 |
|
|
|
以作者查詢圖書館館藏 、以作者查詢臺灣博碩士 、以作者查詢全國書目 、勘誤回報 、線上人數：112 、訪客IP：3.135.207.201
姓名 簡少禹(Shao-Yu Chien) 查詢紙本館藏 畢業系所 土木工程學系 論文名稱 含物理約束之長短型記憶神經網絡模型於結構物動力反應預測之開發與應用 相關論文 檔案 [Endnote RIS 格式]
[相關文章]
[文章引用]
[完整記錄]
[館藏目錄]
至系統瀏覽論文 (2025-8-1以後開放)
摘要(中) 監測結構物受地震力作用下之歷時響應為評估結構物健康狀況的重要依據，目前國內外多於結構物內各樓層安裝加速度傳感器以監測該樓層之地震響應，但其於實際應用上易受成本與施工之限制。鑒於我國地震頻繁，更應著重結構物之健康監測，因此，本研究嘗試使用含物理約束之長短型記憶神經網絡模型，透過使用地表加速度即可對房屋結構受震反應進行預測，期望以此提高監測之效益以及提升民眾加裝監測儀器之意願。
本研究使用長短期記憶模型(Long Short Term Memory networks, LSTM)並加入物理約束，利用結構動力學原理來降低大量訓練數據之需求，同時考量在地震下之運動狀態，以提高模型預測之合理性與可靠性。其中，訓練與預測之數據來自MATLAB、OpenSees有限元素軟體之模擬數據與美國Center for Engineering Strong Motion Data收集之一棟六層樓鋼筋混凝土建築的地震紀錄，此兩種類型之數據提供了模擬與真實響應之比較，而預測結果顯示，使用含物理約束之模型在模擬數據集上的預測表現優於傳統模型，但在真實數據集上，因結構物運動反應較為複雜，物理約束之改善效果有限。本研究展示了多種示例，並對預測結果進行詳細分析與評估，期望為結構物受震反應預測提供可靠之參考依據。摘要(英) Monitoring the time-history response of structures under seismic forces is crucial for assessing their health. Currently, accelerometers are installed on various floors within structures both domestically and internationally to monitor seismic responses. However, practical applications are often limited by costs and construction complexity. Given the frequent seismic activity in our country, greater emphasis should be placed on structural health monitoring. Therefore, this study attempts to use a physically constrained Long Short-Term Memory (LSTM) neural network model to predict the seismic response of buildings using only ground acceleration, aiming to improve monitoring efficiency and increase public willingness to install monitoring devices.
This study employs LSTM models with physical constraints, utilizing principles of structural dynamics to reduce the need for extensive training data while considering motion states under seismic conditions. This approach aims to enhance the model′s prediction rationality and reliability. The training and prediction data come from simulated data using the MATLAB, OpenSees finite element software and seismic records of a six-story reinforced concrete building collected by the Center for Engineering Strong Motion Data (CESMD). These two types of data provide a basis for comparing simulated and actual responses. The prediction results show that the physically constrained model outperforms traditional models on simulated datasets. However, on real datasets, due to the more complex motion response of actual structures, the improvement effect of physical constraints is limited. This study presents various examples, conducts detailed analysis and evaluation of the prediction results, and aims to provide reliable references for predicting the seismic response of structures.關鍵字(中) ★ 深度學習
