ArrangementGAN архитектуралык чиймелердеги конструкциялык жана архитектуралык элементтерди семантикалык жактан ажыраткандан кийин pix2pixHD негизиндеги генеративдик атаандаш тармакты колдонуп, илешкектүү демпферлердин тегиздиктеги жайгашуусун автоматтык түрдө түзгөн терең үйрөнүүгө негизделген долбоорлоо ыкмасы болуп саналат. Бул изилдөөдө ArrangementGAN өз алдынча колдонулган эмес; адегенде генетикалык алгоритм (GA) аркылуу вертикалдык демпфер бөлүштүрүүлөрүнүн Pareto-optimal үлгүлөрү түзүлүп, андан кийин көп катмарлуу перцептрон (Multilayer Perceptron, MLP) бул чечимдерди үйрөнүп, кабаттар боюнча демпферлердин санын тез божомолдогон. Экинчи этапта архитектуралык чиймелерден мамыча, эшик/терезе, толтуруучу дубал жана ылайыктуу демпфер зоналары бөлүнүп алынып, pix2pixHD негизиндеги ArrangementGAN'га берилген. Булакта оптималдуу MLP үчүн \(R^2=0.961\), `<%5` божомол катасы жана болжол менен эки тартиптик эсептөө натыйжалуулугунун өсүшү; бүтүндөй долбоорлоо иш агымы үчүн болсо салттуу ыкмага салыштырганда 10 эседен ашык натыйжалуулук өсүшү билдирилген. ArrangementGAN 7 жана 8 даражадагы сейсмикалык долбоорлоо шарттарындагы инженердик учурларда код талаптарын аткарганы маалымдалган. Ошол эле учурда изилдөө рецензиядан өтө элек preprint болуп саналат; окутуу маалыматтарынын масштабы, механикалык-физикалык билимдин үйрөнүү моделине чектелүү интеграцияланышы жана ар түрдүү сейсмикалык шарттардын ортосунда моделдин өткөрүлмөлүүлүгү маанилүү чектөөлөр болуп саналат.

Изилдөөнүн маанилүү өзгөчөлүгү “демпфер кайда жайгаштырылышы керек?” деген суроону эки өзүнчө масштабда карагандыгында. Вертикалдык жайгаштыруу имараттын кайсы кабатына канча демпфер бөлүнүшү керектигин аныктайт. Тегиздиктеги жайгаштыруу болсо белгилүү бир кабаттын архитектуралык/көтөрүүчү планында бул демпферлер кайсы тешиктерге жана багыттарга жайгаштырылышын аныктайт. GA–MLP чынжыры биринчи маселени, ArrangementGAN экинчи маселени чечет.

Илешкектүү демпфер — конструкциянын жер титирөө же башка динамикалык жүк астындагы салыштырмалуу кыймылынан пайда болгон механикалык энергиянын бир бөлүгүн илешкектүү каршылык аркылуу таратуу үчүн колдонулган энергияны басаңдатуучу элемент. Бирок демпферлердин санын гана көбөйтүү жетиштүү эмес; кабаттар ортосундагы бөлүштүрүү, симметрия, күч өткөрүү жолу, чоң кабат аралык жылыштар кездешкен зоналар, капыстан катуулук өзгөрүүлөрү, архитектуралык функция жана тейлөөгө жеткиликтүүлүк бирге эске алынышы керек.

Изилдөө чечүүгө аракет кылган маселе

Салттуу демпфер жайгашуусун оптималдаштыруу көбүнчө инженердик тажрыйбага, итеративдик талдоолорго жана генетикалык алгоритм же бөлүкчөлөр үйүрү сыяктуу оптималдаштыруу ыкмаларына таянат. Бул ыкмалар жогорку сапаттагы натыйжаларды бере алганы менен, өзгөчө татаал же бийик конструкцияларда көп сандагы альтернативаларды кайра-кайра талдоо эсептөө убактысын көбөйтөт.

Экинчи маселе — бир гана максатты оптималдаштыруу жетиштүү эместиги. Болгону максималдуу кабат аралык жылышты азайтуу же чыгымды гана төмөндөтүү ылдамдануу, буралуу, демпферлердин саны, симметрия жана ишке ашырылуучулук сыяктуу башка максаттарды көз жаздымда калтырышы мүмкүн. Ошондуктан булак жылышты, ылдамданууну жана экономикалык натыйжалуулукту бирге баалаган көп максаттуу ыкманы колдонот.

