[发明专利]一种钢筋混凝土粘结滑移曲线的元学习预测模型

权利要求书

1.一种钢筋混凝土粘结滑移曲线的元学习预测模型，其特征在于，包括以下步骤：

步骤一：确定钢筋与混凝土之间粘结滑移特性的主要影响因素，将粘结滑移的预测任务按照不同的混凝土种类、不同的钢筋种类、不同的试件截面形状、不同的受力模式和是否有箍筋五个子项，划分为B个子集，针对每个子集采集样本数据，建立数据库BondslipNet；

步骤二：对部分样本进行粘结滑移测试,建立目标数据库TargetNet；

步骤三：将整体架构改为多任务学习框架，将输出任务分为两个任务，分别是滑移段曲线的预测、破坏后曲线的预测，将两个任务进行联合训练，对每一层神经元，采用dropout、L2正则化技术与梯度截断技术，同时，将隐藏函数的BN归一化改为FRN归一化，并令偏置不在0处初始化，采用可学习的单层感知机修正的马氏距离损失，取代MSE损失，从而建立Mahalanobis-Meta-learningNet网络，又称MMN网络；

步骤四：在BondslipNet数据库上训练MMN网络，并考虑训练过程中的Hessian矩阵作用，得到训练完成后的MMN网络；

步骤五：在TargetNet上基于训练完成后的MMN网络，完成训练过程与测试过程，最终输出目标任务的粘结滑移曲线。

2.根据权利要求1所述的一种钢筋混凝土粘结滑移曲线的元学习预测模型，其特征在于，所述采集样本数据进行预处理的过程包括：

同一类型的粘结滑移试件测试所得τ-S曲线的数据点集记作其中T代表粘结滑移试件类型，N代表粘结滑移试件的重复次数，Pi(S_i,τ_i)代表测试所得第i个数据点；

将点集作变换，计算公式为：

式中，Sτm为最大τ对应S，Sτr为残余应力对应的最小S，Smax为点集中最大的S；

对上升段采用N1个节点进行划分、下降段采用N2个节点进行划分,节点横坐标为分别对上升段和下降段节点附近的数据点施加滤波矩形窗算子其中τ_k表示以Nj节点为中心，宽度为2b的矩形窗包络点集的数据点纵坐标，m表示包络数据点的个数，表示第j个节点处剪应力的代表值，T类试件的N个试样都具有了相同数量的数据点根据映射知，同一类试件不同试样相同对应的具有可加性，因此对于T类试件，采用作为数据点代表值，其中采用映射进行反归一化处理：

式中，代表N个试件的平均值，

采用平滑算子对附近N₃个τ_j值进行算术平均，得到后续计算分析的实验点集其中j＝0,1，2，…,N1+N2。

3.根据权利要求1所述的一种钢筋混凝土粘结滑移曲线的元学习预测模型，其特征在于，所述采用可学习的单层感知机修正的马氏距离损失的计算过程如下：

设MMN网络输出结果为其中a表示样本容量，b表示输出特征维度，设需要预测的特征点数为m，则有b＝2*m，将改写为2行，ab/2列的矩阵则第一行为预测点横坐标为滑移量Si，第二行为预测点纵坐标为粘结强度Ti；同理，数据集中的标注项设为

输出项和标注项之间的马氏距离的平方和计算公式为：

式中，定义为取对角元素后求均值的算子，C^-1是矩阵的协方差矩阵的逆矩阵；

引入单层感知机对C^-1矩阵进行修正，设修正后的其中，系数η是为了放缩参数区间，约束了异常点对C^-1的影响；感知机以为初始化，学习参数ω_ij与δ_ij(i,j＝1,2)及η，对C^-1进行微调，将修正后的C′^-1代入得：

则除了对欧式距离的滑移偏差和粘结强度偏差进行加权，还同时考虑了粘结强度和滑移偏差的积，设若σ(S)≈σ(τ)，则两个分布的数据离散程度相同，则忽略ΔS_iΔτ_i作用，反之则必须考虑ΔS_iΔτ_i的作用；

是关于ΔS_i和Δτ_i的圆锥曲线，其满足W0才有实际意义，因此对于修正的马氏距离损失函数，需添加如下加强的限制条件：