前言：本站為你精心整理了建筑結構非線性行為預測淺析范文，希望能為你的創作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

【摘要】人們對建筑結構非線性理論的研究越來越深入，然而由于非線性行為的復雜性與不確定性特點，導致其研究的難度也在不斷加大。文章對于一個復雜的非線性系統，擬建一種基于機器學習的建筑結構非線性行為預測方法，并對此展開了深入地探討與分析。

【關鍵詞】機器學習；建筑結構；非線性行為；預測方法

1引言

近年來，隨著計算機技術的飛速發展，在建筑結構非線性行為的識別方面，已經有了很多的研究成果并且取得了不錯的成果和進展。但目前的方法大多是針對單個個體研究并提出模型或者算法，對復雜的非線性系統，沒有一種有效的辨識方法能夠同時滿足所有條件，所以本課題擬建立一種基于機器學習的建筑結構非線性行為識別方法。

2基于機器學習的建筑結構非線性行為識別方法

在進行結構動力學的研究中，通常會用到諸如神經網絡、貝葉斯分類算法等一些基本的方法和模型。其中，貝葉斯方法是一種比較常用的預測方法，它可以將復雜的對象通過建立數學方程，再經過一系列計算求出結果。因其準確率高，易于理解，所以被廣泛應用于分析橋梁的受力情況。但對于實際的結構而言，其受力的狀態可能不是很理想，因此在使用這種方法時，需要對其各種參數進行人工優化，從而提高工作效率。目前，貝葉斯法則是用來解決非線性問題的重要工具之一。神經網絡是以生物大腦神經元為中心的知識體系，是一種以信息處理系統為核心的智能神經系統。它具有能學習、自適應和自組織的特性等特點，因此在人工智能領域有著廣泛的應用前景[1]。目前，基于機器學習的結構非線性行為識別方法主要有兩種：第一種是從模仿輸入的方式進行分類，這種方法的理論基礎在于神經元從不同角度感知外界的刺激，并將其轉換成相應的形式；第二種則是通過模擬輸出的方式對其進行識別。

3機器學習方法介紹

1）人工神經網絡的設計和應用利用計算機的非線性映射技術，通過對輸入樣本的自適應訓練，實現非線性模型的自適應變化。2）基于統計學習的算法和貝葉斯估計方法的組合權重法該方法是一種基于概率知識的隨機模擬過程，其目的在于揭示出隱藏在數據中的潛在規律，從而達到預測的作用；而貝葉斯法則是根據人腦的信息處理能力，結合專家系統進行推理，尋找出具有特定隱含關系的對象或函數。3）混合學習的使用與研究首先，將現有的機器學習理論與新的人工智能、模式識別等前沿科技成果相結合，再將兩者的優點融合，運用到自己的程序編寫中。這種方法的特點就是靈活性強，可以很好地解決傳統的分類問題。其次，先對已有規則的特征屬性重新構造，然后再考慮新的規則參數，最后采用適當的決策樹生成初始的規則類。

4基于機器學習的建筑結構非線性行為預測方法

4.1性能評估

1）模型的準確性對于一個結構復雜的非線性行為，首先要對其建模，然后再對其進行分析評價，這就需要建立比較完善的數學工具，并給出相應的算法。2）計算的精確度在對非線性行為的模擬過程中，要保證所選的非線性量的大小與輸入的數據是一致的。3）可驗證性可以根據實際的實驗結果判斷所設計的程序是否滿足要求，如果該程序不能正確運行，則會導致整個系統出現錯誤，甚至可能造成無法挽回的損失。因此，必須考慮各種因素的影響，以及其他相關指標，以確保最終預測方法的有效性和可靠性[2]。而在這里考察的是該方法的可行性和精確性，所以還應包括該方法的成本、效率等。

4.2基于機器學習的建筑結構非線性行為預測模型的構建

由于神經網絡在預測過程中的獨特優勢，其強大的自適應能力和自學習的特性使它在實際的非線性狀態下，也能夠取得比較理想的效果。基于機器學習的建筑結構非線性行為預測模型的構建，主要分為：①輸入層，人工神經元的數量、類型及處理速度等都會影響到輸出的準確性；②樣本挖掘，對數據的預處理工作，如噪聲的去除、信號的濾波等；③模型的訓練，對模型的參數估計，包括邊界條件的確定和權重的設計；④算法的選擇，不同的方法所需要的計算量不一樣，但都要有合理的范圍來選取合適的方法進行分析。在研究過程中，可以從特征提取的角度出發，針對三種常用的識別方法，加上統計學習法，結合多種辨識策略的優缺點，選用了其中一種用來檢測模糊聚類的最適合的方法-KNN算法。

