基于灰关联与人工神经网络综合评价模型的多层砖房震害预测

结合几次大地震中多层砖房的实际震害资料,基于灰关联识别方法,解析了各影响因子对多层砖房抗震性能的影响程度。以反映结构抗震性能的各类物理参数作为输入数据,以给定地震动峰值加速度下建筑物破坏状态的概率作为输出数据,采用8-6-5层结构,建立了基于BP人工神经网络的非线性模型,并对震害样本进行了训练。结果表明:利用灰关联分析,可得出各因子对多层砖房抗震性能影响程度的大小排序,有利于实际的工程抗震设计;基于BP人工神经网络模型的多层砖房的震害预测结果与震害实例的实际情况比较吻合,其思路和方法可推广于其他不同类型的建筑结构的震害预测。     

灰关联分析与BP人工神经网络在土石坝震害群体预测中的运用

利用灰关联识别方法分析各震害影响因子对土石坝抗震性能的影响程度,并筛选出关联程度大的震害影响因子。利用BP人工神经网络非线性模型对震害实例样本进行了训练。结果表明:利用灰关联分析,可得出各因子对土石坝抗震性能影响程度的大小排序,供实际的工程抗震设计参考,基于BP人工神经网络模型的土石坝的震害预测结果与震害实例的实际情况比较吻合。     

基于MATLAB神经网络方法的多层砖房震害预测

提出利用MATLAB人工神经网络工具箱建立基于贝叶斯正则算法的BP神经网络模型,以地震区多层砖房震害调查数据为因子的震害预测方法.神经网络模型输入震害因子包括建筑的层数、施工质量、房屋整体性等,输出值为建筑物在地震作用下的破坏程度.结果表明,本方法可以对多层砖房的震害样本进行预测并达到较理想的效果.     

基于BP神经网络模型的多层砖房震害预测方法

针对传统的基于地震烈度的建筑物震害预测方法的不足,本文以地震动峰值加速度作为建筑物震害预测的地震动指标,结合几次大地震中多层砖房的震害实例,提出了一种基于BP神经网络模型的建筑物震害预测方法,模型的输入为反映结构抗震性能的各类物理参数,输出为给定地震动峰值加速度下建筑物破坏状态的概率。研究表明:基于BP网络模型的多层砖房的震害预测结果与震害实例的实际情况比较吻合,本文的思路和方法可推广于其他不同类型的建筑结构的震害预测。     

基于ACCRBF网络的多层砖房震害预测

针对传统震害预测方法逐栋抽样计算建筑物抗震性能的不足,本文提出了一种基于蚁群聚类径向基(ACCRBF)网络模型的建筑物震害预测方法。依据不同地震动峰值加速度下多层砖房的实际震害资料,对模型进行训练,在模型的输入和输出之间建立映射关系,并利用这种映射关系对未知样本进行分类,实现对多层砖房的震害分析和预测。模型的输入为反映结构的震害影响因子,输出为给定的地震动峰值加速度下结构震害等级。研究表明,基于ACCRBF网络模型的多层砖房震害预测结果与震害实例基本吻合,具有推广应用价值。     

多层砖房震害预测的人工神经网络方法及实践

应用云南省最近几次地震中多层砖房的震害实例,构造了多层砖房震害预测的人工神经网络方法,并利用这些数据进行了网络训练.结果表明:这种方法对已训练数据有很好的适应性,但如果要将之应用于震害预测,则尚需积累大量的震害数据,并进行大量的网络试验工作.     

多层砖房震害因子的选择及其与震害程度的灰色关联序分析

应用灰色系统理论，以云南省东川市地震破坏中多层砖房的震害为例，分析计算了多层砖房的震害因子与震害程度的关联度，总结了影响多层砖房震害的主要因素，并对其诸多因素进行了排序。     

基于AdaBoost算法的多层砖房震害影响因素评估

多层砖房是最常用的结构形式之一,对其进行震害预测尤为重要,选择合适的影响因素是震害预测中最重要的环节之一。本文基于AdaBoost算法对多层砖房震害影响因素进行评估,给出影响因素重要度排序,并将结果与灰色关联分析法进行比较。研究发现结构合理性、地震峰值加速度、砖墙面积率和场地条件对多层砖房震害影响最大,因此在多层砖房震害预测中应优先考虑这4个因素,并在结构设计建造过程中予以足够重视。     

