雙目標優化與生成對抗網絡結合的框架結構阻尼器布置方案智能設計方法

潘毅　陳齊　王騰　周祎

摘要：為實現框架結構的阻尼器智能化布置，結合減震設計原理和智能算法，采用雙目標優化算法和生成對抗網絡算法分別進行阻尼器豎向和水平智能布置研究，并將該方法應用到兩個框架結構減震設計工程案例中。在框架結構減震設計中，采用雙目標優化算法進行阻尼器豎向布置，并與逐層逼近法、工程師設計和非減震設計進行對比，結果表明，采用該優化算法得到的阻尼器豎向布置方案能有效降低層間位移角和樓層加速度，提高結構的抗震性能。在確定各樓層的阻尼器數量后，利用訓練好的生成對抗網絡生成模型，可快速、自動地選擇和確定各樓層阻尼器的平面安裝位置，生成的平面布置與工程師設計的平面布置在相似性差異度綜合評價指標上小于臨界值0.1，說明兩者相似度較高，且有利于提高原結構的抗扭能力。將雙目標優化算法與生成對抗網絡相結合，不僅能滿足框架結構的減震性能目標，而且可實現阻尼器布置方案的智能設計，提升減震工程設計效率。

關鍵詞：優化算法；生成對抗網絡；框架結構；阻尼器布置；智能設計

中圖分類號：TU375.4；TU352.1? ? ?文獻標志碼：A? ? ?文章編號：2096-6717（2024）01-0058-13

Intelligent design method of damper placement scheme for frame structure combining dual-objective optimization and generative adversarial network

PAN Yi a，b， CHEN Qi a， WANG Teng a， ZHOU Yi a

（a. School of Civil Engineering； b. Key Laboratory of Seismic Engineering of Sichuan Province， Southwest Jiaotong University， Chengdu 610031， P. R. China）

Abstract： In order to achieve the intelligent placement of dampers in frame structures， the dual-objective optimization algorithm （DOOA） and generative adversarial network （GAN） algorithm are employed for the vertical and horizontal intelligent placement of dampers， respectively， based on the damping design principle and intelligent algorithm. Two seismic design engineering cases of frame structures are applied.? In the seismic design of frame structures， dual-objective optimization is adopted for vertical damper placement. Compared with the layer-by-layer approximation method， engineer-designed optimized damper placement schemes， and non-damping design， the vertical arrangement scheme of dampers obtained by the improved optimization algorithm can effectively reduce inter-story drift angles and floor accelerations， and enhance the seismic performance of the original structure. After determining the number of dampers for each floor， the plane installation position of dampers on each floor can be quickly and automatically selected and determined by using the trained generative adversarial network generation model. The comprehensive evaluation index of similarity difference degree between the generated plane layout and the plane layout designed by the engineer is less than the critical value of 0.1， which indicates that the similarity between the two is high， and it is beneficial to improve the torsion resistance of the original structure. The combination of dual-objective optimization and generative adversarial network can meet the seismic performance objectives of frame structures， and enable to achieve of intelligent design of the damper placement scheme， and improve the efficiency of seismic design engineering.

Keywords： optimization algorithm； generative adversarial network； frame structure； damper placement； intelligent design

目前，結構減震設計大多采用被動控制技術[1]，且多采用耗能減震設計，即在結構的合理位置布置適宜數量的阻尼器來消耗地震能量，減小結構地震反應。適宜的阻尼器數量、位置是減震設計的關鍵。減震設計流程大致可分為阻尼器豎向布置和阻尼器平面布置。在阻尼器豎向布置方面，將阻尼器布置在合理樓層位置，能增強耗能效果、提高抗震能力[2]。為實現減震性能和經濟性的平衡，應將盡量少的阻尼器布置在最優的樓層位置，以最大限度發揮阻尼器的耗能減震性能并降低經濟成本。但目前的減震設計布置方法既不能保證阻尼器布置是最優方案，又要進行繁瑣的迭代，其效率有待提高[3]。在阻尼器豎向布置方面，高效、合理地確定各樓層阻尼器數量是結構減震設計亟須解決的問題。在阻尼器平面布置方面，基于阻尼器豎向布置得到各樓層阻尼器的合理數量之后，需要為各樓層阻尼器選擇合理的安裝位置，確定阻尼器平面位置是一個迭代、調整和耗時耗力的過程。因此，在滿足業主使用功能與阻尼器平面布置規則的前提下，快速確定阻尼器平面安裝位置是結構減震設計亟須解決的問題。為解決上述問題，眾多學者進行了阻尼器豎向布置優化方法和阻尼器平面布置優化方法的探索與研究。

