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：

python -m venv .venv310
# Windows
.venv310\Scripts\activate
# Linux/Mac
source .venv310/bin/activate

2. 安装依赖：

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：

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：

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：

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。