基于LSTM-cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法技术

本发明专利技术公开了一种基于LSTM‑cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法，在训练阶段，首先通过有限元计算或现场实测得到含不同程度裂纹结构的强度及其在加载情况下的裂纹扩展路径，并基于条件生产对抗网络模型和长短时记忆法，同时训练四个深度神经网络包括生成网络G和判断网络D，处理时间序列的LSTM网络以及判断裂纹结构强度的卷积神经网络CNN。训练完成之后，以现场测得的结构裂纹扩展历史输入生成网络G和LSTM网络，得到对应的结构强度及裂纹扩展路径的预测。本发明专利技术可以高效地预测含裂纹结构的强度及裂纹扩展路径，将有效实现含裂纹结构的原位无损监测问题。

Prediction method of residual bearing capacity and crack growth path of cracked structure based on LSTM cgan

【技术实现步骤摘要】
基于LSTM-cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法
本专利技术属于土木结构工程与计算机视觉的交叉领域，特别涉及一种基于LSTM-cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法。
技术介绍
裂纹的发生和扩展是导致结构耐久性下降和失效的重要隐患，可能引发结构灾变事故。而实际工程中大部分钢筋混凝土结构在运营期处于带裂纹工作状态，因此监测含裂纹结构，并预测其裂纹扩展路径及结构强度是土木结构运营期监测的重要内容。传统的裂纹扩展路径及强度预测方法中，往往根据当前时刻的力学状态建立物理模型，通过迭代求解结构的控制方程，来得到下一时刻的裂纹扩展路径及强度，但当结构性能退化后，或当复合材料内部结构不明时，假设的物理模型往往不正确，因而模拟效果也不尽如人意。随着数据分析手段的进步以及以往大量工程数据的累积，用数据驱动的方式解决工程问题已得到了广泛应用。本专利技术应用深度学习中的最新算法，能高效地根据监测历史预测裂纹扩展路径及对应的结构强度。
技术实现思路
为了解决预测含裂纹结构裂纹扩展路径及其强度的技术问题，本专利技术提供一种基于LSTM-cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法，具体步骤如下：一种基于LSTM-cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法，包括以下步骤：(1)首先通过有限元计算或现场实测得到含不同程度裂纹结构的强度及不同程度裂纹结构在加载情况下的裂纹扩展路径，根据颜色渐变条将其绘制成一系列的图像，并进行分类、整理、排序，建立样本库。(2)基于长短时记忆法和条件生成对抗网络模型，通过步骤(1)的样本库训练四个深度神经网络：生成网络G和判断网络D，处理时间序列的LSTM网络以及判断裂纹结构强度的卷积神经网络CNN，其中LSTM网络内置在生成网络G中；(3)将生成网络G输出的下一时间步的裂纹扩展路径，通过像素值标定其中的结构响应信息，并根据卷积神经网络CNN判断其结构强度。(4)测试阶段，将现场测得的结构裂纹扩展路径历史绘制成图像，输入步骤(2)中训练好的生成网络G，得到预测的裂纹扩展路径，并得到各个时刻对应的强度。进一步地，其预测的结构强度具体是结构的抗拉强度、抗压强度、抗弯强度、抗剪强度、抗扭强度，其输入的结构响应信息具体是位移场、应变场、应力场、相场。进一步地，所述的步骤(1)中，得到裂纹扩展路径以及各个时刻的结构强度的方法具体为：在不知道结构内部情况时，通过布设应变片结合视频监测，测得结构在不同荷载条件下的裂纹扩展路径，以及裂纹扩展时对应的结构强度；在知道结构内部情况时，通过有限元相场理论计算得到不同荷载条件下的结构响应，得到对应的裂纹扩展路径以及各个时刻的结构强度。