【技術實現步驟摘要】
本專利技術涉及高層剪力墻，具體涉及一種高層剪力墻結構抗震效果評估方法及系統。
技術介紹
1、高層剪力墻結構抗震效果評估指的是對采用剪力墻結構的高層建筑在地震中的抗震性能進行分析和評價。這種評估主要關注結構在地震力作用下的穩定性、變形性能和承載能力，以確保建筑在不同強度地震下的安全性。剪力墻結構是一種抵抗水平地震力的主要結構系統，通過加強墻體的剛度和強度，使得建筑能夠更有效地吸收和耗散地震能量，降低變形，防止坍塌。
2、在實際評估過程中，通常使用一系列模擬分析方法，如時程分析、反應譜分析或推覆分析，以模擬地震作用下的結構響應。通過這些分析可以確定剪力墻的變形模式、內力分布以及構件的應力情況，從而判斷其抗震效果。評估結果能夠幫助設計人員優化結構設計，使其滿足抗震規范要求，同時為工程實踐提供可靠的數據支持，確保高層建筑在地震中的穩定性與安全性。
3、現有技術存在以下不足之處：
4、在強烈的地震作用下，剪力墻結構中的混凝土和鋼筋材料會遭受反復的應力-應變循環，特別是在長時間或多次余震的情況下，材料會產生“低周疲勞”現象。這種疲勞效應會逐漸降低材料的強度和延性，導致結構剛度和承載力大幅下降。且這種效應在常規的抗震評估中通常未被充分考慮，分析通常假設材料性能不隨地震加載次數發生退化。因此，在實際地震中，結構可能因疲勞損傷而過早失效，尤其是余震頻發地區，剪力墻的核心結構部分可能產生不可逆損傷，導致意外的倒塌風險。
技術實現思路
1、本專利技術的目的是提供一種高
2、為了實現上述目的，本專利技術提供如下技術方案：一種高層剪力墻結構抗震效果評估方法，包括以下步驟：
3、s1：收集并確定材料的低周疲勞參數，低周疲勞參數包括循環應力-應變曲線，屈服強度衰減率和延性劣化率，根據低周疲勞參數，構建適用于地震分析的混凝土和鋼筋退化模型；
4、s2：將材料疲勞退化模型應用到剪力墻和梁柱的若干個構件上，并設定地震加載工況，包括主震與多次余震組合的加載序列，逐次加載地震波，記錄每次地震加載結束后結構的剩余剛度，判斷疲勞累積效應對結構的影響；
5、s3：當疲勞累積效應對結構的影響程度高時，通過多次加載的模擬結果，繪制剪力墻和不同構件在循環荷載下的承載力退化曲線，分析曲線的變化速率，判斷結構的劣化速度異常狀態；
6、s4：將疲勞累積效應對結構的影響和結構的劣化速度異常狀態進行綜合分析，評估結構剛度和承載力出現異常的風險性；
7、s5：根據評估結果，將結構剛度和承載力出現異常的風險性劃分為不同的等級，將其劃分為高風險性等級，中風險性等級和低風險性等級，并采取相應的措施；
8、s6：當結構剛度和承載力出現異常的風險性為中風險性等級，對固定時間段內結構剛度和承載力出現異常的風險性進行進一步的分析，根據分析結果設計加固方案，強化剪力墻結構的耐久性。
9、優選的，s2中，對剩余剛度的變化趨勢進行分析后生成剩余剛度異常變化指數，判斷疲勞累積效應對結構的影響，剩余剛度異常變化指數的獲取方法為：
