(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110741002.6 (22)申请日 2021.06.30 (65)同一申请的已公布的文献号 申请公布号 CN 113450333 A (43)申请公布日 2021.09.28 (73)专利权人 哈尔滨工业大 学 地址 150001 黑龙江省哈尔滨市南岗区西 大直街92号 (72)发明人 李惠　徐阳　郑晓航　 (74)专利代理 机构 哈尔滨市阳光惠远知识产权 代理有限公司 2321 1 代理人 张宏威 (51)Int.Cl. G06T 7/00(2017.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/04(2020.01) G06F 119/14(2020.01)(56)对比文件 CN 10852027 7 A,2018.09.1 1 CN 111598448 A,2020.08.28 CN 110414066 A,2019.1 1.05 CN 112381060 A,2021.02.19 CN 112362756 A,2021.02.12 CN 105843072 A,2016.08.10 CN 102034111 A,2011.04.27 CN 10796 6357 A,2018.04.27 CN 112288715 A,2021.01.2 9 CN 111797815 A,2020.10.20 US 2020175 352 A1,2020.0 6.04 冯微 等.一种基 于深度置信网络的车撞桥 墩损伤等级判别方法. 《长安大 学学报(自然科 学 版)》 .2018,第13 5-145页. Dongyu Zhang 等.Structural Crack Detection Using DPP-BOTDA and Crack- Induced F eatures of the Bri llouin Gain Spectrum 等. 《sensors》 .2020,第1-25页. 审查员 张杨 (54)发明名称 基于机器学习的钢筋混凝土柱地震损伤程 度评估方法 (57)摘要 本发明提出了基于机器学习的钢筋混凝土 柱地震损伤 程度评估 方法， 首先根据钢筋混凝土 柱构件拟静力试验全 过程表观损伤图像， 获得表 观地震损伤 参数和构件参数； 然后根据钢筋混凝 土柱构件拟静力试验滞回曲线数据， 建立一种存 在固定上下限、 可以准确反映构 件在整体损伤发 展过程的非线性加速累积现象的钢筋混凝土柱 地震损伤 程度综合评价指标； 最后通过建立表观 地震损伤参数及构件参数和地震损伤程度综合 评价指标的深度神经网络模型， 通过将构件的表 观损伤参数和尺寸信息输入至训练好的机器学 习模型， 直接预测其地震破坏程度， 最终实现钢 筋混凝土柱 地震损伤程度的智能评估， 同时也克服了基于专家经验的人工评价方法费时费力、 准 确性和安全性 不足的缺 点。 权利要求书3页 说明书11页 附图9页 CN 113450333 B 2022.01.28 CN 113450333 B 1.基于机器学习的钢筋混凝 土柱地震损伤程度评估方法， 其特 征在于： 所述方法包括以下步骤： 步骤一： 提取钢筋混凝土柱地震损伤图像参数； 根据钢筋混凝土柱构件拟静力试验全 过程表观损伤图像， 获得表 观地震损伤参数和构件参数； 步骤二： 建立钢筋混凝土柱地震损伤程度综合评价指标； 根据钢筋混凝土柱构件拟静 力试验滞回曲线数据， 建立的综合评价指标存在固定上下限， 能够准确反映构件在整体损 伤发展过程的非线性加速累积现象； 在步骤二中， 建立钢筋混凝 土柱地震损伤程度综合评价指标公式如下： 式中， D为地震损 伤程度综合评价指标， 取值范围为[0,1]； ur为每次加载循环的残余位 