Spark云計算平臺下的結(jié)構(gòu)物理參數(shù)辨識

駱劍彬， 姜紹飛， 任 暉， 趙 劍

(福州大學(xué) 土木工程學(xué)院,福州 350116)

隨著經(jīng)濟的發(fā)展和科技的進步，許多大型工程如超大橋梁、超高層建筑、海洋平臺結(jié)構(gòu)等得以興建，他們在長期服役的過程中，環(huán)境侵蝕、材料老化和荷載的長期效應(yīng)、疲勞與突變等災(zāi)害因素的藕合作用將不可避免地發(fā)生損傷積累必然導(dǎo)致結(jié)構(gòu)物理參數(shù)如剛度、質(zhì)量、阻尼發(fā)生改變，從而在極端情況下引發(fā)災(zāi)難性的突發(fā)事故[1]。因此對大型工程結(jié)構(gòu)進行結(jié)構(gòu)健康監(jiān)測和結(jié)構(gòu)損傷識別具有極其重要的意義。結(jié)構(gòu)健康監(jiān)測系統(tǒng)和損傷檢測是目前保證大型結(jié)構(gòu)安全運行的主要措施。然而，隨著大型復(fù)雜結(jié)構(gòu)安裝的傳感器數(shù)量越來越多，結(jié)構(gòu)健康系統(tǒng)產(chǎn)生的監(jiān)測數(shù)據(jù)隨著時間推移趨于海量化[2]，傳統(tǒng)的結(jié)構(gòu)分析計算方法遇到了很大的困難：首先大型復(fù)雜結(jié)構(gòu)的結(jié)構(gòu)健康監(jiān)測系統(tǒng)在長期、連續(xù)的監(jiān)測中，采集的數(shù)據(jù)量十分巨大；其次由于監(jiān)測手段的日趨豐富,監(jiān)測數(shù)據(jù)的種類越發(fā)多樣化;另外,系統(tǒng)對數(shù)據(jù)處理的速度要求也不斷提高,再加上結(jié)構(gòu)健康監(jiān)測系統(tǒng)本身的缺陷比如測量精度低、系統(tǒng)可靠性差等問題,使得如何能夠快速、有效的分析數(shù)據(jù)成為目前結(jié)構(gòu)健康監(jiān)測中最重要的研究課題之一。而云計算的出現(xiàn)，恰好為解決這一課題提供了新的思路和方法。

云計算是一種按需取用計算資源的模式，這種模式提供可用的、便捷的、按需的網(wǎng)絡(luò)訪問和可配置的計算資源共享池，只需進行少量的管理工作，就可以快速獲得大量計算資源[3]。目前云計算方法已成功運用于金融、醫(yī)療、電網(wǎng)、地理信息等領(lǐng)域[4]，近年部分學(xué)者嘗試將云計算方法應(yīng)用到土木工程領(lǐng)域。朱曉斌等[5]在Hadoop平臺上使用并行聚類算法對橋梁結(jié)構(gòu)狀態(tài)演化進行評估，并與傳統(tǒng)的串行聚類算法進行比較。Ventura等[6]探討了云計算的并行性能，并應(yīng)用于高層建筑設(shè)計和非線性動力分析。陳亮[7]利用MATLAB并行和分布式計算工具箱對ITD模態(tài)參數(shù)識別任務(wù)進行了云計算模擬，實現(xiàn)了并行計算程序的單機和多機云中分布式計算。段夢凡[8]在Hadoop平臺上實現(xiàn)了懸梁的二維矩形網(wǎng)格劃分的有限元分析的計算過程。林菁淳等[9-10]將傳統(tǒng)的時序分析方法與Hadoop平臺的Map/Reduce編程模型相結(jié)合，提出基于云計算的結(jié)構(gòu)損傷檢測新方法，通過兩層剛架結(jié)構(gòu)仿真模擬和三層框架結(jié)構(gòu)實驗驗證了該方法的可行性、有效性和精確性。

