc-Wen类模型参数估计
机器学习
2026-05-22 v1 应用统计
摘要
本研究提出了一种模块化的基于深度学习的加载协议,用于Bouc-Wen(BW)类模型的最优参数估计。该协议由两个关键部分组成:最优加载历史构建和基于CNN的快速参数估计。每个部分都被分解为针对不同滞回行为——基本滞回、结构退化和捏缩效应——的独立子模块,使得该协议能够适应多种滞回模型。开发了三个独立的CNN架构来捕获这些滞回行为的路径依赖性。通过在不同加载历史上训练这些CNN架构,识别出最小的加载序列,称为\textit{加载历史模块},然后将其组合以构建最优加载历史。在各自加载历史模块上训练的三个CNN模型充当快速参数估计器。对该协议的数值评估,包括对三层钢框架的非线性时程分析和三层钢筋混凝土框架的易损性曲线构建,表明所提协议在保持或提高估计精度的同时,显著减少了总分析时间。所提协议可扩展到其他滞回模型,为识别通用滞回模型提供了一种系统方法。
引用
@article{arxiv.2411.02776,
title = {Deep learning-based modularized loading protocol for parameter estimation of Bouc-Wen class models},
author = {Sebin Oh and Junho Song and Taeyong Kim},
journal= {arXiv preprint arXiv:2411.02776},
year = {2026}
}