进一步地，所述的步骤(1)中，根据颜色渐变条将其绘制成图像的方法具体为：根据颜色渐变条jet，将每一个位置的结构响应信息转化为对应的像素值，并进行绘制成图片。进一步地，所述的步骤(2)中，生成网络G用来根据结构裂纹扩展路径历史生成下一时刻的裂纹扩展路径，判断网络D用来判断生成的结构裂纹扩展路径正确与否，所述的条件生成对抗网络以结构裂纹扩展路径历史为输入，其目标函数为：其中，x表示来自数据库内结构裂纹扩展路径图像；y表示结构裂纹扩展路径历史；V(D,G)表示博弈问题中的价值函数，即需要优化的目标函数；x～pdata(x)表示x服从数据库内结构裂纹扩展路径分布pdata，表示在pdata分布下求期望；x～pz(z)表示x服从先验分布pz，pz为[-1,1]内的均匀分布，即z为[-1，1]内随机采样的向量，表示在pz分布下求期望；D(x|y)表示输入x在控制参数y的条件下经过判断网络D的输出；G(z|y)表示输入向量z在控制参数y的条件下经过生成网络G的输出图像；D(G(z|y))表示G(z|y)经过判断网络D的输出。进一步地，所述的步骤(2)中，内置在生成网络G中的LSTM网络，用于处理生成网络中的卷积部分提取出裂纹扩展路径历史的特征，并预测下一时刻的裂纹扩展路径。LSTM网络结构如下：①输入层：将提取出的裂纹扩展路径历史特征作为输入，经过一次权重和偏置的转化，再进入激活函数tanh，再将数据转化为一个三维数组，作为进入隐藏层的输入，x坐标为进入此批训练批次数batch_size，y坐标为一个batch的数据条数，也就是一次进入长短时记忆模型lstm训练的数据数量，z坐标为cell_size，即隐藏层单元数；②隐藏层：将处理好的数据，以及上一次lstm单元得到的隐藏层状态输入lstm单元，如果第一次训练，需将隐藏层初始化为0，如果不是第一次训练，则沿用上一次的隐藏层的参数，然后经过输入门、遗忘门、输出门，得到隐藏层输出数据以及此时的隐藏层状态；③输出层：将隐藏层得到的输出进行再变形，并经过输出层权重和偏置的转化，得到下一个时刻应力扩展路径的特征。④其他：训练期间的反响传播中，权重、偏置、隐藏层状态的调整都由loss损失函数来确定，通过构造损失函数并进行梯度下降处理，反向传播修正各个参数。进一步地，所述的步骤(3)中，通过像素值标定结构响应信息的方法具体为：根据颜色渐变条jet，将每一个位置的像素值转化为对应的结构响应信息。进一步地，所述的步骤(3)中，标定G模型生产的含裂纹结构强度的方法具体为：根据CNN训练得到含裂纹的复合结构的强度。本专利技术的有益效果是：本专利技术结合了深度学习领域中的最新算法条件生产对抗网络cGAN及长短时记忆法LSTM，能高效地根据原位监测历史预测裂纹扩展路径及对应的结构剩余承载力，解决了传统方法无法根据原位监测数据预测结构性能退化后的裂纹扩展路径及对应的结构强度的问题。其中，cGAN是深度学习领域的最新算法，计算速度快准确率高，用于从含裂纹结构的裂纹扩展历史图片中提取特征，并根据特征生成下一时刻的裂纹扩展路径。LSTM是目前处理时间序列问题最优秀的算法，能解决循环神经网络RNN预测时出现的剃度消失或梯度爆炸现象，本专利技术中应用LSTM算法处理cGAN提取出的裂纹扩展历史特征，并预测下一时刻的裂纹扩展路径。最后采用卷积神经网络对结构裂纹扩展过程中的结构剩余承载力进行预测。本专利技术应用深度学习领域的最新算法，能通过数据驱动的方式，高效地根据原位监测历史预测裂纹扩展路径及对应的结构剩余承载力，为含裂纹结构的结构状态监测提供了新的思路。附图说明图1是条件生成对抗网络整体结构示意图；图2是生成网络G网络结构图；图3是判断网络D网络结构图；图4是长短时记忆法网络结构图；图5是预测含裂纹结构强度的CNN结构图；图6是包含裂纹扩展路径的样本图片，其中图6(a)是含裂纹结构模型，图6(b)是结构裂纹扩展过程，图6(c)是加载过程中结构反力的变化及结构强度。具体实施方式下面根据附图和优选实施例详细描述本专利技术，本专利技术的目的和效果将变得更加明白。应当理解，此本文档来自技高网...