★ 長短期記憶模型(LSTM)
★ 物理約束
★ MATLAB
★ OpenSees
★ 結構動力反應預測關鍵字(英) ★ Deep Learning
★ Long Short-Term Memory (LSTM)
★ Physical Constraints
★ MATLAB
★ OpenSees
★ Structural Dynamic Response Prediction論文目次 一、 緒論 1
1-1 研究動機與目的 1
1-2 文獻探討 3
1-3 論文架構 6
二、 深度學習模型之建立與改良 8
2-1 深度學習模型 8
2-1-1模型原理介紹與架構 9
2-1-2 LSTM單元與運算方式 11
2-2基於物理條件約束之LSTM長短期記憶模型 13
2-2-1單自由度線性運動系統 13
2-2-2損失函數之計算 14
2-2-3模型之應用 17
2-3 評估指標 18
2-4 小結 22
三、 MATLAB、OpenSees與CESMD數據收集 23
3-1 MATLAB單自由度線性模型建立 23
3-1-1 模型介紹與基本參數設置 23
3-1-2 狀態空間模型與數值積分 24
3-1-3 加速度響應計算與分析 24
3-2 OpenSees簡介 25
3-2-1 Tool Command Language(TCL)介紹 26
3-2-2 Tool Command Language(TCL)基本命令 27
3-3 OpenSees架構介紹 28
3-3-1 模型物件(ModelBuilder Object) 28
3-3-2 主要物件(Domain Object) 28
3-3-3 分析物件(Analysis Object) 29
3-3-4 紀錄物件(Recorder Object) 29
3-4 單自由度線性模型之建立與分析 30
3-4-1 模型介紹與基本參數設置 30
3-4-2 使用OpenSees建模命令之介紹 31
3-4-3 地震歷時資料收集與分析 35
3-5 CESMD簡介 36
3-6 CESMD資料收集 37
3-7小結 38
四、 MATLAB模型預測結果與評估 39
4-1單自由度線性模型數據庫之建立 39
4-2模型於使用10% 地震力下之訓練與預測表現 39
4-2-1 LSTM長短期記憶模型 40
4-2-2基於物理條件約束之LSTM長短期記憶模型 60
4-3 10% 地震力下模型預測表現之分析 77
五、 OpenSees模型預測結果與評估 80
5-1單自由度線性模型數據庫之建立 81
5-2模型於使用10% 地震力下之訓練與預測表現 83
5-2-1 LSTM長短期記憶模型 83
5-2-2基於物理條件約束之LSTM長短期記憶模型 104
5-3 10% 地震力下模型預測表現之分析 124
六、 CESMD預測結果與評估 127
6-1 真實地震響應數據庫之建立 127
6-2 模型於真實地震力下之訓練與預測表現 128
6-2-1 LSTM長短期記憶模型 128
6-2-2基於物理條件約束之LSTM長短期記憶模型 148
6-3 真實地震力下模型預測表現之分析 168
七、 結論與未來展望 171
7-1 結論 171
7-2 未來展望 173
參考文獻 174
圖目錄
圖1- 1 論文架構圖 7
圖2- 1 LSTM長短期記憶模型架構 10
圖2- 2 LSTM單元示意圖 12
圖3- 1 OpenSees基本架構圖 28
圖3- 2 單自由度線性模型 31
圖3- 3 OpenSees地震加速度歷時之反應譜 35
圖3- 4 San Bernardino - 6-story Hotel Sensor Layout 37
圖4- 1 10% MATLAB數據使用Early stopping訓練過程之Loss變化圖 41
圖4- 2 10% MATLAB數據使用Early stopping訓練集中預測之結果 42
圖4- 3 10% MATLAB數據使用Early stopping測試集中預測之結果 43
圖4- 4 10% MATLAB數據使用Early stopping訓練集中預測之指標 44
圖4- 5 10% MATLAB數據使用Early stopping測試集中預測之指標 44
圖4- 6 10% MATLAB數據使用1000 epochs訓練過程之Loss變化圖 46
圖4- 7 10% MATLAB數據使用1000 epochs訓練集中預測之結果 47
圖4- 8 10% MATLAB數據使用1000 epochs測試集中預測之結果 48
圖4- 9 10% MATLAB數據使用1000 epochs訓練集中預測之指標 49
圖4- 10 10% MATLAB數據使用1000 epochs測試集中預測之指標 49
圖4- 11 10% MATLAB數據使用1500 epochs訓練過程之Loss變化圖 51
圖4- 12 10% MATLAB數據使用1500 epochs訓練集中預測之結果 52
