用于改进 RC 柱非线性建模参数的机器学习工具
机器学习
2023-03-29 v1
摘要
建模参数对于承受地震地面运动混凝土结构非线性模型的保真度至关重要，尤其在模拟足以引发倒塌的强烈地震事件时。本文解决了利用实验数据集改进抗震评估标准中非线性建模规定所面临的两个最显著障碍：识别结构构件最可能的失效模式，以及实现能够识别输入参数间相互依赖关系及输入参数与模型输出间非线性关系的数据拟合技术。我们使用 Scikit-learn 和 Pytorch 库中的机器学习工具，对标定 ASCE 41 和 ACI 369.1 标准中定义的钢筋混凝土柱非线性建模参数（MP）a 和 b 的方程与黑盒数值模型进行校准，并估计其最可能的失效模式。研究发现，机器学习回归模型与机器学习黑盒比 ACI 369.1/ASCE 41 标准中的现行规定更准确。在回归模型中，正则化线性回归对估计 MP a 最准确，多项式回归对估计 MP b 最准确。所评估的两个黑盒模型，即高斯过程回归与神经网络（NN），提供了对 MP a 和 b 最准确的估计。NN 模型是所有评估机器学习工具中最准确的。来自 Scikit-learn 机器学习库的多类分类工具以 79% 的准确率正确识别矩形柱的失效模式，以 81% 的准确率正确识别圆形柱的失效模式，较 ASCE 41-13 中的分类规则有显著提升。
引用
@article{arxiv.2303.16140,
title = {Machine learning tools to improve nonlinear modeling parameters of RC columns},
author = {Hamid Khodadadi Koodiani and Elahe Jafari and Arsalan Majlesi and Mohammad Shahin and Adolfo Matamoros and Adel Alaeddini},
journal= {arXiv preprint arXiv:2303.16140},
year = {2023}
}