基于GAE-Transformer-CNN混合模型与迁移学习的结构地震响应预测

张新元; 王自法; 孙晓燕; 赵登科; 史懿清; 李兆焱

doi:10.12404/j.issn.1671-1815.2507017

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (21) :9002-9013 DOI: 10.12404/j.issn.1671-1815.2507017

天文学、地球科学

基于GAE-Transformer-CNN混合模型与迁移学习的结构地震响应预测

张新元 ¹^,² ,
王自法 ¹^,²^,^* ,
孙晓燕 ³ ,
赵登科 ¹^,² ,
史懿清 ³ ,
李兆焱 ¹^,²

作者信息 +

Prediction of Structural Seismic Response Based on GAE-Transformer-CNN Hybrid Model and Transfer Learning

ZHANG Xin-yuan ¹^,² ,
WANG Zi-fa ¹^,²^,^* ,
SUN Xiao-yan ³ ,
ZHAO Deng-ke ¹^,² ,
SHI Yi-qing ³ ,
LI Zhao-yan ¹^,²

Author information +

文章历史 +

摘要

结构地震响应的快速预测对应急决策至关重要。近年来,深度学习技术的迅猛发展为解决此类工程难题提供了新途径。然而,现有方法仍面临两大挑战:一是获取目标结构数据的成本高昂,二是跨尺度预测任务本身具有较高复杂性。为此,提出了一种基于缩尺数据的跨尺度迁移学习框架,以3D打印混凝土民居为研究对象,构建融合图注意力机制与位置编码的GAE-Transformer-CNN混合模型,实现对足尺结构地震响应的高效预测。该框架通过图感知模块显式引入传感器空间先验与结构拓扑关系,结合Transformer捕捉长期依赖关系,并利用卷积神经网络(convolutional neural networks,CNN)提取局部特征。在缩尺模型上完成预训练后,仅需少量足尺样本进行微调,最终在独立测试集上取得平均R²=0.929,能够基于地面加速度与稀疏传感器观测准确预测关键位置的最大层间位移角。研究结果不仅验证了缩尺试验数据在地震工程中的应用潜力,也为结构响应预测提供了新的思路。

Abstract

In order to achieve rapid prediction of structural seismic responses for emergency decision-making while addressing the high cost of acquiring target-specific data and the complexity of cross-scale prediction, a cross-scale transfer learning framework based on scaled-model data was used to investigate full-scale seismic response prediction for a 3D-printed concrete residential structure, and a hybrid GAE-Transformer-CNN model integrating graph attention mechanisms and positional encoding was developed, in which sensor spatial priors and structural topology were explicitly incorporated through a graph-aware module, long-range dependencies were captured by a Transformer, and local features were extracted by a CNN. The results show that after pre-training on the scaled model, fine-tuning was performed using only a small number of full-scale samples, and an average R² of 0.929 was achieved on an independent test set, with the maximum interstory drift ratio at critical locations being accurately predicted from ground-acceleration inputs and sparse sensor observations. It is concluded that scaled experimental data can be effectively leveraged to support data-efficient and accurate cross-scale seismic response prediction, thereby providing a practical and scalable methodology for structural response assessment.

Graphical abstract

关键词

结构响应预测 / 时程分析 / 迁移学习 / 结构健康监测

Key words

structural response prediction / time history analysis / transfer learning / structural health monitoring

引用本文

引用格式 ▾

张新元, 王自法, 孙晓燕, 赵登科, 史懿清, 李兆焱. 基于GAE-Transformer-CNN混合模型与迁移学习的结构地震响应预测[J]. 科学技术与工程, 2026, 26(21): 9002-9013 DOI:10.12404/j.issn.1671-1815.2507017

ZHANG Xin-yuan, WANG Zi-fa, SUN Xiao-yan, ZHAO Deng-ke, SHI Yi-qing, LI Zhao-yan. Prediction of Structural Seismic Response Based on GAE-Transformer-CNN Hybrid Model and Transfer Learning[J]. Science Technology and Engineering, 2026, 26(21): 9002-9013 DOI:10.12404/j.issn.1671-1815.2507017

登录浏览全文

4963

注册一个新账户忘记密码

为确保建筑结构在正常使用期间的性能与安全,预警地震作用下可能发生的结构安全事故,需要利用现场监测系统和相关分析技术获取结构动力响应信息(如转角、位移等),并结合相关分析方法,实现对结构的实时损伤诊断与性能评估^[1]。快速而精准地获取结构响应,不仅是应急响应与灾害管理的关键环节,也是当前结构健康监测领域亟待解决的重要问题^[2]。

