目的:证明超参数优化对深度能量方法(DEM)精度的影响以及DEM在预测不同荷载作用下梁和板等结构的应力分布方面的能力.
创新点:1. 为了提高DEM的准确性,各种超参数组合被输入遗传算法(GA)并找到最佳组合.2. 为了防止重复计算以及提高这种元启发式算法的效率,GA过程中还考虑了超参数组合的禁忌列表.
方法:1. 实施非均匀有理样条(NURBS)以生成穿过结构体和边界的积分点.2. 采用DEM计算位移和应力分布.3. 利用遗传算法优化DEM的超参数,以对模型在预测结构内应力和位移传播的准确性方面具有显着影响.
结论:1. 在不同的优化器和激活函数中,Adam和L-BFGS-B方法以及ReLU²函数的组合使得DEM模型的准确率最高.2. 其他对模型预测准确性有影响的超参数包括隐藏层的数量、每层神经元的数量以及通过上述结构集成的点数.3. 优化DEM的超参数可以使相对应变能误差降低近50%,提高了DEM模型对应力和位移分布的预测能力.

关键词组：机器学习;神经网络;超参数;遗传算法

目的:针对采用纤维增强复合材料加固的钢筋混凝土结构,本文旨在运用机器学习方法取代目前广泛使用的半经验-半分析理论公式,以准确预测该类加固结构中表层嵌贴纤维增强复合材料(CFRP)板条与混凝土界面的粘结强度.
创新点:1. 建立反向传播人工神经网络(BPNN)预测表层嵌贴CFRP板与混凝土界面的粘结强度.2. 采用基于Garson算法和连接权重算法的神经解释图(NID)定量分析神经网络中各个输入变量的重要性.
方法:1. 从作者课题组完成的实验和已发表的文献中收集共163组表层嵌贴CFRP-混凝土单剪实验结果,并形成数据集.2. 运用建立的数据集训练和测试BPNN,构建实验参数与界面粘结强度间的非线性映射关系及预测模型.3. 基于Garson算法和连接权重算法分别计算神经网络输入变量的重要性,并通过NID分析数据集中有重要影响的输入变量和无效输入变量.
结论:1. 建立的BPNN模型得出的预测结果与实验数据吻合良好,预测值与真实值之间的决定系数在整个数据集中的表现为0.957.2. 通过删除数据集中的无效输入变量可提高BPNN的计算效率和准确性.3. 与现有的半经验-半分析理论公式相比,本文建立的BPNN模型可以得出更准确的估计.

关键词组：纤维增强复合材料;粘结强度;机器学习;神经解释图;回归;变量重要性;连接权重算法

目的:评价地震后火灾下所有设计参数对钢筋混凝土连接(RCC)承载能力的影响.
创新点:1. 本文评估了几个参数对RCC行为的影响(在此之前没有相关研究),同时也评估了几个设计参数的影响.2. 通过使用替代模型(比如基因表达式编程(GEP))预测了RCC的承载能力.
方法:1. 使用有限元方法开发132个具有各种设计参数的模型.2. 采用回归模型、GEP和集成模型等替代模型预测多个设计参数对RCC承载能力的影响.
结论:1. 温度从25 °C提高到600 °C和1000 °C,可导致RCC的承载能力分别降低25%和75%以上.2. 提高RCC耐火性的最有效参数是柱的纵向钢筋(RLC).将RLC从1%增加到8%,RCC在不同温度下的承载能力提高了234.8%~492.9%.3. 提高混凝土的抗压强度可略微增加RCC在震后火灾(PEF)下的剩余承载能力;该影响在高温情况下更为明显,因为高温时钢材的力学性能下降迅速.4. 集成模型为预测PEF情况下RCC剩余承载能力的最佳模型.

关键词组：钢筋混凝土连接(RCC);震后火灾;替代模型;承载能力;基因表达式编程(GEP);集成模型

目的:使用模态损伤指数建立一个简单、有效的结构健康监测评估工具,并对钢板进行数值研究,以确认该方法的可行性.
创新点:为使研究可应用于实际结构,本文放弃了目前的大量研究中的刚度折减假设,并在有限元模型中模拟了钢板的切割,以代表实际结构的失效.
方法:1. 一个有名的混合优化算法,即粒子群优化-引力搜索算法(PSOGSA),被用于优化前馈神经网络(FNN)的连接权重和偏差,以增强其训练性能.2. 模型的输入变量为由柔度矩阵变化推导出的两个损伤指数,而输出变量则是损伤严重程度.3. 预测值和目标值之间的均方误差(MSE)是优化过程的适应度函数.
结论:1. 随机的FNN-PSOGSA方法获得了比传统人工神经网络(ANN)更好的损伤量化结果;其在两种破坏场景下目标和估计之间的严重性差异分别为−0.06%和0.89%,而在ANN中为−1.91%和1.01%.2. 所提出的方法可以在损伤指数和相应的严重程度之间建立联系,而如果仅使用损伤指数则无法观察到该联系.3. FNN-PSOGSA方法的准确性和易实施性说明它具有作为真实结构损伤评估工具的潜力.

关键词组：FNN-PSOGSA;模态损伤指数;损伤检测;混合算法PSOGSA

目的:本文旨在提出一种新的基于应力的结构分析公式,以期可以相对轻松地解决材料非线性分析问题并对材料的线性行为及非线性行为直接给出结果.另外,期望该方法可以扩展到三维有限元分析中.
创新点:1. 目前关于材料非线性分析的技术非常冗长、乏味和耗时,而本文提出的公式由于可以看作是积分公式而不是微分公式,所以非常适合解决断裂力学问题;2. 本文提出的公式对问题的求解是通过机器学习的回归模型完成.
方法:1. 应用本文所提出的新方法并在分析过程中消除经典方法的繁琐、冗长、逐步增量以及迭代的过程.2. 在分析过程中不需要使用弹性模量,直接使用由材料的应力-应变曲线导出的应力-应变函数作为材料输入.
结论:本文提出的方法在物理步骤上非常简单、准确和清晰,适合材料非线性和断裂力学问题的求解.

关键词组：计算方法;机器学习;回归分析法;材料非线性分析;有限元分析

概要:本文提出了一种深度能量方法(DEM)来求解功能梯度多孔梁.采用欧拉-伯努利假设,且功能梯度多孔梁在整个厚度范围内具有不同的力学性能.随后开发了DEM,并通过与作者在以前的工作中采用的解析解进行对比证明了其性能.本文所提出的方法完全不需要离散化技术(例如有限元方法),而是通过优化梁的势能来训练神经网络. 一旦神经网络训练好,其求解可在很短的时间内完成.

关键词组：能量法;多层感知器方法;梯度功能多孔材料;Euler-Bernoulli梁理论