云計算平臺主要包括Hadoop、Apache Spark等技術(shù)。其中Hadoop云計算技術(shù)從2003年發(fā)展至今，它的MapReduce[11]編程模型得到廣泛推廣。但MapReduce計算過程的數(shù)據(jù)存儲依賴本地磁盤和分布式文件系統(tǒng)(HDFS)，面對諸如多粒子群(PSO)等智能優(yōu)化算法的迭代運算時，磁盤存取將占用大量時間開銷，大幅降低算法整體執(zhí)行效率。2009年由加州大學(xué)伯克利分校的AMPLab實驗室最初開發(fā)了Apache Spark，它是一個圍繞速度、易用性和復(fù)雜分析構(gòu)建的大數(shù)據(jù)處理框架，并于2010年成為Apache的開源項目之一，可用來構(gòu)建大型的、低延遲的大數(shù)據(jù)分析系統(tǒng)。Apache Spark克服了MapReduce在迭代式計算的不足，能夠很好地解決MapReduce不易解決的問題[11]。基于此，本文嘗試引入Apache Spark云計算平臺的彈性分布式數(shù)據(jù)集(RDD)，將傳統(tǒng)多粒子群協(xié)同優(yōu)化(MPSCO)算法結(jié)構(gòu)物理參數(shù)辨識進行分布式并行化改進，提出Spark云計算平臺下改進并行化多粒子群協(xié)同優(yōu)化(IPMPSCO)算法的結(jié)構(gòu)物理參數(shù)辨識方法，并在8節(jié)點的云計算集群上對一個30層框架數(shù)值試驗和一個7層鋼框架試驗進行結(jié)構(gòu)物理參數(shù)辨識，最后進行算法的性能比較。

1 基本原理

1.1 Apache Spark技術(shù)

Spark能夠很好地解決迭代運算和交互式運算，主要是因為Apache Spark引入了彈性分布式數(shù)據(jù)集RDD(Resilient Distributed Datasets)，它是一個有容錯機制，可以被并行操作的數(shù)據(jù)集合，能夠被緩存到內(nèi)存中，而不必像MapReduce那樣每次都從HDFS上重新加載數(shù)據(jù)。據(jù)Apache官方測試，Spark運行邏輯回歸算法的計算速度是Hadoop的10倍～100倍。

Spark通過轉(zhuǎn)換和動作對RDD數(shù)據(jù)集進行操作，從而得到所需RDD數(shù)據(jù)集。與Map和Reduce不同的是，Spark提供廣播和累加器兩種受限的共享變量，可以像分布式內(nèi)存系統(tǒng)一樣提供全局地址空間接口，提高了數(shù)據(jù)的共享性[12]。Spark 豐富全面的數(shù)據(jù)集運算操作，除了Map和Reduce操作，還增加了過濾、抽樣、分組、排序、并集、連接、分割、計數(shù)、收集、查找等80多種算子，并合理地劃分為Transformation(變換)和Action(動作)兩大類。利用這些算子，能夠方便地建立起RDD的有向無環(huán)圖(Directed Acyclic Graph,DAG)計算模型，將所有操作優(yōu)化成DAG圖[13]。本文用到的主要操作運算如下。

1)extFile。首先從HDFS或其他文件系統(tǒng)導(dǎo)入原始數(shù)據(jù)集，并轉(zhuǎn)換成RDD數(shù)據(jù)集。

2)flatMap。按照用戶編寫映射程序邏輯將原始RDD數(shù)據(jù)集映射成多個輸出RDD數(shù)據(jù)集的(key,value)鍵值對。

3)filter。去掉錯誤的鍵值對。

4)Map。按照用戶編寫Map映射函數(shù)程序邏輯，對步驟2)成的(key,value)鍵值對重新進行映射，形成新的(key,value)鍵值對。

5)Reduce。將數(shù)據(jù)按照key分組后，調(diào)用用戶編寫函數(shù)進行處理，每組返回一個鍵值對。

6)Join。根據(jù)步驟3)和步驟4)產(chǎn)生的RDD數(shù)據(jù)集鍵值對，產(chǎn)生新RDD數(shù)據(jù)集。

1.2 改進的并行化多粒子群協(xié)同優(yōu)化算法(IPMPSCO)

受鳥群覓食行為的啟發(fā)，Eberhart和Kennedy于1995 年共同提出了粒子群優(yōu)化算法。隨后，國內(nèi)外學(xué)者紛紛對其展開了各種研究和改進。其中，多粒子群協(xié)同優(yōu)化算法(MPSCO)兼顧了種群的多樣性和收斂速度，使粒子陷入局部最優(yōu)的可能性大大降低而受到廣泛的關(guān)注[15]。對MPSCO算法進行并行化改進可以采用粗粒度和細粒度2 種不同的方式，王保義等[16]采用粗粒度并行化思想，設(shè)計實現(xiàn)基于Spark和IPPSO_LSSVM的短期分布式電力負荷預(yù)測算法，本文在此基礎(chǔ)上進一步改進優(yōu)化，提出改進的并行化多粒子群協(xié)同優(yōu)化算法IPMPSCO(Improved Parallel MPSCO)，進一步加快粒子群收斂速度和提高精確度。并行化MPSCO算法的核心思想是將每個粒子的速度更新、位置更新和計算適應(yīng)值的過程組成一個獨立的并行單元，因此n個粒子構(gòu)成n個獨立的并行單元，用Apark Spark進行并行處理,如圖1所示。算法的具體步驟如下：

