[发明专利]基于深度机器学习的建筑地震损伤和剩余能力评价方法

权利要求书

1.一种基于深度机器学习的建筑地震损伤和剩余能力评价方法，其特征在于，主要步骤如下：

1)将RC构件震损照片作为输入，应用RC构件可视损伤识别模型自动识别震损构件的各类典型可视地震损伤，主要包括裂缝、混凝土剥落和压碎、钢筋露出、屈曲或断裂，形成可视震损识别结果；

所述的RC构件可视损伤识别模型采用U-Net图像语义分割神经网络架构，主要包括图像编码器、图像解码器和跳跃连接三个组件；

所述RC构件可视损伤识别模型为深度学习模型，其优化过程是基于数据来优化模型参数，所述优化过程以过往RC试件的往复加载试验照片作为基础数据，具体步骤如下：

1.1)收集筛选建筑结构常用RC构件试验加载照片，所述RC构件包括剪力墙、梁-墙节点、框架梁柱，统一制定各类典型可视震损的标识准则，组织结构工程专业人员标注图中各类可视损伤，形成RC构件可视损伤语义分割数据库；

1.2)通过数据扩增，由数据库图像随机采样生成具有统一图像尺寸的训练样本，用于神经网络模型优化；所述数据扩增包括图像旋转、平移、镜像、缩放以及色彩调整；

在步骤1.2)训练样本生成过程采用样本平衡和背景增强技术，改善图像数据库数据不平衡问题，提高模型优化效果，具体步骤如下：

1.2.1)针对随机采样生成的图像样本，检查该样本是否包含损伤区域，若包含则采纳该样本，否则抛弃该样本；依上述方式生成图像样本、构造损伤样本数据集，保证训练数据覆盖各类可视震损的典型表现；

1.2.2)将随机采样生成的图像样本直接采纳，形成背景增强样本数据集，保证训练数据包括丰富的复杂背景和遮挡；

1.2.3)在模型训练过程中，从损伤样本数据集和背景增强样本数据集中分层抽样、构造样本批次，并采用任意的随机梯度下降算法优化神经网络模型；

其中，采用如公式(1)所示的损伤类别加权形式的损失函数优化神经网络模型，以缓解各损伤类别像素占比不平衡问题；

其中，α_yi表示损伤类别权重，取值为训练样本中损伤类别y_i的损伤像素占比的倒数；n_b为一个样本批次的像素总数；p_i表示模型对第i个像素的预测输出；y_i表示第i个像素人工标注的损伤类别；l(p_i,y_i)代表模型对第i个像素的预测损失；

2)RC构件力学性能退化评价模型基于构件的可视震损识别结果，预测RC构件力学性能退化指标，所述RC构件力学性能退化指标包括刚度折减系数和承载力折减系数；

所述的RC构件力学性能退化评价模型采用深度卷积神经网络，以震损RC构件可视损伤识别结果为输入，预测RC构件力学性能退化指标；

3)依据各震损RC构件的力学性能退化指标，调整构件力学模型参数，所述构件力学模型参数包括RC构件刚度和承载力，更新原建筑的有限元模型，得到震损建筑有限元模型；

4)采用静力弹塑性分析方法评价震损建筑的剩余抗震能力：基于各震损RC构件的力学性能退化指标，修正建筑结构数值模型，形成震损建筑有限元分析模型，并通过静力弹塑性分析，对比无损建筑和震损建筑的能力谱曲线，评估震损建筑剩余抗震能力。

2.根据权利要求1所述的一种基于深度机器学习的建筑地震损伤和剩余能力评价方法，其特征在于，步骤1)中所述的图像编码器采用ResNet-50神经网络架构，负责编码输入图像的多层次语义特征；所述图像解码器基于图像编码器和跳跃连接传递图像多层次语义特征，预测输入图像中各像素的损伤类别，实现RC构件的可视损伤识别。