可模拟构件压弯剪耦合的分析方法、系统、设备及介质

摘要

本发明涉及一种可模拟构件压弯剪耦合的分析方法、系统、设备及介质，其方法包括：对混凝土待分析构件开展弹塑性分析的过程中，在第i分析步的结构刚度计算时，判断第i‑1分析步下待分析构件的受力特征是否满足本构参数的更新阈值要求；若满足，则通过已训练的神经网络拓扑关系，根据待分析构件的受力特征映射出映射骨架控制参数和映射滞回环控制参数，更新映射骨架和映射滞回环，根据更新的映射骨架和更新的映射滞回环，计算第i分析步的结构刚度，完成第i分析步的弹塑性分析，继续第i+1分析步的结构刚度计算。本发明通过对本构参数的实时更新，在避免高额求解成本的同时，模拟更加真实的混凝土构件压弯剪耦合效应。

权利要求

1.一种可模拟构件压弯剪耦合的分析方法，其特征在于，包括：对混凝土待分析构件进行逐个分析步的弹塑性分析；

在第i分析步的结构刚度计算时，i为≥2的整数，判断第i‑1分析步下所述待分析构件的受力特征是否满足本构参数的更新阈值要求；

若不满足更新阈值要求，则不更新所述待分析构件的映射骨架和映射滞回环，根据第i‑1分析步下的所述映射骨架和所述映射滞回环，计算第i分析步的结构刚度，完成第i分析步的弹塑性分析，继续第i+1分析步的结构刚度计算，直至所述弹塑性分析结束；

若满足更新阈值要求，则根据第i‑1分析步下所述待分析构件的受力特征，以及预先定义的各所述待分析构件的物理特征，通过已训练的神经网络拓扑关系，映射出与所述受力特征和所述物理特征匹配的映射骨架控制参数 和映射滞回环控制参数根据所述映射骨架控制参数 更新映射骨架，根据所述映射滞回环控制参数更新映射滞回环，根据更新的所述映射骨架和更新的所述映射滞回环，计算第i分析步的结构刚度，完成第i分析步的弹塑性分析，继续第i+1分析步的结构刚度计算，直至所述弹塑性分析结束；

所述受力特征包括剪跨比和轴压系数，所述物理特征包括配箍特征值和配筋特征值。

2.根据权利要求1所述的一种可模拟构件压弯剪耦合的分析方法，其特征在于，判断第i‑1分析步下所述待分析构件的受力特征是否满足本抅参数的更新阈值要求，包括：判断第i‑1分析步下所述待分析构件的受力特征是否满足下式：且

λi、λi‑1分别为第i分析步和第i‑1分析步的剪跨比，μi、μi‑1分别为第i分析步和i‑1分析步的轴压系数，为预设的剪跨阈值，为预设的轴压阈值。

3.根据权利要求1所述的一种可模拟构件压弯剪耦合的分析方法，其特征在于，所述神经网络拓扑关系的训练，包括：获取若干不同试验构件的受力特征、物理特征以及拟静力试验的试验骨架和试验滞回环；

根据所述试验骨架，辨识出映射骨架控制参数

根据所述试验滞回环，辨识出映射滞回环控制参数

将所述试验构件的受力特征、物理特征以及辨识出的映射骨架控制参数 映射滞回环控制参数 作为样本数据集，根据所述样本训练集训练所述神经网络拓扑关系。

4.根据权利要求3所述的一种可模拟构件压弯剪耦合的分析方法，其特征在于，根据所述试验骨架，辨识出映射骨架控制参数 包括：按照下式计算映射骨架与试验骨架的能量包围误差

fske,ex(D)为试验骨架， 为映射骨架；

以获得最小的映射骨架与试验骨架能量包围误差 为目标，迭代辨识出映射骨架控制参数

5.根据权利要求3所述的一种可模拟构件压弯剪耦合的分析方法，其特征在于，根据所述试验滞回环，辨识出映射滞回环控制参数 包括：按照下式计算映射滞回环与试验滞回环的能量包围误差 式中fhy,ex(D)为试验滞回环：