随着计算机技术的发展,以机器学习和神经网络为代表的新一代智能计算方法逐渐被土木工程领域采用^[3]。Morfidis等^[4]利用人工神经网络(artificial neural network,ANN)方法预测了RC框架剪力墙结构的层间位移角,精度达到74%。许泽坤等^[5]提出递归长短期记忆(long short-term memory,LSTM)网络,用于预测任意长度和采样率下的非线性地震位移响应。张晨宇^[6]基于有限元建筑信息构建卷积神经网络(convolutional neural networks,CNN),对区域内162座典型RC框架建筑的层间位移角和峰值地面加速度进行预测,取得了良好效果。Cao等^[7]采用XGBoost模型建立RC框架结构层间位移角模型,预测准确率达90.8%~97.0%。Liao等^[8]提出融合Transformer与图卷积神经网络的结构动力响应计算方法,整体精度达80%~90%,在弱震段表现尤佳。然而,上述方法在面对跨结构类型和地震动条件时,往往需要大量训练数据才能保持预测精度,泛化能力仍受限。足尺结构抗震试验成本高、周期长,且存在诸多不确定性,受限于试验条件与场地因素,导致可用于建模的数据极为有限。为此,缩尺结构试验和数值模拟逐渐成为本领域的重要研究手段^[9]。在数据有限的情况下,如何利用先进计算方法提升结构响应预测的准确度与泛化能力,已成为学术界持续关注的热点,也是本文研究拟解决的关键挑战。

近年来,迁移学习逐渐被应用于结构响应预测任务,以缓解数据不足与跨域适应难题。其核心思想是通过在源域与目标域之间迁移已有知识,从而提升层间位移角等关键结构响应预测的效率与准确性。康昊等^[10]提出结合迁移学习微调的CNN模型,从高层建筑迁移到不同层数结构,实现了对层间位移角的高精度预测,并具备良好的泛化性能。Liao等^[11]将CNN与小波时频特征结合,采用深度迁移学习从仿真生成的地震响应信号迁移至实际监测数据,对地震事件识别的准确率达到90%。Hu等^[12]构建物理约束迁移学习框架,将数值模拟建筑的知识迁移至未知结构,在目标结构层间位移预测中保持R²在0.85~0.93。Hao^[13]基于RNN的迁移学习方法,将有限元模拟数据迁移至实际监测数据,使状态估计平均误差降至5%以下,较非迁移模型提升约20%。Shen等^[14]则通过CNN-LSTM-ATT网络跨域迁移,从模拟结构迁移至实测建筑,在层间位移角预测中将均方根误差降低至0.015 rad,较未迁移模型误差减少30%~35%。尽管如此,现有迁移学习多集中于数值模拟与实测结构之间,或不同结构类型之间,跨尺度层面的探索仍显不足。

尤其值得注意的是,缩尺试验作为地震工程常用手段,能够高效生成大量响应数据,但如何将其知识迁移至足尺结构仍缺乏系统研究。这一问题不仅影响模型的工程应用价值,也制约其在新型结构体系中的推广。为此,提出一种基于缩尺数据的跨尺度迁移学习框架,并以3D打印混凝土民居为研究对象,构建GAE-Transformer-CNN混合模型。具体而言:首先,结合振动台实验与现场实验校正有限元模型,确保数据可靠性;其次,引入图感知编码(graph-aware encoding, GAE),融合图注意力与位置编码,将传感器布设与结构拓扑关系显式注入模型;最后,设计“预训练-微调”机制,在缩尺数据上预训练并利用少量足尺样本进行适配,实现小样本条件下对足尺结构响应的精准预测。研究结果不仅旨在拓展深度学习在跨尺度结构响应预测中的应用范围,也为3D打印混凝土建筑的震后快速评估提供了新的技术路径。

1 预训练模型

本文方法分为两个阶段:预训练与迁移微调。首先,利用缩尺有限元(finite element)模型和振动台试验生成的大规模地震响应数据,进行预训练,学习缩尺模型结构响应。然后,通过图位置编码重构和少量足尺样本进行微调,完成跨尺度条件下的高精度预测。整体流程如图1所示,重点展示了预训练阶段的建模过程。

1.1 基于图注意力网络的特征提取与图感知位置编码

在结构健康监测任务中,结构响应不仅具有时间演化规律,还存在由构造连接、荷载路径及刚度差异引起的空间耦合特征,传统神经网络难以刻画这种“非欧几里得”信息。为此,基于传感器布设与结构拓扑关系构建空间感知图,引入图注意力网络^[15](graph attention network, GAT)以高效编码节点间的空间依赖。在此基础上,进一步设计图感知位置编码^[16](graph-aware positional encoding, GPE),将空间先验显式注入时序建模过程,二者合称为图感知编码模块(graph-aware encoding, GAE)。

