(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111222392.2 (22)申请日 2021.10.20 (65)同一申请的已公布的文献号 申请公布号 CN 113868750 A (43)申请公布日 2021.12.31 (73)专利权人 清华大学 地址 100192 北京市海淀区双清路3 0号 (72)发明人 纪晓东　苗增辉　庄赟城　高祥　 (74)专利代理 机构 北京大地智谷知识产权代理 事务所 (特殊普通合伙) 11957 专利代理师 武丽华 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/06(2012.01) G06Q 50/08(2012.01) G06F 119/14(2020.01) (56)对比文件 CN 106869521 A,2017.0 6.20 CN 112883463 A,2021.0 6.01 CN 104316 341 A,2015.01.28 CN 1010749 95 A,2007.11.21 CN 104453008 A,2015.0 3.25 US 2001029432 A1,20 01.10.11 CN 113450333 A,2021.09.28 审查员 王宇莉 (54)发明名称 基于深度机器学习的建筑地震损伤和剩余 能力评价方法 (57)摘要 本发明公开了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， 主要步骤如 下： 将RC构件震损照片作为输入， 应用构件可视 损伤识别模型自动识别可视地震损伤； RC构 件力 学性能退化评价模型基于可视震损识别结果， 预 测RC构件力学性能退化指标； 调整RC构 件力学模 型参数并更新原建筑的有限元模 型， 得到震损建 筑有限元模 型； 采用静力弹塑性 分析方法评价震 损建筑的剩余抗震能力。 本发明评价方法能够由 震损建筑图像自动识别可视地震损伤， 采用物理 意义明确的构 件力学性能退化指标， 并利用试验 数据标定 取值， 定义明确、 取值合理； 直接根据构 件的可视震损现象评估构 件剩余力学性能， 评估 精度高， 有利于提高震损建筑剩余抗震能力评价 的准确性和合理性。 权利要求书2页 说明书7页 附图2页 CN 113868750 B 2022.05.17 CN 113868750 B 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， αyi表示损伤类别权重， 取值为训练样本中损 伤类别yi的损伤像素占比的倒 数； nb 为一个样本批次的像素总数； pi表示模型对第i个像素的预测输出； yi表示第i个像素人工标 注的损伤类别； l(pi,yi)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， 并通过静力弹塑性权　利　要　求　书 1/2 页 2 CN 113868750 B 2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。 3.根据权利要求1 ‑2任一项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， 所述RC构件力学性能退化评价模型为深度学习模型， 其优化过程以过往RC试件加载试 验照片及滞回试验数据作为基础数据， 具体步骤如下： 2.1)收集整理RC试件试验照片及滞回曲线数据， 并依据试验记录将试验照片与滞回曲 线上的状态点 一一对应， 建立RC构件可视损伤与力学性能退化关联 数据库； 2.2)针对关联数据库中的试验照片， 应用所述RC构件可视损伤识别 模型得到RC构件可 视震损识别结果， 并采用区域聚合 技术压缩识别结果尺寸； 2.3)基于关联数据库中试验试件的滞回曲线数据定义和标定RC构件力学性能退化指 标。 4.根据权利要求3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， 在步骤2.2)中， 采用区域聚合 技术压缩识别结果尺寸具体包括如下步骤： 首先， 将RC构件损伤识别结果划分为50 ×50像素的矩形单元； 之后， 对各单元计算各类 损伤的像素占比rk， 将其作为该单元的损伤特征； 将一张试验照片的所有单元损伤特征汇 总， 得到压缩的震损RC构件损伤 识别结果， 作为RC构件力学性能退化评价模型的输入数据。 5.根据权利要求4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2.3)基于数据库中试验试件的滞回曲线数据定义和标定RC构件力学性能退化指 标具体包括： 2.3.1)应用贝叶斯优化算法、 基于IMK滞回规则拟合试验滞回曲线， 得到基于IMK滞回 规则的拟合力学性能数据， 主要包括无损RC构件的力 ‑位移骨架线或弯矩 ‑转角骨架线、 有 效刚度Ke、 正/负向峰值承载力 以及不同级加载后受损构件的力 ‑位移骨架线； 2.3.2)根据拟合结果， 依公式(2)定义刚度折减系数、 依公式(3)定义承载力折减系数； 其中， Ki表示第i‑1级加载后受损构件的有效刚度； Fi(p)、 Fi(n)分别表示第i ‑1级加载后 受损构件的骨架线的正向、 负向峰值承载力。权　利　要　求　书 2/2 页 3 CN 113868750 B 3