为映射滞回环，Dun为卸载起始点变形，Dre为重加载指向点变形， 为映射滞回环控制参数；

以获得最小的映射滞回环与试验滞回环能量包围误差 为目标，迭代辨识出映射滞回环控制参数

6.根据权利要求4所述的一种可模拟构件压弯剪耦合的分析方法，其特征在于，所述映射骨架采用下式描述：x＝D/Dc，y＝M/Mc，(Dc，Mc)为映射骨架峰值点，D与M分别为时刻下恢复力模型的变形和内力，m和n均为用于调节映射骨架的变形能力形状系数；

所述映射骨架控制参数 包括映射骨架峰值点Dc、Mc和变形能力形状系数m、n。

7.根据权利要求5所述的一种可模拟构件压弯剪耦合的分析方法，其特征在于，所述映射滞回环包括卸载段和重加载段，所述卸载段的刚度通过参数α控制，所述重加载段通过参数β和γ控制拐点位置，所述映射滞回环通过参数η控制强度退化效应；

所述映射滞回环控制参数 包括参数α、β、γ、η。

8.一种可模拟构件压弯剪耦合的分析系统，其特征在于，包括分析模块；

所述分析模块，用于对混凝土待分析构件进行逐个分析步的弹塑性分析；

所述分析模块设有判断模块和更新模块；

所述判断模块，用于：

在第i分析步的结构刚度计算时，i为≥2的整数，判断第i‑1分析步下所述待分析构件的受力特征是否满足本构参数的更新阈值要求；

所述更新模块，用于：

若所述判断模块判定不满足更新阈值要求，则不更新所述待分析构件的映射骨架和映射滞回环，以使所述分析模块根据第i‑1分析步下的所述映射骨架和所述映射滞回环，计算第i分析步的结构刚度，完成第i分析步的弹塑性分析；

若所述判断模块判定满足更新阈值要求，则根据第i‑1分析步下所述待分析构件的受力特征，以及预先定义的各所述待分析构件的物理特征，通过已训练好的神经网络拓扑关系，映射出与所述受力特征和所述物理特征匹配的映射骨架控制参数 和映射滞回环控制参数 根据所述映射骨架控制参数 更新映射骨架，根据所述映射滞回环控制参数 更新映射滞回环，以使所述分析模块根据更新的所述映射骨架和更新的所述映射滞回环，计算第i分析步的结构刚度，完成第i分析步的弹塑性分析；

所述受力特征包括剪跨比和轴压系数，所述物理特征包括配箍特征值和配筋特征值。

9.一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，其特征在于，所述处理器执行计算机程序时实现如权利要求1至7任一项所述的可模拟构件压弯剪耦合的分析方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的可模拟构件压弯剪耦合的分析方法。

说明书

可模拟构件压弯剪耦合的分析方法、系统、设备及介质

技术领域

[0001] 本发明涉及混凝土构件模拟技术领域，更具体地，涉及一种可模拟构件压弯剪耦合的分析方法、系统、设备及介质。

背景技术

[0002] 多次震害表明，大量钢筋混凝土框架结构在强震作用下严重损坏甚至倒塌，造成巨大的人员伤亡和经济损失，混凝土构件是钢筋混凝土框架结构的主要抗侧力构件，需准确模拟混凝土构件的抗震性能。混凝土构件的破坏模式及变形性能主要由剪跨控制，大剪跨构件以弯曲变形为主，小剪跨构件以剪切变形为主。然而，即使以弯曲变形为主的混凝土构件，塑性区的水平裂缝与斜裂缝往往相伴产生。因此，混凝土构件的非线性弯曲变形与非线性剪切变形间存在固有的耦合效应，即弯剪耦合效应。在地震作用下，由于竖向荷载效应及水平荷载效应存在截然不同的内力分布模式，混凝土梁的剪跨随地震激励的变化而改变，致使混凝土梁在不同的地震动激励下呈现不同的破坏模式；此外，混凝土柱承受循环轴力的作用，混凝土梁在楼板及竖向构件的约束下承受循环轴力的作用，循环轴力将加剧构件塑性的发展，其内力重分布导致构件剪跨循环变化，进而显著影响构件的变形能力及破坏模式。因此，在地震作用下，轴力与构件弯曲变形及剪切变形之间存在显著的耦合效应，即压弯剪耦合效应。

[0003] 压弯剪耦合效应对混凝土构件的刚度、承载力、变形能力及耗能能力产生显著影响，忽略耦合效应可能高估构件承载力并低估构件的损伤程度。因此，压弯剪耦合效应在混凝土构件的数值模拟中不可忽略。