步骤1 将每个传感器节点视为图1中的一个节点,并将其观测值与几何坐标拼接作为输入特征,表示为

(1)$\boldsymbol{h}_{i}=\left[x_{i}, y_{i}, z_{i}, a_{i}(t)\right]$

式(1)中:i=1,2,…,N表示传感器节点编号,N为节点总数;h_i为第i个节点的输入特征向量;(x_i,y_i,z_i)为节点i在结构坐标系中的三维空间坐标;a_i(t)为节点i对应的加速度时程序列,其中t为离散时间步。

步骤2 对每个节点进行线性映射,投影至统一特征空间,即

(2)$\boldsymbol{h}_{i}^{\prime} \boldsymbol{W} \boldsymbol{h}_{i}$

式(2)中:h'_i为i节点经线性映射后的特征表示;W为可学习的权重矩阵,用于统一不同维度输入的尺度。

为了捕捉各节点与邻居之间的依赖关系,GAT使用注意力机制动态计算节点与其邻接节点的相关性系数^[17],表达式为

(3)$e_{i j}=\text { LeakyReLU }\left(\boldsymbol{a}^{\mathrm{T}}\left[\boldsymbol{h}_{i}^{\prime} \| \boldsymbol{h}_{j}^{\prime}\right]\right.$

式(3)中:a为可学习的注意力向量;‖表示特征拼接操作。e_ij越大表示节点对节点的影响越强。

为使注意力系数具有可比性,引入Softmax函数归一化各邻居的权重,表达式为

(4)$a_{i j}=\frac{\exp \left(e_{i j}\right)}{\sum_{k \in N(i)} \exp \left(e_{i k}\right)}$

式(4)中:a_ij为经Softmax归一化后的注意力权重,用于衡量邻居节点j对节点i的相对重要性。

步骤3 将邻居节点的信息按注意力加权聚合,更新节点表示为

(5)$\boldsymbol{h}_{i}^{(l+1)}=\sigma\left(\sum_{j \in N(i)} a_{i j} \boldsymbol{h}_{j}^{\prime}\right)$

式(5)中:

${h}_{i}^{(\mathrm{l}+1)}$

为l+1层中节点i的特征表示;σ(·)为非线性激活函数,采用ReLU函数。

为进一步增强模型的特征表达能力,引入多头注意力机制,在多个子空间中并行聚合邻居信息,表达式为

(6)$\operatorname{GAT}\left(\boldsymbol{h}_{i}\right)=\|_{m=1}^{M} \sigma\left[\sum_{j \in N_{i}} \boldsymbol{a}_{i j}^{(m)} \boldsymbol{W}^{(m)} \boldsymbol{h}_{i}\right]$

式(6)中:m为注意力头的数量,m=1,2,…,M;

${a}_{\mathrm{i}\mathrm{j}}^{\left(\mathrm{m}\right)}$

和W⁽^m⁾分别为第m个注意力头对应的权重矩阵和注意力系数矩阵。

该模块既能在预训练阶段充分学习缩尺结构的空间动力特征,也能在迁移阶段通过重构图结构适应足尺条件,从而成为跨尺度预测的关键环节。通过显式引入图结构信息与空间位置编码,GAE模块有效增强了模型对结构响应中时空耦合关系的建模能力,并为迁移学习过程中空间先验知识的适配与延拓提供了支持。

1.2 Transformer编码器

Transformer编码器依托自注意力机制,能够有效捕捉输入序列全局范围内不同时间步之间的依赖关系^[18]。利用该模块融合两类关键信息:地震动记录中的地面加速度输入,由图感知编码模块(GAE)提取的结构空间响应特征。两者在时间维度对齐后进行拼接,并通过线性投影映射为统一特征表示,共同构成编码器的输入序列^[19-21]。

如图2所示,编码器结构包含多头自注意力机制、前馈神经网络,以及残差连接与层归一化单元。多头自注意力可在多个子空间中并行捕捉长程依赖关系,前馈网络则进一步增强模型对复杂时序模式的非线性拟合能力。通过多层堆叠,模型能够逐层抽象并综合表征结构响应随时间的动态演化规律。

为提升模型效率并缓解过拟合风险,在编码器输出端引入全局平均池化(global average pooling, GAvgP),沿时间维度对特征进行聚合,将可变长度序列压缩为固定维度的特征向量。该操作在保留全局响应特征的同时,为后续卷积与回归任务提供稳定的输入表示。

此外,该模块具备良好的独立性与迁移适应性。在迁移学习阶段,考虑到足尺数据规模有限,固定Transformer编码器的预训练参数,以维持其在时序建模中已学习到的泛化能力。

1.3 卷积神经网络

卷积神经网络(CNN)在计算机视觉应用中取得了显著成功,如图像识别和分类^[22-25]。研究表明,该模型在处理时间序列数据方面同样具有强大潜力,如股票价格预测^[26]和变形预测^[27-28]等。基于此,本文研究引入CNN模块,旨在对Transformer编码器输出的序列特征进行深度加工,以重点捕捉结构响应中的局部动态变化和短时突变。