步驟1 隨機初始化產(chǎn)生m個子種群，每個子種群包括n個粒子并將這些子種群分為兩層: 上層有1個子種群，下層有m-1個子種群，并將粒子隨機平均分配到k個并行處理單元。

步驟2 各個并行處理單元計算各粒子的適應(yīng)度值，將個體極值位置及其相應(yīng)的適應(yīng)度值記錄為pbest和pbestval，將各子種群的最優(yōu)個體位置及相應(yīng)的適應(yīng)度值記錄為gbesti和gbestvali，i= 1，2，…，m，同時在共享區(qū)上將整個種群中最優(yōu)個體位置及相應(yīng)的適應(yīng)度值記錄為gbest和gbestval。

步驟3 各個并行處理單元分別根據(jù)式(1)和(2)更新上層子種群和下層子種群。

(1)

(2)

式中:k表示當(dāng)前進化代數(shù)；vi和zi分別表示第i個粒子的速度和位置；pi表示第i個粒子經(jīng)歷的最佳位置；pg和pgi分別表示整個種群和第i個粒子所在子種群經(jīng)歷的最佳位置；r1和r2為[0,1]之間的隨機數(shù)；c1和c2為學(xué)習(xí)因子；w為慣性權(quán)重。

步驟4: 計算更新后各個并行處理單元各粒子的適應(yīng)度值，如果更好，則相應(yīng)更新pbest、pbestval、gbest、gbestval、gbesti和gbestvali。

步驟5 判斷是否達到了預(yù)設(shè)的結(jié)束條件( 一般為獲得足夠好的適應(yīng)度值或者達到了預(yù)設(shè)的最大進化代數(shù))，如果沒有則返回步驟3; 反之則停止迭代并輸出搜索到的最優(yōu)解。

圖1 改進的并行化多粒子群協(xié)同優(yōu)化算法流程Fig.1 Process of IPMPSCO

2 基于Apache Spark的結(jié)構(gòu)物理參數(shù)辨識

結(jié)構(gòu)物理參數(shù)辨識可以轉(zhuǎn)化為參數(shù)優(yōu)化問題，即使現(xiàn)場或者試驗室實測的結(jié)構(gòu)響應(yīng)與相應(yīng)數(shù)值模型預(yù)測的響應(yīng)之間的誤差最?。?/p>

(3)

文獻[17]得出基于動力時程響應(yīng)(位移、速度或加速度)的適應(yīng)度函數(shù)在框架結(jié)構(gòu)物理參數(shù)辨識中具有良好的抗噪性和峰值特性。由于加速度數(shù)據(jù)實時性較好，較為可靠，現(xiàn)有結(jié)構(gòu)健康監(jiān)測系統(tǒng)大多采集加速度數(shù)據(jù)，故本文選用基于加速度建立的適應(yīng)度函數(shù)見式(4)。

(4)

式中：Fa為適應(yīng)度函數(shù)，θ是待辨識結(jié)構(gòu)參數(shù)向量，amea(i,j)和anum(i,j)分別表示結(jié)構(gòu)實測與數(shù)值模型預(yù)測的第i時刻第j測點加速度響應(yīng)，N為測點總數(shù)，L為測量數(shù)據(jù)總長度。也就是說，將結(jié)構(gòu)的N個測點總長為L的加速度數(shù)據(jù)逐一與預(yù)測的加速度響應(yīng)值進行相差的平方累加，獲得適應(yīng)度函數(shù)。

為了直觀觀察算法收斂情況，將基于加速度的適應(yīng)度函數(shù)進行倒數(shù)，見式(5)。此時，當(dāng)適應(yīng)度函數(shù)值越大，表示相應(yīng)粒子所代表的結(jié)構(gòu)物理參數(shù)越接近于真實值。

(5)

