新论文：基于图像-文本输入的双向RC框架梁-柱子结构连续倒塌分析模型 (数据集及代码已开源)

论文：

Progressive collapse an alytical model for bidirectional RC beam-column substructures based on multi-modal deep learning with image-text input

DOI: https://doi.org/10.1016/j.engstruct.2026.123022

0

        建筑结构在爆炸、撞击和火灾等偶然作用下可能发生局部构件失效，并进一步引发连续倒塌。由于连续倒塌过程是复杂的大变形非线性行为，传统有限元分析计算耗时长；已有理论模型多集中于单一抗力机制或单向梁-柱子结构，难以全面描述双向RC梁-柱子结构的完整倒塌响应。

        为此，本文提出一种基于图像-文本多模态输入的深度学习预测模型（图1）。该模型基于结构的几何尺寸、配筋、混凝土强度和边界刚度等参数构造抗连续倒塌特征图像，通过改进ResNet18网络架构，实现双向RC框架梁-柱子结构的连续倒塌荷载-位移曲线预测。通过与基于OpenSees的有限元数据库、既有试验结果以及多种机器学习模型对比，验证了该模型的准确性和效率。

1

        钢筋混凝土框架结构是实际工程中常见的结构体系。柱失效后，剩余结构通过替代传力路径承担竖向荷载，其抗力机制主要包括小变形阶段的抗弯作用和压拱作用，以及大变形阶段的悬链线作用等。现有理论模型计算过程较复杂，且多针对单向梁-柱子结构，较少考虑双向梁之间的协同作用。

        近年来，机器学习和深度学习方法逐渐被广泛应用于结构连续倒塌响应预测。然而，现有模型多采用数值参数作为单模态输入，难以保留构件的空间分布信息；而单纯采用图像表征又可能导致梁跨、截面尺寸等参数在图像处理过程中失真。为此，本文提出图像-文本双模态输入方法，以同时表征结构空间关系和精确几何信息，提高双向RC框架梁-柱子结构的连续倒塌响应预测能力。

2

（1）数据库建立

        首先，基于OpenSees建立有限元数据集，采用纤维梁柱单元模拟RC框架梁，混凝土采用Concrete01材料模型，钢筋采用Hysteretic材料模型（图2a）。通过既有试验[1]验证建模方法的可靠性，如图2c所示。随后，选取跨度、截面尺寸、配筋率、混凝土强度以及边界刚度等参数作为主要变量，通过拉丁超立方抽样并建立样本数据集。

（2）特征点提取

        为了描述连续倒塌全过程响应，本文将荷载-位移曲线简化为四个关键特征点，并将其作为深度学习模型的预测目标：通过边界反力确定峰值点与转换点（图3），通过最远点法确定屈服点，最后，根据0.2倍短跨长度对应的位移确定倒塌点。具体可参见论文原文2.3节。

（3）特征图绘制

        不同于传统机器学习模型仅采用数值参数作为输入，本文将结构信息以图像和文本两种形式进行混合表征（图4），以保留构件的空间分布特征，并避免单一图像表征造成的信息失真。其中，图像用于描述结构拓扑关系、配筋参数、材料强度和边界条件；文本用于保留梁跨、截面尺寸等几何信息。

3

        研究首先采用5000个样本进行模型训练，并在数据集之外另选100个独立样本开展验证，典型样本的计算结果对比如图5所示。结果表明，所提出的模型能够较为准确地预测不同参数条件下双向RC框架梁-柱子结构的连续倒塌响应，并能较好地反映结构从压拱作用阶段过渡至悬链线作用阶段的抗力发展全过程。

        此外，研究还采用既有试验中的试件T1[1]和XB1[2]对模型进行了验证（图6），具体计算过程可以参考论文原文第4.3节，结果同样表明模型能够较好地反映试件各阶段的受力特征。

4

（1）训练样本数量敏感性分析

        为在计算成本与预测精度之间取得平衡，开展了训练样本数量的敏感性分析（图7）。通过比较不同训练样本规模下模型的预测性能，评估样本数量对模型精度和泛化能力的影响，最终将训练样本数量确定为2500。

（2）不同模型对比

        为验证所提出模型的优越性，选取了常用的机器学习模型，包括Decision Tree、SVR、Random Forest、XGBoost、Kriging以及单模态图像输入模型作为对比（图8）。结果表明，本文提出的图像-文本双模态模型在各个特征点均表现出更高的预测精度。

（3）边柱失效工况拓展

        为了进一步验证模型对不同拆除构件工况的适用性，本文将所提出方法扩展至边柱失效工况，并开展模型训练。随后，同样通过有限元样本（图9）和实际试验试件BE1[3]（图10）进行验证，结果表明，所提出模型在边柱失效场景下同样具有较高的预测精度。

6