机器学习方法能通过建立以建筑信息、地震动参数为输入,韧性指标为输出的非线性映射关系,对建筑结构进行抗震韧性评估,但当训练数据规模较大时,其训练过程由于涉及求解大规模逆矩阵致使计算效率低下且极其占用计算机内存。为此,提出基向量引导的支持向量机(basis vectors-guided support vector machines for regression, BVLS-SVMR)模型,从大规模训练样本中提取小规模子样本,并将其映射到高维特征空间里作为基向量,替代大规模原基向量用于建立预测模型。为了验证BVLS-SVMR模型的准确性和高效性,基于9356个钢筋混凝土(RC)框架(教学楼)抗震韧性的数据,分别与支持向量机(least squares support vector machines for regression, LS-SVMR)模型和传统有限元法(FEM)进行对比。结果表明:BVLS-SVMR模型的测试集预测精度与LS-SVMR模型的测试集预测精度(决定系数R2)相差0.011,但计算时间是LS-SVMR模型的1/10,是传统FEM的1/21709;BVLS-SVMR模型能准确且快速地预测教学楼的抗震韧性指标。
为了解决传统摩擦摆隔震支座(friction pendulum bearing, FPB)刚度和阻尼特性固定不能适用于更为广泛的地震和结构条件等问题,研发了变频(曲率)变摩擦的摩擦摆隔震支座(friction pendulum bearing with variable frequency and friction, FPB-VFF),其刚度和阻尼特性随支座位移变化。分析了该支座的力学性能和工作原理,推导其理论本构模型和滞回特性参数表达式;建立FPB-VFF精细化有限元模型,得到其等效刚度、等效阻尼比和耗能等,研究滞回特性随支座参数的变化规律;进行了FPB-VFF力学性能试验,验证理论分析和有限元模拟的正确性。研究表明:FPB-VFF的等效刚度和耗能随滑移区2摩擦系数线性增加,等效阻尼比随滑移区2的摩擦系数呈反比例函数关系变化;相比FPB,FPB-VFF的等效刚度、耗能和等效阻尼比增大且最大增幅分别为146%、230%和30%。