基于机器学习的模块间节点受剪性能多目标优化

Read full text Summarise with VIRAT
Authors: 邓恩峰, 李羽辰, 高焌栋, 张哲, 廉俊逸, 伟 李
Cited by: 0

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

模块化钢结构建筑凭借工业化程度高、施工效率快等优势,已成为推动绿色低碳建筑发展的重要方向。模块间连接对模块化建筑的力学性能具有关键影响,然而当前针对模块间连接受剪性能及优化设计方法的研究仍较为缺陷。文中基于课题组前期完成的全装配可吊装节点(fully prefabricated liftable connection, FPLC)受剪性能试验研究,建立了精细化有限元模型并开展了参数分析,从而得到了包含1 000组不同参数的FPLC受剪性能数据库。运用了六种常用机器学习算法对FPLC受剪性能进行评估,结果表明:基于遗传算法优化的神经网络(GANN)对FPLC承载力的预测精度较高,支持向量机(SVR)对于FPLC位移的预测效果更优。将这两种高预测精度的算法进行堆栈并构建代理模型,结合非支配遗传算法(NSGA-Ⅱ)提出了FPLC受剪性能多目标优化方法,并给出了优化后的节点构造形式。通过建立四层模块化钢结构有限元模型,在竖向荷载和风荷载作用下开展静力分析,对比四层模块化钢结构优化前后的受剪性能指标及层间位移响应,验证了该方法的工程适用性。

Fields of Study & Subjects

Structural Load-Bearing Analysis Seismic Performance and Analysis Structural Engineering and Materials Analysis

Publication details

Journal / source
DOAJ (DOAJ: Directory of Open Access Journals)
Publication date
1 March 2026
Language
ZH