基于数据驱动的台风作用下大跨度桥梁振动响应预测方法技术

本发明专利技术公开了一种基于数据驱动的台风作用下大跨度桥梁振动响应预测方法。该方法包括步骤：S1，计算多个台风特性参数，并从桥梁振动响应监测数据中提取台风引起的桥梁振动响应；S2，将台风特性参数以及台风引起的桥梁振动响应划分为训练集和测试集；S3，将训练集输入至分位数随机森林(QRF)，采用贝叶斯优化算法获取QRF的最优超参数，结合最优QRF比较台风特性各参数的重要性，并确定最终输入特征；S4，根据输入特征比较结果，将测试集中对应的台风特性参数输入至QRF，其输出值即为台风引起响应的概率预测值。本发明专利技术预测结果的准确性与效率明显高于其他参数优化方法或有限元模型方法，同时可考虑预测过程的不确定性。

【技术实现步骤摘要】
基于数据驱动的台风作用下大跨度桥梁振动响应预测方法
：本专利技术涉及桥梁风工程领域，结合机器学习及贝叶斯优化方法，基于数据驱动对台风作用下大跨度桥梁的振动响应进行概率预测，具体涉及基于数据驱动的台风作用下大跨度桥梁振动响应预测方法。
技术介绍
：大跨桥梁的轻柔化使得其对风荷载的敏感性急剧增加，桥梁在强/台风作用下的振动响应问题日益突出，可能会引起桥梁构件的强度或疲劳破坏。研究桥梁风振问题的方法主要有四种：理论分析、风洞实验、数值模拟以及现场实测。经过数十年的发展，目前已可以采用风洞实验、理论分析和数值计算等方法来进行桥梁抗风研究，但是这些理论和方法存在简化和假设，且采用了一些经验公式。因此，通过风洞实验、理论分析和数值计算等研究手段得出的成果最终还是要通过实测结果来进行检验，以便对现有的风振响应分析方法进行改进。风振响应现场实测研究对桥梁风工程学科的发展具有重要意义，包括检验现有桥梁抖振响应分析理论、确定桥梁抖振计算中的关键影响因素及分析大跨桥梁结构的抖振机理等。大跨桥梁SHMS提供了桥梁结构运营状态下的结构真实响应，其中主要包括加速度、位移时程，为桥梁结构理论验证及模型识别提供了可靠的实测依据。预测桥梁结构台风作用下的响应在结构抗力设计中极其重要。传统的风振响应预测方法主要借助于有限元模型，但建立可反映结构真正力学行为的有限元模型具有一定难度，因而限制了计算结果的准确性。此外，分析方法中存在的假设以及参数的不确定性也会引起相应的误差。数据驱动的方法近年来在风工程领域得到了广泛关注，然而由于风效应的复杂性及不可控性，风振响应的预测效果欠佳，特别是对于桥址区位于山区或者非平稳性较强的台风。作为人工智能的分支，机器学习算法是从数据角度研究和分析风特性及其效应的有力工具。然而，机器学习方法在桥梁风工程领域的研究尚处于初级阶段，因此亟需机器学习算法从数据驱动的角度研究台风作用下的结构响应，提高预测结果的准确性。
技术实现思路
针对上述存在的问题，本专利技术提出一种数据驱动的台风作用下大跨度桥梁振动响应预测方法，采用QRF以及贝叶斯优化算法，以台风特性相关参数为特征变量，以台风引起的振动响应为输出训练QRF模型。在此基础上，根据各参数的重要性程度确定最终输入特征，实现台风引起振动响应的概率预测。本专利技术所述方法相比于其他参数优化方法或基于有限元模型的预测方法，具有实时性、高精度的优点同时可考虑预测过程的不确定性。上述的目的通过以下技术方案实现：一种基于数据驱动的台风作用下大跨度桥梁振动响应预测方法，该方法包括如下步骤：S1，计算多个台风特性参数，并从桥梁振动响应监测数据中提取台风引起的桥梁振动响应；S2，将步骤S1中得到的台风特性参数以及台风引起的桥梁振动响应划分为训练集和测试集；S3，将训练集中的台风特性参数及桥梁振动响应输入至分位数随机森林(QRF)，采用贝叶斯算法优化其超参数θ，结合最优QRF比较台风特性各参数的重要性，并确定最终输入特征；S4，根据输入特征比较结果，将测试集中对应的台风特性参数输入至QRF，其输出值即为台风引起响应的概率预测值。所述的基于数据驱动的台风作用下大跨度桥梁振动响应预测方法，步骤S3中所述采用贝叶斯算法优化QRF的超参数，具体步骤为：S311，计算超参数θt的平均值函数μ(θt+1)及方差函数σ2(θt+1)，其中θt表示执行第t次高斯过程的超参数；S312，基于高斯过程最大化采集函数θt+1＝argmaxα(θ|D1:t)得到t+1次的超参数θt+1，其中，α为采集函数，D1:t表示1:t次构建高斯过程的数据集；S313，通过QRF评估S312中得到θt+1的验证误差E(θt+1)；S314，扩充数据D1:t+1＝{D1:t,(θt+1,E(θt+1))}并更新高斯过程，重复步骤S311-S314，最终得到最优超参数。所述的基于数据驱动的台风作用下大跨度桥梁振动响应预测方法，步骤S3中的所述比较台风特性各参数的重要性，具体步骤为：S321，从训练集中随机并有放回抽取台风特性参数及结构响应作为袋外数据，计算其预测误差，记为errOOB；S322，将输入数据随机打乱，重新计算袋外数据的预测误差；S323，平均所有决策树的残差作为最终的重要性分数，即，其中，errOOBkl为第l个袋外数据集的残差，ntree为决策树的数量。所述的基于数据驱动的台风作用下大跨度桥梁振动响应预测方法，台风特性参数包括平均风速、平均风向、紊流积分尺度、紊流强度、阵风因子、紊流成分的标准差。所述的基于数据驱动的台风作用下大跨度桥梁振动响应预测方法，步骤S1中所述从桥梁振动响应监测数据中提取台风引起的桥梁振动响应采用滤波的方法，滤波频率为0-1Hz。所述的基于数据驱动的台风作用下大跨度桥梁振动响应预测方法，桥梁振动响应包括桥梁加速度响应及位移响应。所述的基于数据驱动的台风作用下大跨度桥梁振动响应预测方法，台风总数量不少于5个，测试集为1个单独台风及其引起的桥梁振动响应。有益效果：本专利技术基于QRF与贝叶斯参数优化算法，在数据驱动的框架下实现台风引起结构响应的概率预测，相较于其他参数优化方法或预测模型计算准确性与效率较高。与有限元模型相比，本专利技术所述方法预测精度较高且可实现响应的实时预测。另外，本专利技术所述方法在预测过程中除了进行单值预测外同时考虑了预测结果的不确定性，为台风作用下结构振动响应控制提供了更为全面有效的信息。附图说明图1为台风引起响应的概率预测方法流程图；图2为输入特征的确定过程示意图；图3为贝叶斯优化QRF超参数的示意图；具体实施方式本专利技术所述的数据驱动的台风作用下大跨度桥梁振动响应预测方法，包括如下步骤：S1，计算多个台风特性参数，并从桥梁振动响应监测数据中提取台风引起的桥梁振动响应；S2，将步骤S1中得到的台风特性参数以及台风引起的桥梁振动响应划分为训练集和测试集；S3，将训练集中的台风特性参数及桥梁振动响应输入至分位数随机森林(QRF)，采用贝叶斯算法获取QRF的超参数θ，结合最优QRF比较台风特性各参数的重要性，并确定最终输入特征；S4，根据输入特征比较结果，将测试集中对应的台风特性参数输入至QRF，其输出值即为台风引起响应的概率预测值。所述的基于数据驱动的台风作用下大跨度桥梁振动响应预测方法，步骤S3中所述的采用贝叶斯优化算法获取最优超参数，具体步骤为：S311，计算超参数θt的平均值函数μ(θt+1)及方差函数σ2(θt+1)，其中θt表示执行第t次高斯过程的超参数；S312，基于高斯过程最大化采集函数θt+1＝argmaxα(θ|D1:t)得到t+1次的超参数θt+1，其中；α为采集函数，D1:t表示1:t次构建高斯过程的数据集；S313，通过QRF评估S312中得到θt+1的验证误差E(θt+1)本文档来自技高网...

