典型文献
基于神经网络的建筑结构安全评估模型研究
文献摘要：
为实现建筑结构安全的快速评估,提出基于神经网络的建筑结构安全评估方法.基于《民用建筑可靠性鉴定标准》的调查与检测要求并考虑数据易获取性,选择45个涵盖承载力、耐久性、历史记录和环境情况等变量作为输入参数,以《民用建筑可靠性鉴定标准》中的安全等级作为输出参数,采用深度置信网络学习输入参数与输出参数间的非线性映射关系.对输入参数的选择、样本缺值问题、小样本问题和神经网络评估的可靠性进行探讨和验证.结果表明:在无法准确判断输入参数与输出参数相关性的前提下,采用全部输入参数的评估模型具有更高的鲁棒性;迷失森林算法相较其他常用的缺值插补算法有更好的插补性能;采用变分自编码器扩充训练样本集能有效提高神经网络的泛化能力和分类精度;对深度置信网络引入加权交叉熵损失函数加以改进可增加训练时对不安全类别的敏感性,牺牲少量不安全类别的查准率可以大幅提高其查全率;基于神经网络的结构安全评估模型能较好地预测结构的安全等级,具有快速且大批量运算的优势,是实现大范围建筑群结构安全监测的有效手段.
文献关键词：
结构安全评估;神经网络;小样本问题;缺失数据插补;查准率;查全率
中图分类号：
作者姓名：
王俊杰;焦柯;彭子祥
作者机构：
广东省建筑设计研究院有限公司,广东广州 510010
文献出处：
引用格式：
[1]王俊杰;焦柯;彭子祥-.基于神经网络的建筑结构安全评估模型研究)[J].建筑科学与工程学报,2022(04):174-182
A类：
深度置信网络学习
B类：
建筑结构,结构安全评估,快速评估,安全评估方法,民用建筑,建筑可靠性,可靠性鉴定,鉴定标准,检测要求,耐久性,历史记录,输入参数,安全等级,输出参数,数间,非线性映射,映射关系,小样本问题,网络评估,参数相关性,迷失,插补算法,变分自编码器,训练样本集,高神,泛化能力,分类精度,加权交叉熵损失函数,加以改进,加训,安全类,查准率,查全率,大批量,建筑群,安全监测,缺失数据插补
AB值：
0.300693
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
