基于EEMD-DNN的振动台结构位移响应预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于EEMD

【技术实现步骤摘要】
基于EEMD
‑
DNN的振动台结构位移响应预测方法及装置


[0001]本专利技术涉及土木结构振动响应
，具体公开了一种基于EEMD
‑
DNN的振动台结构位移响应预测方法及装置。

技术介绍

[0002]在研究土木结构工程的振动效应时，振动台可以很好的再现地震过程和进行人工地震波的试验，是实验室研究结构地震反应和破坏机理最直接的方法。由于振动台试验采集系统的通道数量有限，无法同时采集大量的加速度和位移数据，因此，在对工程结构的地震位移响应进行研究时，对采集到的加速度数据进行数值积分是得到结构位移响应的主要手段，但由于记录的数据与来自环境振动或仪器本身振动产生的低频噪声混合、操纵误差、换能器迟滞、假定的速度或位移初始值与实际情况不一致等原因，使得加速度在积分时会造成基线漂移，从而导致无法还原真实的结构位移响应。
[0003]目前，在加速度积分过程中对基线进行校正的方法主要有两类，一类是采用最小二乘法消除初始速度和位移与实际不一致产生的基线漂移误差，但该方法的校正效果较差且适用范围较窄；另一类是将传统基线校正位移与目标最终位移的偏移量作为指标，调整地震动记录的加速度时程(即对地震动记录的伪静分量进行修正)，最终二次积分得到目标最终位移，达到最终位移与目标最终位移一致，但该方法基于实验人员自主调节参数实现，不具备自适应性，也无法消除或最小化基线漂移时产生的误差，以致于不能重现真实的结构位移响应。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于EEMD
‑
DNN的振动台结构位移响应预测方法及装置，以解决采用传统方法进行结构位移响应预测时基线校正不具有自适应性、适用范围较窄以及预测精度不高的问题。
[0005]为达到上述目的，本专利技术提供一种基于EEMD
‑
DNN的振动台结构位移响应预测方法，包括以下步骤：
[0006]S1：采集振动台加速度时程记录，并将该加速度时程记录分为训练集和测试集；
[0007]S2：对所述训练集中所有的加速度时程记录进行二次数值积分得到原始漂移位移时程记录，并采用集合经验模态分解算法对原始漂移位移时程记录进行分解，获得训练样本集；
[0008]S3：将训练样本集输入深度神经网络模型中，进行迭代训练，优化模型参数，得到优化后的深度神经网络模型；
[0009]S4：将测试集作为实时采集的加速度时程记录输入优化后的深度神经网络模型中，测试输出振动台的位移时程曲线，得到该振动台实际的结构位移响应。
[0010]进一步的，所述步骤S2获得训练样本集的具体步骤为：
[0011]S201：对训练集中的所有加速度时程记录进行数值积分得到速度时程曲线；
[0012]S202：对所述速度时程曲线进行数值积分得到原始漂移位移时程曲线；
[0013]S203：采用集合经验模态分解算法将原始漂移位移时程曲线分解为集合经验模态分量以及剩余分量，并以分解得到所有的集合经验模态分量和步骤S202中得到的漂移位移时程曲线作为训练样本集输入所述深度神经网络模型。
[0014]进一步的，所述步骤S203中对原始漂移位移时程曲线进行集合经验模态分解得到多个集合经验模态分量和剩余分量的具体步骤为：
[0015]S2031：在所述原始漂移位移时程曲线中叠加一组高斯白噪声得到第一漂移位移时程曲线；
[0016]S2032：筛选出第一漂移位移时程曲线中所有的极大值点和极小值点，对所述极大值点和极小值点分别进行拟合得到所述第一漂移位移时程曲线的上包络线和下包络线；
[0017]S2033：根据所述上包络线和下包络线计算所述第一漂移位移时程曲线的均值包络，并计算所述第一漂移位移时程曲线与均值包络之间的差值得到第一残余曲线；
[0018]S2034：判断所述第一残余曲线是否满足imf分量成立的条件，若满足，则执行步骤S2035，若不满足，则对所述第一残余曲线重复执行步骤S2031
‑
S2033，直至重复n次后得到的第k个残余曲线满足imf分量成立的条件为止，所述第k个残余曲线即为第一漂移位移时程曲线经过经验模态分解得到的imf分量；
[0019]S2035：将第k个残余曲线从第一漂移位移时程曲线中分离，得到第一剩余曲线；
[0020]S2036：判断所述第一剩余曲线是否为单调函数，若是，则完成分解，否则对所述第一剩余曲线重复执行步骤S2031
‑
S2035，直至重复m得到的第i个剩余曲线为单调函数为止，所述第i个剩余曲线即为第一漂移位移时程曲线经过经验模态分解得到的剩余曲线；
[0021]S2037：分别计算所述imf分量和剩余曲线的平均值，得到集合经验模态分量和剩余分量，所述原始漂移位移时程曲线可表示为。
[0022]进一步的，所述步骤S2034中，imf分量成立的条件为：
[0023]在整个时程内，所述第一残余曲线上极大值点和极小值点的个数与过零点的个数相等或最多相差一个；
[0024]在整个时程内，所述第一残余曲线上任意一点处的上包络线和下包络线的均值为零。