[0004] 现有模拟混凝土构件的弹塑性单元可分为分布塑性铰单元及集中塑性铰单元两大类。集中塑性铰单元理论简单，与机器学习相结合可显著提高模拟精度，但单元的变形能力及耗能能力在求解过程中恒定不变，无法模拟压弯剪耦合效应。现有方法将分布塑性铰单元与弥散裂缝理论相结合，通过多维混凝土本构模型及平截面假定模拟压弯剪耦合效应。但弥散裂缝理论及多维混凝土本构模型的引入，增加了弹塑性模型的复杂度，显著提高了计算成本及收敛难度，以现有计算机处理速度，无法在工程中实用。此外，分布塑性铰单元及弥散裂缝理论均基于“应力‑应变”材料本构关系来描述构件的复杂非线性行为，因此无法通过构件试验进行标定，导致压弯剪耦合效应模拟结果无法得到试验支撑，不能有效反应混凝土构件在地震作用下的真实力学行为，对混凝土结构的抗震安全性造成隐患。

发明内容

[0005] 本发明旨在克服上述现有技术的至少一种缺陷(不足)，提供一种可模拟构件压弯剪耦合的分析方法、系统、设备及介质，用于解决在弹塑性分析中无法模拟更加真实的混凝土构件压弯剪耦合效应的问题。

[0006] 本发明采取的技术方案是：

[0007] 第一方面，本发明提供一种可模拟构件压弯剪耦合的分析方法，包括：

[0008] 对混凝土待分析构件进行逐个分析步的弹塑性分析；

[0009] 在第i分析步的结构刚度计算时，i为≥2的整数，判断第i‑1分析步下所述待分析构件的受力特征是否满足本构参数的更新阈值要求；

[0010] 若不满足更新阈值要求，则不更新所述待分析构件的映射骨架和映射滞回环，根据第i‑1分析步下的所述映射骨架和所述映射滞回环，计算第i分析步的结构刚度，完成第i分析步的弹塑性分析，继续第i+1分析步的结构刚度计算，直至所述弹塑性分析结束；

[0011] 若满足更新阈值要求，则根据第i‑1分析步下所述待分析构件的受力特征，以及预先定义的各所述待分析构件的物理特征，通过已训练的神经网络拓扑关系，映射出与所述受力特征和所述物理特征匹配的映射骨架控制参数 和映射滞回环控制参数

[0012] 根据所述映射骨架控制参数 更新映射骨架，根据所述映射滞回环控制参数更新映射滞回环，根据更新的所述映射骨架和更新的所述映射滞回环，计算第i分析步的结构刚度，完成第i分析步的弹塑性分析，继续第i+1分析步的结构刚度计算，直至所述弹塑性分析结束；

[0013] 所述受力特征包括剪跨比和轴压系数，所述物理特征包括配箍特征值和配筋特征值。

[0014] 可选地，判断第i‑1分析步下所述待分析构件的受力特征是否满足本抅参数的更新阈值要求，包括：

[0015] 判断第i‑1分析步下所述待分析构件的受力特征是否满足下式：

[0016] 且

[0017] λi、λi‑1分别为第i分析步和第i‑1分析步的剪跨比，μi、μi‑1分别为第i分析步和i‑1分析步的轴压系数，为预设的剪跨阈值，为预设的轴压阈值。

[0018] 可选地，所述神经网络拓扑关系的训练，包括：

[0019] 获取若干不同试验构件的受力特征、物理特征以及拟静力试验的试验骨架和试验滞回环；

[0020] 根据所述试验骨架，辨识出映射骨架控制参数

[0021] 根据所述试验滞回环，辨识出映射滞回环控制参数

[0022] 将所述试验构件的受力特征、物理特征以及辨识出的映射骨架控制参数映射滞回环控制参数 作为样本数据集，根据所述样本训练集训练所述神经网络拓扑关系。

[0023] 可选地，根据所述试验骨架，辨识出映射骨架控制参数 包括：

[0024] 按照下式计算映射骨架与试验骨架的能量包围误差

[0025]