10、經過多次地震加載后，獲得多組關鍵構件的剩余剛度數據，記為x＝x1,x2,…,xn]，其中每個xn是一個多維向量，包含不同構件在不同時刻的剩余剛度信息，輸入數據矩陣：x∈rm×n，其中m表示不同的觀測樣本，n表示不同構件的剛度特征，計算協方差矩陣σ，表達式為：z為標準化后的矩陣，t為矩陣轉置，求解協方差矩陣σ的特征值和特征向量，將特征值從大到小排序，選擇前k個最大特征值對應的特征向量組成矩陣w，通過矩陣w將數據投影到一個低維空間，得到主成分矩陣：y＝z·w；其中y∈rm×k是降維后的數據矩陣，使用歷史數據中的正常樣本作為訓練數據，使用svm進行二分類訓練，學習正常和異常狀態下的數據分布模式，svm的決策函數為：f(y)＝sgn(w·y+b)；其中：y∈rk表示降維后的樣本，w為分類超平面的權重向量，b為偏置項；sgn表示符號函數，對于新觀測的剩余剛度數據xnew，將新觀測數據進行標準化，得到znew，將標準化后的數據通過w變換到低維空間，得到主成分ynew＝znew·w；將ynew輸入到訓練好的svm分類器中，判斷其狀態：若f(ynew)＝1，則判定為正常；若f(ynew)＝-1，則判定為異常；若判定為異常，則計算其距離超平面的距離hk作為剩余剛度異常變化指數，表達式為：hk為剩余剛度異常變化指數。
11、優選的，s3中，對承載力退化曲線的變化趨勢進行分析后生成結構劣化速度漂移指數，判斷結構的劣化速度異常狀態，劣化速度漂移指數的獲取方法為：
12、收集獲得剪力墻和梁柱連接點的承載力退化數據，經過處理得到在每個循環加載后結構的劣化速率序列v＝[v1,v2,…,vt]，其中vt表示在第t次循環加載后承載力的退化速率；劣化速率數據：其中ci是第i次加載后的剩余承載力，退化速率vi表示承載力隨加載次數的下降速率；指數加權移動平均用于平滑劣化速率的時間序列數據，計算公式為：ewmat＝αvt+(1-α)ewmat-1；其中，ewmat是第t次循環加載后的指數加權移動平均值，vt是第t次循環加載后的實際劣化速率，α是平滑系數，取值范圍在0<α≤1；初始值ewma0設為第一項v1的值；劣化速度漂移指數用于度量實際劣化速率vt與平滑后的劣化速率之間的偏離程度，計算表達式為：gh＝|vt-ewmat|；式中，gh為劣化速度漂移指數。
13、優選的，s4中，將剩余剛度異常變化指數和結構劣化速度漂移指數轉換為綜合特征向量，將綜合特征向量作為機器學習模型的輸入，機器學習模型以每組綜合特征向量預測結構剛度和承載力出現異常的風險性值標簽為預測目標，以最小化對所有結構剛度和承載力出現異常的風險性值標簽的預測誤差之和作為訓練目標，對機器學習模型進行訓練，直至預測誤差之和達到收斂時停止模型訓練，根據模型輸出結果確定結構剛度和承載力出現異常的風險性值，其中，機器學習模型為多項式回歸模型。
14、優選的，s5中，根據評估結果，將結構剛度和承載力出現異常的風險性劃分為不同的等級，將其劃分為高風險性等級，中風險性等級和低風險性等級，具體為；
15、將獲取到的結構剛度和承載力出現異常的風險性值與梯度標準閾值進行比較，梯度標準閾值包括第一標準閾值和第二標準閾值，且第一標準閾值小于第二標準閾值，將結構剛度和承載力出現異常的風險性值分別與第一標準閾值和第二標準閾值進行對比；
16、若結構剛度和承載力出現異常的風險性值大于第二標準閾值，說明結構剛度和承載力出現異常的風險性高，此時生成高風險性信號，并將其劃分為高風險性等級；
17、若結構剛度和承載力出現異常的風險性值大于等于第一標準閾值且小于等于第二標準閾值，說明結構剛度和承載力出現異常的風險性為中等，此時生成中風險性信號，并將其劃分為中風險性等級；
18、若結構剛度和承載力出現異本文檔來自技高網...
