一种大跨度钢结构建筑微应变的短期预测方法技术

本发明专利技术公开了一种大跨度钢结构建筑微应变的短期预测方法，获取大跨度钢结构建筑微应变的历史数据并分成训练集和测试集；利用变分模态分解方法对训练集和测试集进行自适应分解，得到训练集和测试集各模态分量子序列；利用训练集各模态分量子序列作为训练样本对门控循环单元中的各模态分量子序列进行训练，建立训练集各模态分量子序列的门控循环单元钢结构建筑微应变的短期预测子模型；利用训练集各模态分量子序列的门控循环单元钢结构建筑微应变的短期预测子模型对测试集各模态分量子序列进行预测，将预测的测试集各模态分量子序列进行累加得到预测集；利用预测集与历史数据中的测试集进行对比分析。本发明专利技术提高了钢结构建筑微应变的短期预测精度。

【技术实现步骤摘要】
一种大跨度钢结构建筑微应变的短期预测方法
本专利技术属于大跨度钢结构研究中的钢结构建筑微应变的短期预测
，具体涉及一种大跨度钢结构建筑微应变的短期预测方法。
技术介绍
国家基础设施的建设极大推动了建筑行业的迅速崛起。一大批大跨度钢结构建筑如雨后春笋般出现在全国各地，它们外观新颖、工艺精巧、结构复杂、科技感强并且具有重量轻、刚度强、抗震性能高和应力分布均匀等特点，通常它们被广泛的应用于各个领域，成为城市或区域的地标性建筑。但是由于这些建筑长期暴露在自然环境之中，受到风霜雨雪等各种因素综合作用下易导致结构疲劳和损伤累积，为避免极端情况下灾难性事故的发生，需要对服役的大跨度钢结构建筑进行结构健康监测。因此，针对大跨度钢结构建筑的结构监测问题，建立钢结构建筑微应变的短期预测模型，对于钢结构耐久性分析和短期结构预测有重要的实际意义。随着国家经济和科技的高速发展，大跨度钢结构建筑的数量迅速增加。在钢结构建筑的整个服役周期内，他们的形状都在发生着不同程度的形变，只是肉眼很难观察到这种。对于钢结构建筑微应变的短期预测可以评估预测钢结构材质损伤程度，因此钢结构建筑微应变短期预测对钢结构建筑来说是十分有必要的。合理有效的对钢结构建筑微应变的短期预测有重要的实际意义。国内外学者对钢结构建筑微应变预测研究主要针对的是大框架的强度研究，未对实际细节的微应变细节的情况进行深入的研究，预测精度与实际有一定的出入。因此，研究有效的钢结构建筑微应变的短期预测方法有很大的必要，而且有助于钢结构建筑业的持续健康发展。专利技术内容针对现有技术中存在的技术问题，本专利技术提供了一种大跨度钢结构建筑微应变的短期预测方法，解决现有的大跨度钢结构建筑微应变的短期预测缺乏有效方法的问题，能更细致掌握钢结构建筑微应变时间序列的特征，大大提高了钢结构建筑微应变的短期预测的精度。为了解决上述技术问题，本专利技术通过以下技术方案予以实现：一种大跨度钢结构建筑微应变的短期预测方法，包括以下步骤：步骤1、获取大跨度钢结构建筑微应变的历史数据，然后将历史数据分成训练集和测试集；步骤2、利用变分模态分解方法对步骤1中的训练集和测试集进行自适应分解，提取历史数据中分解的各模态分量数据，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，得到训练集各模态分量子序列和测试集各模态分量子序列；步骤3、利用步骤2中得到的训练集各模态分量子序列作为训练样本，采用反向误差传播方法对门控循环单元中的各模态分量子序列进行训练，利用损失函数对权重参数和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单元钢结构建筑微应变的短期预测子模型；步骤4、利用步骤3得到的训练集各模态分量子序列的门控循环单元钢结构建筑微应变的短期预测子模型对步骤2中的测试集各模态分量子序列进行预测，得到预测的测试集各模态分量子序列o′(n)，最后将预测的测试集各模态分量子序列o′(n)进行累加得到预测集o'；步骤5、利用步骤4中得到的预测集o'与步骤1历史数据中的测试集进行对比分析，完成大跨度钢结构建筑微应变的短期预测评价。进一步地，步骤1中，将历史数据按9：1的比例分成训练集和测试集。进一步地，步骤2具体为：步骤201、分解历史数据，初始化各模态中心频率算子最大迭代次数N、惩罚因子α以及变分模态数目K；步骤202、更新参数和步骤203、对于给定的判别精度ε＞0，若满足则停止迭代，否则返回步骤202；步骤204、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，得到高维特征空间的各模态分量子序列。进一步地，步骤3具体为：步骤301、采用步骤204中得到的高维特征空间的各模态分量子序列作为训练样本代入门控循环单元中进行学习训练；步骤302、使用训练样本中各模态分量子序列从门控循环单元的反向误差传播更新公式中学习更多的钢结构建筑微应变的短期预测相关的信息。进一步地，步骤201中，将历史数据利用变分模态分解方法分解成5个调幅调频子信号，并通过迭代搜寻各模态分量子序列最优解，进而确定各分解模态分量子序列的中心频率，实现各模态分量子序列的有效分离。进一步地，步骤201中，输入的参数量为1个，即大跨度钢结构建筑微应变一定时间的历史数据；中间的隐藏层根据变分模态分解方法确定为5个分量；输出的参数量为1个，即历史数据各模态分量子序列。进一步地，步骤202中，具体更新如下：其中，和分别代表f(ω)、μi(ω)、λ(ω)和的傅里叶变换；n代表迭代次数。进一步地，步骤204中，采用相空间重构构造高维特征空间的各模态分量子序列，对于变分模态所分解的历史数据各模态分量子序列X＝{xi/i＝1,2,3,...，N}在不同服役期间预测h的相空间重构，具体为：其中，L＝N-(d-1)·τ-h；N为历史数据的样本总数；τ和d分别是延迟时间和嵌入维数；Xi(i＝1,2,…,L)表示相空间中第i个空间矢量。进一步地，步骤302中，所述门控循环单元的反向误差传播更新公式为：zt＝sigm(wxzxt+whzxt-1+bz)rt＝sigm(wxrxt+whrxt-1+br)ot＝sigmoid(woht+bo)其中，zt为更新门，控制t-1时刻状态信息被带入到当前状态中的程度；rt为重置门，控制忽略t-1时刻的状态信息的程度；为候选隐藏状态；ht为t时刻输出；bz为更新门偏移参数；⊙为Hadamard积，即按对应元素相乘；xt-1为t-1时刻的隐含状态的输入；ot为t时刻输出值；bo为t时刻偏移参数。进一步地，步骤4中，预测集o'为：o'＝o′(1)+o′(2)+…+o′(n)。与现有技术相比，本专利技术至少具有以下有益效果：本专利技术提供的一种大跨度钢结构建筑微应变的短期预测方法，首先通过实际工程中采集的钢结构建筑微应变的历史数据，获得钢结构建筑微应变历史记录，引入变分模态分解方法(VMD)将历史数据进行自适应分解，提取历史数据中分解的各模态分量数据，并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，使得重构的训练样本更好的反映钢结构建筑微应变的变化；再通过门控循环单元(GRU)的损失函数和反向误差传播方法不断的调整更新权重参数和偏移参数，学习钢结构建筑微应变方面的信息，建立钢结构建筑微应变的短期预测子模型，克服了循环神经网络(RNN)存在梯度消失和梯度爆炸问题，以及学习速度慢且很难训练和不能全面利用各时刻的信息等缺点。利用门控循环单元(GRU)方法训练基于数据驱动的预测模型，不对钢结构建筑微应变过程内部的物理化学反应进行精确分析，克服已有的钢结构建筑微应变预测模型精度不高，易受各因素影响的不足，能够快速准确的预测钢结构建筑微应变短期的结果；同时利用变分模态分解方法(VMD)根据数据的实际情况确定数据的模态分解个数、实现本文档来自技高网...

