论文标题： Physics-Informed Deep Learning-Based Real-Time Structural Response Prediction Method

期刊：Engineering

作者：周颖, 孟诗乔, 娄域杰, 孔庆钊

发表时间： April 2024

DOI：https://doi.org/10.1016/j.eng.2023.08.011

微信链接：点击此处阅读微信文章

近年来，全世界自然灾害频发。建筑结构作为人类的生活场所和抵御自然灾害屏障，其结构健康状况与灾后损伤情况的高效精准预测对确保城乡安全具有重要意义。建筑结构响应的高精度实时预测在地震灾后损伤评估、建筑结构健康监测和建筑抗震韧性评价中发挥着至关重要的作用。传统的建筑结构响应预测通常需要进行复杂的非线性有限元计算，计算量巨大、时效性较差，单次计算通常需要数小时或数天时间，因此无法快速获知损伤情况，难以满足建筑安全快速预测与决策需求。

同济大学周颖研究团队在中国工程院院刊Engineering发表了题目为Physics-Informed Deep Learning-Based Real-Time Structural Response Prediction Method（《基于物理信息引导深度学习的建筑响应实时预测方法》）的研究性文章，提出了一种基于深度学习的建筑结构响应实时预测方法，相比于有限元分析，可在保证计算精度的情况下实现超万倍的计算速度。文章建立自回归式迭代预测方法，并基于自注意力机制，提出了Phy-SeisFormer模型，实现了地震作用下建筑结构多节点响应的实时预测。此外，通过建立结构物理信息提取方法，并将结构物理信息内嵌入深度学习模型中，显著提升了结构响应预测精度。

图1 Phy-SeisFormer模型结构图

图2 SeisBlock模块、多头线性自注意力机制、前馈模块的结构图

图3 11层钢筋混凝土结构：(a) 建筑图片；(b) 有限元模型图

文章将所提出的方法在一个11层钢筋混凝土不规则结构和一个21层钢筋混凝土框架结构上进行试验，试验结果表明Phy-SeisFormer模型表现出比有限元计算快13000倍的预测速度，同时保持了极高的预测精度。此外，Phy-SeisFormer模型中各个模块的有效性也通过消融试验得到了验证。文章在灾区损伤快速评估、应急救援以及韧性评估方面具有重大应用前景。

文章提出的基于物理信息引导深度学习的实时建筑响应预测方法具有极快的速度和极高的准确性，但也有一定的局限性。首先是文章将有限元计算结果作为真实响应进行学习，由于建造过程、使用、老化等等原因，建筑的实际性能和有限元模型所表征的设计性能存在差异，用实际的建筑结构响应来训练模型会得到更准确的结果。其次，文章提出的方法尚不具备建筑之间的迁移能力，难以应对建筑群响应预测任务。在文章所提出方法的基础上，进一步优化数据质量和提高模型的迁移能力，是迈入韧性安全城市评价实际应用的重要步骤。

作者介绍

周颖，同济大学教授，国家基金委杰出青年科学基金获得者，现任同济大学土木工程学院院长、土木工程防灾减灾全国重点实验室常务副主任，主要从事高层防震韧性建筑与智能防灾研究。荣获日内瓦国际发明展金奖、世界地震工程大会优秀论文奖等国际奖项，获中国青年科技奖特别奖、新基石基金会科学探索奖。

文章信息：

Physics-Informed Deep Learning-Based Real-Time Structural Response Prediction Method

作者：

Ying Zhou, Shiqiao Meng, Yujie Lou, Qingzhao Kong

论文链接：

https://doi.org/10.1016/j.eng.2023.08.011

开放获取全文

https://doi.org/10.1016/j.eng.2023.08.011

推荐阅读

湖南大学综述：住宅建筑需求侧柔性——定义、柔性负荷及量化方法

清华大学：建筑环境智能监测与反馈系统——发展与应用

祝贺！Engineering多位作者和团队荣获国家工程师奖

Engineering继续入选2023年科技期刊世界影响力指数报告Q1区

Engineering 2023年度最美封面评选结果揭晓！