【技術保護點】
1.一種高層剪力墻結構抗震效果評估方法，其特征在于：包括以下步驟；
2.根據權利要求1所述的一種高層剪力墻結構抗震效果評估方法，其特征在于：S2中，對剩余剛度的變化趨勢進行分析后生成剩余剛度異常變化指數，判斷疲勞累積效應對結構的影響，剩余剛度異常變化指數的獲取方法為：
3.根據權利要求2所述的一種高層剪力墻結構抗震效果評估方法，其特征在于：S3中，對承載力退化曲線的變化趨勢進行分析后生成結構劣化速度漂移指數，判斷結構的劣化速度異常狀態，劣化速度漂移指數的獲取方法為：
4.根據權利要求3所述的一種高層剪力墻結構抗震效果評估方法，其特征在于：S4中，將剩余剛度異常變化指數和結構劣化速度漂移指數轉換為綜合特征向量，將綜合特征向量作為機器學習模型的輸入，機器學習模型以每組綜合特征向量預測結構剛度和承載力出現異常的風險性值標簽為預測目標，以最小化對所有結構剛度和承載力出現異常的風險性值標簽的預測誤差之和作為訓練目標，對機器學習模型進行訓練，直至預測誤差之和達到收斂時停止模型訓練，根據模型輸出結果確定結構剛度和承載力出現異常的風險性值，其中，機器學習模型為
5.根據權利要求4所述的一種高層剪力墻結構抗震效果評估方法，其特征在于：S5中，根據評估結果，將結構剛度和承載力出現異常的風險性劃分為不同的等級，將其劃分為高風險性等級，中風險性等級和低風險性等級，具體為；
6.根據權利要求1所述的一種高層剪力墻結構抗震效果評估方法，其特征在于：S6中，當結構剛度和承載力出現異常的風險性為中風險性等級，對固定時間段內結構剛度和承載力出現異常的風險性進行進一步的分析，具體為：
7.根據權利要求6所述的一種高層剪力墻結構抗震效果評估方法，其特征在于：若數據集合內的異常系數均值大于等于異常系數均值的參考閾值，且異常系數標準差小于異常系數標準差的參考閾值，異常系數的均值高，表明結構的剛度和承載力已出現穩定的中等劣化狀態；此時不生成預警信號，應設計常規加固方案，并定期監測，以確保長期使用中結構保持穩定；
8.一種高層剪力墻結構抗震效果評估系統，用于實現權利要求1-7任一項所述的一種高層剪力墻結構抗震效果評估方法，其特征在于：包括退化模型構建模塊、地震加載模擬模塊、劣化速度分析模塊、風險綜合分析模塊，風險分級模塊以及加固方案設計模塊；
...【技術特征摘要】
1.一種高層剪力墻結構抗震效果評估方法，其特征在于：包括以下步驟；
2.根據權利要求1所述的一種高層剪力墻結構抗震效果評估方法，其特征在于：s2中，對剩余剛度的變化趨勢進行分析后生成剩余剛度異常變化指數，判斷疲勞累積效應對結構的影響，剩余剛度異常變化指數的獲取方法為：
3.根據權利要求2所述的一種高層剪力墻結構抗震效果評估方法，其特征在于：s3中，對承載力退化曲線的變化趨勢進行分析后生成結構劣化速度漂移指數，判斷結構的劣化速度異常狀態，劣化速度漂移指數的獲取方法為：
4.根據權利要求3所述的一種高層剪力墻結構抗震效果評估方法，其特征在于：s4中，將剩余剛度異常變化指數和結構劣化速度漂移指數轉換為綜合特征向量，將綜合特征向量作為機器學習模型的輸入，機器學習模型以每組綜合特征向量預測結構剛度和承載力出現異常的風險性值標簽為預測目標，以最小化對所有結構剛度和承載力出現異常的風險性值標簽的預測誤差之和作為訓練目標，對機器學習模型進行訓練，直至預測誤差之和達到收斂時停止模型訓練，根據模型輸出結果確定結構剛度和承載力出現異常的風險性值，其中，機器學習模型為多項式回歸模型。
【專利技術屬性】
技術研發人員：郭達文，張小良，陳瑞海，周敏輝，陳蛟龍，鄭佳凱，龔偉驄，李希鍇，羅斯予，趙健，
申請(專利權)人：廣東省建筑設計研究院集團股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。