基于主动学习的空中造楼机结构可靠性分析方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116011071A(43)申请公布日2023.04.25(21)申请号202211698751.6G06F111/08(2020.01)(22)申请日2022.12.28G06F119/02(2020.01)G06F119/14(2020.01)(71)申请人华中科技大学地址430000湖北省武汉市洪山区珞喻路1037号(72)发明人张立茂王迦淇吴贤国李永胜黄锦庭王堃宇邬毛志刘琼林鹏辉郭靖(74)专利代理机构武汉知伯乐知识产权代理有限公司42282专利代理师李金龙(51)Int.Cl.G06F30/13(2020.01)G06F30/23(2020.01)G06F30/27(2020.01)权利要求书2页说明书11页附图7页(54)发明名称基于主动学习的空中造楼机结构可靠性分析方法及系统(57)摘要本发明公开了一种基于主动学习的空中造楼机结构可靠性分析方法及系统，包括：建立随机脉动风场，模拟高层建筑脉动风荷载，并建立样本池；建立空中造楼机的有限元模型，并赋予材料属性；根据样本池和有限元模型，并基于改进QBDC主动学习训练AI代理模型；使用训练完成的AI代理模型对样本池中的所有样本进行时程响应的预测，根据预测结果和PDEM算法，确定结构动力可靠度。针对传统可靠度分析方法适用面窄、工作量大、计算耗时等问题，结合人工智能算法、有限元技术(FEM)以及概率密度演化方法(PDEM)，实现随机激励‑结构响应AI代理模型的快速构建过程，从而克服现有方法在结构可靠度评估当中的不足。CN116011071ACN116011071A权利要求书1/2页1.一种基于主动学习的空中造楼机结构可靠性分析方法，其特征在于，包括：建立随机脉动风场，模拟高层建筑脉动风荷载，并建立样本池；建立空中造楼机的有限元模型，并赋予材料属性；根据样本池和有限元模型，并基于改进QBDC主动学习训练AI代理模型；使用训练完成的AI代理模型对样本池中的所有样本进行时程响应的预测，根据预测结果和PDEM算法，确定结构动力可靠度。2.根据权利要求1所述的一种基于主动学习的空中造楼机结构可靠性分析方法，其特征在于，所述建立随机脉动风场，模拟高层建筑脉动风荷载，并建立样本池，包括：使用谱表示方法建立高层建筑水平向脉动风速时程；利用基于正交随机函数的维度缩减方法将用于脉动风荷载模拟的随机变量个数减少至2个；采用数论选点方法根据随机变量取值范围，从二维概率空间中选出样本点集作为样本池。3.根据权利要求1所述的一种基于主动学习的空中造楼机结构可靠性分析方法，其特征在于，所述建立空中造楼机的有限元模型，并赋予材料属性，包括：针对空中造楼机主体结构进行有限元建模，采用梁单元和壳单元进行模拟；根据空中造楼机结构材料数据赋予各部位的梁单元和壳单元的截面属性。4.根据权利要求1所述的一种基于主动学习的空中造楼机结构可靠性分析方法，其特征在于，所述根据样本池和有限元模型，并基于改进QBDC主动学习训练AI代理模型，包括：对样本池进行KMeans聚类，选出最接近聚类中心的k个样本，通过有限元模型计算后的输入输出数据集作为AI代理模型的初始训练集进行深度学习模型训练；利用训练完毕后的AI代理模型对代表样本集中未标记的样本进行逐一预测，选择分歧度指标最大的样本点加入到用于AI代理模型训练的数据集；重复训练过程直至所有样本被选择完毕或拟合度满足要求。5.根据权利要求4所述的一种基于主动学习的空中造楼机结构可靠性分析方法，其特征在于，所述通过有限元模型计算后的输入输出数据集作为AI代理模型的初始训练集进行模型训练，包括：采用隐式运动学方法通过有限元模型计算训练集样本的真实结构响应，输入为样本点对应的空间脉动风荷载，输出是样本点对应的结构特定位置的时变响应曲线，将经有限元模型计算后输入输出数据集作为训练集，进行深度学习模型训练。6.根据权利要求4所述的一种基于主动学习的空中造楼机结构可靠性分析方法，其特征在于，所述分歧度指标为：其中，i为样本池中的第i个样本，nsel为总体样本池中的样本数量，ynt表示第n个委员在t时间的预测值，表示所有委员在t时间的预测平均值，N表示委员的数量，T是响应曲线总2CN116011071A权利要求书2/2页时间，Δt表示时间间隔。7.根据权利要求1所述的一种基于主动学习的空中造楼机结构可靠性分析方法，其特征在于，所述根据预测结果和PDEM算法，确定结构动力可靠度，包括：将预测结果代入至广义概率密度演化方程，并通过TVD格式的有限差分法进行求解，得到结构响应概率密度函数，其中，所述预测结果为时变响应曲线；根据结构响应概率密度函数得到结构响应的累积密度函数，根据结构响应的累积密度函数得到结构动力可靠度。8.一种基于主动学习