[0026] fske，ex(D)为试验骨架， 为映射骨架；

[0027] 以获得最小的映射骨架与试验骨架能量包围误差 为目标，迭代辨识出映射骨架控制参数

[0028] 可选地，根据所述试验滞回环，辨识出映射滞回环控制参数 包括：

[0029] 按照下式计算映射滞回环与试验滞回环的能量包围误差 式中fhy，ex(D)为试验滞回环：

[0030]

[0031] 为映射滞回环，Dun为卸载起始点变形，Dre为重加载指向点变形，为映射滞回环控制参数；

[0032] 以获得最小的映射滞回环与试验滞回环能量包围误差 为目标，迭代辨识出映射滞回环控制参数

[0033] 可选地，所述映射骨架采用下式描述：

[0034]

[0035] x＝D/Dc，y＝M/Mc，(Dc，Mc)为映射骨架峰值点，D与M分别为时刻下恢复力模型的变形和内力，m和n均为用于调节映射骨架的变形能力形状系数；

[0036] 所述映射骨架控制参数 包括映射骨架峰值点Dc、Mc和变形能力形状系数m、n。

[0037] 可选地，所述映射滞回环包括卸载段和重加载段，所述卸载段的刚度通过参数α控制，所述重加载段通过参数β和γ控制拐点位置，所述映射滞回环通过参数η控制强度退化效应；

[0038] 所述映射滞回环控制参数 包括参数α、β、γ、η。

[0039] 第二方面，本发明提供一种可模拟构件压弯剪耦合的分析系统，包括分析模块；

[0040] 所述分析模块，用于对混凝土待分析构件进行逐个分析步的弹塑性分析；

[0041] 所述分析模块设有判断更新模块；

[0042] 所述判断更新模块，用于：

[0043] 在第i分析步的结构刚度计算时，i为≥2的整数，判断第i‑1分析步下所述待分析构件的受力特征是否满足本构参数的更新阈值要求；

[0044] 若不满足更新阈值要求，则不更新所述待分析构件的映射骨架和映射滞回环，以使所述分析模块根据第i‑1分析步下的所述映射骨架和所述映射滞回环，计算第i分析步的结构刚度，完成第i分析步的弹塑性分析；

[0045] 若满足更新阈值要求，则根据第i‑1分析步下所述待分析构件的受力特征，以及预先定义的各所述待分析构件的物理特征，通过已训练的神经网络拓扑关系，映射出与所述受力特征和所述物理特征匹配的映射骨架控制参数 和映射滞回环控制参数根据所述映射骨架控制参数 更新映射骨架，根据所述映射滞回环控制参数
更新映射滞回环，以使所述分析模块根据更新的所述映射骨架和更新的所述映射滞回环，计算第i分析步的结构刚度，完成第i分析步的弹塑性分析；

[0046] 所述受力特征包括剪跨比和轴压系数，所述物理特征包括配箍特征值和配筋特征值。

[0047] 第三方面，本发明提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，所述处理器执行计算机程序时实现如第一方面所述的可模拟构件压弯剪耦合的分析方法。

[0048] 第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的可模拟构件压弯剪耦合的分析方法。

[0049] 与现有技术相比，本发明的有益效果为：通过神经网络拓扑关系，根据构件的受力特征和物理特征“主动”地实时更新本构参数，以模拟压弯剪耦合效应，相比于现有通过理论模型模拟压弯剪耦合，有效实现了对弹塑性分析结果的实时反馈和校正，在避免因引入压弯剪耦合理论模型造成的高额求解成本的同时，模拟更加真实的压弯剪耦合效应。