具体而言,CNN模块采用三层一维卷积结构:首层卷积保持特征维度不变,通过较大卷积核提取宽感受野特征;第二层将特征维度减半,实现特征压缩与抽象;第三层恢复原始维度,融合多尺度信息。每层卷积后均进行批量归一化并采用ReLU激活函数,以加速训练收敛并增强非线性表达能力。最终,通过自适应平均池化(adaptive avgpool1d)将特征压缩为固定维度的向量。

该CNN模块采用残差连接思想,通过维度变换与恢复实现特征重用,在保证表达力的同时控制参数量。在迁移学习阶段,该模块作为可训练分支进行微调,使模型能够适配足尺结构的局部响应特性,从而提升预测精度。

1.4 迁移学习

迁移学习(transfer learning)旨在将某一任务中学到的知识迁移至另一相关任务中,使目标任务在数据有限或模型能力受限的情况下仍能取得良好的学习效果。其核心思想是利用在源任务中通过大规模数据训练获得的模型能力,在目标任务中进行微调与适配,以便降低目标任务的训练负担并提升泛化性能^[29-30]。形式上,迁移学习可表示为:设一个领域D={λ,P(X)},其中λ表示特征空间,P(X)表示其对应的概率分布;其对应任务为T={Y,f(X)},其中Y为标签空间,f(X)为预测函数。对于源任务T_s(定义在领域D_s)与目标任务T_t(定义在领域T_t),若D_s≠D_t或T_s≠T_t,则迁移学习的目标是在保留源任务知识的前提下,通过适当的模型结构与参数迁移,提升目标任务中预测函数f_t(X)的性能。

迁移学习被用于实现由缩尺模型向足尺结构响应预测的跨尺度知识迁移。具体而言,首先在缩尺有限元数据上对GAE-Transformer-CNN进行预训练,以获得具备结构响应建模能力的基础模型。随后,在迁移阶段保持Transformer编码器参数冻结,从而保留其在缩尺模型中学习到的地震响应特征,并直接迁移至足尺结构。在此基础上,针对足尺结构在几何尺度、传感器布设与拓扑关系方面的差异,重构GAE的图结构,以增强空间适配能力。最后,通过在较小学习率下微调GAE与CNN,并同步更新回归层,实现空间先验与局部动态特征对目标域分布的有效对齐。

通过“冻结主干-重构图结构-微调分支”的迁移机制,模型在仅使用少量足尺样本的条件下,依然能够实现高精度的响应预测,其整体流程如图3所示。

2 数据集建立

为实现结构响应的高效建模与预测,基于缩尺与足尺有限元仿真,并结合振动台试验数据,构建了多源地震响应数据集。整个数据集设计涵盖研究对象与缩尺模型验证、地震动选取与调幅、损伤指标提取,以及数据构成与划分,既保证了物理合理性,又兼顾了深度学习建模对大规模样本的需求。

2.1 研究对象与有限元模型校正

研究对象为河北省衡水市故城县一栋3D打印混凝土民居,原型建筑尺寸为21.3 m × 6.3 m × 4.6 m。按照1∶4.6的几何比例建立缩尺模型,并基于相似理论推导主要物理量关系(表1),其结果符合动力学相似规律。图4展示了足尺与缩尺模型的现场实景,两者在建模假设与构件参数上保持一致,为后续研究提供了可靠基础。

为验证有限元模型的准确性,对足尺与缩尺模型的自振特性进行了对比,并结合现场实测结果进行校核(表2)。结果表明,有限元计算得到的一阶主振型频率与实测值的偏差均小于6%,满足相似理论要求;同时,两者的前三阶振型形态保持良好一致性,说明有限元模型能够较为准确地反映原型结构的动力学特征。基于此,缩尺模型被用于生成大规模训练样本,而足尺模型则提供少量数据以支撑迁移学习。

2.2 地震动选择和调幅设置

为保证地震动输入的多样性和代表性,选取4条典型地震动:汶川波、唐山波、Chi-Chi波、El-Centro波。其中,平原地震动记录作为外部测试集,不参与训练与验证;其余记录用于数据集的构建与划分。

为覆盖不同震级工况,地震动峰值加速度按0.05g、0.11g、0.15g、0.30g、0.40g、0.60g(g为重力加速度)6个挡位进行调幅。此设计使得输入数据既包含轻震下的小响应,也涵盖强震下的显著非线性效应,从而提升模型的跨强度预测能力。

2.3 结构损伤指标

《建筑抗震设计规范》(GB50011—2010)^[31]采用层间位移角作为结构抗侧构件性能的关键控制参数。选取最大层间位移角作为核心损伤指标。该指标能够反映整体侧向变形能力、构件塑性发展与节点转动潜势,是性能化抗震评估中广泛采用的连续型响应参数。