在阻尼器豎向布置優化方面，因阻尼器布置與結構地震響應之間無明顯、有規律的顯式關系，故目前的阻尼器豎向優化布置大多采用隨機搜索優化布置方法和遺傳算法。例如，Agrawal等[4]采用3種智能搜索算法，即序列、WOBI和ESPS，研究在不同類型目標函數下的阻尼器最優位置，結果表明，通過最小化的結構最大層間位移目標函數得到的阻尼器最佳位置取決于具體地震動，WOBI和ESPS在改善序列搜索最佳位置方面有效。李鋼等[5]基于遺傳算法，提出一種應用于耗能減震結構參數設計的新型優化數學模型，結果表明，新模型是一種有效的優化設計方法。李宏男等[6]基于遺傳算法，提出阻尼器新型優化數學模型，對比了位移型和速度型阻尼器優化布設的差異，發現高層建筑宜選用速度型阻尼器。燕樂緯等[7]基于數字序列編碼遺傳算法，提出高層結構黏滯阻尼器優化布置方法，結果表明，該算法能加速種群進化，在高層結構阻尼器優化布置上有效。馬宏偉等[8]基于粗粒度并行遺傳算法，提出通過Matlab-ABAQUS-Python的交互使用來優化被動控制結構中阻尼器位置的方法，結果表明，該算法能顯著提高結構減震率。金波等[9]基于改進的遺傳算法，提出以替換桿件模態應變能百分比之和最大為適應度函數來優化大跨網架結構上的黏滯阻尼器數量和位置的方法，結果表明，該方法能明顯改善結構受力狀況，減震效果良好。王曙光等[10]采用遺傳算法進行多種不同類型阻尼器的同步優化布置，結果表明，該算法可以在較短時間內同時優化不同類型的阻尼器位置。陳豐收等[11]采用多目標并行遺傳算法進行減震結構的阻尼器布置數量和布置位置的多目標同步優化，結果表明，該算法收斂性強，阻尼器主要布置在結構中下部且中部較多。周玉嫻等[12]采用基因屬性保留遺傳算法進行阻尼器的雙目標同步優化布置，結果表明，該方法可高效處理雙目標阻尼器同步優化問題。盡管以上研究在阻尼器豎向優化布置方面已經很成熟，但是較少同時考慮阻尼器的豎向布置與平面布置，即在確定各樓層的阻尼器數量后，需要考慮在不妨礙業主使用功能需求且不增大剛度與質心差異、結構扭轉效應的前提下，在各樓層平面上合理布置阻尼器。

在阻尼器平面優化布置方面，目前處于起步階段，相關研究較少。例如，Erdem ?er?evik等[13]采用蝙蝠算法和蜻蜓算法進行黏性墻式阻尼器數量、阻尼器周邊布置的優化，并以樓層加速度和層間位移角為約束條件，結果表明，該方法有利于改進結構響應、最小化經濟成本。程衛紅等[14]通過模型算例針對墻式連接位移型阻尼器進行了平面布置分析，結果表明，阻尼器平面布置宜規則對稱，且盡量布置在框架結構周邊，從而減少不規則布置帶來的附加扭轉效應。目前針對阻尼器智能選擇平面位置方面的研究較少，為實現和加速減震設計的智能化，有必要開展相關研究。

針對以上不足，筆者基于雙目標優化算法（Dual Objective Optimization Algorithm，DOOA）和生成對抗網絡（Generative Adversarial Network，GAN），提出阻尼器豎向優化布置與智能選擇阻尼器平面位置的方法。采用雙目標優化算法進行阻尼器豎向布置，并與原結構、工程師設計、逐層逼近法進行對比分析；采用生成對抗網絡進行阻尼器平面布置，并與工程師設計結果進行相似性差異度對比分析。通過工程案例的應用與分析，驗證方法的有效性，為減震結構的智能化設計提供參考。

1 阻尼器豎向布置優化目標

1.1 減震結構運動方程

在地震作用下，未設置阻尼器的框架結構的運動方程為

式中：M、C_0、K_0分別為未布置阻尼器的框架結構的質量矩陣、阻尼矩陣和剛度矩陣；u ¨（t）、u ˙（t）、u（t）分別為框架結構的樓層加速度向量、速度向量和位移向量；P（t）為阻尼器所提供的阻尼力矩陣；u ¨_g （t）為地面加速度，即地震動加速度；I為單位列向量。

