يعد التنبؤ السريع والدقيق للاستجابات الزلزالية للمنشآت ضروريًا للتخفيف الفعال من مخاطر الزلازل. رغم أن طرق التحليل التاريخي غير الخطي التقليدية دقيقة للغاية، إلا أنها تنطوي على تكاليف حسابية كبيرة. بالمقابل، تعزز النماذج التحليلية الهيكلية المبسطة والكفاءات الحسابية لكن على حساب دقة التنبؤ. ظهرت مؤخرًا منهجيات التعلم الآلي (ML) كبدائل واعدة، غير أن فعاليتها غالبًا ما تظل محدودة بسبب نقص بيانات التدريب وقدرات التعميم المحدودة. لتجاوز هذه القيود، يقترح هذا البحث طريقة تعلم عميق جديدة تدمج تمثيلات مدخلات مستنيرة بالفيزياء مع استراتيجيات تدريب علمية. تحديدا، تُستخدم مخططات الاستجابة في المجال الزمني، التي تُظهر سجلات الاستجابة الخطية لأنظمة درجة حرية واحدة، كمدخلات للنموذج. تُشفّر هذه المخططات بشكل فعال خصائص الزمن والتردد لحركات الأرض، كما تمثل حلول معادلات الحركة بفعالية. باستغلال هذه الميزات المستنيرة بالفيزياء، تم تقييم عدة هياكل تعلم عميق متقدمة مقتبسة من مجال تصنيف الصور بشكل منهجي لقدرتها على التنبؤ بالاستجابات الزلزالية الهيكلية غير الخطية. بالإضافة إلى ذلك، يدرس البحث تأثير المحسنات المختلفة وسياسات جدولة معدل التعلم على تدريب النموذج وأداء التنبؤ، مع ضمان الالتزام باستراتيجيات التدريب العلمية. علاوة على ذلك، تم تطوير إطار عمل هجين للتعلم بالنقل، يتيح التعديل الدقيق الفعال للنماذج لأنظمة هيكلية مختلفة باستخدام مجموعات بيانات محدودة. من خلال الجمع بين المعرفة الفيزيائية وتقنيات التعلم الآلي المتقدمة، تعزز الطريقة المقترحة كفاءة الحساب ودقة التنبؤ وقدرة التعميم بشكل ملحوظ. ومن خلال دمجها الابتكاري للمعرفة الفيزيائية السابقة، تقدم هذه الدراسة حلاً قوياً وفعالاً للتنبؤ السريع بالاستجابة الزلزالية. • تم إدخال مدخلات مستنيرة بالفيزياء كمدخلات لنماذج التعلم العميق. • دُرِس تأثير استراتيجيات التدريب على أداء النماذج. • تم تبني إطار عمل هجين للتعلم بالنقل لتحسين أداء التعميم.
درس لیو وآخرون (Fri,) هذا السؤال.