期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于物理驱动深度学习的结构形状优化设计
被引量：
2
1
作者
唐和生
李度
+1 位作者
廖洋洋
李荣帅
《湖南大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2024年第11期33-42,共10页
结构形状的优化设计本质上是一类泛函极值求解问题.在求解高维度泛函极值问题时,传统的变分法往往面临着求解目标函数类型有限、求解过程呈现振荡行为等问题.利用深度学习模型的高维非线性映射能力,建立了一种基于物理驱动深度学习的泛...
结构形状的优化设计本质上是一类泛函极值求解问题.在求解高维度泛函极值问题时,传统的变分法往往面临着求解目标函数类型有限、求解过程呈现振荡行为等问题.利用深度学习模型的高维非线性映射能力,建立了一种基于物理驱动深度学习的泛函极值求解模型.首先将描述结构形状优化问题的物理信息(控制方程、初始条件和边界条件等)作为正则化项嵌入深度学习模型中,基于性能目标构建损失函数;采用随机梯度下降法完成深度学习模型的训练,进而实现泛函极值的求解和结构形状的优化设计;通过分析最优曲面和最优拱轴线问题验证模型的有效性,并与遗传算法进行对比,结果表明该模型在小样本的目标任务上具有较高的预测精度和效率.作为一种非参数模型化技术,物理驱动深度学习模型对解决数据采集成本高、难度大的工程问题具有重要意义.
展开更多
关键词
物理驱动深度学习
形状优化设计
泛函极值
遗传算法
在线阅读
下载PDF
职称材料
深切V型峡谷物理驱动人工智能波动模拟
2
作者
栾绍凯
陈苏
+3 位作者
丁毅
金立国
王巨科
李小军
《岩土工程学报》
EI
CAS
CSCD
北大核心
2024年第6期1246-1253,共8页
高山峡谷区场地地震效应是地震工程领域研究热点。V形峡谷引起的圆柱形SH波散射和衍射波函数的级数解已较为成熟,并为众多河谷区重大工程提供了合理、科学的地震动输入。采用物理驱动深度学习方法结合与解析结果的对比分析,近一步明确了...
高山峡谷区场地地震效应是地震工程领域研究热点。V形峡谷引起的圆柱形SH波散射和衍射波函数的级数解已较为成熟,并为众多河谷区重大工程提供了合理、科学的地震动输入。采用物理驱动深度学习方法结合与解析结果的对比分析,近一步明确了V型河谷地形地震反应特性及复杂波场空间分布。此方法主要关注稀疏样本及可诠释性人工智能,结合强形式自动微分和软约束边界条件嵌入,建立深度神经网络实现半无限域地震传播模型。采用时间域分解策略,实现不同给定波场工况下V型河谷高精度预测。通过与解析解对比,评估了所提出的物理驱动人工智能方法的精度和效率。结果表明,物理驱动人工智能方法可应用于地形效应分析,柱面SH波在V型峡谷底端发生显著衰减与振荡,边缘区呈现放大效应。
展开更多
关键词
物理驱动深度学习
河谷地震
波动模拟
科学人工智能
在线阅读
下载PDF
职称材料
面向结构地震响应预测的Phy-LInformers方法
被引量：
1
3
作者
郭茂祖
张欣欣
+1 位作者
赵玲玲
张庆宇
《智能系统学报》
CSCD
北大核心
2024年第4期1027-1041,共15页
为了准确评估建筑结构在地震作用下的动力特性和延性性能并促进韧性城乡的建设,本文提出了一种名为Phy-LInformers的深度学习框架,该框架综合运用了长短期记忆网络(long short-term memory,LSTM)、Transformer类模型Informer以及物理先...
为了准确评估建筑结构在地震作用下的动力特性和延性性能并促进韧性城乡的建设,本文提出了一种名为Phy-LInformers的深度学习框架,该框架综合运用了长短期记忆网络(long short-term memory,LSTM)、Transformer类模型Informer以及物理先验知识,以实现对建筑结构非线性地震响应的精确预测。该框架的核心思想是结合Informer的编码(Encoder)和解码(Decoder)结构,在Decoder部分引入了LSTM以预测建筑物先前的历史状态信息。同时,通过将现有的物理知识(例如预测变量之间的状态依赖关系和运动控制方程等)编码到损失函数中,对Phy-LInformers进行指导并约束其学习空间,同时提高有限训练数据下深度学习模型的预测性能。随后,通过2个模拟数据算例验证所提框架的性能。结果表明,所提出的Phy-LInformers是一种鲁棒性良好、预测性能优秀的非线性地震响应预测方法,即使在训练样本非常少(例如仅有10条)的情况下依然能准确预测结构在地震作用下的动力响应。这一特性使得Phy-LInformers在工程实践中具有可行性,并且在建筑结构抗震性能评价领域展现出良好的应用前景。
展开更多
关键词
地震响应预测
物理
知识
物理
驱动
的
深度
学习
时间序列预测
少样本
学习
INFORMER
长短期记忆网络
Phy-LInformers
在线阅读
下载PDF
职称材料
题名
基于物理驱动深度学习的结构形状优化设计
被引量：
2
1
作者
唐和生
李度
廖洋洋
李荣帅
机构
同济大学土木工程学院
上海建工集团股份有限公司
出处
《湖南大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2024年第11期33-42,共10页
基金
国家自然科学基金资助项目(52378184)。
文摘
结构形状的优化设计本质上是一类泛函极值求解问题.在求解高维度泛函极值问题时,传统的变分法往往面临着求解目标函数类型有限、求解过程呈现振荡行为等问题.利用深度学习模型的高维非线性映射能力,建立了一种基于物理驱动深度学习的泛函极值求解模型.首先将描述结构形状优化问题的物理信息(控制方程、初始条件和边界条件等)作为正则化项嵌入深度学习模型中,基于性能目标构建损失函数;采用随机梯度下降法完成深度学习模型的训练,进而实现泛函极值的求解和结构形状的优化设计;通过分析最优曲面和最优拱轴线问题验证模型的有效性,并与遗传算法进行对比,结果表明该模型在小样本的目标任务上具有较高的预测精度和效率.作为一种非参数模型化技术,物理驱动深度学习模型对解决数据采集成本高、难度大的工程问题具有重要意义.