Үчүнчү маселе — алынган оптималдуу демпфер санын чыныгы архитектуралык планга кантип жайгаштыруу керектиги. Алгоритм белгилүү бир кабатта алты демпфер керек деп айта алат; бирок алар эшик жана терезелер менен кагылышпоого, ылайыктуу толтуруучу дубал зоналарында жайгашууга, көтөрүүчү элементтерге ишенимдүү туташууга жана мүмкүн болушунча тең салмактуу/симметриялуу бөлүштүрүлүүгө тийиш. ArrangementGAN ушул экинчи долбоорлоо катмарын максат кылат.

GA–MLP гибриддик ыкмасы эмне үчүн колдонулган?

GA–MLP гибриддик ыкмасы генетикалык алгоритмдин көп максаттуу издөө мүмкүнчүлүгүн MLPнин тез регрессиялык божомолу менен айкалыштыруу үчүн колдонулган: GA коопсуздук, ылдамдануу жана экономика максаттарынын ортосунда Pareto-optimal вертикалдык демпфер бөлүштүрүүлөрүн түзсө, MLP эсептөө жагынан кымбат бул чечимдерден кириш–чыгыш байланышын үйрөнүп, жаңы конструкциялар үчүн кабаттар боюнча демпферлердин санын кыйла тез божомолдойт.

Генетикалык алгоритмдин ролу

Генетикалык алгоритм түздөн-түз акыркы реалдуу убакыттагы божомолдоочу кыймылдаткыч катары эмес, жогорку сапаттагы окутуу маалыматтарынын өндүрүүчүсү катары жайгаштырылган. Конструкциянын динамикалык жооптору эсептелгенден кийин жылыш, ылдамдануу жана экономикалык максаттар бирге каралат. Жакшыртылган параллелдүү тандоо стратегиясына ээ GA бир гана чечимдин ордуна бири-биринен үстөм эмес Pareto чечимдеринин топтомун чыгарат.

Pareto-optimal чечим — бир максатты жакшыртууда башка бир максатты начарлатпастан мындан ары жакшыртууга мүмкүн болбогон чечим. Ошентип, мисалы, жылышты азайтуу үчүн чексиз санда демпфер кошуунун ордуна коопсуздук менен чыгымдын ортосунда көп максаттуу чечим мейкиндиги алынат.

Булак динамикалык жооптор Newmark ыкмасы менен эсептелгенин билдирет. Бирок жеткиликтүү метод текстинде конструкциялык кыймыл теңдемесинин ачык математикалык жазылышы, Newmark \(\beta/\gamma\) параметрлери же GAнын популяция өлчөмү, мутация коэффициенти жана кроссовер коэффициенти сыяктуу деталдар ачык түрдө берилген эмес. Бул маанилер Verianla тарабынан толукталган эмес.

MLPнин алты кириши жана он чыгышы

Изилдөөдө колдонулган MLP бир кириш катмарынан, эки жашыруун катмардан жана бир чыгыш катмарынан турат. Жашыруун катмарлар тиешелүүлүгүнө жараша 64 жана 32 нейронду камтыйт. Кириш вектору алты өлчөмдүү; булактын эксперимент бөлүмүндө бул кириштер кабаттын массасы, кабаттын катуулугу, кабаттардын саны, негизги жыштык жана күтүлгөн жылыш/ылдамдануу максаттары катары аныкталат.

Чыгыш вектору он өлчөмдүү. Булакка ылайык, ар бир чыгыш каркас конструкциясынын тиешелүү кабатына дайындала турган демпферлердин саны менен байланыштуу. Демек, тармактын максаты түздөн-түз чийме жаратуу эмес, вертикалдык бөлүштүрүү чечимин регрессия аркылуу божомолдоо.

MLP нейронун эсептөө

Булактын 1 жана 2-тендемелери толук байланышкан MLP түйүнүндөгү негизги операцияны төмөнкүдөй берет:

\[ z_j=\sum_i (w_{ij}x_i+b) \tag{1} \]

\[ y_j=f(z_j) \tag{2} \]

\(x_i\) кириш маанини, \(w_{ij}\) i кириш түйүнү менен j түйүнүнүн ортосундагы салмакты, \(b\) bias мүчөсүн, \(z_j\) сызыктуу комбинацияны жана \(y_j\) активдештирүү функциясынан кийинки нейрон чыгышын билдирет.

Математикалык жактан биринчи теңдеме кириштерди салмактуу түрдө бириктирет. Экинчи теңдеме бул сызыктуу комбинацияга сызыктуу эмес активдештирүүнү колдонот. Ошентип, тармак сызыктуу байланыштарды гана эмес, конструкциялык параметрлер менен оптималдуу демпфер бөлүштүрүүнүн ортосундагы татаалыраак байланыштарды да жакындатылган түрдө чагылдыра алат.