4.3結構非線性行為預測

結構非線性行為預測是指利用結構參數的變化特征，通過某種特定的方式對非線性系統進行建模，并根據模型的預測結果對其狀態或性能做出判斷，從而實現控制的一種技術。隨著計算機的發展和應用，結構非線性行為預測也有了新的方法：統計模式識別、聚類分析、支持向量機等新的神經網絡算法[3]。聚類是指把一群相似的個體組成一個組，組內的每個成員都可以按照一定的規則排列，形成群體的數據集。這種分類方法的優點在于每一類的樣本數量少，便于訓練集的輸入與輸出。但是由于其采用的樣本點的位置不同，導致無法將所有樣本采集到的數據集中到一組中，所以該方法只能用于少數的樣本線性問題。而人工神經元理論則能在處理類似人類大腦復雜計算的時候提供簡單的運算工具。

5結構非線性行為預測系統的設計與實現

結構非線性行為預測是根據結構的實際使用情況，通過模型的建立和試驗驗證，對結構進行狀態估計，以確定其未來的發展趨勢，從而使其達到最佳的工作性能。研究基于神經網絡的結構參數識別算法的設計與實現，首先需要根據線性回歸預測的基本原理，進行數據的選擇、樣本的分類、訓練集的選取等；然后給出利用人工神經元的自適應學習方法，對非線性項系數進行預判步驟；最后將該方法應用到不同的復雜系統，并與傳統的BP優化技術相結合，最終得到一個最優的結果指導結構的正常運行。

5.1系統功能模塊

5.1.1輸入數據的預處理。根據本課題所建立的模型，以及所得到的相關參數，對其進行了特征提取和標準化，并將其與標準中的要求相比較，從而確定了最終的輸出結果。5.1.2辨識輸入變量。在神經網絡的訓練過程中，首先對樣本集的類型和數量進行預判，然后利用BP算法對BP問題的權值進行修正，最后將其應用到實際的非線性狀態量當中。通過這樣的方式實現對非線性行為的識別、估計。具體流程如下：①在初始化時就把待識別的對象定義為一個新的輸入量，設置好之后，再去計算這個新的輸入量；②每次的運算都需要重新設定；③當使用人工時，只需知道它的誤差項，就可以去執行，同時也要保證它的精度，當我們的任務完成時，也就是被認為是一件事情已經做完，或者說這件事還沒有開始之前，那么這段時間內，所有信息都被記錄并保存起來（見圖1）。

5.2結構非線性行為數據庫

一個優秀的非線性行為預測系統，需要有大量的數據支持，而在這些數據中，有價值的往往是無用的信息或者是錯誤的信號序列，這就要求模型庫的建立要充分考慮到所研究的對象所處的狀態以及所研究的問題之間的關聯性[4]。在課題中，使用基于結構化的FPEG的算法對結構化的非線性行為進行建模，并將其應用于具體的實例中，從而得到結構化的神經網絡的參數值。該方法的主要優點在于能夠根據原始的結構特征與外界環境的變化不斷調整學習過程，可以有效提高學習效率。該方法的缺點也很明顯，例如如果初始值不十分精確，會導致最終的結果出現誤差。但是如果輸入的數值足夠小，則會大大的減小這個不足，并且該方法不適合用于人工模式識別。為了解決此缺陷，本課題采用了基于決策樹和灰色聚類的BP神經網相結合的方式，對結構化的非線性行為預測模型進行進一步改進。

5.3實驗設計

為了驗證模型的準確性和快速性，在進行了大量的理論實驗之后，本課題對所需要的數據集做了一系列的處理：①人工神經網絡的BP算法預訓練；②基于圖像識別的BP算法的參數估計；③基于輸入層的BP算法的誤差分析。在預實驗中，我們使用的主要方法是將圖片分割成不同大小的圖塊，然后再分別提取出每個圖塊的特征點，最后用加權求和得到最終的目標函數。而對于這個過程，則是通過計算各個閾值的權重來完成的。首先，利用權值的最大值來確定閾值的取值，其次是根據實際情況，設定閾值的下限和上限，并將此條件作為輸出到下一個節點的判斷依據。當結果大于預先設置的臨界點時，則會自動撤銷該節點，重新選擇該節點，如此循環往復。當所有的樣本都達到這種狀態后，就可以開始執行下一步，即對整個序列的每一步逐次比較，從而獲得每一次的優劣。

6結語

本文主要介紹了建筑結構非線性時域算法的基本原理，并重點討論了其訓練集的方式方法及在不同環境下的性能優勢。利用人工神經元的特性建立分類器，通過模擬輸入信息的特征實現預測的目的；而傳統的BP方法則需要大量的處理單元，計算量大，且精度較低。為了解決這些難題，本文提出一種新的BP多層前饋的思想，用來改進現有的BP神經網絡，即自上向下的三層結構。

參考文獻

[1]薛樹美，于軍琪，董振平.基于機器學習方法的建筑結構耐久性研究[J].建筑工程技術與設計，2018(9):3534.

[2]李國珍.結構非線性設計與建筑創新[J].建材發展導向(上)，2018，16(4):50-51.

[3]畢繼紅，關健，王劍，等.鋼筋混凝土結構非線性行為的優化計算方法及應用[J].工程力學，2015(S1):277-283.

[4]熊殿華，文常保.建筑可靠性的非線性粗糙多變量不確定分析[J].控制工程，2017，24(7):1481-1485.

作者:楊雨苔 黎志強 杜林 張帆 單位:肇慶開放大學