(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210589691.8 (22)申请日 2022.05.26 (71)申请人 慧城 （徐州） 智能科技有限公司 地址 221000 江苏省徐州市铜山区珠 江东 路11号徐州高新区办公大楼 949房间 (72)发明人 孙浩　王楠　 (74)专利代理 机构 北京博识智 信专利代理事务 所(普通合伙) 16067 专利代理师 魏文密 (51)Int.Cl. G06F 30/13(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习建筑结构参数识别与地 震响应预测技 术 (57)摘要 本发明公开了一种基于深度学习建筑结构 参数识别与地震响应预测技术， 包括以下步骤： A.采用多层多通道长短期记忆神经网络来构建 加速度激励a和建筑结构加速度响应 之间的隐含 关系， 网络的可训练参数用θ表示， 同时加入残 差连接， 增强模型的学习能力； B.运用纽马克 ‑β 法对网络 预测的加速度积分， 得到不同时刻的速 度和位移响应。 本发明与现有技术相比的优点在 于： 可实现建筑结构参数识别与地震响应预测， 用于对建 筑损伤识别与安全状态评价。 权利要求书1页 说明书4页 附图1页 CN 115168934 A 2022.10.11 CN 115168934 A 1.一种基于深度学习建筑结构参数识别与地震响应预测技术， 其特征在于， 包括以下 步骤： A.采用多层多通道长短期记忆神经网络来构建加速度激励a和建筑结构加速度响应之 间的隐含关系， 网络的可训练参数用 θ表示， 同时加入残差连接， 增强模型的学习能力； B.运用纽马克 ‑β 法对网络预测的加速度积分， 得到不同时刻的速度和位移响应。 2.根据权利要求1所述的一种基于深度学习建筑结构参数识别与地震响应预测技术， 其特征在于， 该技 术的具体步骤为： 输入不同时刻的地震动加速度， 通过多通道长短期记忆神经网络得到不同时刻的结构 加速度响应； 不同时刻的结构加速度响应通过Newmark ‑β 法积分得到不同时刻的结构位移和速度响 应； 不同时刻的结构位移和速度响应分别带入物理损失函数和数据损失函数， 不同时刻的 结构加速度响应带入数据损失函数； 得出损失函数。 3.根据权利要求1所述的一种基于深度学习建筑结构参数识别与地震响应预测技术， 其特征在于： 训练该网络的损失函数包括数据损失和物理损失， 其中， 数据损失函数由预测 和测量的加速度均方差形成， 物理损失函数由剪切动力模型 方程残差型式构成。 4.根据权利要求1所述的一种基于深度学习建筑结构参数识别与地震响应预测技术， 其特征在于： 整个网络的可训练参数包含结构阻尼、 刚度以及多通道长短期记忆神经网络 参数。 5.根据权利要求1所述的一种基于深度学习建筑结构参数识别与地震响应预测技术， 其特征在于： 基于测量数据， 对网络训练过后， 即可识别出 结构的阻尼和刚度参数。 6.根据权利要求2所述的一种基于深度学习建筑结构参数识别与地震响应预测技术， 其特征在于， Newmark ‑β 法积分计算公式为： 7.根据权利要求2所述的一种基于深度学习建筑结构参数识别与地震响应预测技术， 其特征在于， 物理损失函数公式为： 8.根据权利要求2所述的一种基于深度学习建筑结构参数识别与地震响应预测技术， 其特征在于， 数据损失函数公式为： 权　利　要　求　书 1/1 页 2 CN 115168934 A 2一种基于深度学习建筑结构参数识别与地震 响应预测技术 技术领域 [0001]本发明涉及建筑安全领域， 具体是指一种基于深度学习建筑结构参数识别与地震 响应预测技 术。 背景技术 [0002]利用传感技术对建筑进行健康监测， 是评价结构安全状态的重要手段之一。 尤其 在地震等灾害条件下， 如何有效地运用传感器测量数据(例如加速度响应)， 对重要的结构 参数(如阻尼、 层间刚度)进行识别， 是定量化评价结构状态、 损伤诊断的基础。 现有的结构 参数识别方法主要基于数据同化， 对于给定的参数化模型运用优化策略， 进而识别未知参 数。 该方法虽然已被验证有效， 但是在处理大型结构系统时效率较低， 例如当结构自由度达 到几百、 上千、 甚至更多， 方法的计算效率和精度面临挑战。 此外， 如何利用测量数据建立有 效且高效的代理模型， 实现结构地震响应实时预测， 也是关键问题。 [0003]因此， 针对基于深度学习的建筑结构参数识别与地震响应预测技术进行研究， 是 亟需的。 发明内容 [0004]本发明要解决的技术问题是， 针对以上问题提供一种基于深度学习建筑结构参数 识别与地震响应预测技 术。 [0005]为解决上述技术问题， 本发明提供的技术方案为： 一种基于深度学习建筑结构参 数识别与地震响应预测技 术， 包括以下步骤： [0006]A.采用多层多通道长短期记忆神经网络来构建加速度激励a和建筑结构加速度响 应之间的隐含关系， 网络的可训练参数用 θ表示， 同时加入残差连接， 增强模型的学习能力； [0007]B.运用纽马克 ‑β 法对网络预测的加速度积分， 得到不同时刻的速度和位移响应。 [0008]作为改进， 该技 术的具体步骤为： [0009]输入不同时刻的地震动加速度， 通过多通道长短期记忆神经网络得到不同时刻的 结构加速度响应； [0010]不同时刻的结构加速度响应通过Newm ark‑β 法积分得到不同时刻的结构 位移和速 度响应； [0011]不同时刻的结构位移和速度响应分别带入物理损失函数和数据损失函数， 不同时 刻的结构加速度响应带入数据损失函数； [0012]得出损失函数。 [0013]作为改进， 训练该网络的损失函数包括数据损失和物理损失， 其中， 数据损失函数 由预测和测量的加速度均方差形成， 物理损失函数由剪切动力模型 方程残差型式构成。 [0014]作为改进， 整个网络 的可训练参数包含结构阻尼、 刚度以及多通道长短期记忆神 经网络参数。 [0015]作为改进， 基于测量数据， 对网络训练过后， 即可识别出 结构的阻尼和刚度参数。说　明　书 1/4 页 3 CN 115168934 A 3