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，...

【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