附图说明

[0050] 图1为本发明实施例1可模拟构件压弯剪耦合的分析方法流程图。

[0051] 图2为本发明实施例2神经网络拓扑关系的训练流程图。

[0052] 图3为本发明实施例2中可表征强度软化特性及不同延性特征的映射骨架示意图。

[0053] 图4为本发明实施例2中可表征捏拢滞回特性的映射滞回环示意图。

[0054] 图5为本发明实施例2中神经网络拓扑关系网络结构示意图。

[0055] 图6为本发明实施例2中混凝土构件弹塑性分析算例不同破坏类型构件的滞回响应模拟测试图。

[0056] 图7为本发明实施例2中混凝土构件弹塑性分析算例不同方式的迭代次数及求解效率测试图。

[0057] 图8为本发明实施例2中混凝土结构弹塑性分析算例采用的人工地震波加速度时程曲线图。

[0058] 图9为本发明实施例2中混凝土结构弹塑性分析算例部分混凝土梁的剪跨比时变过程曲线图。

[0059] 图10为本发明实施例2中混凝土结构弹塑性分析算例混凝土构件滞回特性的影响测试图。

[0060] 图11为本发明实施例2中混凝土结构弹塑性分析算例混凝土结构响应的影响测试图。

[0061] 图12为本发明实施例3中可模拟构件压弯剪耦合的分析系统组成图。

具体实施方式

[0062] 本发明附图仅用于示例性说明，不能理解为对本发明的限制。为了更好说明以下实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

[0063] 实施例1

[0064] 本实施例提供一种可模拟构件压弯剪耦合的分析方法，在对混凝土构件进行弹塑性分析时，可以实现对弹塑性分析结果的实时反馈和实时校正，在避免因引入压弯剪耦合理论模型造成的高额求解成本的同时，模拟更加真实的压弯剪耦合效应。

[0065] 图1是本实施例可模拟构件压弯剪耦合的分析方法流程图，如图1所示，该方法可以包括：

[0066] 对混凝土待分析构件进行逐个分析步的弹塑性分析；

[0067] 开始弹塑性分析后：

[0068] S11.在第i分析步的结构刚度计算时，i为≥2的整数，判断第i‑1分析步下待分析构件的受力特征是否满足本构参数的更新阈值要求，若否则执行步骤S12，若是则执行步骤S13。

[0069] 受力特征可以包括剪跨比λ和轴压系数μ，还可以包括其他特征参数。剪跨比λ的计算公式可以采用：λ＝M/(Vh0)，轴压系数μ的计算公式可以采用：μ＝N/(fckA)，M、V、N分别为待分析构件塑性区承担的弯矩、剪力以及轴力，h0为待分析构件受力方向的截面有效高度，A为待分析构件的全截面面积。

[0070] 具体如何判断第i‑1分析步下待分析构件的受力特征是否满足本构参数的更新阈值要求，可以预设关于剪跨比的剪跨阈值和关于轴压系数的轴压阈值，并设定剪跨比与剪跨阈值的条件关系以及轴压系数与轴压阈值的条件关系，还可以联系不同分析步下的剪跨比、轴压系数对条件关系进行设计，以找到最优的触发阈值更新时机。

[0071] 在一种优选的实施方式下，具体如何判断第i‑1分析步下待分析构件的受力特征是否满足本构参数的更新阈值要求，可以包括：

[0072] 判断第i‑1分析步下待分析构件的受力特征是否满足下式：

[0073] 且

[0074] λi、λi‑1分别为第i分析步和第i‑1分析步的剪跨比，μi、μi‑1分别为第i分析步和i‑1分析步的轴压系数，为预设的剪跨阈值，为预设的轴压阈值。

[0075] S12.若不满足更新阈值要求，则不更新待分析构件的映射骨架和映射滞回环，根据第i‑1分析步下的映射骨架和映射滞回环，计算第i分析步的结构刚度，完成第i分析步的弹塑性分析，继续第i+1分析步的结构刚度计算，直至弹塑性分析结束。

[0076] S13.若满足更新阈值要求，则根据第i‑1分析步下待分析构件的受力特征，以及预先定义的待分析构件的物理特征，通过已训练的神经网络拓扑关系，映射出与受力特征和物理特征匹配的映射骨架控制参数 和映射滞回环控制参数

[0077] 物理特征可以包括配箍特征值λv和配筋特征值λs，还可以包括其他特征参数。配箍特征值λv的计算公式可以采用：λv＝ρvfvyk/fck、配筋特征值λs的计算公式可以采用：λs＝ρsfyk/fck，ρv为构件受力方向的面积配箍率，ρs为全截面纵筋配筋率，fvyk为箍筋抗拉强度标准值，fyk为纵筋抗拉强度标准值，fck为混凝土抗压强度标准值。

[0078] 映射骨架控制参数 是控制构件映射骨架的参数，映射滞回环控制参数是控制构件映射滞回环的参数。映射骨架可表征强度软化特性及不同延性特征，映射滞回环可表征捏拢滞回特性。