在建立基于加速度的適應(yīng)度函數(shù)時，對于線性結(jié)構(gòu)計算數(shù)值模型預(yù)測加速度響應(yīng)值采用Newmark積分法[18]。Newmark積分法求解結(jié)構(gòu)動力時程響應(yīng)的基本思想為：給定初始時刻的位移、速度、加速度及整個時程的外部激勵后，通過逐步迭代求得后續(xù)時刻的位移、速度和加速度，其主要基于如下假定：

vi+1=vi+[(1-γ)ai+γai+1]Δt

(6)

(7)

式中：si、vi和ai分別為第i時刻的位移、速度和加速度；si+1、vi+1和ai+1分別為第i+1時刻的位移、速度和加速度；Δt是時間步長；γ和β是決定求解精度和穩(wěn)定性的參數(shù)，當(dāng)γ=1/2、β=1/4時，算法為無條件穩(wěn)定，稱為Newmark常平均加速度法。

另外，第i+1時刻的結(jié)構(gòu)運動方程可表達為：

Mai+1+Cvi+1+Ksi+1=Fi+1

(8)

式中：M、C和K分別為結(jié)構(gòu)的質(zhì)量矩陣、阻尼矩陣和剛度矩陣；Fi+1為第i+1時刻作用于結(jié)構(gòu)的外部激勵。

當(dāng)給定初始時刻結(jié)構(gòu)的位移s0、速度v0和加速度后a0，通過聯(lián)合式(6)～(8)就可以求解整個時程的預(yù)測加速度響應(yīng)值。

系統(tǒng)物理參數(shù)識別分為質(zhì)量已知、質(zhì)量未知兩種情況，本文針對質(zhì)量已知展開研究。通過運用分布式內(nèi)存計算框架Apache Spark，在質(zhì)量知的情況下，利用并行化算法對結(jié)構(gòu)物理參數(shù)包括結(jié)構(gòu)剛度(或彈性模量、慣性矩)和阻尼進行優(yōu)化，即IPMPSCO算法的輸入為一個向量[k1,k2, …,kn,ζ1,ζ2, …,ζm]。其中，實現(xiàn)該算法的RDD數(shù)據(jù)集數(shù)據(jù)格式如下：

(ID,ColonyID,x,v,ffit, (Pi,ffiti), (Pg,ffitg), (Pu,ffitv))

(9)

式中：ID為粒子群編號；ColonyID為子群編號；x=(x1,x2, …,xn)為粒子的當(dāng)前位置向量；v=(v1,v2, …,vn)為粒子的當(dāng)前速度向量；ffit為粒子的當(dāng)前適應(yīng)度值，通過適應(yīng)度函數(shù)計算得出；(Pi,ffiti)為個體經(jīng)歷的最佳位置信息向量，Pi=(xi1,xi2, …,xin)為個體經(jīng)歷的最佳位置，ffiti為個體經(jīng)歷的最佳適應(yīng)度值；同理(Pg,ffitg)和(Pu,ffitv)分別對應(yīng)子群經(jīng)歷的最佳位置信息向量和整體粒子群經(jīng)歷的最佳位置信息向量。

通過對RDD數(shù)據(jù)集操作實現(xiàn)本文并行化算法的執(zhí)行步驟如下。

1) 初始化粒子群,在取值范圍內(nèi)隨機生成粒子群，包括初始位置和初始速度，并按照預(yù)先計劃子群數(shù)量確定確定粒子ColonyID；

2) 按照式(1)、式(2)更新粒子位置向量和速度向量，通過適應(yīng)度函數(shù)(5)計算粒子的個體適應(yīng)度值ffit并更新(Pi,ffiti)；

3) Map操作，以ColonyID為key值，其他數(shù)據(jù)為value,構(gòu)成(key,value)鍵值對;

4) Reduce操作，獲取各個子群的最佳適應(yīng)度值和對應(yīng)最優(yōu)解，產(chǎn)生(key,value)鍵值，其中key是ColonyID,value是(Pg,ffitg)；

5) Join操作，將步驟4)獲取鍵值對與步驟3)中鍵值對連接，再進行一次Map，更新(Pg,ffitg);

6) Map操作，以ID為key，其他數(shù)據(jù)為value重新構(gòu)造(key,value)鍵值對；

7) Reduce操作，獲得整體粒子群最佳適應(yīng)度值和對應(yīng)最優(yōu)解，產(chǎn)生(key,value)鍵值，其中key是ID,value是(Pu,ffitv)；

8) Join操作，將步驟7)獲取鍵值對與步驟6)中鍵值對連接，再進行一次Map，更新(Pu,ffitv);