圖4- 13 10% MATLAB數據使用1500 epochs測試集中預測之結果 53
圖4- 14 10% MATLAB數據使用1500 epochs訓練集中預測之指標 54
圖4- 15 10% MATLAB數據使用1500 epochs測試集中預測之指標 54
圖4- 16 10% MATLAB數據使用2000 epochs訓練過程之Loss變化圖 56
圖4- 17 10% MATLAB數據使用2000 epochs訓練集中預測之結果 57
圖4- 18 10% MATLAB數據使用2000 epochs測試集中預測之結果 58
圖4- 19 10% MATLAB數據使用2000 epochs訓練集中預測之指標 59
圖4- 20 10% MATLAB數據使用2000 epochs測試集中預測之指標 59
圖4- 21 10% MATLAB數據使用Early stopping訓練過程之Loss變化圖 61
圖4- 22 10% MATLAB數據使用Early stopping訓練集中預測之結果 62
圖4- 23 10% MATLAB數據使用Early stopping測試集中預測之結果 63
圖4- 24 10% MATLAB數據使用Early stopping訓練集中預測之指標 64
圖4- 25 10% MATLAB數據使用Early stopping測試集中預測之指標 64
圖4- 26 10% MATLAB數據使用1000 epochs訓練過程之Loss變化圖 65
圖4- 27 10% MATLAB數據使用1000 epochs訓練集中預測之結果 66
圖4- 28 10% MATLAB數據使用1000 epochs測試集中預測之結果 67
圖4- 29 10% MATLAB數據使用1000 epochs訓練集中預測之指標 68
圖4- 30 10% MATLAB數據使用1000 epochs測試集中預測之指標 68
圖4- 31 10% MATLAB數據使用1500 epochs訓練過程之Loss變化圖 69
圖4- 32 10% MATLAB數據使用1500 epochs訓練集中預測之結果 70
圖4- 33 10% MATLAB數據使用1500 epochs測試集中預測之結果 71
圖4- 34 10% MATLAB數據使用1500 epochs訓練集中預測之指標 72
圖4- 35 10% MATLAB數據使用1500 epochs測試集中預測之指標 72
圖4- 36 10% MATLAB數據使用2000 epochs訓練過程之Loss變化圖 73
圖4- 37 10% MATLAB數據使用2000 epochs訓練集中預測之結果 74
圖4- 38 10% MATLAB數據使用2000 epochs測試集中預測之結果 75
圖4- 39 10% MATLAB數據使用2000 epochs訓練集中預測之指標 76
圖4- 40 10% MATLAB數據使用2000 epochs測試集中預測之指標 76
圖5- 1 單自由度線性模型進行震動反應之模擬 82
圖5- 2 10% OpenSees數據使用Early stopping訓練過程之Loss變化圖 85
圖5- 3 10% OpenSees數據使用Early stopping訓練集中預測之結果 86
圖5- 4 10% OpenSees數據使用Early stopping測試集中預測之結果 87
圖5- 5 10% OpenSees數據使用Early stopping訓練集中預測之指標 88
圖5- 6 10% OpenSees數據使用Early stopping測試集中預測之指標 88
圖5- 7 10% OpenSees數據使用1000 epochs訓練過程之Loss變化圖 90
圖5- 8 10% OpenSees數據使用1000 epochs訓練集中預測之結果 91
圖5- 9 10% OpenSees數據使用1000 epochs測試集中預測之結果 92
圖5- 10 10% OpenSees數據使用1000 epochs訓練集中預測之指標 93
圖5- 11 10% OpenSees數據使用1000 epochs測試集中預測之指標 93
圖5- 12 10% OpenSees數據使用1500 epochs訓練過程之Loss變化圖 95
圖5- 13 10% OpenSees數據使用1500 epochs訓練集中預測之結果 96
圖5- 14 10% OpenSees數據使用1500 epochs測試集中預測之結果 97
圖5- 15 10% OpenSees數據使用1500 epochs訓練集中預測之指標 98
圖5- 16 10% OpenSees數據使用1500 epochs測試集中預測之指標 98
圖5- 17 10% OpenSees數據使用2000 epochs訓練過程之Loss變化圖 100
圖5- 18 10% OpenSees數據使用2000 epochs訓練集中預測之結果 101
圖5- 19 10% OpenSees數據使用2000 epochs測試集中預測之結果 102
圖5- 20 10% OpenSees數據使用2000 epochs訓練集中預測之指標 103
圖5- 21 10% OpenSees數據使用2000 epochs測試集中預測之指標 103
圖5- 22 10% OpenSees數據使用Early stopping訓練過程之Loss變化圖 105
