跳到主要內容

簡易檢索 / 詳目顯示

回結果列表
研究生： 簡少禹
Shao-Yu Chien
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
指導教授： 陳鵬宇
Peng-Yu Chen
口試委員:
學位類別： 碩士
Master
系所名稱： 工學院 - 土木工程學系
Department of Civil Engineering
論文出版年： 2024
畢業學年度： 112
語文別： 中文
論文頁數： 246
中文關鍵詞： 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
外文關鍵詞： Deep Learning, Long Short-Term Memory (LSTM), Physical Constraints, MATLAB, OpenSees, Structural Dynamic Response Prediction
相關次數： 點閱：18  下載：0 
分享至:
查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報

    • 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。

    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.

    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

    [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/

    QR CODE
    :::