【技术保护点】
1.一种基于数据驱动的台风作用下大跨度桥梁振动响应预测方法，其特征在于，该方法包括如下步骤：/nS1，计算多个台风特性参数，并从桥梁振动响应监测数据中提取台风引起的桥梁振动响应；/nS2，将步骤S1中得到的台风特性参数以及台风引起的桥梁振动响应划分为训练集和测试集；/nS3，将训练集中的台风特性参数及桥梁振动响应输入至分位数随机森林(QRF)，采用贝叶斯算法优化QRF的超参数θ，结合最优QRF比较台风特性各参数的重要性，并确定最终输入特征；/nS4，根据输入特征比较结果，将测试集中对应的台风特性参数输入至QRF，其输出值即为台风引起响应的概率预测值。/n

【技术特征摘要】
1.一种基于数据驱动的台风作用下大跨度桥梁振动响应预测方法，其特征在于，该方法包括如下步骤：
S1，计算多个台风特性参数，并从桥梁振动响应监测数据中提取台风引起的桥梁振动响应；
S2，将步骤S1中得到的台风特性参数以及台风引起的桥梁振动响应划分为训练集和测试集；
S3，将训练集中的台风特性参数及桥梁振动响应输入至分位数随机森林(QRF)，采用贝叶斯算法优化QRF的超参数θ，结合最优QRF比较台风特性各参数的重要性，并确定最终输入特征；
S4，根据输入特征比较结果，将测试集中对应的台风特性参数输入至QRF，其输出值即为台风引起响应的概率预测值。


2.根据权利要求1所述的基于数据驱动的台风作用下大跨度桥梁振动响应预测方法，其特征在于，步骤S3中所述的采用贝叶斯优化算法获取最优超参数，具体步骤为：
S311，计算超参数θt的平均值函数μ(θt+1)及方差函数σ2(θt+1)，其中θt表示执行第t次高斯过程的超参数；
S312，基于高斯过程最大化采集函数θt+1＝argmaxα(θ|D1:t)得到t+1次的超参数θt+1，其中；α为采集函数，D1:t表示1:t次构建高斯过程的数据集；
S313，通过QRF评估S312中得到θt+1的验证误差E(θt+1)；
S314，扩充数据D1:t+1＝{D1:t,(θt+1,E(θt+1))}并更新高斯过程，重复步骤S311-S314，最终得到最优超参...

【专利技术属性】
技术研发人员：王浩，张一鸣，张宇峰，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32