技术周刊 | AI智能箍筋设计模型在实际工程中的应用

nplaiyanfang 2023-10-11 发布于福建

展开全文

上期介绍了钢筋混凝土柱箍筋设计机器学习模型的建模方法（肖从真工作室《如何采用机器学习方法提升数据拟合精度?(二)》），测试集上的性能评估表明，机器学习模型性能远优于经验模型，显示出更高的精度和更小的离散性。可是，机器学习模型是个“黑盒子”，不能显式地写出公式，该怎么应用到生产实践中去呢？别着急，我们可以将训练好的箍筋设计机器学习模型转换为C代码，集成到SAUSG软件中。

机器学习模型部署

箍筋设计机器学习模型采用Scikit-learn机器学习Python库开发，Scikit-learn包中的pickle模块实现了一个基础但强大的算法，用于序列化和反序列化Python对象结构。这种方法虽然操作简单，但兼容性差。Pickle格式只能在python中使用，如果生产环境采用其他编程语言，就不能直接调用。

为了将训练好的机器学习模型集成到与机器学习建模语言不兼容的抗震设计软件中，我们使用m2cgen（model 2 code generator）工具将训练好的机器学习模型转换成C代码。m2cgen是一个轻量级的库，它提供了一种将训练好的机器学习模型转换为Python、C、Java等代码的简单方法。训练好的机器学习模型可以通过源代码或API（应用编程接口）方式很容易地集成到抗震设计软件中。本文将训练好的XGBoost模型转化为C代码（如图1所示，一个函数，一万多行代码，存储在GitHub开源数据库中https://github.com/qiaobaojuan/ML-model-for-RC-columns.git，可供开放下载使用，小伙伴们如感兴趣，可以非常方便地将机器学习模型集成到自己编写的设计软件中哦）集成到非线性仿真SAUSG软件中，以预测钢筋混凝土柱的需求配箍率，如图2所示。

图1 训练好的模型转换的C代码

图2 机器学习模型部署

在进行钢筋混凝土柱箍筋设计时，需要先进行预期强度地震作用下结构非线性动力时程分析得到构件变形；再根据构件变形计算构件位移角需求，可根据构件性能目标对构件位移角需求进行放大；最后将构件位移角需求和混凝土抗压强度、轴压比、毛截面面积与核心面积比、箍筋屈服强度、剪跨比、截面形状和纵筋配筋率共8个特征输入到部署在SAUSG软件上的机器学习模型中，预测各个钢筋混凝土柱所需的配箍率。

机器学习模型实际工程应用案例

机器学习模型部署好了，相信小伙伴们已经迫不及待要试试机器学习模型效果了吧，那上工程实例吧！

某钢筋混凝土框架结构如图3所示，建筑平面为L形。较高部分10层，高度为36.3m；较低部分3层，高度为12.3m。抗震设防烈度为7度，场地类别为Ⅱ类，场地分组为第二组，场地特征周期为0.4s。

图3 某钢筋混凝土结构

箍筋设计

分别采用规范箍筋设计方法（简称“规范方法”）和本文箍筋设计方法（简称“本文方法”）进行箍筋设计。规范箍筋设计方法采用PKPM软件进行构件小震下承载力及构造设计，设防烈度为7度，框架抗震等级为二级。本文箍筋设计方法的流程为：

（1）采用PKPM软件进行小震弹性分析计算构件正截面和斜截面承载力需求，并进行纵筋和箍筋设计。

（2）采用SAUSG软件进行大震下非线性动力时程分析，采用考虑箍筋约束效应的钱稼茹本构模型。提取时程分析构件最大位移角作为构件位移角需求，截面高度方向和宽度方向的极限位移角需求分别统计；为了将关键构件损坏等级控制在中度损坏及以下，将框架柱位移角需求乘以1.5倍放大系数。