為兼容多種速度型阻尼器的力學模型，考慮3種常見的速度型阻尼器力學模型，包括線性模型、Kelvin模型和Maxwell模型，3種模型均假設阻尼指數為1。線性模型的阻尼力表達式為

式中：C_d為阻尼器的阻尼矩陣；u ˙（t）為第i層樓面相對基礎的變形速度。將式（2）代入式（1），可得到布置線性阻尼器模型的框架結構運動方程。

由式（3）可得出，線性阻尼器模型只改變了結構的阻尼矩陣。

Kelvin模型采用的是剛度與阻尼并聯的形式，如圖1所示。在實際減震設計中，一般設置剛度K_d=0，以此來讓阻尼裝置在地震作用下運動起來，故Kelvin模型的阻尼力矩陣表達式為

式中：K_d為阻尼器的剛度矩陣；C_d為框架結構的層間側移剛度矩陣；u（t）為樓面相對基礎的變形向量。將式（4）代入式（1），可得到布置Maxwell阻尼器模型的框架結構運動方程同式（3）。

Maxwell模型采用的是剛度與阻尼串聯的形式，如圖2所示。在實際減震設計中，一般設置剛度為阻尼系數的100～1 000倍，從而讓阻尼裝置消耗地震能量，故（c_di?p ˙_i （t））?k_di 項可忽略不計，Maxwell模型的單個阻尼器阻尼力表達式為

式中：p（t）為單個阻尼器提供的阻尼力；Δ ˙（t）為單個阻尼器兩端相對變形速度大小。將式（5）代入式（1），可得到布置Maxwell阻尼器模型的框架結構運動方程同式（3）。

綜上所述，當阻尼指數為1時，3種阻尼器模型的結構運動方程在形式上統一，均為式（6）形式。

1.2 減震結構響應求解

在布置阻尼器后，框架結構的阻尼體系變為非經典阻尼體系，即非對角矩陣，運動方程組無法解耦為N個獨立的單自由度體系運動方程。為解決此類非經典阻尼解耦問題，采用復振型分解法進行方程組解耦，由線性定常動力體系的微分方程經變量代換得到減震結構體系的狀態方程[15]。具體表達式為

為框架結構的質量矩陣；K0為框架結構的剛度矩陣；C為減震結構的阻尼矩陣，包含結構本身阻尼與阻尼器所提供的阻尼，即C=C0+Cd；E_（N×N）為N階單位向量。

因矩陣D為非對稱矩陣，故應采用廣義模態分析法進行解耦，通過特征向量的正交性計算框架結構的地震響應。假設非對稱矩陣D的左、右特征向量與特征值分別為θi、φi、λi，其中i=1，2…2N。

由于振型的正交特性，框架結構的任何響應均可采用振型的線性組合進行表示。例如，采用右特征向量進行振型的線性組合，如式（8）所示。

（14）

式中：x ¨_i、x ¨_0分別為結構布置阻尼器和未布置阻尼器的樓層加速度；x_i/h_i、x_0i/h_0i分別為結構布置阻尼器和未布置阻尼器的層間位移角；n_d為結構布置的阻尼器總數量。

2 阻尼器平面布置評價指標

2.1 布置規則

基于框架結構的平面建筑圖，進行阻尼器的平面布置。在已確定框架結構阻尼器豎向布置的基礎上，對需要布置阻尼器的樓層進行智能化平面布置。依據《全國民用建筑工程設計技術措施——結構（結構體系）》規范附錄C.4，阻尼器平面布置應符合表1所示的規則。

2.2 評價指標

基于阻尼器平面布置規則，以較優的目標設計為設計標準，提出用于評價生成設計的相似性差異度綜合評價指標E，以及兩個子指標：阻尼器質心差異度、阻尼器分散性差異度。質心差異度可以反映阻尼器質心與結構質量中心之間的差異程度，該值越小則阻尼器布置越對稱，其附加扭轉越小。分散性差異度可以反映阻尼器是否分散布置，該值越小則結構抗扭轉能力越強。將生成的平面布置與目標設計的平面布置進行逐樓層、逐柱跨對比，通過式（15）～式（17）計算兩者的相似性。E值越小，說明生成設計與目標設計之間的差異越小，相似程度越高。當相似性差異度綜合評價指標E小于臨界值α時，則生成設計與目標設計相似性極高，結構的抗扭能力較好。