在分析方法上,首先通过模态分析提取结构的前三阶主振型,据此筛选出水平方向响应较为敏感的5面墙体,并计算其层间位移角的最大值,作为监督标签。传感器布设于层间位移角提取截面的具体位置如图5所示,其中传感器布设于关键承重构件节点,截面位置则对应于所筛选墙体的关键响应区域。传感器编号与空间坐标信息与后续图感知编码(GAE)的编号与空间坐标信息保持一致,从而在深度网络中有效引入空间先验与结构拓扑关系。

2.4 地震损伤数据集的构建

基于缩尺与足尺有限元模型,在ABAQUS平台开展非线性时程分析,提取各传感器及地面的加速度时程作为模型输入。为扩充样本并保持物理一致性,采用滑动窗口方式对连续时程进行分段,其中窗口长度取40点,步长为10点,每个窗口由多传感器加速度片段与地面加速度片段组成,经拼接形成固定长度的输入向量;其对应的输出标签为该地震动工况下结构的最大层间位移角。

最终数据集由缩尺有限元数据、振动台试验数据和足尺有限元数据共同构成。缩尺数据在多条地震动和不同调幅工况下生成大规模样本,用于模型的预训练;振动台试验数据来源于3D打印混凝土房屋试验,虽然数量有限,但为有限元结果提供了物理真实性补充;足尺有限元数据仅生成少量样本,主要用于迁移阶段的微调,以保证模型在足尺条件下的适应性。此外,平原地震动记录被单独保留作为独立测试集,用于检验模型在新工况下的泛化能力。数据来源、地震动数量、幅值及数据划分情况如表3所示。缩尺数据提供了绝大多数训练样本,足尺数据在迁移学习中作为小样本补充,而独立测试集则专门用于最终性能评估。

3 模型结果及对比

3.1 预训练模型

已有研究表明,LSTM、XGBoost、Transformer、Transformer-CNN等方法^[32-36]在结构响应预测中取得了一定进展,但精度与泛化能力仍存在不足。为此,在缩尺数据上将这些方法作为基线,与所提出的GAE-Transformer-CNN模型进行对比。

3.1.1 性能评估

表4汇总了测试阶段各方向的R²。结果显示,XGBoost的整体R²显著低于神经网络模型,尤其在D3X、D4X、D5X等侧移主导方向差距较为明显。相比之下,本文模型在5个方向及Macro-Avg、Micro-Avg上均取得最佳表现。其中,在D2Y、D3X和D5X方向上,相较于最优的基线模型,R²提升了0.02~0.03,且其误差分布更加集中。

综合来看,GAE-Transformer-CNN模型通过显式引入图感知编码,有效增强了对结构空间先验与时序依赖的刻画能力,从而在缩尺阶段实现了更高精度与更强稳定性的预测。

3.1.2 泛化能力验证

为进一步检验模型在非训练分布下的表现,采用独立的山东平原波作为外部测试集,其预测值与真实值对比结果如图6所示。整体来看,GAE-Transformer-CNN的预测值与真实值高度吻合,散点分布紧贴45°参考线,残差集中且方差较小,表现出优良的稳健性。相比之下,LSTM、Transformer与Transformer-CNN等模型在多个方向上出现不同程度的偏移与离散,预测点云分布较为分散,误差显著高于本文方法。

从不同方向的表现来看,纵向墙体D1Y与D2Y:GAE-Transformer-CNN的拟合效果最优,R²分别提升至0.913与0.932,整体散点几乎完全贴合参考线,表明其在纵向响应建模中具备显著优势。水平方向D3X与D4X:本文模型依然保持较强的拟合能力,R²分别达到0.832与0.941,对比模型则存在明显离散性,说明其在侧移响应预测上同样具有较强稳定性。山墙方向D5X:由于山墙刚度相对较弱,且其局部构件分布不均、传感器布设受限,使得该方向的预测结果离散度相对较大,点云部分偏离参考线。即便如此,GAE-Transformer-CNN仍取得最高R²(0.897),显著优于其他方法,体现了其在复杂和弱响应工况下的鲁棒性。

综合来看,GAE-Transformer-CNN不仅在缩尺数据上整体超越基线模型,还在独立地震动输入下展现出跨工况泛化能力。这表明所提出的方法能够有效捕捉结构响应的时空特征,并在分布外条件下保持稳定预测。然而,需要指出的是,缩尺模型与实际足尺结构在几何尺寸、构件刚度分布及传感器布设等方面仍存在差异,若直接应用于足尺结构,预测精度可能受到影响。因此,如何在缩尺数据基础上实现高效迁移,是提升模型工程实用性的关键。基于此,进一步提出并验证了针对足尺结构的迁移微调策略,其结果将在第4.2节中展开讨论。

