实验训练GRU网络

预测结构动力响应

用实时混合仿真数据训练的深度门控循环单元网络，能对含复杂部件的结构体系给出准确可靠的动力时程预测。

Gao, Xiaoshu · Peng, Changle · 徐伟杰 · 郭彤 · Chen, Cheng

Mechanical Systems and Signal Processing 2025

技术优势

实验成本更低

通过CV-Voronoi自适应采样，用更少的实时混合仿真实验即可训练出可靠的网络。

预测足够可靠

用非平稳随机地震动模型生成训练波，并在额外测试上验证，网络预测与实验吻合良好。

应用场景

• 结构抗震：快速预测结构地震响应，作为传统有限元分析的替代方案。
• 结构健康监测：用训练好的网络实时推断结构状态，辅助损伤识别与预警。
• 智能建造与结构：将实验数据融入数据驱动模型，为智能建造提供数字孪生工具。
• 振动控制：用于带自复位粘滞阻尼器的结构，评估其减振控制效果。
• 动力测试与仿真：用机器学习代理模型加速动力测试流程，减少物理实验次数。