9) 判斷是否迭代結(jié)束，是則輸出(Pu,ffitv), 否則返回步驟2)進行下一輪迭代。

3 數(shù)值試驗驗證

3.1 剪切型線性框架結(jié)構(gòu)模型

本文以一個30層剪切型線性框架結(jié)構(gòu)數(shù)值模型為例驗證該方法，簡化模型如圖2所示。假設(shè)模型各層質(zhì)量為m1=m2=…=m29=3.78 kg，m30=3.31 kg，層間剛度值為k1=k2=…=k30=375 kN/m，前兩階阻尼比ζ1和ζ2均為2%。隨機激勵F作用在結(jié)構(gòu)的頂層，采樣頻率取1 000 Hz，采樣時間取5 s，對原始加速度數(shù)據(jù)分別取無噪聲和35 db、25 db的高斯白噪聲。

圖2 30層框架結(jié)構(gòu)簡化模型Fig.2 30-story frame structure simplified model

文中所有的實驗都是在實驗室搭建的基于Ubuntu操作系統(tǒng)的Apache Spark集群平臺上運行的。其中1個節(jié)點計算機作為Master節(jié)點，也作為work節(jié)點。為了驗證多臺計算機的并行性，每臺計算機只分配一個worker節(jié)點。首先將計算任務(wù)分配到Master節(jié)點，然后再由Master 節(jié)點將計算任務(wù)分配給worker節(jié)點。實驗環(huán)境中節(jié)點的屬性信息，如表1所示。

表1 集群信息表

3.2 辨識模型的建立

(1)選取辨識數(shù)值模型的加速度和隨機激勵的時間段；在結(jié)構(gòu)質(zhì)量已知的情況下，設(shè)定待優(yōu)物理參數(shù)為[k1,k2, …,k30,ζ1,ζ2]，參數(shù)搜索范圍取真實值的0.5倍～2倍；設(shè)定IPMPSCO參數(shù): 種群數(shù)量m=10，子種群粒子數(shù)n=200、最大迭代次數(shù)Imax=2 000、學(xué)子因子c1=c2=2，此外假定慣性權(quán)重w在[0.9,0.4]之間線性變化，同時，Newmark時間步長取0.02 s，每個時間段取500個采樣點，除第一個時間段初始位移、速度、加速度取0外，其余時間段的初始響應(yīng)根據(jù)上個時間段的識別結(jié)果確定。

(2)運行基于Apache Spark的IPMPSCO算法，將粒子隨機平均分配到各個并行處理單元。各個并行處理單元分別計算粒子速度、位置和適應(yīng)度值。

(3)輸出最優(yōu)辨識結(jié)果，為了盡量避免偶然現(xiàn)象的影響，取10次辨識結(jié)果的平均值作為最終的辨識結(jié)果。

3.3 辨識結(jié)果與討論

3.3.1 辨識結(jié)果

本文采用平均相對誤差(MAPE)作為評價識別算法的指標(biāo)，如式(10)所示。

(10)

表2 不同噪聲水平下的辨別結(jié)果(質(zhì)量已知)

分別向結(jié)構(gòu)各層加速加數(shù)據(jù)和隨機激勵中添加高斯白噪聲，不同噪聲水平時的識別結(jié)果如表2所示。從表2中可以看出，在無噪聲情況下，辨別結(jié)果最好；在SNR=35 db時，辨別結(jié)果不比無噪聲情況下差； 在SNR=20 db時，辨別結(jié)果誤差有所變大。同時獲得三個不同噪聲水平下的收斂曲線，如圖3所示。由收斂曲線可知，迭代到800次，三條曲線都能獲得較高的精度。總之，雖然結(jié)構(gòu)層間剛度和阻尼比的辨別精度隨噪聲水平的增大而有所下降，但總體上仍然具有較高的辨別精度。

圖3 不同噪聲水平下收斂曲線對比Fig.3 The convergence curves with different noise levels

為了分析測量數(shù)據(jù)的長度對IPMPSCO算法辨別性能的影響，分別利用1倍、2倍、4倍和8倍基本周期(T)長度的加速度數(shù)據(jù)進行辨別，這里采用1～30層的加速度數(shù)據(jù)，并考慮SNR=35 db的情況，識別結(jié)果見表3。從表3中可以看出，在測量數(shù)據(jù)長度為1T時，辨識誤差最大；在測量數(shù)據(jù)長度為2T、4T、8T時，辨識誤差沒有顯著差別。總之，總體上結(jié)構(gòu)層間剛度的辨別精度隨著測量數(shù)據(jù)的增加而提高，理論上隨著測量數(shù)據(jù)的無限增加，精度將概率趨近1，但充分考慮辨別精度和計算成本的話，在實際應(yīng)用時可以選取2倍～4倍結(jié)構(gòu)基本周期長度的時程響應(yīng)數(shù)據(jù)進行計算。