式中：E為生成設計的相似性綜合評價指標；S_j^1為生成設計與目標設計在阻尼器質心上的距離大??；S_j^2為生成設計與目標設計在第j層樓的阻尼器分散程度上的差異大??；n為框架結構樓層數量；x_g、y_g分別為生成設計第j層樓X向、Y向阻尼器質心與結構質心x_0、y_0之間的距離；x_e、y_e分別為目標設計第j層樓X向、Y向阻尼器質心與結構質心x_0、y_0之間的距離；L、B分別為框架結構的長度與寬度；x_gi、x_ei分別為生成設計、目標設計第j層樓第i個阻尼器與結構質量中心x_0之間的距離；y_gi、y_ei分別為生成設計、目標設計第j層樓第i個阻尼器與建筑質量中心y_0之間的距離；n_1、n_2分別為生成設計、目標設計的X向與Y向阻尼器數量之和。

需要說明的是，生成設計是基于提取的可布置阻尼器位置圖像進行的圖像生成，如圖3所示，即需要對圖紙做前處理工作。

3 阻尼器布置智能設計算法

3.1 阻尼器豎向智能布置

采用雙目標優化算法來實現阻尼器的豎向布置。雙目標優化算法是借鑒了麻雀搜索算法的優化思想，通過模擬麻雀搜索食物的行為來尋優，從而尋找最優解。在一個D維搜索空間內，存在pop只個體，第i只個體在搜索空間中的位置可表示為Xi=[xi1…xij…xiD]，i=1，2…N，其中xij為第i只個體在第j維空間的位置?；陔p目標優化算法的阻尼器豎向布置流程圖見圖4，具體步驟如下。

Step1：初始化數據，種群規模pop，優化目標函數維數D，迭代次數T，初始值上下界lb、ub。

Step2：初始化種群，生成pop個D維向量Xi，維度對應樓層數量。

Step3：計算個體的目標函數值f1和f2，選出優化目標函數f1和f2均相對較小時所對應的個體作為最優解。

Step4：循環執行step2、step3，迭代T次，每次迭代后更新阻尼器豎向布置最優解。

Step5：當迭代次數t=T，程序結束，輸出最后一次迭代所得到的阻尼器豎向布置最優解。

3.2 阻尼器平面智能布置

采用GAN來實現阻尼器的平面布置。GAN是自動化建筑設計中應用最廣泛的框架之一[16]，是一種深度生成模型，該模型框架包含兩個相互競爭的神經網絡結構：判別器D和生成器G。生成器用來捕獲數據分布并生成樣本，而判別器用于將生成的樣本與真實樣本區分開來[17]，二者通過對抗學習提升各自的能力。生成對抗網絡可通過對既有設計圖像或文本的學習，掌握已有設計數據中的潛在設計規律，實現新設計圖像的生成[18]?；贕AN的阻尼器平面布置程圖見圖5，算法具體步驟如下。

Step1：將用于訓練、驗證和測試的建筑平面圖進行前處理，即用藍色標出所有能布置阻尼器的位置，用紅色標出已布置阻尼器的位置。

Step2：將建筑平面圖紙的所有合理阻尼器布置用于訓練生成器，在與判別器博弈過程中，不斷學習阻尼器布置規律。當達到納什平衡時，生成器訓練完成，可用于阻尼器平面布置。

Step3：將訓練好的生成器用于生成與工程師設計相似的阻尼器平面布置，從而得到平面布置的生成設計。

Step4：采用相似性差異度綜合評價E進行生成設計評價。若E≥α，返回到step3中重新進行訓練和生成，重新評價，直至E<α。

4 阻尼器布置智能設計工程應用

為研究雙目標優化算法和生成對抗網絡的可行性和通用性，采用2個實際減震設計工程案例進行阻尼器布置設計，并開展性能分析、對比?；谧枘崞髫Q向布置雙目標優化算法和阻尼器平面布置生成對抗網絡算法，對地震動作用下的框架結構進行阻尼器豎向布置與平面布置，在豎向布置上與逐層逼近設計、工程師設計進行對比，在平面布置上與工程師平面設計進行對比，從而驗證阻尼器布置方法的有效性。

4.1 工程案例一

4.1.1 結構模型

某5層鋼筋混凝土框架結構教學樓，首層層高4.9 m，標準層層高4 m，總高20.9 m；柱截面為600 mm×600 mm，邊主梁截面為500 mm×800 mm，內主梁截面為400 mm×800 mm，次梁均為300 mm×600 mm，具體結構平面布置如圖6所示，各樓層的質量和剛度見表2?？拐鹪O防烈度為8度（0.2g），地震分組為第2組，場地類別為Ⅱ類，設防類別為乙類。