Активдештирүү функциялары

Булак гиперболалык тангенс жана Rectified Linear Unit (ReLU) функцияларын берет:

\[ f(x)=\tanh(x)=\frac{1-e^{-2x}}{1+e^{-2x}} \tag{3} \]

\[ f(x)=\max(0,x) \tag{4} \]

Булакта алардын туундулары да көрсөтүлгөн:

\[ f'(x)=1-\tanh^2(x) \tag{5} \]

\[ f'(x)= \begin{cases} 1, & x>0\\ 0, & \text{aksi halde} \end{cases} \tag{6} \]

Бул туундулардын ролу артка жайылтуу учурунда салмактар кайсы багытта жана кандай көлөмдө жаңыртыларын эсептөө болуп саналат. Булак окутуу түшүндүрмөсүндө Levenberg–Marquardt артка жайылтуусуна кайрылып, эксперименттик гиперпараметр бөлүмүндө тандалган тармак түзүмүн жана үйрөнүү ылдамдыгын өзүнчө баалайт.

ArrangementGAN деген эмне жана эмнени автоматташтырат?

ArrangementGAN — семантикалык жактан иштетилген архитектуралык чиймеден инженердик принциптерге ылайык тегиздиктеги демпфер жайгашуусун түзүү үчүн pix2pixHD image-to-image translation архитектурасын колдонгон генеративдик атаандаш тармакка негизделген долбоорлоо системасы; система Architectural Drawing Interpreter аркылуу чиймени бөлүп чыгат, Arrangement Generator аркылуу демпфер схемасын түзөт жана Structural Modeler аркылуу конструкциялык параметрлерди чыгарып, SAP2000 негизиндеги акыркы элементтер баалоосуна туташтырат.

Булактагы 1-сүрөттүн илимий мааниси

Булактын 6-бетиндеги 1-сүрөт үч бөлүктөн турган маалымат жана инженердик агымды көрсөтөт. Биринчи бөлүк архитектуралык чиймени семантикалык моделге айландырууну, экинчи бөлүк учурдагы/оптималдуу демпфер жайгашуусу менен байланышкан конструкциялык модель маалыматтарын, үчүнчү бөлүк болсо pix2pixHD негизиндеги ArrangementGANдын генератор жана дискриминатор тармактарын көрсөтөт.

Бул сүрөттүн илимий мааниси GAN жөн гана визуалдык генератор эместигинде. Кириш чиймеси адегенде конструкциялык жактан маанилүү категорияларга бөлүнөт, андан соң акыркы долбоор конструкциялык талдоо чөйрөсүнө туташтырылат.

Семантикалык чиймени алдын ала иштетүү

Булак архитектуралык чиймеде модель үчүн зарыл болгон элементтерди гана сактайт:

Семантикалык сегментациянын максаты — керексиз чийме деталдарын азайтып, GANга инженердик жактан маанилүү геометриялык өзгөчөлүктөрдү гана үйрөнүүнү жеңилдетүү.

U-Net менен pix2pixHD салыштырылышы

Изилдөө эки сүрөт жаратуу архитектурасын бир эле демпфер жайгашуусу маалыматтар топтомунда салыштырат. U-Net классикалык CNN негизиндеги сүрөт синтези ыкмасы катары; pix2pixHD болсо adversarial training камтыган жогорку чечилишке ээ image-to-image translation модели катары бааланган.

Булактын 3-сүрөтүндөгү өкүлчүлүктүү учурда:

Бул эки сан бир гана өкүлчүлүктүү мисалга тиешелүү; бүт тест маалыматтар топтомунун жалпы орточо мааниси катары чечмеленбеши керек.

\(\gamma_{FM}\) гиперпараметри

pix2pixHDде \(\gamma_{FM}\) feature-matching loss компонентинин жалпы жоготуудагы салмагына таасир эткен гиперпараметр. Изилдөө ар түрдүү \(\gamma_{FM}\) маанилеринде түзүлгөн чиймелерди салыштырып, 20 тест учурунда бир нече метриканы колдонгон.

Булакта \(\gamma_{FM}=0\) же 1 болгондо чиймелер көбүрөөк ызы-чуу болуп, жайгашуу эрежелерин кармоодо алсыз экени; мааниси өскөн сайын натыйжалар жакшырып, белгилүү бир аралыкта туруктуу болоору билдирилет. Акыркы ArrangementGAN жөндөөсүндө:

\[ \gamma_{FM}=10 \]

тандалган. Башка pix2pixHD параметрлери стандарттык тармак жөндөөлөрү менен сакталган.

ArrangementGAN окутуу чөйрөсү

IoU демпфер жайгашуусунда эмнени өлчөйт?

