基于数据驱动的自复位混凝土结构动力特性演化与震损识别

研究对象

论文建立五层预制自复位混凝土框架 PSCCF 的OpenSees数值模型，通过节点拟静力试验结果校核建模方法，并开展增量动力分析。研究重点是地震过程中与震后的频率变化，以及这些动态特征能否用于损伤状态识别。

方法

1. 非线性分析：统计层间位移、后张预应力筋和无黏结耗能钢筋的伸长及结构易损性。
2. 时频分析：采用同步压缩连续小波变换 SSQCWT，从位移时程中提取频率演化，改善传统连续小波变换的频率聚集性。
3. 损伤分类：以时频图为输入训练卷积神经网络，并通过Grad-CAM与SHAP分析模型关注区域。

主要发现

随着峰值地面加速度增大，结构震中频率和震后频率均呈下降趋势；当PGA超过0.5 g后，模型出现不可恢复损伤特征。PGA达到1.0 g时，震后频率仅约为初始值的40%。卷积神经网络在10折交叉验证中的总体损伤分类准确率超过95%，其注意区域集中在低频特征，与结构损伤导致频率降低的机理相吻合。

工程意义

频率变化为自复位结构的震后状态评估提供了可观测指标。数据驱动模型的价值在于从复杂时频信号中提取规律，但解释结果仍需与预应力体系、耗能元件和残余损伤机制相互印证。

论文与代码

• 论文
• 代码