基于神经网络的高层建筑结构分析.pdf
版权申诉
57 浏览量
2021-09-25
21:29:08
上传
评论
收藏 1.11MB PDF 举报
Engineering Design
| 工程设计 |
·
195
·
2019 年第 24 期
基于神经网络的高层建筑结构分析
张 威，刘文鹤，钟多利
（萍乡市赣西建筑设计院有限公司，江西萍乡337000）
摘 要：文章对高层建筑结构选型的意义和原则进行分析，并对神经网络的理论基础加以阐述，在此基础上，对高层建
筑结构选型内容与方法进行研究，主要包括网络模型构建、数变换与处理、网络结构确定、网络训练与结果分析等内容，
力求通过文章的研究，使高层建筑结构设计效率得到显著提升。
关键词：神经网络；高层建筑；建筑结构选型；主体结构；BP 算法
中图分类号：
TU973
+
.2
文献标志码：
A
文章编号：
2096-2789
（
2019
）24-
0195
-
02
作者简介：张威（1985—），男，助理工程师，研究方向：
建筑结构。
1
高层建筑结构选型的意义与原则
1.1
现实意义
在土木工程中，建筑结构初步设计是最为基础的工
作，在此基础上方可进行结构分析与设计，初步设计水
平对整体结构质量具有直接影响。但是，在初步设计过
程中，通常无法对各类影响因素进行准确描述，对此，
设计者应在综合考虑大量不确定因素的基础上形成结构
方案，并由经验丰富的专业人员负责，使初步设计中面
临的复杂问题得到有效处理。从建筑安全与经济性层面
来看，通常高层建筑的结构设计比常规建筑设计的难度
更大，受层数、高度、平面形状、抗震度等多种因素影响，
应全方位、多角度地进行考虑，才可确保建筑结构选型
准确。
1.2
选型原则
以地震区高层建筑为例，在构建结构体系时，应对
材料用量、建筑空间、高度等多种因素综合考虑，遵循
以下原则进行科学选型：（1）明确计算简图与地震力
传输渠道；（2）多条抗震放线，确保整体体系的抗震性、
承受力不受局部零件状况的影响；（3）拥有充足的承
载力、较多的耗能潜力与良好的延性，当结构体系遇到
地震时能够具备充足的防倒塌能力；（4）顺着水平与
垂直方向，使结构强度与刚度均匀分布，与实际需求相
结合，以免因局部突变形成薄弱点，避免应力集中
[1]
。
2
神经网络的理论基础
2.1
神经元模型
通过对生物神经元信息传递特点进行模拟，构建出
人工神经元模型。对信息传递进行模拟，可构建出神经
元模型，如图 1 所示。
图中，X
1
与 X
2
代表的是输入端突触的两个信号；
ω
1i
、ω
2i
分别代表的是 X
1
与 X
2
突触连接权系数；ω
ni
代表的是对传播强度进行模拟的系数；∑ 代表的是突触
信号空间累积量；f 代表的是神经元中的响应系数；0 代
表的是阈值；y
i
代表的是神经元非线性函数，较为常用
的函数类型如下。
（1）阈值函数。在上述模型中，神经元内部无状态，
当 y
i
的数值为 1 或者 0 时，f（x）作为线性函数，其所
示的一阶跃函数为：当 x 的数值超过 0 时，f（x）的数
值为 1，当 x 的数值小于 0 时，f（x）的数值为 0；当 y
i
的数值为 1 或者 -1 时，当 x 的数值超过 0 时，sgn（x）
的数值为 1，当 x 的数值小于 0 时，sgn（x）的数值为 -1。
（2）S 型函数。一般情况下，在（0，1）或者（-1，
1）中选择具有连续性的单调函数，如式（1）所示，一
般用 s 型函数来表示。
（1）
在 f（x）中，当 β 数值不同时，绘制的曲线也有
所差别；当 β 的数值为无穷时，S 状曲线与阶跃函数更
加接近。一般情况下，β 的数值为 1
[2]
。
2.2
构成内容
在模型构建完毕后，网络特性与能力由拓扑结构来
决定 . 该网络中主要包括以下内容：
（1）前馈网络，该网络中的神经为分层排列，各
个神经元与上一层相互连接，最高层为输出层，隐含层
的数量不定，在神经网络中得到普遍应用，如感知器等。
（2）前向网络。网络自身属于前向型，与上一种
有所区别，主要为反馈回路，如 Fukushima 网络。
（3）层内互连网络，层内的神经元彼此相连，在
相同的层次中可实现横向抑制，对现时动作神经数量进
行限制，也可将层内神经划分为多个小组，使每个小组
单独动作，例如自组织神经网络。
（4）互连网络，包括局部类与全互类。前者主要
是指神经元部分互连，一有些神经元之间无连接关系，
后者是指全部神经元均彼此相连，例如 Boitzmann 机。
3
基于神经网络的高层建筑结构选型分析
3.1
网络模型构建
在神经网络中，任意输入节点均与样本特征相对应，
在输出层中，点数与类别数值相对，每个节点都有自己
所对应的类。在训练过程中，如若输入样本的标号为 i，
期望输出的第 i 个节点数值为 1，剩余数值为 0。在识别
过程中，当未知类别样本应用到输入端后，对不同输出
节点的数值进行考察，对样本类型进行界定，判断出最
大节点所对应的类别，这便是模式识别的最基本方式。
P 代表的是输入样本，数量为 50，每个样本中都包含 4
图 1 神经元模型
资源评论
