建筑构造人工智能实验探究环境

第 1 章绪论

国内外的研究人员利用智能技术实现了函数回归、结构的工作行为/反应特征挖掘以及动态过程模拟等功能。也有个例使用人工智能技术从结构的实际工作行为/反应出发，直接预测结构可能出现的反应，但人工智能技术使用的基本假设仍与统结构分析方法一致，或数据仍或由传统结构分析方法产生，因此人工智能技术仍主要是传统结构分析方法的附属。可见，在过去的研究中，人工智能技术在结构分析领域已经进行了大量的尝试，进行了丰富的理论基础储备，却并未最大限度的挖掘出这些理论的潜能。通过神经网络，支持向量机或遗传算法等的应用情况也可以看出，个别研究者具有通过人工智能技术，直接根据结构的真实工作行为/反应预测结构可能出现的结构/反应潜在期望，但却没有明确这种期望的对结构分析的变革性意义，更没能功的将人工智能技术与传统的结构分析方法整合成为有机的体系，实现这一期望。为此，Zhou应用传统和智能分析理论和方法，以面外横向及面内竖向分布荷载作用下砌体和混凝土板为研究对象，引入和发展了智能技术在结构分析领域应用的新概念：区域类似、广义墙板、结构相似度、以及结构破坏模式的匹配准则。进而，建立了结构破坏荷载、破坏模式的智能分析模型和分析技术，并且应用细胞自动机、神经网络、支持向量机等分析技术，实现了通过结构破坏模式预测相应的破坏荷载。
本文主要研究了如何由人工智能技术(AITs)，数据挖掘技术，试验数据，结构构造的数字建模方法以及一系列匹配结构类似性质和绘制结构行为/反应的匹配准则构成结构人工结构智能实验环境分析系统，使得该系统能够基于现有的试验数据和现场测量数据预测出新/未知模型的结构行为或反应。因此，本文依次探讨了“建筑结构人工智能实验分析环境”各个组成部分。
(1) 讨论了“建筑结构人工智能实验分析环境”数据库的组织方法，和组成“建筑结构人工智能实验分析环境”数据库的成分：结构行为；标准化的结构行为和结构的反应；并研究了根据试验及实测数据，剔除噪声并保留结构的主要试验信息，得到标准化的结构行为的方法。然后，详细说明了如何通过数据挖掘技术挖掘结构的局域性质，从而引出强度刚度修正值和类似区域的概念；
(2) 研究了“建筑结构人工智能实验分析环境”中的两个数值模式：结构工作行为数值模式和结构构造状态数值模式。在探讨建立结构工作行为数值模式过程中，研究如何定量评价两个破坏模式之间的相似程度，进而提出广义墙板的概念和相似度的概念；
(3) 就怎样建立结构构造状态数值模式进行研究，提出用于构建结构构造状态数值模式的两种模型：细胞自动机模型(CA)和基于有限元分析(FEA)的无量纲化模型。在细胞自动机模型中，研究了传递系数的数值变化对“建筑结构人工智能实验分析环境”预测变异性功能的影响。同时探讨了建立基于FEA分析的无量纲化模型步骤及原理；
(4) 研究了“建筑结构人工智能实验分析环境”的两个匹配准则：类似区域匹配准则和行为匹配准则。本文重点研究了类似区域匹配准则。在Zhou提出的匹配准则基础上提出了三种加权匹配准则，并对这三种匹配准则在“建筑结构人工智能实验分析环境”中的应用效果行比较，找出结构构造条件不同时应用效果最佳的加权匹配准则；
(5) 探讨了“建筑结构人工智能实验分析环境”对不考虑结构边界变异的结构构造与工作行为变异性描述和考虑结构边界变异的结构工作行为变异性描述。前者可通过细胞自动机模型传递系数取值的变化来实现；同时尝试建立关于相似度-传递系数曲线包络线回归方程系数的支持向量机模型，使得通过基础板的破坏模式以及基础模型及新模型的构造条件预测出相似度包络线方程，使预测结构变异性趋势成为可能。同时提出了考虑结构边界变异的结构工作行为变异性描述可通过细胞自动机模型边界条件初始值的变化来反映；
(6) 研究建立基于墙板破坏模式预测其相应破坏荷载的神经网络模型。将破坏模式的广义墙板矩阵作为输入，从而得到BP、RBF和RA神经网络模型，使得“建筑结构人工智能实验分析环境”具有预测破坏荷载的功能。同时，由细胞自动机模型预测的破坏模式被用作输入，探索这三种神经网络模型精度与破坏模式与试验墙板破坏模式相似度之间的关系；
(7) 最后，通过一系列例子与试验数据的对比，检验本文建立起的“建筑结构人工智能实验分析环境”的预测效果。

