斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法技术

本发明专利技术公开了一种斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法，首先获取温度特征时序数据和温致挠度时序数据；之后对数据进行归一化处理，并建立训练集和测试集；然后搭建长短时记忆神经网络驱动的数字回归模型，该模型的层数为2层，最后检验数字回归模型的有效性。本方法将力学机理与深度学习技术的非线性性能进行了结合，搭建的神经网络具备了可解释性，实施有章可循，可以获取高精度的斜拉桥温致挠度基准值。拉桥温致挠度基准值。拉桥温致挠度基准值。

【技术实现步骤摘要】
斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法


[0001]本专利技术属于桥梁结构性能监测领域，是一种斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法，具体来说，涉及一种基于力学机理与人工智能神经网络在斜拉桥温度场与温度导致的斜拉桥主梁竖向挠度间建的立输入输出回归模型。

技术介绍

[0002]斜拉桥的主梁竖向挠度是表征斜拉桥刚度性能的最直观表现，受到作用于斜拉桥上的复杂温度场的影响，斜拉桥的主梁会产生显著的挠度变化，既斜拉桥的温致挠度。如能建立温度场与斜拉桥主梁温致挠度间的回归模型，则可将温度特征输入回归模型并输出温致挠度回归值，并以回归预测数值作为桥梁温致挠度的基准状态，进而以此基准值协助桥梁状态评定。然而作用于斜拉桥的温度场异常复杂，且温度与斜拉桥温致挠度间的关系表现出了很强的非线性与模糊性关系，建立高精度的温致挠度回归模型并非易事。人工智能的发展带来了隶属于深度学习的长短时记忆(LSTM)神经网络技术，为非线性与模糊性回归建模带来了新思路。
[0003]目前，现阶段桥梁健康监测领域，常用的方法从基于数据驱动与基于模型驱动可分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法，其特征在于，包括如下步骤：(1)获取温度特征时序数据和温致挠度时序数据：将斜拉桥的温度场数据转化为三种影响斜拉桥挠度的温度特征，包括主梁平均温度、主梁竖向温差和索塔温度，并获取每个温度特征对应的温度特征时序数据，提取主梁挠度时序数据中的温度效应，从而获得温致挠度时序数据；(2)对数据进行归一化处理，并建立训练集和测试集；将温度特征时序数据与温致挠度时序数据转化为监督学习模式，然后按照一定比例将数据集划分为训练集和测试集；(3)搭建长短时记忆神经网络驱动的数字回归模型：运用堆栈LSTM网络，堆栈LSTM的层数固化为两层，以达到最优精度与最优训练成本的平衡；将训练集中的数据带入堆栈LSTM，进行既定Epoch次数的正反向传播迭代训练；(4)采用归一化后的测试集检验数字回归模型的有效性：将测试集输入训练后模型，输出温致挠度预测值；之后对输出的温致挠度预测值进行反归一化，得到温致挠度回归值；检查温致挠度回归值与测试集的均方误差与平均误差，若两误差指标均达到预设数值，则该堆栈LSTM网络可投入使用，反之则调整网络参数和训练参数对数字回归模型再次训练和验证。2.根据权利要求1所述的斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法，其特征在于所述步骤(1)中包括：采用小波多尺度数字信号处理的方式，对主梁挠度时序数据中的温致挠度部分进行提取，获取温致挠度的时序数据集。3.根据权利要求1所述的斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法，其特征在于所述步骤(2)中包括：(2.1)对温度特征时序数据和温致挠度时序数据进行归一化处理；其中，输入温度数据的时间段长度为五小时，输出当前时刻的温致挠度数据，数据采集间隔为十分钟采集一次；(2.2)将归一化完毕的数据集转化为监督学习标记模式：每一种温度特征输入五小时数据，输入神经网络前，同时刻将三种温度特征组合为一个向量，将数据集按照一定比例划分为训练集和测试集。4.根据权利要求1所述的斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法，其特征在于：所述步骤(3)中包括：(3.1)对堆栈LSTM网络的层数和结构进行优化：其中，LSTM隐藏层层数为2层，且每层的LSTM神经单元数量为64；隐藏层后设置全连接函数将输出的64维数据运算并叠加为1个数值，Batch_size设置为10，学习率(Ir)设置为0.0001；(3.2)堆栈LSTM神经网络中的数据运算流程如下：输入t时刻的温度特征向量X
t
，首先将X
t
和来自上一时刻的记忆数据h
t
‑1，与第一层LSTM单元中的权重矩阵W与偏置b进行组合，构造f
t
，i
t
，三个内部参数，三个参数的构造方程如下：f
t
＝σ(W
f
[h
t
‑1，X
t
]+b；
i
t
＝σ(W
i
[h
t
‑1，X
t
]+b
i
)；式中：W
f
，W
i
，W
C
为权重矩阵；b
f
，b
i
，b
C
为偏置；然后将上述三个参数f
t
，i
t
，进行融合，获得当前层LSTM单元的当前内部信息C
t
如下式：式中：C
t
‑1为上一时刻的内部信息；X
t
和h
t
与LSTM单元中的权重矩阵与偏置进行组合，计算内部参数o
t
如下：o
t
＝σ(W
o
[h
t
‑1，X
t
]+b
o
)；式中：W
o
为权重矩阵；b
o
为偏置；则当前层当与前时刻的输出向量h
t
可由下式计算：h
t
＝o
t
·
tanh(C
t
)；上述公式中的σ为Sigmoid函数，tanh为双曲正切函数，两种函数的表达式如下：上述公式中的σ为Sigmoid函数，tanh为双曲正切...

【专利技术属性】
技术研发人员：岳子翔，丁幼亮，赵瀚玮，
申请(专利权)人：东南大学，
类型：发明
国别省市：