[0025]进一步的，所述步骤S3对深度神经网络模型进行迭代训练的具体步骤为：
[0026]S301：将训练样本集输入深度神经网络模型中，得到预测的位移时程曲线；
[0027]S302：将采集到的振动台实际的位移时程记录与预测的位移时程曲线进行比较得到预测误差值，利用所述预测误差值对深度神经网络模型进行迭代训练，对深度神经网络模型进行优化。
[0028]进一步的，所述步骤S302对深度神经网络模型进行迭代训练得到优化后的深度神经网络模型的具体步骤为：
[0029]S3021：采集振动台位移时程记录；
[0030]S3022：将采集到的振动台实际的位移时程记录与步骤S31中得到的预测的位移时程曲线进行比较得到预测误差值；
[0031]S3023：将所述预测误差值反向传播至深度神经网络模型中再次进行预测，对所述深度神经网络进行迭代训练，优化模型参数，得到优化后的深度神经网络模型。
[0032]进一步的，在步骤S3022中，所述预测误差值为振动台实际的位移时程记录和预测的位移时程曲线之间的均方误差，其计算公式为：
[0033][0034]其中：L'
j
(t)为振动台第j次实际位移时程记录，l'
j
(t)为深度神经网络模型第j次预测的位移时程记录中，j＝1,2,
…
,x，x为深度神经网络模型迭代的次数。
[0035]本专利技术的另一方面，还提供一种基于EEMD
‑
DNN的振动台结构位移响应预测装置，以用于实现上述方法，包括：
[0036]数据采集系统，用于采集振动台实际的加速度时程记录，并将所述加速度时程记录分为训练集和测试集；
[0037]样本训练模块，用于对所述训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于EEMD
‑
DNN的振动台结构位移响应预测方法，其特征在于，包括以下步骤：S1：采集振动台加速度时程记录，并将该加速度时程记录分为训练集和测试集；S2：对所述训练集中所有的加速度时程记录进行二次数值积分得到原始漂移位移时程记录，并采用集合经验模态分解算法对原始漂移位移时程记录进行分解，获得训练样本集；S3：将训练样本集输入深度神经网络模型中，进行迭代训练，优化模型参数，得到优化后的深度神经网络模型；S4：将测试集作为实时采集的加速度时程记录输入优化后的深度神经网络模型中，测试输出振动台的位移时程曲线，得到该振动台实际的结构位移响应。2.根据权利要求1所述的基于EEMD
‑
DNN的振动台结构位移响应预测方法，其特征在于，所述步骤S2获得训练样本集的具体步骤为：S201：对训练集中的所有加速度时程记录进行数值积分得到速度时程曲线；S202：对所述速度时程曲线进行数值积分得到原始漂移位移时程曲线；S203：采用集合经验模态分解算法将原始漂移位移时程曲线分解为集合经验模态分量以及剩余分量，并以分解得到所有的集合经验模态分量和步骤S202中得到的漂移位移时程曲线作为训练样本集输入所述深度神经网络模型。3.根据权利要求2所述的基于EEMD
‑
DNN的振动台结构位移响应预测方法，其特征在于，所述步骤S203中对原始漂移位移时程曲线进行集合经验模态分解得到多个集合经验模态分量和剩余分量的具体步骤为：S2031：在所述原始漂移位移时程曲线中叠加一组高斯白噪声得到第一漂移位移时程曲线；S2032：筛选出第一漂移位移时程曲线中所有的极大值点和极小值点，对所述极大值点和极小值点分别进行拟合得到所述第一漂移位移时程曲线的上包络线和下包络线；S2033：根据所述上包络线和下包络线计算所述第一漂移位移时程曲线的均值包络，并计算所述第一漂移位移时程曲线与均值包络之间的差值得到第一残余曲线；S2034：判断所述第一残余曲线是否满足imf分量成立的条件，若满足，则执行步骤S2035，若不满足，则对所述第一残余曲线重复执行步骤S2031
‑
S2033，直至重复n次后得到的第k个残余曲线满足imf分量成立的条件为止，所述第k个残余曲线即为第一漂移位移时程曲线经过经验模态分解得到的imf分量；S2035：将第k个残余曲线从第一漂移位移时程曲线中分离，得到第一剩余曲线；S2036：判断所述第一剩余曲线是否为单调函数，若是，则完成分解，否则对所述第一剩余曲线重复执行步骤S2031
‑
S2035，直至重复m次得到的第i个剩余曲线为单调函数为止，所述第i个剩余曲线即为第一漂移位移时程曲线经过经验模态分解得到的剩余曲线；S2037：分别计算所述imf分量和剩余曲线的平均值，得到集合经验模态分量和剩余分量。4.根据权利要求3所述的基于EEMD
‑
DNN的振动台结构位移响应预测方法，其特征在于，所述步骤S2034中，imf分量成立的条件为：在整个时程内，所述第一残余曲线上极大值点和极小值点的个数与过零点的个数相等或最多相差一个；在整个时程内，所述第一残余曲线上任意一点处的上包络线和下包络线的均值为零。
5.根据权利要求1所述的基于EEMD
‑
DNN的振动台结构位移响应预测方法，其特征在于，所述步骤S3对深度神经网络模型进行...

【专利技术属性】
技术研发人员：陈增顺，华建民，孙得璋，张利凯，黄乐鹏，薛暄译，袁晨峰，
申请(专利权)人：中国地震局工程力学研究所，
类型：发明
国别省市：