圖5- 23 10% OpenSees數據使用Early stopping訓練集中預測之結果 106
圖5- 24 10% OpenSees數據使用Early stopping測試集中預測之結果 107
圖5- 25 10% OpenSees數據使用Early stopping訓練集中預測之指標 108
圖5- 26 10% OpenSees數據使用Early stopping測試集中預測之指標 108
圖5- 27 10% OpenSees數據使用1000 epochs訓練過程之Loss變化圖 110
圖5- 28 10% OpenSees數據使用1000 epochs訓練集中預測之結果 111
圖5- 29 10% OpenSees數據使用1000 epochs測試集中預測之結果 112
圖5- 30 10% OpenSees數據使用1000 epochs訓練集中預測之指標 113
圖5- 31 10% OpenSees數據使用1000 epochs測試集中預測之指標 113
圖5- 32 10% OpenSees數據使用1500 epochs訓練過程之Loss變化圖 115
圖5- 33 10% OpenSees數據使用1500 epochs訓練集中預測之結果 116
圖5- 34 10% OpenSees數據使用1500 epochs測試集中預測之結果 117
圖5- 35 10% OpenSees數據使用1500 epochs訓練集中預測之指標 118
圖5- 36 10% OpenSees數據使用1500 epochs測試集中預測之指標 118
圖5- 37 10% OpenSees數據使用2000 epochs訓練過程之Loss變化圖 120
圖5- 38 10% OpenSees數據使用1500 epochs訓練集中預測之結果 121
圖5- 39 10% OpenSees數據使用1500 epochs測試集中預測之結果 122
圖5- 40 10% OpenSees數據使用1500 epochs訓練集中預測之指標 123
圖5- 41 10% OpenSees數據使用1500 epochs測試集中預測之指標 123
圖6- 1 CESMD數據使用Early stopping訓練過程之Loss變化圖 129
圖6- 2 CESMD數據使用Early stopping訓練集中預測之結果 130
圖6- 3 CESMD數據使用Early stopping測試集中預測之結果 131
圖6- 4 CESMD數據使用Early stopping訓練集中預測之指標 132
圖6- 5 CESMD數據使用Early stopping測試集中預測之指標 132
圖6- 6 CESMD數據使用1000 epochs訓練過程之Loss變化圖 134
圖6- 7 CESMD數據使用1000 epochs訓練集中預測之結果 135
圖6- 8 CESMD數據使用1000 epochs測試集中預測之結果 136
圖6- 9 CESMD數據使用1000 epochs訓練集中預測之指標 137
圖6- 10 CESMD數據使用1000 epochs測試集中預測之指標 137
圖6- 11 CESMD數據使用1500 epochs訓練過程之Loss變化圖 139
圖6- 12 CESMD數據使用1500 epochs訓練集中預測之結果 140
圖6- 13 CESMD數據使用1500 epochs測試集中預測之結果 141
圖6- 14 CESMD數據使用1500 epochs訓練集中預測之指標 142
圖6- 15 CESMD數據使用1500 epochs測試集中預測之指標 142
圖6- 16 CESMD數據使用2000 epochs訓練過程之Loss變化圖 144
圖6- 17 CESMD數據使用2000 epochs訓練集中預測之結果 145
圖6- 18 CESMD數據使用2000 epochs測試集中預測之結果 145
圖6- 19 CESMD數據使用2000 epochs訓練集中預測之指標 147
圖6- 20 CESMD數據使用2000 epochs測試集中預測之指標 147
圖6- 21 CESMD數據使用Early stopping訓練過程之Loss變化圖 149
圖6- 22 CESMD數據使用Early stopping訓練集中預測之結果 150
圖6- 23 CESMD數據使用Early stopping測試集中預測之結果 150
圖6- 24 CESMD數據使用Early stopping訓練集中預測之指標 152
圖6- 25 CESMD數據使用Early stopping測試集中預測之指標 152
圖6- 26 CESMD數據使用1000 epochs訓練過程之Loss變化圖 154
圖6- 27 CESMD數據使用1000 epochs訓練集中預測之結果 155
圖6- 28 CESMD數據使用1000 epochs測試集中預測之結果 156
圖6- 29 CESMD數據使用1000 epochs訓練集中預測之指標 157
圖6- 30 CESMD數據使用1000 epochs測試集中預測之指標 157
圖6- 31 CESMD數據使用1500 epochs訓練過程之Loss變化圖 159
圖6- 32 CESMD數據使用1500 epochs訓練集中預測之結果 160
圖6- 33 CESMD數據使用1500 epochs測試集中預測之結果 161
圖6- 34 CESMD數據使用1500 epochs訓練集中預測之指標 162
圖6- 35 CESMD數據使用1500 epochs測試集中預測之指標 162
