摘要：建筑结构的地震响应预测是建筑评估的重要组成部分，特别是在基于性能的地震工程中。本文提出了一种深度学习框架，名为Phy-LInformers，该框架综合运用了长短期记忆网络（Long Short-Term Memory，LSTM）LSTM、Transformer类模型Informer以及物理先验知识，以实现对建筑结构非线性地震响应的精确预测。该框架的核心思想是结合Informer的Encoder和Decoder结构，在Decoder部分引入了LSTM以预测建筑物先前的历史状态信息。同时，通过将现有的物理知识（例如预测变量之间的状态依赖关系和运动控制方程等）编码到损失函数中，对Phy-LInformers进行指导并约束其学习空间，同时提高有限训练数据下深度学习模型的预测性能。随后，通过两个模拟数据算例，验证了所提框架的性能。结果表明：所提出的Phy-LInformers是一种鲁棒性良好，预测性能优秀的非线性地震响应预测方法，即使在训练样本非常少（例如仅有10条）的情况下依然能准确预测结构在地震作用下的动力响应。这一特性使得Phy-LInformers在工程实践中具有可行性，并且在建筑结构抗震性能评价领域展现出良好的应用前景。
文章目录
1基于Informer和物理知识的地震响应预测模型
1.1 问题定义
1.2 Phy-LInformers模型
1.2.1 整体架构
1.2.2 LInformer网络
1.2.3 物理知识嵌入的学习过程
2 数值验证
2.1 实验设置和评价指标
2.2 数值验证实验1：Data＿Num
2.3 数值验证实验2：Data＿BoucWen
3 消融实验和参数敏感性实验
4 结论