按照工程師試算，案例一結構需安裝30個黏滯阻尼器，具體阻尼器參數見表3。優化并求解阻尼器合理位置，提高框架結構在地震波作用下的抗震性能，使其層間位移角和樓層加速度滿足一定的減震目標，具體減震指標為：在8度罕遇地震作用下，層間位移角控制在1/200以下，樓層加速度控制在5 m/s2以下。

4.1.2 阻尼器豎向優化布置

依據場地特征周期Tg1=0.45 s、結構基本周期Ta1=1.25 s，選取與其周期相近的3條地震動：SAN FERNANDO（臺站110）波、COALINGA（臺站1624）波、NORTHRIDGE（臺站5366）波，分別記為A波、B波、C波，并將地震波的峰值加速度調整至400 cm/s2。

在不同地震波作用下，雙目標優化算法能保持目標函數值f1、f2變動幅度較小，且在同一方向上的阻尼器布置近似相同，反映了該算法對不同地震動的魯棒性能較好。同一樓層依據出現次數較多的阻尼器數目、接近平均數和阻尼器總數量為15的原則，雙目標優化算法在X向與Y向的最終阻尼器豎向布置如表4所示。相比于逐層逼近法，雙目標優化算法的目標函數值與其幾乎相同，側面說明該算法在阻尼器豎向布置上的優化能力較好。相比于工程師設計，雙目標優化算法的目標函數值f1、f2均小于工程師設計，說明該優化算法在阻尼器數量固定的前提下能輔助工程師進行豎向布置修正，充分發揮阻尼器的減震性能，減小各樓層的最大加速度與最大層間位移角。

與原結構相比，采用不同阻尼器豎向布置方法得到的結構最大層間位移角和最大樓層加速度均有所降低。對于最大層間位移角，雙目標優化算法與逐層逼近法的豎向布置均能滿足減震目標1/200的要求，而工程師設計不能滿足減震目標，如圖7所示。主要原因在于工程師設計的首層與頂層未布置阻尼器，導致其首層、頂層成為樓層薄弱處，層間位移角未能減小至減震目標。對于最大樓層加速度，雙目標優化算法與逐層逼近法的最大樓層加速度均小于減震目標5 m/s2，但工程師設計未能達標，如圖8所示。這是因為首層、頂層為薄弱層，導致首層與頂層的最大樓層加速度未減小，甚至增大。

4.1.3 阻尼器平面優化布置

在雙目標優化算法確定的案例一阻尼器豎向布置的基礎上，分別讓訓練好的生成對抗網絡模型和工程師進行阻尼器平面布置，并以工程師設計的阻尼器平面布置為目標設計。案例一的目標設計與生成設計如圖9、圖10所示。

在該工程案例中，生成設計的相似性綜合評價值為E1=0.05，各樓層的質心差異度和分散性差異度見圖10。由于相似性綜合評價E比較接近0，生成設計與工程師設計具有較高的相似度。

4.2 工程案例二

4.2.1 結構模型

某6層鋼筋混凝土框架結構辦公樓，首層層高6 m，標準層層高4 m，總高26 m；柱截面為650 mm×650 mm，邊主梁截面為600 mm ×800 mm，內主梁截面為400 mm×700 mm，次梁均為300 mm × 600 mm，結構平面布置如圖11所示，各樓層的質量和剛度見表5?？拐鹪O防烈度為8度（0.3g），地震分組為第3組，場地類別為Ⅱ類，設防類別為乙類。

依據工程師試算，案例二需安裝48個黏滯阻尼器，具體阻尼器參數見表6。在工程師設計的基礎上，優化阻尼器布置位置，提升框架結構的抗震性能，使其層間位移角和樓層加速度滿足一定的減震目標，具體減震指標為：在8度罕遇地震作用下，層間位移角控制在1/200以下，樓層加速度控制在6 m/s2以下。

4.2.2 阻尼器豎向優化布置

根據案例二場地特征周期Tg2=0.5 s與結構基本周期Ta2=1.27 s，選取出與其周期相近的3條地震動：SAN FERNANDO（臺站110）波、SAN FERNANDO（臺站160）波、NORTHRIDGE（臺站5366）波，分別記為A波、D波、C波，并將各地震波的峰值加速度調整至510 cm/s2。

案例二結構在X向與Y向的質量、剛度和平面布置完全相同，故在各樓層兩主軸方向上布置同等數量的阻尼器。同一樓層依據出現次數較多的阻尼器數目、接近平均數和阻尼器總數量為24的原則，雙目標優化算法在X向與Y向的最終阻尼器豎向布置如表7所示。在3條地震動作用下，雙目標優化算法的目標函數值與逐層逼近法、工程師設計非常接近，但其f1值均優于逐層逼近法，f2值均優于工程師設計，再次說明該算法在阻尼器豎向布置上的有效性、合理性。而且，布置的阻尼器集中于中下部樓層，符合以往的阻尼器布置經驗。