【技术保护点】
1.基于LSTM-cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法，其特征在于，包括以下步骤：/n(1)首先通过有限元计算或现场实测得到含不同程度裂纹结构的强度及不同程度裂纹结构在加载情况下的裂纹扩展路径，根据颜色渐变条将其绘制成一系列的图像，并进行分类、整理、排序，建立样本库。/n(2)基于长短时记忆法和条件生成对抗网络模型，通过步骤(1)的样本库训练四个深度神经网络：生成网络G和判断网络D，处理时间序列的LSTM网络以及判断裂纹结构强度的卷积神经网络CNN，其中LSTM网络内置在生成网络G中；/n(3)将生成网络G输出的下一时间步的裂纹扩展路径，通过像素值标定其中的结构响应信息，并根据卷积神经网络CNN判断其结构强度。/n(4)测试阶段，将现场测得的结构裂纹扩展路径历史绘制成图像，输入步骤(2)中训练好的生成网络G，得到预测的裂纹扩展路径，并得到各个时刻对应的强度。/n

【技术特征摘要】
1.基于LSTM-cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法，其特征在于，包括以下步骤：
(1)首先通过有限元计算或现场实测得到含不同程度裂纹结构的强度及不同程度裂纹结构在加载情况下的裂纹扩展路径，根据颜色渐变条将其绘制成一系列的图像，并进行分类、整理、排序，建立样本库。
(2)基于长短时记忆法和条件生成对抗网络模型，通过步骤(1)的样本库训练四个深度神经网络：生成网络G和判断网络D，处理时间序列的LSTM网络以及判断裂纹结构强度的卷积神经网络CNN，其中LSTM网络内置在生成网络G中；
(3)将生成网络G输出的下一时间步的裂纹扩展路径，通过像素值标定其中的结构响应信息，并根据卷积神经网络CNN判断其结构强度。
(4)测试阶段，将现场测得的结构裂纹扩展路径历史绘制成图像，输入步骤(2)中训练好的生成网络G，得到预测的裂纹扩展路径，并得到各个时刻对应的强度。


2.根据权利要求1所述的基于LSTM-cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法，其预测的结构强度具体是结构的抗拉强度、抗压强度、抗弯强度、抗剪强度、抗扭强度，其输入的结构响应信息具体是位移场、应变场、应力场、相场。


3.根据权利要求1所述的基于LSTM-cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法，其特征在于，所述的步骤(1)中，得到裂纹扩展路径以及各个时刻的结构强度的方法具体为：
在不知道结构内部情况时，通过布设应变片结合视频监测，测得结构在不同荷载条件下的裂纹扩展路径，以及裂纹扩展时对应的结构强度；
在知道结构内部情况时，通过有限元相场理论计算得到不同荷载条件下的结构响应，得到对应的裂纹扩展路径以及各个时刻的结构强度。


4.根据权利要求1所述的基于LSTM-cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法，其特征在于，所述的步骤(1)中，根据颜色渐变条将其绘制成图像的方法具体为：根据颜色渐变条jet，将每一个位置的结构响应信息转化为对应的像素值，并进行绘制成图片。


5.根据权利要求1所述的基于LSTM-cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法，其特征在于，所述的步骤(2)中，生成网络G用来根据结构裂纹扩展路径历史生成下一时刻的裂纹扩展路径，判断网络D用来判断生成的结构裂纹扩展路径正确与否，所述的条件生成对抗网络以结构裂纹扩展路径历史为输入，其目标函数为：



其中，x表示来自数...

【专利技术属性】
技术研发人员：张鹤，徐诚侃，黄海燕，吴金鑫，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33