关键词
物理驱动深度学习
形状优化设计
泛函极值
遗传算法
Keywords
physics-informed deep learning
shape optimization design
functional extremum
genetic algorithm
分类号
TU318 [建筑科学—结构工程]
在线阅读
下载PDF
职称材料
题名
深切V型峡谷物理驱动人工智能波动模拟
2
作者
栾绍凯
陈苏
丁毅
金立国
王巨科
李小军
机构
北京工业大学城市与工程安全减灾教育部重点实验室
中国地震局地球物理研究所
出处
《岩土工程学报》
EI
CAS
CSCD
北大核心
2024年第6期1246-1253,共8页
基金
国家自然科学基金重大项目(52192675)
国家自然科学基金项目(51878626,U1839202)。
文摘
高山峡谷区场地地震效应是地震工程领域研究热点。V形峡谷引起的圆柱形SH波散射和衍射波函数的级数解已较为成熟,并为众多河谷区重大工程提供了合理、科学的地震动输入。采用物理驱动深度学习方法结合与解析结果的对比分析,近一步明确了V型河谷地形地震反应特性及复杂波场空间分布。此方法主要关注稀疏样本及可诠释性人工智能,结合强形式自动微分和软约束边界条件嵌入,建立深度神经网络实现半无限域地震传播模型。采用时间域分解策略,实现不同给定波场工况下V型河谷高精度预测。通过与解析解对比,评估了所提出的物理驱动人工智能方法的精度和效率。结果表明,物理驱动人工智能方法可应用于地形效应分析,柱面SH波在V型峡谷底端发生显著衰减与振荡,边缘区呈现放大效应。
关键词
物理驱动深度学习
河谷地震
波动模拟
科学人工智能
Keywords
physics-informed deep learning
river valley earthquake
wave simulation
AI for science
分类号
TU435 [建筑科学—岩土工程]
P315 [天文地球—地震学]
在线阅读
下载PDF
职称材料
题名
面向结构地震响应预测的Phy-LInformers方法
被引量：
1
3
作者
郭茂祖
张欣欣
赵玲玲
张庆宇
机构
北京建筑大学电气与信息工程学院
北京建筑大学建筑大数据智能处理方法研究北京市重点实验室
哈尔滨工业大学计算学部
出处
《智能系统学报》
CSCD
北大核心
2024年第4期1027-1041,共15页
基金
国家自然科学基金项目(62271036)
北京市自然科学基金项目(4232021).
文摘
为了准确评估建筑结构在地震作用下的动力特性和延性性能并促进韧性城乡的建设,本文提出了一种名为Phy-LInformers的深度学习框架,该框架综合运用了长短期记忆网络(long short-term memory,LSTM)、Transformer类模型Informer以及物理先验知识,以实现对建筑结构非线性地震响应的精确预测。该框架的核心思想是结合Informer的编码(Encoder)和解码(Decoder)结构,在Decoder部分引入了LSTM以预测建筑物先前的历史状态信息。同时,通过将现有的物理知识(例如预测变量之间的状态依赖关系和运动控制方程等)编码到损失函数中,对Phy-LInformers进行指导并约束其学习空间,同时提高有限训练数据下深度学习模型的预测性能。随后,通过2个模拟数据算例验证所提框架的性能。结果表明,所提出的Phy-LInformers是一种鲁棒性良好、预测性能优秀的非线性地震响应预测方法,即使在训练样本非常少(例如仅有10条)的情况下依然能准确预测结构在地震作用下的动力响应。这一特性使得Phy-LInformers在工程实践中具有可行性,并且在建筑结构抗震性能评价领域展现出良好的应用前景。
关键词
地震响应预测
物理
知识
物理
驱动
的
深度
学习
时间序列预测
少样本
学习
INFORMER
长短期记忆网络
Phy-LInformers
Keywords
seismic response prediction
physical knowledge
physics-informed deep learning
time series forecasting
few shot learning
Informer
long short-term memory
Phy-LInformers
分类号
TP18 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于物理驱动深度学习的结构形状优化设计
唐和生
李度
廖洋洋
李荣帅
《湖南大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2024
2
在线阅读
下载PDF
职称材料
2
深切V型峡谷物理驱动人工智能波动模拟
栾绍凯
陈苏
丁毅
金立国
王巨科
李小军
《岩土工程学报》
EI
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
3
面向结构地震响应预测的Phy-LInformers方法
郭茂祖
张欣欣
赵玲玲
张庆宇
《智能系统学报》
CSCD
北大核心
2024
1
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
