# 建筑结构响应预测项目

## 项目概述

本项目使用时间卷积网络（Temporal Convolutional Network, TCN）模型来预测建筑结构在地震波和简谐波激励下的响应。模型基于底部传感器的振动数据预测多个传感器的响应，实现结构健康监测和振动控制。

## 主要特性

- **多输出预测**：基于单个输入传感器预测5个输出传感器的响应
- **时间序列建模**：使用TCN处理序列数据，支持长距离依赖
- **数据增强**：支持有/无TMD（调谐质量阻尼器）条件下的数据训练
- **自动化评估**：提供完整的训练和测试流程

## 项目结构

```
Building-main/
├── src/
│   ├── __init__.py
│   ├── config.py          # 配置文件，包含模型和训练参数
│   ├── dataset.py         # 数据集处理和数据加载器
│   ├── model.py           # TCN模型定义
│   ├── train.py           # 训练脚本
│   └── evaluate.py        # 评估脚本
├── downloads/             # 数据目录
│   ├── Non_TMD/          # 无TMD数据
│   │   ├── train/        # 训练数据
│   │   ├── val/          # 验证数据
│   │   └── test/         # 测试数据
│   └── TMD/              # 有TMD数据
├── 数据链接.txt           # 数据下载链接配置文件
├── download_from_data_links.py  # 数据下载脚本
├── best_model.pth        # 训练好的模型权重
└── README.md             # 项目说明文档
```

## 环境要求

- Python 3.8+
- PyTorch 1.9+
- CUDA（可选，用于GPU加速）
- 其他依赖：numpy, pandas, scikit-learn, matplotlib

## 安装依赖

1. 创建虚拟环境：
```bash
python -m venv .venv310
# Windows
.venv310\Scripts\activate
# Linux/Mac
source .venv310/bin/activate
```

2. 安装依赖：
```bash
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
pip install numpy pandas scikit-learn matplotlib
```

## 数据准备

### 下载数据

运行数据下载脚本从配置文件下载数据：

```bash
python download_from_data_links.py
```

脚本会从 `数据链接.txt` 中读取下载链接，并将数据保存到 `downloads/` 目录。

### 数据格式

数据为CSV格式的长表结构，包含以下字段：
- `code`: 传感器编码
- `type`: 数据类型
- `time`: 时间戳
- `value1`, `value2`, `value3`: 三个轴的振动值

### 数据集说明

- **Non_TMD**: 无调谐质量阻尼器条件下的数据
- **TMD**: 安装调谐质量阻尼器条件下的数据
- 包含谐波激励（不同频率和振幅）和地震波激励数据

## 配置说明

主要配置参数在 `src/config.py` 中：

- **数据配置**：
  - `SEQ_LEN`: 序列长度（512）
  - `STEP_SIZE`: 滑动窗口步长（20）
  - `BATCH_SIZE`: 批大小（256）

- **传感器配置**：
  - `INPUT_SENSOR`: 输入传感器编码（'WSMS00012'）
  - `OUTPUT_SENSORS`: 输出传感器编码列表
  - `INPUT_AXIS`: 输入轴（'value1' - X轴）
  - `OUTPUT_AXIS`: 输出轴（'value3' - Z轴）

- **模型配置**：
  - `CHANNELS`: TCN各层通道数 [64, 64, 128, 128, 256, 256]
  - `KERNEL_SIZE`: 卷积核大小（5）
  - `DROPOUT`: Dropout率（0.2）

- **训练配置**：
  - `LEARNING_RATE`: 学习率（1e-4）
  - `EPOCHS`: 训练轮数（50）
  - `WEIGHT_DECAY`: 权重衰减（1e-3）

## 训练模型

### 基本训练

运行训练脚本：

```bash
cd src
python train.py
```

训练过程会：
1. 加载Non_TMD条件下的训练和验证数据
2. 初始化TCN模型
3. 使用AdamW优化器和学习率调度器训练
4. 保存最佳模型到 `best_model.pth`

### 高级训练选项

修改 `src/config.py` 中的参数来自定义训练：
- 调整学习率、批大小等超参数
- 启用/禁用早停（`ENABLE_EARLY_STOP`）
- 修改模型架构参数

## 模型评估

运行评估脚本：

```bash
cd src
python evaluate.py
```

评估过程会：
1. 加载测试数据
2. 加载训练好的模型权重
3. 对测试数据进行预测
4. 生成可视化结果保存为 `test_results.png`

## 模型架构

### BuildingTCN

- **输入**: (batch_size, seq_len, 1) - 底部传感器X轴数据
- **输出**: (batch_size, seq_len, 5) - 5个传感器的Z轴预测
- **架构**: 多层TCN + 线性输出层

### TemporalConvNet

- 使用膨胀卷积（dilation）实现长距离依赖
- 残差连接保证梯度传播
- 权重归一化提高训练稳定性

## 使用说明

### 自定义数据集

1. 将新数据放入 `downloads/Non_TMD/` 或 `downloads/TMD/` 相应子目录
2. 确保数据格式符合要求
3. 修改 `src/config.py` 中的传感器配置（如需要）
4. 重新运行训练脚本

### 预测新数据

1. 准备输入数据（CSV格式）
2. 修改 `src/dataset.py` 中的数据加载逻辑
3. 使用加载的模型进行推理

## 注意事项

- 确保数据目录结构正确
- GPU内存不足时可适当减小 `BATCH_SIZE`
- 模型收敛可能需要调整学习率
- 测试数据可视化仅显示第一个batch的第一条序列

## 贡献

欢迎提交Issue和Pull Request来改进项目。

## 许可证

本项目仅供学习和研究使用。