基于BO-SVM算法的钢板混凝土墙高速冲击损伤模式预测模型

钢板混凝土墙(SC墙)在冲击作用下的局部损伤估计是在结构设计初始阶段需要重点考虑的任务之一。在面临导弹冲击荷载时,工程中常采用经验公式去判断其是否造成贯穿,但这些公式大多基于经验得来,其计算结果往往偏于保守。为快速、准确地获得导弹冲击下SC墙的局部损伤模式,利用贝叶斯优化(BO)的支持向量机(SVM)算法和SMOTE算法,将SC墙的局部损伤模式分为侵入、凸起、贯穿3类进行预测,应用Python语言建立基于BO-SVM的SC墙局部损伤预测模型,并与未贝叶斯优化下的SVM(有和没有过采样)模型、KNN模型、RF模型进行对比,研究了提出模型的预测能力。研究结果表明,提出的BO-SVM模型可以很好地预测SC墙的局部损伤模式,且预测速度快,精度高,为SC结构抗冲击设计提供了新的解决方案。

基于机器学习的单钢板混凝土组合板冲击响应预测及优化

单钢板混凝土组合(half steel-concrete composite,HSC)板的抗冲击性能十分出色,可有效抵挡落石冲击。在符合相关规范要求的前提下,可通过设计降低HSC板在落石冲击作用下的变形,以最大限度地保护山区基础设施和人民的安全。为快速、准确地处理HSC板的变形和设计参数之间的复杂非线性关系,基于三种机器学习算法分别建立冲击作用下HSC板最大变形的预测模型,并通过有限元结果对模型进行验证;在此基础上,以落石冲击下HSC板的最大变形、自质量和造价为优化目标,采用遗传算法对某山区建筑中某HSC屋面板进行优化设计,求解HSC屋面板的厚度、连接件尺寸等设计参数的最优解集。研究结果表明,高斯过程回归(Gaussian process regression,GPR)模型对HSC屋面板变形的预测精度最高,可代替复杂耗时的有限元计算,有效提高目标方程的计算效率,且最终的优化结果给出了多种优化方案,可有效降低HSC屋面板变形,为工程设计提供参考。

集中荷载作用下四边简支双钢板混凝土组合板的力学性能研究

根据5组33片四边简支双钢板混凝土组合板的试验结果,将组合板的变形模式归纳为弯曲变形模式和冲切变形模式,推导其抗力和刚度的理论计算式,提出能够描述组合板受力全过程的抗力函数模型,并通过现有试验和数值模拟结果验证模型的准确性。基于该模型研究含钢率、材料强度、连接件布置等参数对组合板变形模式和耗能能力的影响,结果表明:含钢率和钢板强度对SC板的极限承载力和耗能能力影响较大,而混凝土强度的影响很小;为了充分利用钢板的力学性能,应合理限制含钢率和钢板强度,或加强连接件布置保证组合作用;不同的设计参数可能导致不同的变形模式和破坏顺序,设计中应针对具体的需求对设计参数加以优化。