现有多层砖房震害预测的方法及其可靠度

本文阐述了综合评定现有多层砖房抗震性能、预测其震害的方法。这种方法是建立在总结我国历次破坏性地震中大量多层砖房的震害经验和实测其动力特性的基础上的,它以砖墙体的抗震强度作为主要判据,同时,综合建筑结构各部件的作用和所在场地的影响,在烈度为Ⅵ—Ⅹ度范围内预测震害。震害程度分为六级:基本完好、轻微损坏、中等破坏、严重破坏、部分倒塌和倒平全毁。预测的可靠度,由震害与墙体强度的统计分析中的符合度和条件概率给出,一般是令人满意的。     

爆破震害预测的神经网络模型

人工神经网络是近期发展最快的人工智能领域研究成果之一.通过分析国内外爆破震害预测研究现状和不足,提出一种基于BP神经网络模型的爆破地震效应预测方法,该方法能克服基于最小二乘法的回归公式的局限性,可选取影响爆破振动的多个影响因素作为输入层参数,达到爆破峰值和主频同步预测之目的.利用该方法对实际爆破监测数据进行预测,结果表明人工神经网络方法在爆破地震效应预测中应用是可行的并且是有效的.这为爆破震害预测研究提供了新途径.     

粗集神经网络在建筑物震害预测中的应用

将粗糙粗集理论和神经网络原理结合起来,建立了基于粗集-神经网络的建筑物震害预测模型.首先运用粗糙集理论,根据原始样本建立决策表进行属性离散化、属性重要性排序、属性约简和分类规则的提取;然后将所提取的关键成分作为神经网络的输入练模型.实例研究表明,基于粗集-神经网络的多层砖房震害预测结果与实际震害基本吻合.该模型简化了神经网络结构,提高了训练速度和分类精度,还能对各因素对房屋震害的影响度进行分析.     

基于BP神经网络的有限特征参数砌体结构震害等级推演

详细的建筑结构特征参数是得到合理地震易损性分析结果的基础.本文给出了一种结合已有地震易损性分析成果,在具备有限特征参数的情况下,利用BP神经网络进行单体或群体结构震害等级推演的方法.以陕西省渭南市607栋设防砌体易损性评估结果为样本构建了一个3层BP神经网络模型,并对北京市海淀区近2万栋设防砌体不同地震烈度下的可能破坏...     

组合墙结构房屋抗震性能的振动台试验研究

通过三个组合墙模型房屋的振动台试验，分析了组合墙结构体系房屋的动力性能和抗震能力，比较了底一层和底两层框架组合墙房屋和普通组合墙房屋的抗震性能。结果表明，八层组合墙房屋的抗震能力远远超过设计能力，可用于八度地区，底框架组合墙房屋的抗震性能优于普通组合墙房屋，底两层框架组合墙房屋也优于底一层框架组合墙房屋。     

BP神经网络在地震综合预报中的应用

ＢＰ神经网络具有很强的非线性映射功能,它可以很好地反映震前出现的各类异常与未来地震震级及发震时间之间的较强非线性关系。在“地震预报智能决策支持系统”中使用了ＢＰ神经网络。介绍了该系统中的ＢＰ神经网络构成及其在地震预报中的应用,系统通过对实际震例的检验取得了较为理想的预报效果。     

城市典型建筑的地震损失预测方法Ⅰ: 结构易损性分析

地震作用下结构的易损性分析是地震灾害损失预测方法的重要组成部分。本文针对多层砌体房屋结构、排架结构和多层钢筋混凝土结构等3种城市典型建筑,首先给出了该类单体建筑的地震结构易损性分析方法,然后对群体建筑的地震易损性分析方法,以及群体建筑的易损性分类方法进行了探讨,为城市典型建筑的地震灾害损失预测和评估提供参考,并为宁波市抗震防灾规划的地震损失预测提供基础。