[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

说明书

本发明公开了一种钢筋混凝土粘结滑移曲线的元学习预测模型，涉及土木工程技术领域，包括以下步骤：确定钢筋与混凝土之间粘结滑移特性的主要影响因素并划分学习任务，建立数据库BondslipNet；针对目标任务，设计少量样本的粘结滑移测试，建立目标数据库TargetNet；建立元学习神经网络架构；在BondslipNet数据库上采用基于任务的训练模型，训练建立的Mahalanobis‑Meta‑learningNet(MMN)网络；在TargetNet上基于模型，采用基于样本的训练模型，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。

技术领域

本发明涉及土木工程技术领域，具体的是一种钢筋混凝土粘结滑移曲线的元学习预测模型。

背景技术

钢筋与混凝土之间的粘结滑移问题是决定非线性计算准确性的重要决定因素之一，目前，越来越多的混凝土与钢筋被发明并投入使用，这些钢筋混凝土的粘结滑移模型亟需展开大量的研究进行确定，然而，对每一种的粘结滑移模型均进行大量的试验测试是不现实、也不经济的，会浪费大量的人力物力资源。因此，亟需开发一种新的算法，用于基于极少量的训练样本，获得准确的目标钢筋混凝土粘结滑移本构模型。

目前，现存的钢筋混凝土粘结滑移本构曲线预测模型，主要有两大类方法；一种是对数据采用最小二乘回归等回归算法的四线性或三段式模型，典型的代表有中国规范与欧洲规范中，针对大量普通钢筋混凝土进行测试后回归的曲线，这一类方法目前工程与研究中普遍使用的方法，然而这一方法存在问题，曲线仅对于普通钢筋混凝土的粘结滑移问题有较高精度；对于任一钢筋混凝土粘结滑移曲线的预测，均需要大量实验测试才能确定准确模型；训练表达式与待回归参数的选取，极度依赖于研究者的主观经验，另一种方法是基于神经网络等算法的黑箱模型，目前典型的算法有BP神经网络与基于Fine-tune原理的预训练神经网络。这两种算法均可以避免研究者自身的主观性，但对于问题的泛化能力与少样本迁移能力，均不能提供较好的结果，为此，现在提出一种钢筋混凝土粘结滑移曲线的元学习预测模型。

发明内容

为解决上述背景技术中提到的不足，本发明的目的在于提供一种钢筋混凝土粘结滑移曲线的元学习预测模型。

本发明的目的可以通过以下技术方案实现：一种钢筋混凝土粘结滑移曲线的元学习预测模型，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。

进一步地，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代表该类试件的重复次数，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：