Intersection over Union (IoU) ArrangementGAN түзгөн демпфер зонасы менен инженер түзгөн максаттуу демпфер зонасынын геометриялык жактан канчалык дал келерин кесилиш аянтын биригүү аянтына бөлүү аркылуу өлчөйт; маани өскөн сайын эки жайгашуунун мейкиндиктик дал келүүсү көбөйөт, бирок бул метрика өзү эле чыныгы жер титирөөдө иштөө көрсөткүчүнүн түз өлчөмү эмес.

Контурга негизделген баалоо

Булакта түзүлгөн жана максаттуу чиймелер адегенде майда субсүрөттөргө бөлүнөт. HSV түс мейкиндигинен демпфер контурлары бөлүнүп, OpenCVнин контур аныктоо функциялары аркылуу координаттар аныкталат.

Булактын 12-тендемеси:

\[ S_{DIoU}= \frac{A_{\mathrm{intersection}}} {A_{\mathrm{union}}} \tag{12} \]

жана биригүү аянты:

\[ A_{\mathrm{union}} = A_{\mathrm{target}} + A_{\mathrm{GAN}} - A_{\mathrm{intersection}} \]

түрүндө берилет.

\(A_{\mathrm{target}}\) инженердик долбоордогу демпфер жайгашуу аянтын; \(A_{\mathrm{GAN}}\) GAN түзгөн аянтты; \(A_{\mathrm{intersection}}\) эки аянттын кесилишин билдирет. Өлчөм бирдиксиз.

Эки жайгашуу толугу менен дал келсе, катыш 1ге жакындайт. Кесилиш жок болсо 0 болот. Бирок бирдей IoU маанисине ээ эки долбоордун конструкциялык динамикалык жүрүм-туруму бирдей болушу шарт эмес; ошондуктан изилдөө IoUну долбоорлоочунун баалоосу жана инженердик критерийлер менен бирге колдонот.

Адамдын кабылдоосу эмне үчүн өзүнчө бааланган?

GAN чыгышынын максаттуу чиймеге пиксел деңгээлинде окшош болушу анын инженердик жактан табигый жана ишке ашырылуучу көрүнүшүнө кепилдик бербейт. Ошондуктан булак 30 тажрыйбалуу конструкция инженери жана 10 магистранттан турган панелди колдонгон.

Катышуучуларга семантикалык демпфер жайгашуулары көрсөтүлүп, эки тапшырма берилген:

1. Чиймени адам даярдаганбы же ArrangementGAN даярдаганбы деп божомолдоо.
2. Жайгашуунун рационалдуулугун 1 = логикасыздан 5 = логикалууга чейин баалоо.

Адамдык баалоо үчүн 7–11-тендемелер

Булак AI–адам айырмалоо метрикасын төмөнкүдөй аныктайт:

\[ R_{EP-1} = \frac{1}{N_{ex}+N_{nonex}} \sum_i^{N_{ex}+N_{nonex}} \frac{N_F}{N_F+N_T} \tag{7} \]

Бул жерде \(N_{ex}\) эксперттердин санын, \(N_{nonex}\) эксперт эмес баалоочулардын санын, \(N_T\) туура AI/manual классификацияларын жана \(N_F\) туура эмес классификацияларды билдирет. Ошондуктан 7-тендеме негизинен баалоочулардын туура эмес айырмалоо үлүшүнө байланыштуу.

Рационалдуулукту баалоо булакта:

\[ R_{EP-2} = \gamma_{ex} \frac{1}{N_{ex}} \sum_i^{N_{ex}} \left( \frac{1}{N_{img}} \sum_j^{N_{img}} S_j \right) + \gamma_{nonex} \frac{1}{N_{nonex}} \sum_i^{N_{nonex}} \left( \frac{1}{N_{img}} \sum_j^{N_{img}} S_j \right) \tag{8} \]

түрүндө берилет. \(S_j\) j-чи долбоорго берилген 1–5 упай.

Топтук салмактар булакта төмөнкүдөй аныкталат:

\[ \gamma_{ex} = \frac{\sigma_{nonex}/\mu_{nonex}} {\sigma_{ex}/\mu_{ex}+\sigma_{nonex}/\mu_{nonex}}, \qquad \gamma_{nonex}=1-\gamma_{ex} \tag{9} \]

Орточо маани жана стандарттык четтөө болсо:

\[ \mu=\frac{\sum_{i=1}^{N}x_i}{N} \tag{10} \]

\[ \sigma= \sqrt{ \frac{\sum_{i=1}^{N}(x_i-\mu)^2}{N} } \tag{11} \]

түрүндө жазылган.

