一种结构模型参数未知时动响应预测新方法技术

一种结构模型参数未知时动响应预测新方法。将结构的位移、速度以及激励作为输入参数，把加速度作为输出结果。首先把训练集的输入参数作为输入层的输入信号，由卷积层进行卷积运算，再通过池化层降低输出维数，同时能保留重要信息。选择再次通过卷积层和池化层，以达到最佳效果。然后将得到的数据放入全连接层，通过最小化模型的预测值与理想的目标值之间的差值，得到较好的CNN模型。最后利用训练好的卷积神经网络，输入结构的位移、速度和激励，在不知道结构的模型参数的情况下，仍然可以预测到结构此时的加速度。由于权值共享使得权重只与卷积核的大小相关，本方法具有较好的去除噪声的能力。

【技术实现步骤摘要】
一种结构模型参数未知时动响应预测新方法
本专利技术涉及结构动响应的预测方法领域，特别是涉及一种结构模型参数未知时动响应预测新方法。
技术介绍
动力学响应估计是结构动力学的经典问题，属于正问题范畴，在结构的研发设计中必须予以考虑。现有的响应预测方法主要包括：模态叠加法、杜哈梅积分方法、Newmark数值计算方法等等。这些都属于传统解决动力学响应估计的方法，需要明确的动力学模型参数，事实上，很多结构的动力学模型参数很难确定或者本身就存在不确定性，这给动响应预测带来了很大的挑战。近年来，卷积神经网络(CNN)在图像分类、目标检测、图像语义分割等领域取得了突破，可以用来解决分类和回归这两种问题。若将动响应的识别问题看成回归问题，则可以利用CNN实现结构动响应的预测。相比于传统的动力学响应估计方法，CNN拥有强大的特征学习与分类能力。因此基于CNN的动响应预测方法利用训练好的深度学习网络，不依赖于准确的动力学模型参数，能进一步提高预测的准确性和鲁棒性，具有巨大的发展前景。
技术实现思路
为了解决上述问题，本专利技术一种结构模型参数未知时动响应预测新方法，运用卷积神经网络算法对结构动响应进行预测。需要事先用动响应及外激励数据训练得到准确的卷积神经网络模型，再通过输入结构的位移，速度和激励，预测得到系统的加速度响应。该方法无需了解结构的动力学模型参数，对抗噪声能力较好，也适用于工程实际中响应的识别问题，并且可以根据需要预测出相应的加速度、速度或者位移响应信息。本专利技术提供一种结构模型参数未知时动响应预测新方法，具体步骤如下：1)确定动响应预测的分析模型；确定动响应预测的分析模型步骤，其中：将结构的位移、速度和激励作为输入层的输入信号；确定该卷积神经网络需要几个卷积层和池化层；确定这些卷积层中的卷积核的大小和维数，以及池化层中的池化视野和步长；2)建立基于一维卷积运算和二维卷积运算的多自由度系统系统的CNN模型，将输入层的输入信号，由卷积层进行卷积运算，再通过池化层，选择再次通过卷积层和池化层，以达到最佳效果；进行卷积与池化步骤，其中：在卷积层中，用已经确定过的卷积核矩阵在输入矩阵上滑动并进行点积；在池化层中，使用选定的池化视野和步长来降低数据体的空间尺寸；根据选择的卷积层和池化层个数，可依次代入到卷积层和池化层中进行运算；3)将得到的数据放入全连接层，通过最小化模型的预测值与理想的目标值之间的差值，训练得到较好的CNN模型；4)利用训练好的卷积神经网络，输入结构的位移，速度和激励，预测到结构此时的加速度；预测到结构的动响应，其中：使用不包含在训练集中的验证集数据校验得到的模型；使用不包含在训练集、验证集中的测试集数据评估CNN模型的有效性；将评估有效的模型用于动响应预测，输入结构的位移，速度和激励，预测得到此时的加速度。2.根据权利要求1所述的一种结构模型参数未知时动响应预测新方法，其特征在于：步骤3)进入全连接层，训练得到较好的CNN模型，其中：将运算得到的数据代入到全连接层，设输入为xi，权重为wi，偏移为b，则输出值可以写为：Zj＝∑wijxi+b考虑的激活函数为带泄露修正线性单元(Leaky-RELU)，yi＝f(Zj)在动力响应预测时，通过最小化模型的预测值与理想的目标值之间的差值进行训练，利用均方误差作为目标函数，通过反向传播算法对权重进行优化，并考查了不同ai对预测效果的影响，得出了无噪声干扰和有噪声干扰时的合适的ai取值。由此得到训练好的卷积神经网络。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：本专利技术提出的基于卷积神经网络的结构动响应预测方法不需知道结构的动力学模型参数，相较于传统方法，适用范围更广，抗噪声能力较好，特别是针对结构动力学模型参数很难确定或者本身就存在不确定性的问题，本专利技术具有较强的适用性，可以广泛应用于工程实际中结构中的动响应预测问题。附图说明图1本专利技术方法的总体技术方案流程；图2激活函数中a＝0.01无噪声干扰时预测效果；图3激活函数中a＝0.05无噪声干扰时预测效果；图4激活函数中a＝0.5无噪声干扰时预测效果；；图5激活函数中a＝0.01存在10％噪声干扰时预测效果；图6激活函数中a＝0.05存在10％噪声干扰时预测效果；图7激活函数中a＝0.5存在10％噪声干扰时预测效果；图8三自由度系统；图9多自由度系统(MDOF)的一维CNN模型；图10多自由度系统(MDOF)的二维CNN模型；图11一维CNN不同自由度的RMS误差对比；图12二维CNN不同自由度的RMS误差对比。具体实施方式下面结合附图与具体实施方式对本专利技术作进一步详细描述：本专利技术一种结构模型参数未知时动响应预测新方法，运用卷积神经网络算法对结构动响应进行预测。需要事先用动响应及外激励数据训练得到准确的卷积神经网络模型，再通过输入结构的位移，速度和激励，预测得到系统的加速度响应。该方法无需了解结构的动力学模型参数，对抗噪声能力较好，也适用于工程实际中响应的识别问题，并且可以根据需要预测出相应的加速度、速度或者位移响应信息。下面结合附图对本专利技术的技术方案做进一步的详细说明：卷积神经网络的运用使得结构的动响应识别不需要知道结构的动力学参数。能用于各种类型结构的识别问题,具有良好的识别精度和抗噪声干扰能力。经过训练集的数据训练后，输入结构的位移，速度和激励，则可以预测出此时的加速度。本专利技术方法首先通过训练集的训练，得到准确的卷积神经网络，然后根据这个卷积神经网络实现对结构加速度的预测。具体实施步骤如下：步骤1：确定动响应预测的分析模型：在基于卷积神经网络的结构动响应预测过程中，需要将结构的位移、速度和激励作为输入层的输入信号。还需要确定该卷积神经网络需要几个卷积层和池化层，包括卷积层中的卷积核的大小和维数，以及池化层中的池化视野和步长，本项研究中建立了两种CNN模型处理该MDOF系统的模型，分别建立了基于一维卷积运算和基于二维卷积运算的多自由度系统的CNN模型。步骤2：对系统的输入进行卷积与池化。用已经确定过的卷积核矩阵在输入矩阵上滑动并进行点积，即可视为卷积运算，运算结果的维度是卷积核的维度。然后进入池化层，使用选定的池化视野和步长来降低数据体的空间尺寸，本方法选择了最大池化。根据选择的卷积层和池化层个数，可依次代入到卷积层和池化层中进行运算。步骤3：将处理得到的数据代入全连接层，训练得到较好的CNN模型：将运算得到的数据代入到全连接层，设输入为xi，权重为wi，偏移为b，则输出值可以写为：Zj＝∑wijxi+b本专利技术中考虑的激活函数为带泄露修正线性单元(Leaky-RELU)，。通过最小化模本文档来自技高网...