第 3 章 结构工作行为与结构构造状态数值模式 ............28
3.1 引言 ...................................................... 28
3.2 结构工作行为数值模式......................................... 28
3.2.1 结构工作行为数值模式 .......................................... 28
3.2.2 广义墙板矩阵及相似度 .......................................... 29
3.3 结构构造状态数值模式.......................................... 35
第 4 章 类似区域与结构工作行为匹配准则 ........................44
4.1 引言 ............................................................. 44
4.2 类似区域匹配准则 1 ................................... 44
4.3 类似区域匹配准则 2 ......................................... 51
第 5 章 建筑结构人工智能实验分析环境的变异性预测功能..................66
5.1 引言 .......................................................... 66
5.2 建筑结构人工智能实验分析环境的变异性预测功能介绍 ....... 66
5.3 不考虑结构边界变异的结构构造与工作行为变异性描述 ............ 67

结 论
提出建立结构构造数值模式的两种方法：一是适用于四边约束砌体墙板的细胞自动机模型(CA)；二是基于有限元分析(FEA)的无量纲化法。基于有限元分析的无量纲化数值模式分析方法的提出再次强调了“建筑结构人工智能实验分析环境”是一个能够兼容智能技术和传统技术优点的开放式分析系统，提升了“建筑结构人工智能实验分析环境”中结构构造数值模式的物理意义；提出了三种加权的类似区域匹配准则，并对这三种匹配准则在“建筑结构人工智能实验分析环境”中的应用效果进行比较，明确了不同构造条件下的最优匹配准则，这一方法使得应用细胞自动机模型预测破坏模式的精度至少提高了 10%。同时，对加权匹配准则的研究也表明，中心区域和邻居区域对类似区域的匹配随构造条件发生变化，而与匹配准则的形式无关； 实现了应用细胞自动机实现对结构性质变异现象的模拟。数值模拟分析发现了：一是细胞自动机模型中整体性质的变异可通过应用细胞自动机模型通过传递系数值的变化来反映，二是结构性质变异可通过细胞自动机模型边界条件初始值的变化来反映。本文结构模型变异现象的模拟实现了、基础试验模型和新模型间工作行为表达“一对多”的关系。更重要的是：这个发现是体现“建筑结构人工智能实验分析环境”意义的一个要点。同时，这个发现揭示了结构变异性的一个特征：恰当的建模方法能够提炼/反映出结构（至少在本文所研究的结构）中真实随机现象中确定性的内容； 建立了关于相似度-传递系数曲线包络线回归方程系数的支持向量机(SVM)模型，使得通过基础板的破坏模式以及基础模型及新模型的构造条件预测出相似度包络线方程成为可能，从而得到细胞自动机模型中传递系数的合理取值区间。这一支持向量机模型的建立证明了，通过适当的建模方法可以预测结构可能出现的破坏模式及其发展趋势。
 
参考文献
[1] 虎旭林，魏星，任克亮. 岩质边坡可靠性的神经网络估计[J]. 宁夏大学学报（自然科学版）, 2001, 22(3): 290-292.
[2] 沈成武，唐小兵，李建文. 神经网络用于刚架结构裂纹识别的反问题[J].武汉交通科技大学学报, 1998, 22(6): 568-570.
[3] 瞿伟廉，陈伟. 多层及高层框架结构地震损伤诊断的神经网络方法[J].地震工程与工程振动, 2002, 22(1): 43-48.
[4] Li J C, Dackermann U, Xu Y L, et al. Damage Identification in CivilEngineering Structures Utilizing PCA-Compressed Residual FrequencyResponse Functions and Neural Network Ensembles[J]. Structural Control andHealth Monitoring, 2011, 18(2): 207～226.
[5] Pelechano N, Malkawi A. Evacuation Si http://www.dxlws.com/ssbylwzmx/ mulation Models: Challenges inModeling High Rise Building Evacuation with Cellular AutomataApproaches[J]. Automation in Construction, 2008, 17(4): 377～385.
[6] Lee S, Davidson R, Ohnishi N. Fire Following Earthquake-Reviewing theState-of-the-Art of Modeling[J]. Earthquake spectra, 2008, 24(4): 933～967.
[7] Sepúlveda M, Moreno R, Pizarro G E. Distributed Simulation with CellularAutomata Usingthe Multispin Coding Technique[J]. Journal of Computing inCivil Engineering, 2008, 22(1): 50-57.
[8] 周满贵，潘国荣. 建筑物变形短期预测的神经网络方法 [J]. 测绘工程,1999, 8(4): 63-66.
[9] 李艳艳，戎贤，乔金丽，等. 基于神经网络的混凝土梁斜裂缝宽度预测[J].河北工业大学学报, 2009, 38(4): 91-94.
[10] 王长琼，孙国正. 缺陷构件承载能力预测的神经网络方法[J]. 水利电力机械, 1998, 3(2): 27-29.