基于机器学习与 SVD 赋能训练的代理建模用于承受动力荷载的非线性土木结构
机器学习
2022-06-14 v1 机器学习
摘要
通过有限元（FE）模型估算工程需求参数（EDPs）的计算代价高昂，同时考虑地震与参数不确定性限制了基于性能的地震工程框架的应用。已有尝试以代理模型替代 FE 模型，然而多数此类模型仅为建筑参数的函数。这使得代理模型需对未见过的地震重新训练。本文提出一种基于机器学习的代理模型框架，其同时考虑这两类不确定性以预测未见地震。据此，地震由其在一组正交基上的投影刻画，该正交基通过对代表性地震动集实施 SVD 得到。这使得人们能够通过随机采样这些权重并与基相乘来生成大量多样化地震。权重与本构参数共同作为机器学习模型的输入，EDPs 为期望输出。测试了四种竞争机器学习模型，观察到深度神经网络（DNN）给出了最准确预测。该框架通过成功预测以杆系模型表示、承受未见远场地震动的一层与三层建筑的峰值响应得到验证。
引用
@article{arxiv.2206.05720,
title = {Machine learning based surrogate modeling with SVD enabled training for nonlinear civil structures subject to dynamic loading},
author = {Siddharth S. Parida and Supratik Bose and Megan Butcher and Georgios Apostolakis and Prashant Shekhar},
journal= {arXiv preprint arXiv:2206.05720},
year = {2022}
}