融合可学习样条映射与运动学约束的矩形隧道地震加速度响应预测OA

针对隧道场地地震响应快速评估的需求,文章提出一种融合运动学物理约束与可学习激活机制的物理约束Kolmogorov-Arnold长短时记忆网络(Kolmogorov-Arnold and long short-term memory,KAN-LSTM)序列模型,用于预测隧道关键测点RP1的加速度时程响应。该方法以场地底部地震动加速度时程为输入,在训练阶段引入位移、速度与加速度三状态联合预测,以增强模型对运动学一致性的学习;但在最终工程应用中,模型仅输出RP1的加速度时程。在LSTM解码端引入KAN网络以增强非线性映射能力,并通过响应间导数一致性约束嵌入物理先验,提升预测结果的稳定性与物理一致性。训练与测试样本来自数值模拟,覆盖软黏土、粉质细砂土与中粗砂三类典型土体条件。通过对比门控循环单元(gated recurrent unit,GRU)、LSTM、物理约束LSTM(physics-LSTM,Phy-LSTM)与KAN-LSTM等模型的结果,表明所提方法在保持良好时程拟合精度的同时,能够有效抑制强非线性工况下的极值偏差,提升峰值加速度指标的一致性与_(95)%置信区间(CI_(95))覆盖率;在近线性条件下,各模型差异减弱,性能提升主要体现在少量高强度记录的偏差控制。研究结果为含地下结构场地的地震加速度响应高效、物理一致代理建模提供了可行路径。