Булак ичиндеги эскертүү: 9-тендеме эксперт жана эксперт эмес топтордун салмагын вариация коэффициенттерине жараша аныктап турганда, ошол эле бөлүмдүн текстинде “equal weighting applied to both groups” деген сөз айкашы колдонулат. Формула менен сөз жүзүндөгү түшүндүрмө бир нерсени так айтпагандыктан, бул айырма жоюлбастан сакталууга тийиш.

Адамдык баалоонун жыйынтыгы

Жыйынтыктар бөлүмүндө AI тарабынан түзүлгөн жайгашуулардын %39,36 бөлүгү эксперттер тарабынан кол менен иштелген инженердик долбоор деп кабыл алынганы билдирилген. Бул жыйынтык “AI долбоорлорунун %39,36 бөлүгү туура” дегенди билдирбейт; ал болгону баалоочулардын долбоордун булагын айырмалоо тапшырмасына тиешелүү.

Булак ошондой эле ArrangementGAN менен кол менен иштелген долбоордун ортосундагы рационалдуулук упайынын айырмасын %12,01 деп билдирип, жыйынтыктар “uniform, dispersed, peripheral” жайгаштыруу принциптерине шайкеш экенин айтат.

Изилдөө колдогон жана колдобогон нерселер

Изилдөө колдойт: Каралган маалыматтар топтомунда жана инженердик учурларда GA тарабынан түзүлгөн вертикалдык оптималдуу жайгашуулар MLP тарабынан жогорку шайкештик менен божомолдонушу мүмкүн экенин; pix2pixHD негизиндеги ArrangementGAN архитектуралык чиймелерден кол менен иштелген долбоорго окшош семантикалык демпфер жайгашууларын түзө аларын; шартка мүнөздүү окутуу колдонулганда 7 жана 8 даражадагы учурларда көрсөткүч жогору экенин колдойт.

Изилдөө колдобойт: Система кандай гана имарат түрүндө, кандай гана жер титирөө зонасында же кандай гана нормативде болбосун текшерүүсүз коопсуз долбоор чыгарарын далилдебейт. Моделдин чыгышын лицензияланган конструкция инженериндеги долбоорлоо, талдоо жана нормативдик жоопкерчиликти алмаштырат деп түшүндүрүүгө болбойт. Мындан тышкары, булак толук масштабдуу конструкцияны чыныгы жер титирөө шартында физикалык жактан сынабайт.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

1. Жалпы иш агымы

2. MLP гиперпараметрлерин сканерлөө

Беш тармак конфигурациясы салыштырылган:

• [30,25]
• [30,40]
• [40,30]
• [64,32]
• [128,64]

Ар бир түзүм үчүн төрт үйрөнүү ылдамдыгы сыналган: 0,1; 0,01; 0,001 жана 0,0001. Булак 0,1 үйрөнүү ылдамдыгында айкын термелүүлөр байкалганын; 0,001 жана 0,0001 туруктуураак жакындаганын, бирок 0,0001де ийгилик азайганын билдирет. Натыйжада 0,001 тандалган.

3. Он кайталанган MLP эксперименттери

Булактын 9-сүрөтүндөгү кутуча графиктери беш MLP конфигурациясын 10 кайталанган эксперимент шартында окутуу жана тест катасы боюнча салыштырат. Окутуу жана тест каталарынын бири-бирине жакын болушу булак тарабынан жакшы жалпылоо көрсөткүчү катары чечмеленген.

[64,32] архитектурасы окутуу жана тест маалыматтарында төмөнүрөөк медианалык RMSE жана азыраак өзгөрмөлүүлүк менен айырмалангандыктан акыркы MLP катары тандалган.

Булак регрессия маселеси үчүн “precision” жана “accuracy” терминдерин колдонот. Бул пайыздар классификациядагы accuracy метрикасына автоматтык түрдө теңештирилбеши керек; алар булактын өзүнүн отчет берүү терминологиясы катары бааланышы зарыл.

Булакта колдонулган \(R^2\) теңдемесин кантип чечмелөө керек?

Булактын 13-тендемеси божомолдордун чыныгы маанилердин орточосунун айланасындагы квадраттар суммасын чыныгы маанилердин жалпы вариациясына катыштаган \(R^2\) туюнтмасы катары басылган жана таблица жыйынтыктарында маани 1ге жакындаган сайын жакшыраак шайкештик катары чечмеленет; теңдеме кеңири таралган \(1-\mathrm{SSE}/\mathrm{SST}\) жазылышы менен бирдей формада берилбегендиктен, Verianla бул формуланы унчукпай стандарттуу формага өзгөртпөйт.