與原結構相比，不同阻尼器布置方法的最大層間位移角和最大樓層加速度均有所降低。對于最大層間位移角，雙目標優化算法與逐層逼近法的豎向布置均能滿足減震目標1/200的要求，而在A波作用下，工程師設計的1、2層的層間位移角未能滿足減震目標，如圖12所示。主要原因在于首層的樓層剪力較大和阻尼器數量不足，導致首層的層間變形過大，使其層間位移角未能滿足減震目標。對于最大樓層加速度，雙目標優化算法、逐層逼近法和工程師設計的最大樓層加速度均小于加速度減震目標6 m/s2，如圖13所示。

4.2.3 阻尼器平面優化布置

在雙目標優化算法確定的案例二阻尼器豎向布置的基礎上，分別讓訓練好的GAN模型和工程師進行阻尼器平面布置，并以工程師設計的阻尼器平面布置為目標設計。案例二的目標設計與生成設計如圖14、圖15所示。

在該工程案例中，生成設計的綜合相似性評價值為E=0.02，各樓層的質心差異度和分散性差異度見圖15。由于相似性綜合評價E非常接近0，生成設計與工程師設計具有較高的相似度。雖然生成設計與目標設計的阻尼器平面位置不完全相同，但阻尼器質心與分散性相同，導致其實際減震效果完全相同，例如該案例的5F、6F。

4.3 雙目標優化算法效率分析

阻尼器智能布置在豎向布置上耗時占比最大，對算法效率影響最大，故只針對雙目標優化算法進行效率分析。

在EI Centro地震波作用下，以案例二的標準層平面布置、阻尼器參數為依據，開展2、4、6、8、10和12層框架結構的雙目標優化算法效率分析，并與逐層逼近法、工程師設計進行對比。采用雙目標優化算法、逐層逼近法和工程師設計對框架結構分別進行5次設計，取其所用平均時間，其統計結果如表8所示。

由表8可知，雙目標優化算法在阻尼器豎向布置上所用時間隨樓層數量與阻尼器數量增大而增長，且遠小于逐層逼近法與工程師設計。雙目標優化算法計算時間較短，分析原因主要有兩點：1）算法內嵌入了樓層地震響應有限元程序，可快速計算最大樓層加速度、最大層間位移角，避免了調用有限元軟件計算速度慢的問題；2）調整雙目標優化算法的種群數量為5，迭代次數為100，既能保證優化結果較好，又能極大降低優化計算所用時間。而逐層逼近法計算時間最長，主要原因在于需要工程師使用有限元軟件迭代計算并確定每個阻尼器所在樓層，直至布置完所有阻尼器。工程師設計所用時間位于兩者之間，是由于工程師可以利用積累的減震設計經驗減少迭代次數，從而較快地完成阻尼器豎向布置。

4.4 平面布置評價指標臨界值α

目前，尚未明確平面評價指標E的臨界值，即：當E小于某個臨界值時，生成設計與目標設計相似度較高，平面布置可靠，結構力學性能較好。因此，以抗扭力學性能的優劣來搜尋平面布置評價指標臨界值α。針對阻尼器平面布置的相似性綜合評價指標E的臨界值，以工程案例二為試算模型，基于工程師設計的阻尼器豎向布置，開展12種不同平面布置的扭轉力學分析。值得說明的是，雖然工程案例采用的黏滯阻尼器在理論上不提供剛度，但在實際工程中存在一定的剛度，會對結構的扭轉產生影響。經過試算得到不同平面布置方式下的框架結構扭轉周期比和考慮偶然偏心作用下的X、Y方向最大位移比，以及相似性綜合評價E值，如表9所示。其中，考慮偶然偏心的位移比采用規范反應譜方法進行計算，偶然偏心取0.05[19]。已知工程師設計的扭轉周期比為0.785 9，最大扭轉位移比均值為1.173。

將12種平面布置方式的分析結果繪制在圖16中，可以看出：當相似性差異度綜合評價E<α=0.1時，可保證生成設計與工程師設計的扭轉周期比差異在10%以內，最大扭轉位移比差異在5%以內，且扭轉周期比、扭轉位移比分別滿足規范要求的0.9、1.6。案例一、案例二的相似性差異度綜合指標E均小于0.1，間接說明生成對抗網絡生成的平面布置滿足結構抗扭力學性能要求。