3.2 迁移模型

3.2.1 微调策略

由于缩尺与足尺结构在几何尺度、构件刚度分布和传感器布设等方面存在显著差异,若直接应用缩尺阶段的模型,预测精度将不可避免地下降。为此,在迁移阶段提出“冻结Transformer主干、重构GAE图结构、微调GAE与CNN分支”的策略,以保证模型能够快速适配目标结构。该方法的设计目的在于:保留缩尺阶段所学习到的全局时序依赖特征;通过重构图感知结构与位置编码,更好地捕捉足尺结构的空间差异性;在小样本条件下有效降低过拟合风险,从而提升跨尺度预测能力。

3.2.2 预测性能与对比分析

迁移微调模型在足尺结构测试集上的整体表现如表5所示。结果表明,模型的Macro-R²达到0.929,各方向相关性均不低于0.90(D1Y为0.982,D2Y为0.953,D3X为0.903,D4X为0.955),仅山墙方向D5X略低,为0.854。误差指标方面,MAE与RMSE分别为1.5×10^-4和2.35×10^-4,均控制在10^-4数量级。散点分布结果(图7)进一步显示预测点云高度集中并贴近45°参考线,仅在D5X方向存在一定离散,说明模型在强震与弱信号条件下仍保持较强鲁棒性。

在纵向对比中(表6),本文方法同样展现出显著优势。Liao等^[11]的深度迁移方法在仿真与实测数据之间达到约90%的识别准确率,但仅限于地震事件识别,难以直接应用于连续响应预测;Hu等^[12]的物理约束迁移框架在目标结构预测中保持90%以上准确率,但过度依赖数值模拟与实际结构的一致性;Hao等^[13]的RNN迁移方法使状态估计误差降低至5%以下,提升约20%;Shen等^[14]的CNN-LSTM-ATT方法将层间位移角预测的RMSE降低30%~35%,但需要大量训练数据。相比之下,GAE-Transformer-CNN跨尺度迁移策略不仅实现了Macro-R²接近0.93的高精度预测,误差水平稳定在10^-4数量级,并在缩尺模型向足尺结构的迁移问题上进行了系统性探索与验证,在工程应用价值和推广性方面展现出较大潜力。综上,本文方法在未迁移对比和纵向文献对比中均展现出显著优势,验证了其在跨尺度预测任务中的精度与稳定性。

4 结论

针对足尺结构地震响应数据匮乏、跨尺度预测难度大的挑战,提出了一种基于缩尺数据的跨尺度迁移学习框架。通过构建融合图注意力机制与位置编码的GAE-Transformer-CNN混合模型,实现了在少量足尺样本下对结构关键响应的高精度预测。本研究主要得到以下结论。

(1)提出了有效的跨尺度迁移学习框架。通过“预训练-微调”机制,成功将缩尺模型(源域)中学到的知识迁移至足尺结构(目标域)。最终模型在独立测试集上取得了平均R²=0.929的优异性能,充分证明了利用低成本缩尺试验数据支撑足尺结构安全预测的可行性,为突破数据瓶颈提供了新路径。

(2)设计了能有效捕捉时空特征的混合模型。所提出的GAE模块通过显式引入传感器空间布设与结构拓扑关系,为跨尺度迁移奠定了坚实基础。该混合架构结合了Transformer在捕捉长程时序依赖上的优势与CNN在提取局部响应特征上的能力,实现了对结构地震响应时空耦合机制的完备建模,这构成了其性能超越传统基线模型的关键。

(3)验证了本文方法在新体系中的适用性。以3D打印混凝土民居这一新型结构体系为研究对象,该框架展现出良好的适配性和预测精度,表明本文方法具备向其他复杂或新型结构推广的潜力,为智能化的抗震性能评估提供了技术支撑。

然而,本文研究仍存在一定局限性:首先,数据主要来源于数值仿真与缩尺试验,缺乏真实强震记录与足尺震害数据的验证,模型在实际地震中的可靠性与鲁棒性有待进一步检验。其次,研究对象和地震动类型相对单一,模型在更复杂的结构形式和更广泛的地震场景下的泛化能力仍需深入探究。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	樊健生, 王琛, 宋凌寒. 土木工程智能计算分析研究进展与应用[J]. 建筑结构学报, 2022, 43(9): 1-22.

[2]	Fan Jiansheng, Wang Chen, Song Linghan. Research progress and applications of intelligent computational analysis in civil engineering[J]. Journal of Building Structures, 2022, 43(9): 1-22.

[3]	Bao Y, Chen Z, Wei S, et al. The state of the art of data science and engineering in structural health monitoring[J]. Engineering, 2019, 5(2): 234-242.