Булакта 13-тендеме төмөнкүдөй:

\[ R^2= \frac{ \sum_{i=1}^{n}(\hat{y}_i-\bar{y})^2 }{ \sum_{i=1}^{n}(y_i-\bar{y})^2 } \tag{13} \]

\(n\) үлгүлөрдүн санын, \(\hat{y}_i\) божомолдонгон маанини, \(y_i\) чыныгы маанини жана \(\bar{y}\) чыныгы маанилердин орточосун билдирет.

Булак 4-таблица жана 10-сүрөттө 0,9610 маанисин модель өзгөрүүнүн болжол менен %96,1ин түшүндүрөт деп чечмелейт. Бул чечмелөө булак авторлорунун чечмелөөсү болуп, теңдеменин формасы өзгөртүлбөй берилген.

4. MLP менен GA конструкциялык жоопторун салыштыруу

11-сүрөттө төрт тест топтому үчүн GA негизиндеги демпфер долбоору менен MLP тарабынан божомолдонгон долбоордун конструкциялык жооптору салыштырылат. Булак ийри сызыктар бири-бирине жакын экенин жана MLP ыкмасы өзгөчө кыска инженердик долбоорлоо циклдеринде эсептөө артыкчылыгын берерин билдирет.

Жыйынтык бөлүмүндө MLP этабы үчүн:

• \(R^2 = 0.961\),
• божомол катасы < %5,
• эсептөө натыйжалуулугунда болжол менен эки тартип жакшыртуу

билдирилет.

5. ArrangementGAN гиперпараметр тести

Булактын 4-сүрөтү \(\gamma_{FM}\) маанилери өзгөртүлгөндө pix2pixHD чыгыштары визуалдык жактан кантип өзгөрөрүн көрсөтөт. Төмөн маанилерде ызы-чуу жана жайгашуу каталары байкалса, жогору маанилерде максаттуу чиймеге окшоштук жана демпфер бөлүштүрүүнүн рационалдуулугу өсөт.

5-сүрөттө 20 тест учуру боюнча \(S_{DIoU}\), WIOU, PA, \(S_{DWratio}\), \(W_{cv}\) жана булакта \(\alpha\) деп аныкталган кошумча метрикалар салыштырылган. Акыркы жөндөө \(\gamma_{FM}=10\).

6. 7 жана 8 даражадагы сейсмикалык долбоорлоо шарттары

Булак ар түрдүү сейсмикалык бекемдөө даражаларына тиешелүү мисалдарды бир окутуу топтомуна бириктиргенде pix2pixHD негизиндеги модель бөлүштүрүүнүн орточосуна умтулуп, ар бир шарттын өзгөчө демпфер талабын так кармоодо кыйналганын билдирет.

Ошондуктан үч модель окутулган:

• M-Group7: 7 даража шарттарына гана тиешелүү маалымат,
• M-Group8: 8 даража шарттарына гана тиешелүү маалымат,
• M-Mix Group: аралаш 7–8 даража маалымат.

Окутууда колдонулбаган бир 7 даражадагы жана бир 8 даражадагы чыныгы конструкциялык учур тест үчүн тандалган.

7 жана 8 даража долбоорлоо шарттары эмне үчүн өзүнчө модель окутууну талап кылат?

Изилдөөдө сейсмикалык долбоорлоо даражасы керектүү демпферлердин санын жана жайгашуу бөлүштүрүүсүн өзгөрткөндүктөн, аралаш 7–8 даража окутуу маалыматтары модель шарттар ортосундагы айырмачылыктарды орточолоштурууга умтулушуна алып келген; таблица жыйынтыктары да тест шарты менен бир сейсмикалык класста окутулган M-Group7 жана M-Group8 моделдери өздөрүнүн дал келген тест топтомдорунда эң жогорку \(W_{cv}\) маанилерин бергенин көрсөтөт.

Булак ичиндеги дал келбестик: Тексттик түшүндүрмө Group7 үчүн M-Mix мааниси 0,5тен жогору экенин айтса да, 6-таблицадагы маани 0,427. Ушул эле түшүндүрмө Group8 үчүн M-Group8 0,5тен ашпаганын айтат, бирок 6-таблицадагы маани 0,595. Verianla таблицада көрсөтүлгөн сандарды өзгөрткөн эмес жана бул карама-каршылыкты жашырган эмес.

Таблицанын өзүндөгү ачык тенденция — тест шартына дал келген модель эң жакшы натыйжа берет: Group7 тестинде M-Group7 = 0,670; Group8 тестинде M-Group8 = 0,595. Бул жыйынтык булактын келечекте ар кандай долбоорлоо шарттарын чагылдырган маалымат топтомдорун классификациялап окутуу керектиги тууралуу түшүндүрмөсүн колдойт.