【技术保护点】
1.一种结构模型参数未知时动响应预测新方法，具体步骤如下，其特征在于：/n1)确定动响应预测的分析模型；/n确定动响应预测的分析模型步骤，其中：/n将结构的位移、速度和激励作为输入层的输入信号；/n确定该卷积神经网络需要几个卷积层和池化层；/n确定这些卷积层中的卷积核的大小和维数，以及池化层中的池化视野和步长；/n2)建立基于一维卷积运算和二维卷积运算的多自由度系统系统的CNN模型，将输入层的输入信号，由卷积层进行卷积运算，再通过池化层，选择再次通过卷积层和池化层，以达到最佳效果；/n进行卷积与池化步骤，其中：/n在卷积层中，用已经确定过的卷积核矩阵在输入矩阵上滑动并进行点积；/n在池化层中，使用选定的池化视野和步长来降低数据体的空间尺寸；/n根据选择的卷积层和池化层个数，可依次代入到卷积层和池化层中进行运算；/n3)将得到的数据放入全连接层，通过最小化模型的预测值与理想的目标值之间的差值，训练得到较好的CNN模型；/n4)利用训练好的卷积神经网络，输入结构的位移，速度和激励，预测到结构此时的加速度；/n预测到结构的动响应，其中：/n使用不包含在训练集中的验证集数据校验得到的模型；/n使用不包含在训练集、验证集中的测试集数据评估CNN模型的有效性；/n将评估有效的模型用于动响应预测，输入结构的位移，速度和激励，预测得到此时的加速度。/n...

【技术特征摘要】
1.一种结构模型参数未知时动响应预测新方法，具体步骤如下，其特征在于：
1)确定动响应预测的分析模型；
确定动响应预测的分析模型步骤，其中：
将结构的位移、速度和激励作为输入层的输入信号；
确定该卷积神经网络需要几个卷积层和池化层；
确定这些卷积层中的卷积核的大小和维数，以及池化层中的池化视野和步长；
2)建立基于一维卷积运算和二维卷积运算的多自由度系统系统的CNN模型，将输入层的输入信号，由卷积层进行卷积运算，再通过池化层，选择再次通过卷积层和池化层，以达到最佳效果；
进行卷积与池化步骤，其中：
在卷积层中，用已经确定过的卷积核矩阵在输入矩阵上滑动并进行点积；
在池化层中，使用选定的池化视野和步长来降低数据体的空间尺寸；
根据选择的卷积层和池化层个数，可依次代入到卷积层和池化层中进行运算；
3)将得到的数据放入全连接层，通过最小化模型的预测值与理想的目标值之间的差值，训练得到较好的CNN模型；
4)利用训练好的卷积神经网络，输入结构的位移，速度...

【专利技术属性】
技术研发人员：李鸿秋，
申请(专利权)人：金陵科技学院，
类型：发明
国别省市：江苏;32