基于物理引导深度学习的结构主动控制仿真分析 - 振动与冲击杂志社投稿_期刊论文发表|版面费|电话|编辑部|论文发表- 振动与冲击

一、本刊要求作者有严谨的学风和朴实的文风，提倡互相尊重和自由讨论。凡采用他人学说，必须加注说明。二、不要超过10000字为宜，精粹的短篇，尤为欢迎。三、请作者将稿件（用WORD格式）发送到下面给出的征文信箱中。四、凡来稿请作者自留底稿，恕不退稿。五、为规范排版，请作者在上传修改稿时严格按以下要求： 1．论文要求有题名、摘要、关键词、作者姓名、作者工作单位（名称，省市邮编）等内容一份。 2．基金项目和作者简介按下列格式：基金项目：项目名称（编号）作者简介：姓名（出生年－），性别，民族（汉族可省略），籍贯，职称，学位，研究方向。 3．文章一般有引言部分和正文部分，正文部分用阿拉伯数字分级编号法，一般用两级。插图下方应注明图序和图名。表格应采用三线表，表格上方应注明表序和表名。 4．参考文献列出的一般应限于作者直接阅读过的、最主要的、发表在正式出版物上的文献。其他相关注释可用脚注在当页标注。参考文献的著录应执行国家标准GB7714-87的规定，采用顺序编码制。

基于物理引导深度学习的结构主动控制仿真分析

作者:

关键词:

摘要：

研究背景与问题

在建筑结构主动控制领域，深度学习模型，如Transformer网络，因其高效的特征学习能力而备受关注。然而，这些模型在应用中存在物理可解释性差、可信度低以及可能产生不符合物理规律的解等问题，这限制了其在实际工程中的应用。特别是在复杂结构系统的主动控制中，如何确保控制策略的有效性和安全性成为了一个亟待解决的问题。

研究方法

为了解决上述问题，本研究在融合结构动力学物理规律约束的基础上，提出了一种物理引导深度学习网络（Physical-Guided Deep Learning Network，简称PGDLN）。该网络通过引入物理约束，将深度学习与物理规律相结合，旨在提高模型的物理可解释性和可信度。具体方法包括： 1. 设计了一种基于物理约束的深度学习网络结构，该结构能够自动学习结构系统的动态特性。 2. 开发了一种基于物理规律的优化算法，用以提升深度学习模型的性能。 3. 通过大量实验验证了所提出方法的有效性。

核心结果

本研究的主要成果如下： 1. 提出的PGDLN网络在模拟复杂建筑结构系统的主动控制过程中，显著提高了控制策略的准确性和稳定性。 2. 通过引入物理约束，PGDLN网络能够有效避免产生不符合物理规律的解，提高了模型的物理可解释性。 3. 实验结果表明，PGDLN网络在多个测试案例中均优于传统的深度学习模型，特别是在处理复杂非线性问题时，其优势更为明显。

结论与意义

本研究提出的物理引导深度学习网络为建筑结构主动控制领域提供了一种新的解决方案。该方法不仅提高了深度学习模型的物理可解释性和可信度，而且增强了模型在实际工程中的应用能力。具体意义包括： 1. 为建筑结构主动控制提供了新的理论依据和技术支持。 2. 推动了深度学习技术在工程领域的应用，有望为其他复杂系统控制提供借鉴。 3. 为未来智能建筑和智能城市的发展提供了技术保障。

文章来源：《振动与冲击》网址: http://www.zdycjgw.cn/qikandaodu/2026/1027/333.html