7. Инженердик текшерүү

Булак жыйынтык бөлүмүндө ArrangementGAN 7 жана 8 даражадагы сейсмикалык бекемдөө шарттарындагы инженердик учурларда колдонулганын жана көп кездешүүчү, долбоордук жана сейрек жер титирөө деңгээлдеринде кабат аралык жылыш катышы жана ылдамдануу сыяктуу негизги конструкциялык жооптор код талаптарына жооп бергенин билдирет.

Ошол эле учурда булак жеткиликтүү текстте бул коддун толук атын же бардык чектик маанилерин майда-чүйдө таблица түрүндө бербейт. Ошондуктан Verianla белгилүү бир нормативдин атын же чектик маанини кошпойт.

Жыйынтык бөлүмүндөгү дагы эки сан:

Болжол менен эки тартиптик ылдамдануу менен 10 эседен ашык жалпы долбоорлоо натыйжалуулугун бир эле өлчөө катары бириктирбөө керек. Булак аларды ар башка контексттерде билдирет.

8. Изилдөөнүн күчтүү жактары

Биринчи күчтүү жак — оптималдаштыруу менен генеративдик терең үйрөнүүнүн милдеттерин бөлүштүргөнүндө. GA жогорку сапаттагы Pareto чечимдерин табат; MLP аларды тез божомолдоону үйрөнөт; ArrangementGAN болсо аларды архитектуралык планга айлантат.

Экинчи күчтүү жак — сүрөт окшоштугуна гана таянбагандыгы. Компьютердик көрүү метрикалары, адамдык баалоо жана инженердик принциптер бирге колдонулган.

Үчүнчү күчтүү жак — сейсмикалык долбоорлоо шарты моделдин жүрүм-турумун өзгөртөөрүн эксперимент аркылуу эске алып, аралаш маалыматтар топтому ар дайым эң жакшы натыйжа бербей турганын көрсөткөндүгү.

Төртүнчү күчтүү жак — окутуу жабдыгы, сүрөт өлчөмү, үйрөнүү ылдамдыгы, batch size, epoch, программалык версиялар жана негизги гиперпараметрлердин маанилүү бөлүгү билдирилгендиги.

9. Негизги чектөөлөр

Булак азырынча рецензиядан өтө элек.

Терең үйрөнүү моделинин ийгилиги окутуу маалыматтарынын камтылышына байланыштуу. Булак да моделдин жетилгендигин жана маалыматтар топтомунун масштабын түздөн-түз чектөө катары көрсөтөт.

Учурдагы үйрөнүү системасы конструкциялык механиканын бардык физикалык принциптерин түздөн-түз нейрондук тармакка киргизбейт. Авторлор келечекте жөнөкөйлөштүрүлгөн механикалык моделдерди үйрөнүү алкагына интеграциялоону өзгөчө сунуш кылышат.

7 жана 8 даража шарттарын аралаш окутуу моделдин шартка мүнөздүү бөлүштүрүүнү орточого багыттоо тенденциясын көрсөтөт. Демек, бир окутуу бөлүштүрүүсүндө ийгиликтүү болгон модель башка сейсмикалык долбоорлоо классында ошол эле көрсөткүчтү сактайт деп болжолдоого болбойт.

Булакта маалыматтар топтомундагы жалпы үлгүлөрдүн саны, GAнын бардык оптималдаштыруу гиперпараметрлери жана динамикалык чечүүдө колдонулган Newmark параметрлери ачык берилген эмес. Бул кемчиликтер толук көз карандысыз кайра өндүрүү мүмкүнчүлүгүн чектейт.

Булактын \(W_{cv}\) баяны менен 6-таблицанын ортосунда түз сандык карама-каршылык бар.

Адамдык баалоо 30 эксперт жана 10 эксперт эмес баалоочу менен жүргүзүлгөн. Бул панель ArrangementGANдын визуалдык жана инженердик ишенимдүүлүгү тууралуу пайдалуу маалымат берет; бирок ал бүт конструкциялык инженерия коомчулугунун кабылдоосун чагылдырган кеңири популяциялык изилдөө эмес.

10. Келечектеги изилдөө багыттары

Авторлор үч негизги изилдөө багытын сунуш кылышат:

• үйрөнүү алкагына жөнөкөйлөштүрүлгөн механикалык моделдерди интеграциялоо,
• сүрөт жаратуу сапаты менен чыныгы конструкциялык көрсөткүчтү бирге баалаган кеңири метрикаларды иштеп чыгуу,
• ар түрдүү долбоорлоо шарттарында бир моделдин иштей алышын изилдөө үчүн текст–сүрөт бириккен окутуу маалыматтарын кароо.