5 結論

基于雙目標優化算法和生成對抗網絡算法進行阻尼器豎向和平面布置的智能設計，并進行了工程應用，得到以下結論。

1）基于結構地震響應公式與雙目標優化算法進行阻尼器豎向智能布置。在推導出線性黏滯阻尼減震結構彈性階段地震響應公式后，采用雙目標優化算法求解優化目標函數值f1、f2最小時的各樓層阻尼器數量，可實現線性黏滯阻尼器的豎向智能布置。

2）基于生成對抗網絡進行阻尼器水平智能布置。在完成阻尼器豎向布置后，即在確定各樓層阻尼器數量后，采用生成對抗網絡算法，對其生成器進行訓練，利用生成器完成阻尼器平面智能布置，可實現線性黏滯阻尼器的平面智能布置。

3）對兩個框架結構減震設計案例進行雙目標優化算法與生成對抗網絡的工程應用。通過在豎向布置上同逐層逼近法、工程師設計進行對比，在平面布置上同工程師平面布置進行對比，可知：雙目標優化算法生成的阻尼器豎向布置方案滿足減震目標、生成對抗網絡算法生成的阻尼器平面布置方案均與工程師的布置方案基本一致，直接說明了所提智能設計方法在阻尼器布置上的有效性。

參考文獻

[1]? SOONG T T， DARGUSH G F. 結構工程中的被動消能系統[M]. 董平， 譯. 北京： 科學出版社， 2005.

SOONG T T， DARGUSH G F. Passive energy dissipation systems in structural engineering [M]. Translated by DONG P.? Beijing： Science Press， 2005. （in Chinese）

[2]? 高劍， 王忠凱， 潘毅， 等. 罕遇地震下石化鋼結構減震的關鍵影響因素[J]. 土木建筑與環境工程， 2016， 38（1）： 92-99.

GAO J， WANG Z K， PAN Y， et al. Influence factors of vibration reduction in petrochemical steel structure under rare earthquake [J]. Journal of Civil， Architectural & Environmental Engineering， 2016， 38（1）： 92-99. （in Chinese）

[3]? 潘毅， 陳俠輝， 趙俊賢， 等. 基于剪力比的黏彈性阻尼腋撐-RC框架結構設計方法[J]. 建筑結構學報， 2018， 39（Sup1）： 79-86.

PAN Y， CHEN X H， ZHAO J X， et al. Seismic design method of RC frame structure with knee brace of viscoelastic damper based on shear ratio [J]. Journal of Building Structures， 2018， 39（Sup1）： 79-86. （in Chinese）

[4]? AGRAWAL A K， YANG J N. Optimal placement of passive dampers on seismic and wind-excited buildings using combinatorial optimization [J]. Journal of Intelligent Material Systems and Structures， 1999， 10（12）： 997-1014.

[5]? 李鋼， 李宏男. 位移型耗能減震結構優化設計[J]. 振動與沖擊， 2007， 26（4）： 65-68， 170.

LI G， LI H N. Optimal design of displacement-based energy dissipative devices [J]. Journal of Vibration and Shock， 2007， 26（4）： 65-68， 170. （in Chinese）

[6]? 李宏男， 曲激婷. 基于遺傳算法的位移型與速度型阻尼器位置優化比較研究[J]. 計算力學學報， 2010， 27（2）： 252-257.

LI H N， QU J T. Comparison of optimal placement of displacement-based and velocity-based dampers using genetic algorithm [J]. Chinese Journal of Computational Mechanics， 2010， 27（2）： 252-257. （in Chinese）

[7]? 燕樂緯， 陳洋洋， 周云. 基于數字序列編碼遺傳算法的高層結構黏滯阻尼器優化布置[J]. 振動與沖擊， 2015， 34（3）： 101-107.

YAN L W， CHEN Y Y， ZHOU Y. Optimal positioning of viscous dampers in tall buildings based on digital sequence conding genetic algorithm [J]. Journal of Vibration and Shock， 2015， 34（3）： 101-107. （in Chinese）

[8]? 馬宏偉， 陳豐收. 基于粗粒度并行遺傳算法的阻尼器優化布置[J]. 華南理工大學學報（自然科學版）， 2019， 47（11）： 104-112.

MA H W， CHEN F S. Optimal arrangement of dampers based on coarse-grained parallel genetic algorithm [J]. Journal of South China University of Technology （Natural Science Edition）， 2019， 47（11）： 104-112. （in Chinese）

[9]? 金波， 李梓溢， 周旺， 等. 基于改進遺傳算法的阻尼器位置與數量優化分析[J]. 湖南大學學報（自然科學版）， 2019， 46（11）： 114-121.

