论文简介

剪切钢板阻尼器被广泛应用于工程结构消能减震。剪切钢板的面外屈曲应力是决定阻尼器承载和消能能力的关键参数。然而既有屈曲应力预测方法无法有效考虑固有材料特征、几何尺寸和初始缺陷不确定性的影响。传统理论方法准确性较低，传统试验及有限元方法无法充分考虑所有设计参数影响，且实施代价大、效率低下，无法应用于工程实践。为解决上述问题，该获奖论文基于团队提出的两阶段机器学习框架，将名义模型作为代理模型通过超立方采样方法充分考虑固有材料特征、几何尺寸和初始缺陷不确定性的影响，搭建了剪切钢板面外屈曲应力概率预测模型。对比分析结果表明，该预测模型可以达到与有限元方法媲美的准确率，且计算时间小于3s。为推动所提出的机器学习方法在工程实践中的应用，论文开发并公开了相应的可交互式软件，实现了基于机器学习结构智能设计的落地。最后，论文通过全局敏感性分析方法（Sobol’s method）研究了设计参数不确定性对预测结果的影响规律，可为阻尼器设计和加工提供有力依据。

该论文的合著者胡书领博士（欧盟玛丽居里学者、日本学术振兴会外国人特别研究员、京都大学博士后），是王伟教授指导的同济大学2016级博士研究生（2021年毕业）；陆永昌硕士是王伟教授指导的同济大学2020级硕士研究生（2023年毕业）。