移， Δy为屈服位移， ∫dE为每个加载循环的能量累积， Fy为屈服力， umax为往复荷载作用下构 件的最大位移幅值； β 为变形项和能量项组合系数， 根据构件失效时的损伤指标D＝1确定； 根据构件的尺寸参数： 截面宽度、 截面高度和柱身长度； 设计参数： 剪跨比、 轴压比、 配 筋率和配箍率； 材料参数： 混凝土强度和纵筋屈服强度， 通过主成分分析选择累积贡献率大 于90％的前 六个主成分， 给 出了组合系数β 的经验公式； β ＝0.121F1+0.0202 ×F2×F3+0.0491si n(F4)‑0.0661sin(F5)+0.204si n(F6)+0.614 其中， F1‑F6为主成分分析的前六阶主成分， λ为剪跨比， n0为轴压比， ρt为配筋率， fc为 混凝土强度， ρw为配箍率， fy为纵筋屈服强度， b为截面宽度， h为截面高度， l 为柱身长度； 屈服力Fy和屈服位移Δy采用等效能量法确定， 构件的屈服位移Δy与具有相同耗能能 力的等效弹 塑性系统的屈服 位移相等； 根据最大荷载确定水平线位置， 之后 根据骨架曲线与两折线所包围的两段面积相等的 方法确定等效屈服 点， 两折线折 点的垂线与骨架曲线相交点的荷载值即为 等效屈服 点； 在往复循环荷载作用下， 构件的屈服力Fy和屈服位移Δy取正向和负向加载的平均值： 权　利　要　求　书 1/3 页 2 CN 113450333 B 2步骤三： 建立表观地震损伤参数及构件参数和地震损伤程度综合评价指标的深度神经 网络模型； 步骤四： 采用多参数网络搜索进行网络模型寻优， 获得识别精度最高的深度神经网络 模型， 所述多参数包括网络结构参数和训练参数； 将构件的表观损伤参数和尺寸信息输入 至训练好的机器学习模型， 直接预测其地震破坏程度， 最终实现钢筋混凝土柱地震损伤程 度的智能评估。 2.根据权利要求1所述方法， 其特 征在于： 在步骤一中， 根据钢筋混凝土柱构件的拟静力试验破坏全过程图像， 将损伤参数和构件参数作为特 征指标； 采用混凝土裂缝、 混凝土剥落和钢筋暴露三种类型的损伤参数， 所述损伤参数包括裂 缝横向长度、 裂缝纵向长度、 裂缝 数量、 混凝 土剥落面积和钢筋裸露面积； 所述构件参数包括剪跨比、 轴压比、 配箍率、 配筋率、 纵筋屈服强度、 混凝土抗压强度、 截面尺寸和柱身尺寸。 3.根据权利要求2所述方法， 其特 征在于： 通过带有损伤类别的矩形定位边界框得到损伤参数， 损伤区域的标记是通过Labelme 环境下的Rect angular函数实现， 将每一幅图像中的损伤区域用矩形边界框选出并分配相 应损伤类别的标签 所述裂缝横向长度的计算方法为： 在试验初期和中期， 在相同试验阶段的图像 中， 裂缝与钢筋混凝土柱的比例固定不变， 通过裂缝检测框的宽度与钢筋混凝土柱检测框的比例值对裂缝长度进 行标定， 再根据钢筋 混凝土柱的实际截面宽度将裂缝宽度转换为同一尺度衡量下的标量； 采用裂缝横向长度crack_w idth作为损伤程度评估指标之一， 其数 学表达式如下： 式中， WCrBi表示第i个裂缝目标检测框的宽度， WCoB表示钢筋混凝土柱的目标检测框的 宽度， Column_width表示钢筋混凝 土柱构件真实宽度； 所述裂缝纵向长度的计算方法为： 在试验中后期裂缝的纵 向总长度 不断增加， 裂缝纵 向长度crack_height的数学表达式 如下： 式中， HCrBi表示第i个裂缝目标检测框的高度， HCoB表示钢筋混凝土柱的目标检测框的 高度， Column_length表示钢筋混凝 土柱构件柱身长度； 所述裂缝 数量的计算方法为： 裂缝数量crack_number通过裂缝目标检测框的数目numberoftheboundi ngbox确定： crack_num＝ number of crack bounding box；权　利　要　求　书 2/3 页 3 CN 113450333 B 3