[0079] 所训练的神经网络拓扑关系是构件的受力特征(剪跨比λ、轴压系数μ)、物理特征(配箍特征值λv、配筋特征值λs)与本抅参数多维空间(映射骨架控制参数 和映射滞回环控制参数 )的非线性拓扑关系。

[0080] 具体地，将待分析构件的受力特征和物理特征为输入该神经网络拓扑关系，可以输出所匹配的映射骨架控制参数 和映射滞回环控制参数

[0081] S14.根据映射骨架控制参数 更新映射骨架，根据映射滞回环控制参数更新映射滞回环，根据更新的映射骨架和更新的映射滞回环，计算第i分析步的结构刚度，完成第i分析步的弹塑性分析，继续第i+1分析步的结构刚度计算，直至弹塑性分析结束。

[0082] 具体地，根据更新的映射骨架和映射滞回环计算第i分析步下待分析构件的刚度，并组装进整体的结构刚度矩阵，完成第i分析步的矩阵求解，以完成第i分析步的弹塑性分析。

[0083] 在第i+1分析步的结构刚度计算时，重复执行步骤S11，

[0084] 根据待分析构件在弹塑性分析中时变的受力特征，通过本构参数实时更新机制实现压弯剪耦合效应的模拟，无需引入压弯剪耦合理论模型，使其求解效率及收敛性得到极大的提升，可在工程中广泛使用。

[0085] 由于本抅参数实时更新机制的存在，在弹塑性分析过程中，“力‑位移”恢复力模型在定义时无需定义本构参数，仅需定义待分析构件的截面尺寸(用于实时计算剪跨比)、混凝土强度等级(用于实时计算轴压系数)及待分析构件的物理特征即可。

[0086] 实施例2

[0087] 本实施例提供一种可模拟构件压弯剪耦合的分析方法，主要是对实施例1中神经网络拓扑关系的训练进行细化说明，以获得更优匹配的映射骨架控制参数 和映射滞回环控制参数 在混凝土结构弹塑性分析中更加真实地模拟构件的压弯剪耦合效应。

[0088] 图2是本实施例神经网络拓扑关系的训练流程图，如图2所示，神经网络拓扑关系的训练，可以包括：

[0089] S21.获取若干不同试验构件的受力特征、物理特征以及拟静力试验的试验骨架和试验滞回环。

[0090] 具体地，可以预先收集若干个不同试验构件的拟静力试验数据，试验数据包括试验构件的受力特征(剪跨比λ、轴压系数μ)、物理特征(配箍特征值λv、配筋特征值λs)、试验骨架和试验滞回环，建立构件拟静力试验数据库。

[0091] 试验骨架可以表征试验构件的强度软化特性及不同延性特征，试验滞回环可以表征试验构件的捏拢滞回特性。

[0092] S22.根据试验骨架，辨识出映射骨架控制参数

[0093] 采用映射骨架拟合试验骨架，以辨识出控制映射骨架的映射骨架控制参数在一种优选的实施方式下，步骤S22可以基于能量等效原理进行，其具体可以包括：

[0094] 按照下式计算映射骨架与试验骨架的能量包围误差

[0095]

[0096] fske，ex(D)为试验骨架， 为映射骨架；

[0097] 以获得最小的映射骨架与试验骨架能量包围误差 为目标，迭代辨识出映射骨架控制参数

[0098] 具体地，在迭代开始时先初始化映射骨架，再开始迭代计算，在获得满足要求的最小能量包围误差 时，停止迭代，最后输出与最小包围误差 对应的最优映射骨架控制参数

[0099] 映射骨架可以通过映射骨架控制参数 构造数学函数进行描述。一种优选的实施方式下，可以采用下式描述：

[0100]

[0101] x＝D/Dc，y＝M/Mc，(Dc，Mc)为映射骨架峰值点，D与M分别为时刻下恢复力模型的变形和内力，m和n均为用于调节映射骨架的变形能力形状系数，其形状随m和n的变化如图3所示，在图3中D与M分别具体为转角和弯矩。此时，映射骨架控制参数 包括映射骨架峰值点Dc、Mc和变形能力形状系数m、n。

[0102] S23.根据试验滞回环，辨识出映射滞回环控制参数

[0103] 采用映射滞回环拟合试验滞回环，以辨识出控制映射滞回环的映射滞回环控制参数 在一种优选的实施方式下，步骤S23可以基于能量等效原理进行，其具体可以包括：

