用于非线性钢框架结构地震响应预测的物理信息机器学习
应用物理
2024-04-30 v3 机器学习
摘要
由于传统模拟的计算成本高昂，人们越来越有兴趣使用机器学习（ML）方法进行结构元建模。纯数据驱动策略通常在模型鲁棒性、可解释性以及对大量数据的依赖性方面面临局限。为应对这些挑战，本文介绍了一种新颖的物理信息机器学习（PiML）方法，该方法将科学原理和物理定律整合到深度神经网络中，以模拟非线性结构的地震响应。该方法通过三个主要特征将 ML 模型的解空间约束在已知的物理界限内：结合模型降阶和小波分析的降维、长短期记忆（LSTM）网络以及牛顿第二定律。降维解决了结构系统的冗余问题并提高了效率，同时通过小波分析提取基本特征。LSTM 网络捕捉时间依赖性以实现准确的时间序列预测。操纵运动方程有助于学习系统非线性并将解限制在物理可解释的结果范围内。这些属性使得能够利用稀疏数据进行模型训练，从而提高准确性、可解释性和鲁棒性。此外，本研究考虑了 DesignSafe-CI 数据库 [1] 中提供的地震荷载作用下原型钢抗弯框架数据集进行评估。所得元模型比现有的物理引导 LSTM 模型更好地处理复杂数据，并优于其他非物理数据驱动网络。
引用
@article{arxiv.2402.17992,
title = {Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures},
author = {R. Bailey Bond and Pu Ren and Jerome F. Hajjar and Hao Sun},
journal= {arXiv preprint arXiv:2402.17992},
year = {2024}
}
备注
34 pages, 12 figures