Modelo de fusão baseado em GNN-LSTM para previsão de respostas dinâmicas estruturais

Com o rápido crescimento da tecnologia de aprendizado profundo, o potencial para seu uso em engenharia estrutural aumentou substancialmente nos últimos anos. Este estudo propõe uma arquitetura inovadora de rede de fusão baseada na rede neural gráfica (GNN) e na rede de memória de longo e curto prazo (LSTM). O modelo de fusão proposto pode prever com precisão a aceleração, a velocidade e as respostas de deslocamento não lineares de estruturas típicas de quadros resistentes a momentos (SMRF) com 4 a 7 andares submetidas a movimentos fortes do solo. A estrutura do modelo de fusão supera uma grande desvantagem dos modelos de aprendizado profundo existentes, pois pode prever as respostas dinâmicas de diversas estruturas. Isso ampliou o alcance das aplicações potenciais de modelos surrogados estruturais gerados por meio da tecnologia de aprendizado profundo no projeto e na análise de estruturas de edifícios com diferentes geometrias. Adicionalmente, este artigo apresenta duas estratégias de aprendizado otimizadas para LSTM, a saber, estratégias de empacotamento de sequências preenchidas e estratégias de compressão de sequências. Essas estratégias melhoram significativamente o desempenho do modelo sem modificar sua arquitetura. Finalmente, este estudo revela que a incorporação interna do gráfico do modelo está altamente correlacionada com certos parâmetros estruturais críticos, como o primeiro período natural e a altura de um edifício. Isso mostra que o modelo de fusão proposto é interpretável e tem a capacidade de extrair informações vitais que influenciam as respostas dinâmicas estruturais.