[4]	Cha Y J, Ali R, Lewis J, et al. Deep learning-based structural health monitoring[J]. Automation in Construction, 2024, 161: 105328.

[5]	Morfidis K, Kostinakis K. Approaches to the rapid seismic damage prediction of r/c buildings using artificial neural networks[J]. Engineering Structures, 2018, 165: 120-141.

[6]	许泽坤, 陈隽. 非线性结构地震响应的神经网络算法[J]. 工程力学, 2021, 38(9): 133-145.

[7]	Xu Zekun, Chen Jun. Neural network algorithms for seismic response of nonlinear structures[J]. Engineering Mechanics, 2021, 38(9): 133-145.

[8]	张晨宇. 不完备信息下基于深度学习的RC框架结构韧性快速评价[D]. 哈尔滨: 哈尔滨工业大学, 2024.

[9]	Zhang Chenyu. Rapid resilience assessment of rc frame structures based on deep learning under incomplete information[D]. Harbin: Harbin Institute of Technology, 2024.

[10]	Cao Y C, Zheng J F, Xiong C. Prediction of inter-story drift ratio limits for reinforced concrete frame structures based on XGBoost[C]// Proceedings of the 2024 Eurasian OpenSees Days. Cham: Springer Nature Switzerland, 2025: 28-37.

[11]	Liao Q, Bao Y, Hu H, et al. Mechanics-informed transformer-GCN for structural dynamic response prediction[J]. Engineering Structures, 2025, 325: 119470.

[12]	Liu C, Liang Z, Liu H, et al. Seismic performance of 3D printed reinforced concrete walls: experimental study and numerical simulation[J]. Engineering Structures, 2025, 333: 120143.

[13]	康昊, 郭子雄, 刘洋, 等. 基于CNN的考虑地震波时频特征影响滤波方法研究[J]. 工程力学, 2025, 42(11): 103-114.

[14]	Kang Hao, Guo Zixiong, Liu Yang, et al. A CNN-based filtering method considering the influence of time-frequency characteristics of seismic waves[J]. Engineering Mechanics, 2025, 42(11): 103-114.

[15]	Liao W, Chen X, Lu X, et al. Deep transfer learning and time-frequency characteristics-based identification method for structural seismic response[J]. Frontiers in Built Environment, 2021, 7: 627058.

[16]	Hu Y, Guo W, Xu Z, et al. Physics knowledge-based transfer learning between buildings for seismic response prediction[J]. Soil Dynamics and Earthquake Engineering, 2024, 177: 108420.

[17]	Hao S. Advanced machine learning approaches for force reconstruction and state estimation in structural dynamics[D]. Hong Kong: Hong Kong Polytechnic University, 2025.

[18]	Shen Y, Ma G, Hwang H J, et al. Prediction of seismic response of building structures using a CNN-LSTM-ATT network with transfer learning[J]. Advances in Structural Engineering, 2025, 28(14): 2710-2725.

[19]	Veličković P, Cucurull G, Casanova A, et al. Graph attention networksC// The Proceedings of the 6th International Conference on Learning Representations ( ICLR). Vancouver: ICLR, 2018: 1-12.

[20]	Li P, Wang Y, Wang H, et al. Distance encoding: design provably more powerful neural networks for graph representation learning[C]// The Proceedings of the 34th International Conference on Neural Information Processing Systems. Vancouver: NeurIPS, 2020: 4465-4478.

[21]	Pok H, Germain S P. A real-time structural seismic response prediction framework based on transfer learning and unsupervised learning[J]. Engineering Structures, 2025, 323: 139237.

[22]	Zhang W, Yan B, Yi W. Research on multi-model prediction of skeleton curves of prefabricated concrete columns based on residual fusion long short-term memory-Transformer[J]. Journal of Building Engineering, 2023, 79: 107821.

[23]	周烽, 王世璞, 张坤鹏. 基于图Transformer网络的城市路网短时交通流预测模型[J]. 科学技术与工程, 2024, 24(10): 4307-4316.

[24]	Zhou Feng, Wang Shipu, Zhang Kunpeng. Short-term traffic flow prediction model for urban road network based on graph transformer network[J]. Science Technology and Engineering, 2024, 24(10): 4307-4316.

[25]	付涵, 范伟, 刘海文, 等. 基于CNN-Transformer-BiLSTM的飞机颠簸预测方法[J]. 科学技术与工程, 2025, 25(33): 14363-14370.

[26]	Fu Han, Fan Wei, Liu Haiwen, et al. Aircraft turbulence prediction method based on CNN-Transformer-BiLSTM[J]. Science Technology and Engineering, 2025, 25(33): 14363-14370.

[27]	叶万瑞, 刘哲, 苏杨, 等. 基于卷积神经网络和Transformer的供热管网泄漏故障诊断[J]. 科学技术与工程, 2025, 25(13): 5589-5597.