【技术保护点】
1.一种大跨度钢结构建筑微应变的短期预测方法，其特征在于，包括以下步骤：/n步骤1、获取大跨度钢结构建筑微应变的历史数据，然后将历史数据分成训练集和测试集；/n步骤2、利用变分模态分解方法对步骤1中的训练集和测试集进行自适应分解，提取历史数据中分解的各模态分量数据，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，得到训练集各模态分量子序列和测试集各模态分量子序列；/n步骤3、利用步骤2中得到的训练集各模态分量子序列作为训练样本，采用反向误差传播方法对门控循环单元中的各模态分量子序列进行训练，利用损失函数对权重参数和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单元钢结构建筑微应变的短期预测子模型；/n步骤4、利用步骤3得到的训练集各模态分量子序列的门控循环单元钢结构建筑微应变的短期预测子模型对步骤2中的测试集各模态分量子序列进行预测，得到预测的测试集各模态分量子序列o′

【技术特征摘要】
1.一种大跨度钢结构建筑微应变的短期预测方法，其特征在于，包括以下步骤：
步骤1、获取大跨度钢结构建筑微应变的历史数据，然后将历史数据分成训练集和测试集；
步骤2、利用变分模态分解方法对步骤1中的训练集和测试集进行自适应分解，提取历史数据中分解的各模态分量数据，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，得到训练集各模态分量子序列和测试集各模态分量子序列；
步骤3、利用步骤2中得到的训练集各模态分量子序列作为训练样本，采用反向误差传播方法对门控循环单元中的各模态分量子序列进行训练，利用损失函数对权重参数和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单元钢结构建筑微应变的短期预测子模型；
步骤4、利用步骤3得到的训练集各模态分量子序列的门控循环单元钢结构建筑微应变的短期预测子模型对步骤2中的测试集各模态分量子序列进行预测，得到预测的测试集各模态分量子序列o′(n)，最后将预测的测试集各模态分量子序列o′(n)进行累加得到预测集o'；
步骤5、利用步骤4中得到的预测集o'与步骤1历史数据中的测试集进行对比分析，完成大跨度钢结构建筑微应变的短期预测评价。


2.根据权利要求1所述的大跨度钢结构建筑微应变的短期预测方法，其特征在于，步骤1中，将历史数据按9：1的比例分成训练集和测试集。


3.根据权利要求1所述的大跨度钢结构建筑微应变的短期预测方法，其特征在于，步骤2具体为：
步骤201、分解历史数据，初始化各模态中心频率算子最大迭代次数N、惩罚因子α以及变分模态数目K；
步骤202、更新参数和
步骤203、对于给定的判别精度ε＞0，若满足则停止迭代，否则返回步骤202；
步骤204、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，得到高维特征空间的各模态分量子序列。


4.根据权利要求3所述的大跨度钢结构建筑微应变的短期预测方法，其特征在于，步骤3具体为：
步骤301、采用步骤204中得到的高维特征空间的各模态分量子序列作为训练样本代入门控循环单元中进行学习训练；
步骤302、使用训练样本中各模态分量子序列从门控循环单元的反向误差传播更新公式中学习更多的钢结构建筑微应变的短期预测相关的信息。


5.根据权利要求3所述的大跨度钢结构建筑微应变的短...

【专利技术属性】
技术研发人员：段中兴，刘瑞兴，焦晨琳，陈亚州，
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