3.3.2 性能分析

本文采用加速比Sn來測試IPMPSCO算法的并行性能。加速比是衡量并行系統(tǒng)或程序并行化的性能和效果的指標(biāo)[19]，如式(11)所示，其中Ts為算法的單機執(zhí)行耗時，Tc為算法的集群執(zhí)行耗時。

Sn=Ts/Tc

(11)

為了分析IPMPSCO算法的并行運算能力，本文將用100倍、200倍和400倍基本周期(T)長度的加速度數(shù)據(jù)進行識別，分別在集群節(jié)點個數(shù)為2個、2個和8個的云平臺上運行，計算Sn，加速比如表4所示。在實際應(yīng)用中，并行系統(tǒng)的算法加速比很難達到線性增長，從表可知，隨著數(shù)據(jù)量增大，加速比更接近線性。因此IPMPSCO算法采用云計算平臺保持原有良好精度的情況下，能夠縮短了辨識時間，滿足海量高維監(jiān)測數(shù)據(jù)的結(jié)構(gòu)物理參數(shù)辨別的性能要求。

表3 不同測量數(shù)據(jù)長度時的辨別結(jié)果(質(zhì)量已知)

表4 不同測量數(shù)據(jù)長度時的加速比

4 框架結(jié)構(gòu)模型試驗

4.1 鋼框架結(jié)構(gòu)模型

實驗?zāi)Ｐ褪且粋€7層、2跨×1的鋼框架縮尺模型，如圖4所示。模型平面尺寸為0.4 m×0.2 m，高1.412 5 m?？蚣軜?gòu)件采用熱軋300 W級鋼材(fy= 300 MPa)。梁柱截面性質(zhì)如表5所示。在模型頂層跨處進行激振，每層記錄加速度響應(yīng)，采樣頻率5 000 Hz。

圖4 實驗室模型裝置圖Fig.4 Setup of experimental steel frame model

參數(shù)梁柱截面尺寸/mm25×25×325×4.6截面面積A/m2264×10-6115×10-6慣性矩I/m42.17×10-82.03×10-10楊氏模量E/Pa206×109206×109體密度ρ/(kg·m-3)7 8507 850

4.2 辨識結(jié)果與分析

7層鋼框架試驗?zāi)Ｐ瓦M行結(jié)構(gòu)物理參數(shù)辨識，建模與識別過程見3.1至3.2節(jié)。辨識結(jié)果見表6。

表6 單元剛度辨識結(jié)果

從表6可以看出，通過IPMPSCO算法能夠穩(wěn)定辨識出不同工況狀態(tài)下的結(jié)構(gòu)層間剛度參數(shù)，驗證了本文所提辨識方法對試驗?zāi)Ｐ臀锢韰?shù)辨識的準確性和穩(wěn)定性。

5 結(jié) 論

(1)提出了一種基于Spark云計算平臺IPMPSCO結(jié)構(gòu)物理參數(shù)辨識算法，該算法通過增加云計算集群數(shù)量保持原有良好精度的情況下，縮短了辨識時間，同時有效利用了大量閑置主機的運算能力。

(2)在8節(jié)點的云計算集群上對一個30層框架數(shù)值試驗和一個7層鋼框架試驗進行結(jié)構(gòu)物理參數(shù)辨識。結(jié)果表明，本文所提方法對框架數(shù)值試驗的結(jié)構(gòu)層間剛度和阻尼比的辨別精度隨噪聲水平的增大而有所下降,隨著測量數(shù)據(jù)的增加而提高,但總體上仍然具有較高的辨別精度；對鋼框架試驗?zāi)軌蚍€(wěn)定辨識出不同工況狀態(tài)下的結(jié)構(gòu)層間剛度參數(shù)。

隨著中國防震減災(zāi)土木工程信息化和智能化的快速發(fā)展，帶來了數(shù)據(jù)量激增和數(shù)據(jù)維度不斷提高的問題，單機運算和存儲能力已不能滿足結(jié)構(gòu)損傷識別對效率和精度要求。本文只是將云計算平臺應(yīng)用于結(jié)構(gòu)物理參數(shù)辨識進行嘗試性試驗，因此，在云計算平臺上的應(yīng)用還存在效率優(yōu)化等問題。