（3）将构件位移角需求和混凝土抗压强度、轴压比、毛截面面积与核心面积比、箍筋屈服强度、剪跨比、截面形状和纵筋配筋率共8个参数输入到部署在SAUSG软件上的机器学习模型中，以预测各钢筋混凝土柱所需的配箍率。

（5）将延性需求的配箍量与斜截面承载力需求配箍量取包络，作为构件最终配箍量。

（6）更新构件配箍，重新进行非线性动力时程分析计算构件位移角需求，并计算配箍量，判断构件本次配箍量与前次配箍量差值是否小于容差，小于容差则延性设计结束；大于容差则更新构件配箍，重新进行延性设计，直至两次配箍差值小于容差。

统计规范方法与本文方法的柱配箍面积，计算配箍面积的差值（本文方法配箍面积减去规范方法配箍面积的差值，单位为cm²/100mm，即每100mm长度的配箍面积），绘制柱配箍量差值散点图如图4所示，可见，大部分柱配箍量由延性构造控制，有些柱配箍量减少，有些柱配箍量增加。

图4 柱配箍变化

按照地震动主方向反应谱在前三周期点与规范反应谱接近的原则，选取1组人工模拟加速度时程曲线和29组实际强震记录进行非线性动力时程分析。选取1条人工模拟地震动，是因为人工模拟地震动反应谱与规范反应谱接近，分析得到的构件损伤状态具有代表性，可作为讨论构件损伤状态的示例工况。考虑双向地震作用，设X向为主方向，主方向峰值加速度为220 cm/s²，主方向峰值加速度与次方向峰值加速度比值为1:0.85。

构件性能评价

以人工模拟地震动为例，查看规范箍筋设计方法和本文箍筋设计方法构件性能水平如图5所示，统计梁、柱各性能水平构件数量如表1示。规范方法有18根柱出现了重度损坏，而本文方法仅有3根柱为重度损坏，构件性能明显改善。

（a）规范箍筋设计方法

（b）本文箍筋设计方法

图5 本文方法和规范方法构件性能对比

表1 本文方法和规范方法构件性能对比

一般来说，如果规范给出的构造配箍不足，钢筋混凝土柱在非线性动力时程分析时损坏会比较严重，构件位移角需求较大（或构件位移角需求较小但轴压比较大），这会导致延性设计时机器学习模型计算的需求配箍量增加，更新配箍后再次进行非线性分析时损坏减轻。反之，如果规范给出的构造配箍富余较多，在非线性动力时程分析时损坏会比较轻，构件位移角需求也较小，这会导致延性设计时机器学习模型计算的需求配箍量减少，更新配箍后再次进行非线性分析时损坏加重，但仍满足规范要求。

韧性评价

根据规范箍筋设计方法和本文箍筋设计方法30组地震动作用下结构构件损伤状态，按《建筑抗震韧性评价标准》（GB /T 38591-2020）统计结构构件修复费用及修复时间，如图6所示。由于人员伤亡率较低，暂不统计。可见：在30组地震动作用下，本文方法修复费用、修复时间均比规范方法小；且修复费用、修复时间越大，本文方法相对于规范方法修复费用、修复时间降低就越多，这说明结构破坏程度越重，越能显示出本文箍筋设计方法的优越性。

图6 30组地震动韧性评价指标

提取结构构件损伤状态组装原始样本矩阵，矩阵每行表示一次时程分析的结果，每列表示一个构件的损伤状态，矩阵的规模是30×2902。采用FEMA P-58方法对原始样本矩阵进行扩充，产生1000个模拟样本。按《建筑抗震韧性评价标准》（GB /T 38591-2020）统计1000个模拟样本的结构构件的修复费用、修复时间及人员伤亡指标。

绘制规范箍筋设计方法和本文箍筋设计方法结构构件1000个模拟样本的修复费用、修复时间散点图，将修复费用、修复时间区间划分为30组，统计落在各组的频数，绘制概率密度图并用对数正态分布曲线拟合，如图7和图8所示。