JIN B， LI Z Y， ZHOU W， et al. Optimal analysis on location and quantity of dampers based on improved genetic algorithm [J]. Journal of Hunan University （Natural Sciences）， 2019， 46（11）： 114-121. （in Chinese）

[10]? 王曙光， 楊燁， 杜東升. 減震結構不同類型阻尼器同步優化方法[J]. 振動工程學報， 2020， 33（6）： 1141-1149.

WANG S G， YANG Y， DU D S. Synchronization optimization of different types of dampers for energy dissipation structure [J]. Journal of Vibration Engineering， 2020， 33（6）： 1141-1149. （in Chinese）

[11]? 陳豐收， 呂述暉， 李安琪. 基于多目標并行遺傳算法的阻尼器優化布置[J]. 建筑鋼結構進展， 2022， 24（5）： 65-72.

CHEN F S， LYU S H， LI A Q. An optimal arrangement of dampers based on multi-objective parallel genetic algorithm [J]. Progress in Steel Building Structures， 2022， 24（5）： 65-72. （in Chinese）

[12]? 周玉嫻， 王曙光. 框架結構線性黏滯阻尼器雙目標同步優化布置研究[J]. 振動工程學報， 2023， 36（1）： 44-51.

ZHOU Y X， WANG S G. Study on double-objective synchronous optimal layout of linear viscous dampers in frame structures [J]. Journal of Vibration Engineering， 2023， 36（1）： 44-51. （in Chinese）

[13]? ERDEM ?ER?EVIK A， AV?AR ?， DILSIZ A. Optimal placement of viscous wall dampers in RC moment resisting frames using metaheuristic search methods [J]. Engineering Structures， 2021， 249： 113108.

[14]? 程衛紅， 巫振弘， 陳灝愷. 墻式連接位移型阻尼器在框架結構中的布置原則及連接設計要點[J]. 建筑結構， 2021， 51（Sup1）： 935-939.

CHENG W H， WU Z H， CHEN H K. Analysis of the layout principles and connection design points of wall-mounted displacement-type damper in frame structure [J]. Building Structure， 2021， 51（Sup1）： 935-939. （in Chinese）

[15]? 劉晶波， 杜修力. 結構動力學[M]. 2版. 北京： 機械工業出版社， 2022.

LIU J B， DU X L. Structural dynamics [M]. 2nd ed. Beijing： China Machine Press， 2022. （in Chinese）

[16]? LIAO W J， LU X Z， HUANG Y L， et al. Automated structural design of shear wall residential buildings using generative adversarial networks [J]. Automation in Construction， 2021， 132： 103931.

[17]? FU B C， GAO Y Q， WANG W. Dual generative adversarial networks for automated component layout design of steel frame-brace structures [J]. Automation in Construction， 2023， 146： 104661.

[18]? 廖文杰， 陸新征， 黃羽立， 等. 剪力墻結構智能化生成式設計方法：從數據驅動到物理增強[J]． 土木與環境工程學報（中英文）， 2024， 46（1）： 82-92.

LIAO W J， LU X Z， HUANG Y L， et al. Intelligent generative structural design methods for shear wall buildings： From data-driven to physics-enhanced [J]. Journal of Civil and Environmental Engineering2024， 46（1）： 82-92. （in Chinese）

[19]? 建筑抗震設計規范： GB 50011—2010 [S]. 北京： 中國建筑工業出版社， 2010.

Code for seismic design of buildings： GB 50011—2010 [S]. Beijing： China Architecture & Building Press， 2010. （in Chinese）

（編輯? 胡英奎）

收稿日期：2023?06?11

基金項目：四川省自然科學基金（2022NSFSC0423）

作者簡介：潘毅（1977），男，博士，教授，主要從事工程結構抗震與加固研究，E-mail：panyi@swjtu.edu.cn。

通信作者：周祎（通信作者），男，博士，副教授，E-mail： suzhouzhouyi@swjtu.edu.cn。

Received： 2023?06?11

Foundation item： Natural Science Foundation of Sichuan Province （No. 2022NSFSC0423）

Author brief： PAN Yi （1977- ）， PhD， professor， main research interests： seismic resistance and reinforcement of engineering structures， E-mail： panyi @swjtu.edu.cn.

corresponding author：ZHOU Yi （corresponding author）， PhD， associate professor， E-mail： suzhouzhouyi @ swjtu.edu.cn.