[0104] 按照下式计算映射滞回环与试验滞回环的能量包围误差 式中fhy，ex(D)为试验滞回环：

[0105]

[0106] 为映射滞回环，Dun为卸载起始点变形，Dre为重加载指向点变形，为映射滞回环控制参数；

[0107] 以获得最小的映射滞回环与试验滞回环能量包围误差 为目标，迭代辨识出映射滞回环控制参数

[0108] 具体地，在迭代开始时先初始化映射滞回环，再开始迭代计算，在获得满足要求的最小能量包围误差 时，停止迭代，最后输出与最小包围误差 对应的最优映射滞回环控制参数

[0109] 映射滞回环可以如图4所示，其包括卸载段和重加载段，卸载段的刚度通过参数α控制，重加载段通过参数β和γ控制拐点位置，映射滞回环通过参数η控制强度退化效应。此时，映射滞回环控制参数 包括参数α、β、γ、η。

[0110] S24.将试验构件的受力特征、物理特征以及辨识出的映射骨架控制参数映射滞回环控制参数 作为样本数据集，根据样本训练集训练神经网络拓扑关系。

[0111] 具体地，以试验构件的受力特征和物理特征为输入，以步骤S22和步骤S23分别辨识出的为映射骨架控制参数 和映射滞回环控制参数 为输出，将样本数据集随机划分为训练集、验证集和测试集(划分比例可以按需要设置，例如可设置为60％、20％及20％)，采用交叉验证法，通过网格搜索确定神经网络拓扑关系的最优超参数组合，得到训练好的构件物理特征、受力特征与本抅参数多维空间的神经网络拓扑关系。

[0112] 所训练的神经网络拓扑关系的网络结构可以如图5所示。

[0113] 基于试验构件的拟静力试验数据，训练神经网络拓扑关系，可以实现构件拟静力试验数据库对弹塑性分析结果的实时反馈和实时校正，可以模拟更加真实的构件压弯剪耦合效应。

[0114] 以混凝土构件的弹塑性分析为例，利用本实施例所提供方法及可模拟压弯剪耦合效应的压弯剪耦合多垂杆单元(SFI‑MVELM)和分层壳单元三种方式，分别对一弯曲破坏为主和一剪切破坏为主的矩形钢筋混凝土柱进行弹塑性分析实现低周往复模拟，说明本实施例所提供方法对混凝土构件压弯剪耦合效应模拟精度和求解效率的有利贡献。

[0115] 对于弯曲破坏的矩形钢筋混凝土柱，截面尺寸为300mm×800mm，构件长度为3390mm，剪跨比λ＝4.2，轴压系数为μ＝0.1，全截面纵筋配筋率ρs＝2.14％，受力方向的面积配箍率ρv＝0.315％，混凝土抗压强度标准值fck＝20.1MPa，纵筋抗拉强度标准值fyk＝
384MPa，箍筋抗拉强度标准值为fvyk＝300MPa。

[0116] 对于剪切破坏的矩形钢筋混凝土柱，截面尺寸为200mm×400mm，构件长度为600mm，剪跨比λ＝1.5，轴压系数为μ＝0.6，全截面纵筋配筋率ρs＝2.3％，受力方向的面积配箍率ρv＝0.714％，混凝土抗压强度标准值fck＝49.9MPa，纵筋抗拉强度标准值fyk＝
510MPa，箍筋抗拉强度标准值为fvyk＝469MPa。

[0117] 利用本实施例方法及现有的可模拟压弯剪耦合效应的SFI‑MVELM和分层壳单元分别进行低周往复模拟。在模型定义阶段，采用本实施例所提供方法仅需定义构件的截面尺寸、混凝土强度等级、配箍特征值λv、配筋特征值λs，在弹塑性分析的过程中，可设置自动计算构件的剪跨比λ、轴压系数μ，利用已训练好的神经网络拓扑关系来更新映射骨架及映射滞回环的本构参数值。

[0118] 其模拟结果如图6所示，弹塑性分析的求解耗时及迭代次数如图7所示。采用本实施例方法完成了整个位移序列的加载，而SFI‑MVELM和分层壳由于收敛性问题，对于剪控构件仅完成了部分位移序列的加载。