圖6- 36 CESMD數據使用2000 epochs訓練過程之Loss變化圖 164
圖6- 37 CESMD數據使用2000 epochs訓練集中預測之結果 165
圖6- 38 CESMD數據使用2000 epochs測試集中預測之結果 166
圖6- 39 CESMD數據使用2000 epochs訓練集中預測之指標 167
圖6- 40 CESMD數據使用2000 epochs測試集中預測之指標 167
附錄圖- 1 MATLAB單自由度模型之地表加速度與模型節點加速度對照圖(1~3) 176
附錄圖- 2 MATLAB單自由度模型之地表加速度與模型節點加速度對照圖(4~6) 177
附錄圖- 3 MATLAB單自由度模型之地表加速度與模型節點加速度對照圖(7~9) 178
附錄圖- 4 MATLAB單自由度模型之地表加速度與模型節點加速度對照圖(10~12) 179
附錄圖- 5 MATLAB單自由度模型之地表加速度與模型節點加速度對照圖(13~15) 180
附錄圖- 6 MATLAB單自由度模型之地表加速度與模型節點加速度對照圖(16~18) 181
附錄圖- 7 MATLAB單自由度模型之地表加速度與模型節點加速度對照圖(19~21) 182
附錄圖- 8 MATLAB單自由度模型之地表加速度與模型節點加速度對照圖(22~24) 183
附錄圖- 9 MATLAB單自由度模型之地表加速度與模型節點加速度對照圖(25~27) 184
附錄圖- 10 MATLAB單自由度模型之地表加速度與模型節點加速度對照圖(28~30) 185
附錄圖- 11 MATLAB單自由度模型之地表加速度與模型節點加速度對照圖(31~33) 186
附錄圖- 12 MATLAB單自由度模型之地表加速度與模型節點加速度對照圖(34~36) 187
附錄圖- 13 MATLAB單自由度模型之地表加速度與模型節點加速度對照圖(37~39) 188
附錄圖- 14 MATLAB單自由度模型之地表加速度與模型節點加速度對照圖(40~24) 189
附錄圖- 15 MATLAB單自由度模型之地表加速度與模型節點加速度對照圖(43~45) 190
附錄圖- 16 MATLAB單自由度模型之地表加速度與模型節點加速度對照圖(46~48) 191
附錄圖- 17 MATLAB單自由度模型之地表加速度與模型節點加速度對照圖(49~51) 192
附錄圖- 18 MATLAB單自由度模型之地表加速度與模型節點加速度對照圖(52~54) 193
附錄圖- 19 MATLAB單自由度模型之地表加速度與模型節點加速度對照圖(55~57) 194
附錄圖- 20 OpenSees單自由度模型之地表加速度與模型節點加速度對照圖(1~3) 195
附錄圖- 21 OpenSees單自由度模型之地表加速度與模型節點加速度對照圖(4~6) 196
附錄圖- 22 OpenSees單自由度模型之地表加速度與模型節點加速度對照圖(7~9) 197
附錄圖- 23 OpenSees單自由度模型之地表加速度與模型節點加速度對照圖(10~12) 198
附錄圖- 24 OpenSees單自由度模型之地表加速度與模型節點加速度對照圖(13~15) 199
附錄圖- 25 OpenSees單自由度模型之地表加速度與模型節點加速度對照圖(16~18) 200
附錄圖- 26 OpenSees單自由度模型之地表加速度與模型節點加速度對照圖(19~21) 201
附錄圖- 27 OpenSees單自由度模型之地表加速度與模型節點加速度對照圖(22~24) 202
附錄圖- 28 OpenSees單自由度模型之地表加速度與模型節點加速度對照圖(25~27) 203
附錄圖- 29 OpenSees單自由度模型之地表加速度與模型節點加速度對照圖(28~30) 204
附錄圖- 30 OpenSees單自由度模型之地表加速度與模型節點加速度對照圖(31~33) 205
附錄圖- 31 OpenSees單自由度模型之地表加速度與模型節點加速度對照圖(34~36) 206
附錄圖- 32 OpenSees單自由度模型之地表加速度與模型節點加速度對照圖(37~39) 207
附錄圖- 33 OpenSees單自由度模型之地表加速度與模型節點加速度對照圖(40~24) 208
附錄圖- 34 OpenSees單自由度模型之地表加速度與模型節點加速度對照圖(43~45) 209
附錄圖- 35 OpenSees單自由度模型之地表加速度與模型節點加速度對照圖(46~48) 210
附錄圖- 36 OpenSees單自由度模型之地表加速度與模型節點加速度對照圖(49~51) 211
附錄圖- 37 OpenSees單自由度模型之地表加速度與模型節點加速度對照圖(52~54) 212
附錄圖- 38 OpenSees單自由度模型之地表加速度與模型節點加速度對照圖(55~57) 213
附錄圖- 39 6-story Hotel地表加速度與頂層加速度響應之對照圖(1~3) 214
附錄圖- 40 6-story Hotel地表加速度與頂層加速度響應之對照圖(4~6) 215
附錄圖- 41 6-story Hotel地表加速度與頂層加速度響應之對照圖(7~9) 216
附錄圖- 42 6-story Hotel地表加速度與頂層加速度響應之對照圖(10~12) 217
附錄圖- 43 6-story Hotel地表加速度與頂層加速度響應之對照圖(13~15) 218
附錄圖- 44 6-story Hotel地表加速度與頂層加速度響應之對照圖(16~18) 219
