基于物理知识的长短期记忆网络与数据折叠用于高效的现场地震响应预测

准确预测现场地震响应对于地震工程和抗震设计至关重要。尽管数值模拟方法在物理上是严谨的，但当土壤表现出复杂的非线性行为并且对本构模型选择和参数校准敏感时，它们变得计算密集。基于数据的深度学习模型可以有效地逼近非线性映射，但它们缺乏内置的物理约束，风险在于当超出训练域外推断时产生违反基本力学的预测。本研究提出了一种基于物理知识的深度长短期记忆（LSTM）框架，以进行高效且准确的现场地震响应预测。该框架通过将运动学导数关系作为软约束添加到损失函数中来强制物理一致性，并通过使用数据折叠模块来提高训练效率。一种针对性的数据显示增强策略解决了录制数据中的测量噪声和信号变异性。在对数值模拟事件和KiK-net记录的全面验证中显示了该方法的有效性。在数值数据上，基于物理知识的模型达到了±2%归一化误差内的97.98%置信水平，并将训练时间缩短了60%以上。在录制数据上，带有数据增强的增强模型达到了88.84%的置信水平和0.951的响应谱相关性，支持工程使用中的频率内容的可靠预测。该框架为现场响应预测提供了一种高效且物理一致的解决方案，对地震危险评估和结构设计具有重要意义。