[0119] 根据图6可见，对于弯控构件所有方式均有较优的模拟结果，但对于剪控构件，SFI‑MVELM和分层壳单元均高估构件的承载力，甚至是耗能能力，而本实施例方法具备更优的模拟效果。

[0120] 根据图7可见，本实施例方法的求解耗时及迭代次数显著低于SFI‑MVELM和分层壳单元，提高2个数量级的求解效率。这是由于本实施例方法，可通过本构参数实时更新机制实现压弯剪耦合效应的模拟，无需引入压弯剪耦合理论模型，使其求解效率及收敛性得到数量级的提升，并可模拟更加真实的压弯剪耦合效应，可在工程中广泛使用。

[0121] 以包括若干构件的混凝土结构弹塑性分析为例，利用本实施例方法对一工程框架结构进行动力弹塑性时程分析，说明本构参数实时更新的运作方式及应用场景。

[0122] 本工程框架结构高23米，共7层，为II类土7度设防结构。采用人工波对该框架结构进行极罕遇地震下的动力弹塑性时程分析，地震动时程曲线如图8所示，峰值加速度为0.5g。

[0123] 为更好体现本构参数实时更新机制的影响，设置两个分析模型——分析模型A和分析模型B。对分析模型A启用本实施例方法所述的本构参数实时更新机制，分析模型B则关闭本构参数实时更新机制。图9为结构部分混凝土梁在加载过程中剪跨比的时变情况，分析模型A各混凝土构件将结合时变的剪跨比及轴压系数，利用已训练好的神经网络拓扑关系来更新映射骨架及映射滞回环的本构参数值，实现压弯剪耦合效应模拟。

[0124] 图10为两个分析模型中同一混凝土梁的滞回曲线，可见关闭本构参数实时更新机制，忽略压弯剪耦合效应，使构件滞回曲线更为饱满，高估构件耗能能力，低估50％的构件变形；图11为两个分析模型的结构顶点位移时程分析结果，可见忽略压弯剪耦合效应将低估50％的结构响应及90％的残余变形，对结构抗震安全性评估造成不利影响。

[0125] 根据统计，在整个时程序列中，分析模型A共调用18万次神经网络来更新构件的本构参数，神经网络的18万次调用共计耗时1.08秒，而弹塑性分析的总耗时为144秒，本构参数实时更新耗时仅占总耗时的0.7％。因此，神经网络拓扑关系的重复调用，不断“主动”地更新映射骨架及映射滞回环不会对求解效率造成负面影响。

[0126] 实施例3

[0127] 本实施例提供可模拟构件压弯剪耦合的分析系统。图12是本实施例可模拟构件压弯剪耦合的分析系统组成图，如图12所示，该系统可以包括分析模块31；

[0128] 分析模块31，用于对待分析混凝土结构进行逐个分析步的弹塑性分析；

[0129] 分析模块31设有判断模块32和更新模块33；

[0130] 判断模块32，用于：

[0131] 在第i分析步的结构刚度计算时，i为≥2的整数，判断第i‑1分析步下混凝土结构各待分析构件的受力特征是否满足本构参数的更新阈值要求；

[0132] 更新模块33，用于：

[0133] 若判断模块32判定不满足更新阈值要求，则不更新各待分析构件的映射骨架和映射滞回环，以使分析模块31根据第i‑1分析步下的映射骨架和映射滞回环，计算第i分析步的结构刚度，完成第i分析步的弹塑性分析；

[0134] 若判断模块32判定满足更新阈值要求，则根据第i‑1分析步下各待分析构件的受力特征，以及预先定义的各待分析构件的物理特征，通过已训练好的神经网络拓扑关系，映射出与受力特征和物理特征匹配的映射骨架控制参数 和映射滞回环控制参数根据映射骨架控制参数 更新映射骨架，根据映射滞回环控制参数 更
新映射滞回环，以使分析模块31根据更新的映射骨架和更新的映射滞回环，计算第i分析步的结构刚度，完成第i分析步的弹塑性分析；

[0135] 受力特征包括剪跨比和轴压系数，物理特征包括配箍特征值和配筋特征值。

[0136] 基于同一个发明构思，本实施例与实施例1、实施例2相同或可同理的部分，在此不再赘述。

[0137] 显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。