附錄圖- 45 6-story Hotel地表加速度與頂層加速度響應之對照圖(19~21) 220
附錄圖- 46 6-story Hotel地表加速度與頂層加速度響應之對照圖(22~24) 221
附錄圖- 47 6-story Hotel地表加速度與頂層加速度響應之對照圖(25~27) 222
表目錄
表3- 1 TCL常用標準指令 29
表4- 1 MATLAB 10%模擬地震力下模型訓練集之表現比較 80
表4- 2 MATLAB 10%模擬地震力下模型測試集之表現比較 81
表5- 1 OpemSees 10%模擬地震力下模型訓練集之表現比較 127
表5- 2 OpemSees 10%模擬地震力下模型測試集之表現比較 128
表6- 1 CESMD真實地震力下模型訓練集之表現比較 171
表6- 2 CESMD真實地震力下模型測試集之表現比較 172參考文獻 [1] Ning, C., Xie, Y., & Sun, L. (2023). LSTM, WaveNet, and 2D CNN for nonlinear time history prediction of seismic responses. Engineering Structures, 286, 116083.
[2] Zhang, R., Liu, Y., & Sun, H. (2020). Physics-informed multi-LSTM networks for metamodeling of nonlinear structures. Computer Methods in Applied Mechanics and Engineering, 369, 113226.
[3] Eshkevari, S. S., Takáč, M., Pakzad, S. N., & Jahani, M. (2021). DynNet: Physics-based neural architecture design for nonlinear structural response modeling and prediction. Engineering Structures, 229, 111582.
[4] CESMD Information for Strong-Motion Station San Bernardino - 6-Story Hotel CGS - CSMIP Station 23287. (n.d.). CESMD. https://www.strongmotioncenter.org/cgi-bin/CESMD/Multiplesearch1_DM2.pl?event_name=&magmin=&magmax=&byear=&eyear=&country=Any&state=Any&stn_ident=&network=CE&sta_number=23287&type=Any&Material=Any&Height=&siteclass=Any&vs30min=&vs30max=&accmin=&accmax=&hdistmin=&hdistmax=
[5] Mazzoni, S., McKenna, F., Scott, M. H., & Fenves, G. L. (2006). OpenSees command language manual. Pacific Earthquake Engineering Research (PEER) Center, 264(1), 137-158.
[6] 黃炫文 許博策 盧煉元 蕭輔沛 葉士瑋. (2021, November 5). 開放式地震工程模擬系統(OpenSees)於含塑鉸非線性結構之分析應用. 國家地震工程研究中心. https://www.ncree.narl.org.tw/accomplishment/technicalreports/page/12113
[7] Mazzoni, S., McKenna, F., Scott, M. H., & Fenves, G. L. (2003). OpenSees Example Manual. PEER, Berkeley: University of California, 2003: 52.
[8] 內政部營建署. (2022). 建築物混凝土結構設計規範 (112年版). 內政部營建署. https://glrs.moi.gov.tw/LawContent.aspx?id=GL000236
[9] Zhang, R., Liu, Y., & Sun, H. (2020). Physics-guided convolutional neural network (PhyCNN) for data-driven seismic response modeling. Engineering Structures, 215, 110704.
[10] PyTorch開發團隊. (2019). PyTorch . https://pytorch.org/指導教授 陳鵬宇(Peng-Yu Chen) 審核日期 2024-8-21 推文 plurk
funp
live
udn
HD
myshare
netvibes
friend
youpush
delicious
baidu
網路書籤 Google bookmarks
del.icio.us
hemidemi
facebook
twitter
google
reddit