用于数据驱动地震响应建模的物理引导卷积神经网络(PhyCNN)
信号处理
2019-09-19 v1 计算工程、金融与科学
摘要
地震事件与其他许多自然灾害一样，会降低在用建筑的功能并加剧其脆弱性。准确建模和预测建筑在地震作用下的响应，使得评估建筑性能成为可能。为此，我们利用深度学习的最新进展，开发了用于建筑数据驱动地震响应建模与适用性评估的物理引导卷积神经网络(PhyCNN)框架。所提出的 PhyCNN 方法能够以数据驱动的方式准确预测建筑的地震响应，而无需基于物理的分析/数值模型。其基本理念是基于可用的地震输入输出数据集(例如来自仿真或传感)和物理约束训练深度 PhyCNN 模型。训练后的 PhyCNN 随后可用作结构地震响应预测的代理模型。可用的物理规律(例如动力学定律)可为网络输出提供约束，缓解过拟合问题，减少对大型训练数据集的需求，从而提升训练模型的鲁棒性以实现更可靠的预测。训练后的代理模型随后用于给定特定极限状态准则(例如适用性状态)的易损性分析。此外，还提出了一种基于 K-means 聚类的无监督学习算法，将有限数量的数据集划分为训练、验证和预测类别，以最大化有限数据集的利用。所提方法的性能通过包括数值与实验实例的三个案例研究得以验证。令人信服的结果表明，所提出的 PhyCNN 范式优于传统的纯数据驱动神经网络。
引用
@article{arxiv.1909.08118,
title = {Physics-guided Convolutional Neural Network (PhyCNN) for Data-driven Seismic Response Modeling},
author = {Ruiyang Zhang and Yang Liu and Hao Sun},
journal= {arXiv preprint arXiv:1909.08118},
year = {2019}
}
备注
24 pages, 17 figures