【技术实现步骤摘要】
一种工业建筑混凝土碳化深度预测方法
本专利技术属于工业建筑耐久性研究中的混凝土碳化深度预测
，具体涉及一种基于VMD-GRU模型的混凝土碳化深度预测方法。
技术介绍
工业作为我国的支柱产业之一，对国家的经济发展具有举足轻重的作用，而工业生产活动的持续稳定的进行需要工业建筑安全的结构性能作为保障。我国城市规划中，工业建筑的用地总面积占20％～35％，现阶段我国既有的工业建筑以服役龄期超过20年的混凝土结构为主。它们通常处于动荷载高温高湿恶劣环境下，长时间的服役极易引起结构性能损伤和部分功能丧失。因此，针对工业建筑的结构耐久性劣化中的碳化问题，建立混凝土碳化深度预测模型，对于混凝土结构耐久性分析和结构剩余寿命预测有重要的实际意义。随着国家经济的快速发展，工业建筑的数量迅速增多，规模不断扩大。在工业建筑的全生命周期中，包括从设计建造阶段到服役运行阶段，各种难以察觉到的微小因素都会造成单位时间内碳化深度的不同。对混凝土碳化深度预测可以评估预测建筑损伤程度和剩余寿命，因此混凝土碳化深度预测对工业建筑来说是十分有必要的。有...
【技术保护点】
1.一种工业建筑混凝土碳化深度预测方法，其特征在于，包括以下步骤：/nS1、获取自然环境下工业建筑碳化深度的历史数据，然后将历史数据分成训练集和测试集；/nS2、利用变分模态分解方法对步骤S1中的训练集和测试集进行自适应分解，提取原始序列的细节特征，再利用相空间重构对分解的各模态分量数据进行加工处理优化，得到训练集和测试集的模态分量子序列；/nS3、利用步骤S2变分模态分解的训练集模态分量子序列作为训练预测模型，采用后向误差传播方法对门控循环单元每个模态分量子序列进行训练，利用损失函数对权重参数、偏移参数进行调整更新，完成深度网络学习，建立训练集各模态分量子序列的门控循环网...
【技术特征摘要】
1.一种工业建筑混凝土碳化深度预测方法，其特征在于，包括以下步骤：
S1、获取自然环境下工业建筑碳化深度的历史数据，然后将历史数据分成训练集和测试集；
S2、利用变分模态分解方法对步骤S1中的训练集和测试集进行自适应分解，提取原始序列的细节特征，再利用相空间重构对分解的各模态分量数据进行加工处理优化，得到训练集和测试集的模态分量子序列；
S3、利用步骤S2变分模态分解的训练集模态分量子序列作为训练预测模型，采用后向误差传播方法对门控循环单元每个模态分量子序列进行训练，利用损失函数对权重参数、偏移参数进行调整更新，完成深度网络学习，建立训练集各模态分量子序列的门控循环网络碳化深度预测子模型；
S4、利用步骤S3得到的训练集各模态分量子序列的门控循环网络碳化深度预测子模型对步骤S2中的测试集模态分量子序列进行预测，将预测值累加后与真实值进行对比分析，完成工业建筑混凝土碳化深度预测评价。
2.根据权利要求1所述的工业建筑混凝土碳化深度预测方法，其特征在于，步骤S1中，将数据数序列按7：3的比例设置训练集和测试集。
3.根据权利要求1所述的工业建筑混凝土碳化深度预测方法，其特征在于，步骤S3具体为：
S301、分解原始数据，初始化各模态uk、中心频率ω、算子λ和最大迭代次数N；
S302、更新参数uk、ω、λ和最大迭代次数N；
S303、对于给定的判别精度e>0，若不满足则停止迭代，否则返回步骤S302；
S304、利用相空间重构对分解得到的各模态分量数据进行加工处理优化，使得重构的样本更好的反映自然条件下工业建筑的碳化变化；
S305、利用步骤S304重构的高维特征空间的模态分量作为训练样本代入门控循环网络中进行学习训练，各模态分量从门控循环网络的后向误差传播更新公式中学习更多的碳化深度预测方面的知识，获得各分量准确的碳化深度预测模型o′(n)，最后将每个分量预测值叠加得到最终的预测值并输出结果；
S306、输出VMD-GRU模型的预测结果与真实值进行对比。
4.根据权利要求3所述的工业建筑混凝土碳化深度预测方法，其特征在于，步骤S301中，将碳化历史数据用变分模态分解成3个调幅调频子信号...
【专利技术属性】
技术研发人员：董振平，陈亚州，于军琪，赵安军，张英坤，景媛媛，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。