报告

第一部分：主要作者与研究发表情况

本文的研究由Dan Zhang、Yuang Chen、Chen Zhang、Guixiang Xue、Junfei Zhang、Mo Zhang、Ling Wang和Ning Li完成，这些作者分别隶属于河北工业大学土木与交通工程学院、人工智能学院，天津大学土木工程学院，以及相关的教育部和中国地震局的重点实验室等科研机构。这项研究发表于《Engineering Structures》期刊（Elsevier），2023年第279卷，文章编号115574。

第二部分：研究的学术背景

本文聚焦于以预制分段的自复位混凝土填充钢管单跨桥梁（Precast Segmental Self-Centering Concrete-Filled Steel Tube, PSCFST）为研究对象。近年来，随着快速施工和抗震性能的需求提升，学术界在预制混凝土柱以及新型桥梁结构的研究上取得了一定进展。预制分段自复位桥柱作为一种重要结构形式，表现出显著的抗震性能和恢复能力。然而，目前关于PSCFST桥梁的地震试验研究较为有限，特别是在整桥体系动态行为和高幅输入地震动作用下的性能尚未深入探索。因此，该研究的目标是通过机器学习（Machine Learning, ML）技术预测PSCFST桥梁在大幅地震作用下的加速度响应，从而解决实验设备和场地限制的问题，并进一步理解该类桥梁的动态性能。

第三部分：研究的详细工作流程

研究的工作流程大致分为以下几个重要步骤：

（1）摇振台试验数据的采集

研究首先利用摇振台试验对PSCFST桥梁进行了小幅地震动输入的测试。试验桥梁样本选择自中国鄂尔多斯的某实际高速公路桥，模型缩尺比为1:4，实验中总质量为28.21吨。桥墩采用预制分段自复位柱设计，由三个高为600mm、直径为400mm的混凝土填充钢管段组成，钢管材料为Q235钢，核心混凝土为C40级普通商品混凝土。装置内部包括预应力钢束外加耗能器，以确保自复位能力和耗能性能。实验输入的地震动记录选自Pacific Earthquake Engineering Research Center (PEER) 数据库以及两组人工合成地震动，输入幅值覆盖0.05g到0.15g区间。

（2）有限元模型的建立与验证

研究基于OpenSees平台建立了PSCFST桥梁的纤维有限元模型（Fiber Finite Element, FFE）。模型中，钢箱梁作为弹性结构采用弹性梁单元；柱结构通过纤维截面建模，并加入无伸缩（Elastic-No Tension）单元模拟段间界面。钢管采用steel02模型以考虑其各向强化效应，而混凝土使用基于Kent-Scott-Park原则的Concrete01模型。研究通过RSN292地震动输入（10%-50%幅值）的试验结果对模型进行了验证，峰值加速度相对误差在1.4%-7%之间，验证了模型的准确性。

（3）大幅地震动下有限元动力时程分析

通过验证后的有限元模型，研究模拟了70%-120%幅值地震动作用下PSCFST桥梁的加速度响应，以获得大规模地震动数据用于机器学习模型的训练数据补充。

（4）机器学习预测模型的建立和对比

研究设计了基于一维卷积神经网络（Conv1D）和长短时记忆网络（Long Short-Term Memory, LSTM）的组合预测模型（Conv1D-LSTM）。通过卷积神经网络提取地震响应数据的空间特征，利用LSTM进一步提取内在时间序列关系特征。数据集包括116组小幅地震动试验数据以及224组有限元模型仿真数据。此外，研究还使用了两种传统机器学习模型，包括Extreme Gradient Boosting (XGBoost)算法和随机森林回归（Random Forest Regression, RFR）算法作为对比基准。输入数据被分为训练集和测试集，测试数据为RSN292 60%幅值的地震动。

第四部分：研究的主要结果

（1）基于测试数据的小幅地震动响应预测

Conv1D-LSTM模型在摇振台试验的小幅地震动响应预测中表现最佳，得到的决定系数（R²）为0.9426，显著高于XGBoost模型的0.7921和RFR模型的0.9147。此模型能够有效捕捉PSCFST桥梁的空间和时间特征，具有较高的抗异常值能力和泛化能力。

（2）基于大幅地震动的仿真数据预测

在大幅度地震动的预测实验中，Conv1D-LSTM模型依旧优于其他对比模型，其在RSN292 70%-120%幅值的数据预测中R²平均值为0.960，在所有实验中RMSE（均方根误差）最低，仅为0.015左右。随机森林模型虽略逊色，但表现也接近Conv1D-LSTM。而XGBoost模型则在时间序列处理的长时间依赖问题上较为局限，预测精度表现不如其他方法。

第五部分：研究的结论与意义

本研究通过新型机器学习模型的开发，实现了对PSCFST桥梁不同输入地震动下加速度响应的高精度预测。这一研究的意义在于： 1. 提供了一种适用于复杂桥梁结构抗震性能研究的新方法，能够替代部分破坏性实验。 2. 提高了ML模型在非线性动态响应预测中的应用潜力，为桥梁结构抗震设计和灾后性能评估提供了新视角。 3. Conv1D-LSTM模型的提出，结合空间和时间序列特征提取，为工程结构的地震响应建模开创了新路径。

第六部分：研究亮点

1. 高精度预测模型：结合卷积神经网络和长短时记忆网络的特点，显著提高了预测性能。
2. 有限元仿真与ML融合：通过有限元模型生成大幅地震动数据，成功弥补了实验观测数据的不足。
3. 创新性研究框架：首次在PSCFST桥梁的地震动响应预测中引入深度神经网络方法。

第七部分：其他有价值的内容

研究还探讨了PSCFST桥梁在实际环境下的潜在应用场景，特别是在高烈度地震区域的快速施工领域。同时，该研究为ML方法的快速训练和推理效率优化提供了思路，可在未来更广泛的场景下推广。