[28]	Ye Wanrui, Liu Zhe, Su Yang, et al. Leakage fault diagnosis of heating pipe networks based on convolutional neural network and Transformer[J]. Science Technology and Engineering, 2025, 25(13): 5589-5597.

[29]	Su M, Wan J, Zhou Q, et al. Utilizing pretrained convolutional neural networks for crack detection and geometric feature recognition in concrete surface images[J]. Journal of Building Engineering, 2024, 98: 111386.

[30]	Feng D C, Yi X, Deger Z T, et al. Rapid post-earthquake damage assessment of building portfolios through deep learning-based component-level image recognition[J]. Journal of Building Engineering, 2024, 98: 111380.

[31]	张璇璇, 韩小雷, 石圆圆, 等. 融合多尺度多通道特征的深度监督网络实现裂缝检测[J]. 科学技术与工程, 2024, 24(13): 5595-5603.

[32]	Zhang Xuanxuan, Han Xiaolei, Shi Yuanyuan, et al. Crack detection using a deeply supervised network integrated with multi-scale and multi-channel features[J]. Science Technology and Engineering, 2024, 24(13): 5595-5603.

[33]	周泽文, 钟紫婷, 翟慕赛, 等. 基于卷积神经网络的新奇检测技术在结构损伤识别中的应用[J]. 科学技术与工程, 2024, 24(21): 9069-9076.

[34]	Zhou Zewen, Zhong Ziting, Zhai Musai, et al. Application of novelty detection technology based on convolutional neural network in structural damage identification[J]. Science Technology and Engineering, 2024, 24(21): 9069-9076.

[35]	Mehtab S, Sen J. Analysis and forecasting of financial time series using CNN and LSTM-based deep learning models[C]// Advances in Distributed Computing and Machine Learning. Singapore: Springer, 2022: 405-423.

[36]	Lin C, Weng K, Lin Y, et al. Time series prediction of dam deformation using a hybrid STL-CNN-GRU model based on sparrow search algorithm optimization[J]. Applied Sciences, 2022, 12(23): 11951.

[37]	He Y, Yan H, Yang W, et al. Time-series analysis and prediction of surface deformation in the Jinchuan mining area, Gansu Province, by using InSAR and CNN-PhLSTM network[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2022, 15: 6732-6751.

[38]	Pan S J, Yang Q. A survey on transfer learning[J]. IEEE Transactions on Knowledge and Data Engineering, 2010, 22(10): 1345-1359.

[39]	王二成, 肖俊伟, 李家豪, 等. 基于Inception-BiLSTM和迁移学习的结构损伤识别[J]. 科学技术与工程, 2024, 24(18): 7776-7784.

[40]	Wang Ercheng, Xiao Junwei, Li Jiahao, et al. Structural damage identification based on Inception-BiLSTM and transfer learning[J]. Science Technology and Engineering, 2024, 24(18): 7776-7784.

[41]	中华人民共和国住房和城乡建设部.建筑抗震设计规范: GB 50011—2010(2016年版)局部修订条文(2024年版)[S]. 北京: 中国标准出版社, 2024.

[42]	Ministry of Housing and Urban-Rural Development of the People’s Republic of China. Code for seismic design of buildings: partial revised provisions (2024 Edition) of GB 50011— 2010 (2016 Edition)[S]. Beijing: Standards Press of China, 2024.

[43]	Dai H, Zhou Y, Liu H, et al. XGBoost-based prediction of on-site acceleration response spectra with multi-feature inputs from P-wave arrivals[J]. Soil Dynamics and Earthquake Engineering, 2024, 178: 108503.

[44]	Zhang Q, Guo M, Zhao L, et al. Transformer-based structural seismic response prediction[J]. Structures, 2024, 61: 105929.

[45]	Yazdanpanah O, Park M, Chang M, et al. Mastering seismic time series response predictions using an attention-Mamba transformer model for bridge bearings and piers across varied testing conditions[J]. Scientific Reports, 2024, 14(1): 29751.

[46]	Yan L, Liu P, Yang F, et al. Enhanced convolutional neural network-transformer framework for accurate prediction of the flexural capacity of ultra-high-performance concrete beams[J]. Buildings, 2025, 15(17): 3138.

[47]	Xie Y. Deep learning in earthquake engineering: a comprehensive review[J]. ASCE OPEN: Multidisciplinary Journal of Civil Engineering, 2025, 3(1): 03125001.

基金资助

中国地震局工程力学研究所科学研究基金(2023A01)

国家自然科学基金(52378544)

国家自然科学基金(52378543)

国家重点研发计划(2023YFC3805203)

PDF (15921KB)

访问

被引

详细

导航

Received	Published	Revised
2025-10-02	2026-07-28	2026-01-19
Online Date
2026-08-14

摘要