Бул сунуштар учурдагы изилдөөдө тастыкталган жаңы жыйынтыктар эмес; алар авторлордун келечектеги изилдөө пландары.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска аталыш: An Intelligent Design Method for Vibration-Damping Structures Based on Deep Learning

Авторлор: Dongsheng Du; Yunlong Zhang; Weizhi Xu; Zhengyu Luo; Shuguang Wang; Yan Geng; Xi Chen.

Автор тууралуу маалыматтын булагы: Жүктөлгөн PDFтин көрүнгөн биринчи бетинде авторлордун катары жок; авторлордун тартиби SSRNдин расмий библиографиялык жазуусунан ырасталган.

Жооптуу / байланыш автору: SSRN жазуусунда Dongsheng Du “Contact Author” катары көрсөтүлгөн.

Аффилиация: SSRN Dongsheng Du, Yunlong Zhang, Weizhi Xu жана Shuguang Wang үчүн Nanjing Tech University маалыматын берет. Zhengyu Luo, Yan Geng жана Xi Chen үчүн SSRN жазуусунда аффилиация берилген эмес; Verianla жетишпеген мекеме маалыматын ойлоп тапкан эмес.

Платформа: SSRN.

SSRN номери: 7180412.

DOI: 10.2139/ssrn.7180412.

SSRN катталган күнү: 25-июль 2026.

Көлөмү: 33 бет.

Булактын түрү: Машиналык үйрөнүү / терең үйрөнүүгө негизделген конструкциялык инженердик долбоор preprint.

Рецензия абалы: Булак PDF изилдөө рецензиядан өтө электигин ачык билдирет.

Лицензия: SSRNдин расмий жазуу индексинде “License Information” бөлүмү көрүнөт; бирок жеткиликтүү жазуу так кайра пайдалануу шарттарын ачык көрсөтпөгөндүктөн ачык лицензия деп божомолдонгон эмес. Булактагы сүрөттөрдү так көчүрүп кайра колдонбоо керек.

Негизги алгоритмдер: жакшыртылган генетикалык алгоритм; Pareto көп максаттуу оптималдаштыруу; Multilayer Perceptron; pix2pixHD; ArrangementGAN; семантикалык сегментация; IoU/контур талдоосу.

Конструкциялык талдоо байланышы: Булак ArrangementGAN иш агымындагы Structural Modeler модулу SAP2000 менен акыркы элементтер талдоосуна туташканын билдирет.

MLP маалымат бөлүштүрүү: %80 окутуу, %20 тест.

ArrangementGAN окутуусу: 2048 × 1024 пиксел үч каналдуу сүрөт; lr = 0,0002; batch size = 4; 150 epoch; Adam optimizer; акыркы \(\gamma_{FM}=10\).

Адамдык баалоо: 30 термелүүнү көзөмөлдөө боюнча тажрыйбалуу конструкция инженери жана 10 магистрант.

Кызыкчылыктардын кагылышы: Авторлор белгилүү финансылык кызыкчылык же изилдөөгө таасир этиши мүмкүн болгон жеке мамиле жок экенин билдиришет.

Маалыматтардын жеткиликтүүлүгү: “Data will be made available on request.”

Каржылоо: Булакта өзүнчө каржылоо бөлүмү көрүнбөйт; каржылоо болгон эмес деп божомолдонгон эмес.

CRediT / автордук салымдар: Булакта өзүнчө автордук салымдар бөлүмү көрүнбөйт.

Негизги кайра өндүрүү чектөөлөрү: Жалпы окутуу маалыматтар топтомунун көлөмү, GAнын бардык оптималдаштыруу гиперпараметрлери, ачык кыймыл теңдемеси/Newmark параметрлери жана колдонулган жер титирөө нормативинин бардык чектик маанилери жеткиликтүү негизги методдо толук берилген эмес.

Булак ичиндеги отчет берүү чектөөсү: \(W_{cv}\) боюнча 25-беттеги баяндоо менен 27-беттеги 6-таблицанын ортосунда түз карама-каршылык бар. Мындан тышкары, эксперт/эксперт эмес баалоодогу “equal weighting” сөз айкашы 9-тендемедеги вариация-коэффициентине негизделген салмактар менен толук шайкеш эмес.

Негизги чечмелөө чектөөсү: Изилдөө AI колдоосу бар инженердик долбоорлоо системасынын каралган маалымат жана учур шарттарындагы көрсөткүчтөрүн көрсөтөт. Натыйжалар AI түзгөн жайгашууларды ар түрдүү конструкциялык системаларда, өлкөлөрдө, нормативдерде жана сейсмикалык шарттарда кошумча инженердик текшерүүсүз түздөн-түз колдонууга болорун көрсөтпөйт.