基于深度学习模型的斜拉桥主梁异常挠度监测方法技术

本发明专利技术公开了一种基于深度学习模型的斜拉桥主梁异常挠度监测方法，首先凝练温度变量，并提取温致挠度；以多种温度变量形成矩阵作为输入，以温致挠度作为输出，构造输入输出映射关系，利用深度神经网络拟合时序映射模型；所述神经网络的核心为一层具有与温度变量相同个数卷积核的卷积神经网络层、一层堆栈长短时记忆网络层和一层整合输出数据的卷积神经网络层；以模型输出的挠度回归值作为基准值，设定允许误差后，根据实测温致挠度与基准值的残差直接识别异常挠度。本方法针对斜拉桥主梁挠度建模提出了去黑箱化的深度学习模型，搭建的神经网络具备可解释性，精度极高，广泛适用于斜拉桥，可以高灵敏感知斜拉桥主梁异常变形。变形。变形。

【技术实现步骤摘要】
基于深度学习模型的斜拉桥主梁异常挠度监测方法


[0001]本专利技术属于桥梁结构性能监测领域，是一种基于桥梁监测数据的斜拉桥主梁挠度异常值的识别模型，具体来说，涉及一种基于时序建模与深度学习的斜拉桥主梁挠度基准值建模，并利用该基准值进行主梁异常挠度值的直接识别。

技术介绍

[0002]斜拉桥的主梁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。因此针对斜拉桥温度场与主梁温致挠度间的输入输出关系建立映射模型，则可将温度数据带入模型并输出温致挠度回归值，这一回归值能作为表征斜拉桥线形的基准值，进而以此基准值进行异常挠度识别，从而判断桥梁状态，进行桥梁管养并防止事故。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，传统的回归分析与数学建模无法精准表达两者间的映射关系，导致直接识别主梁异常挠度十分困难。
[0003]深度学习技术的诞生，为高度非线性问题的建模提供了工具，基于计算机技术的进步，桥梁监测大数据得以积累，为深度神经网络的成熟运用提供了数据驱动基础。然而依托神经网络搭建的映射模型是黑箱化的，缺乏解释性，因此较难保障模型的可靠性。同时，单纯的数据驱动模式导致模型参数设定困难，进一步导致搭建高精度神经网络变的困难。
[0004]依靠桥梁监测大数据，深度学习无疑是建立斜拉桥温度与温致挠度之间高度非线性关系的上佳方案，有提供高精度挠度基准值的潜力。但将深度学习技术应用于斜拉桥异常挠度识别尚无成熟先例。深度神经网络虽然性能优异，但作为一种数据驱动的具有复杂超参数与众多神经单元的黑箱模型，搭建具有高精度与高稳定性的温致挠度深度模型比较困难。因此，实现高精度的斜拉桥主梁异常挠度识别，需要针对斜拉桥温致挠度建模任务创建一种具有高精度与高输出稳定性的温度
→
温致挠度映射模型，然后再对输出数据进行适宜处理，以期实现直接识别异常挠度。因此必须解决两点问题：
[0005](1)单纯依托数据驱动的深度学习神经网络是典型的黑箱模型，参数调试繁琐，达到理想精度难，模型的可解释性与可靠性差；
[0006](3)复杂的异常挠度指标，导致无法直接识别异常值。

技术实现思路

[0007]本专利技术的目的是为了利用桥梁监测数据识别斜拉桥主梁服役状态，提供一种用于斜拉桥主梁异常挠度监测的深度学习模型，具体来说，涉及一种基于深度学习神经网络的斜拉桥温致挠度建模方案与挠度异常值定量识别。
[0008]为实现上述目的，本专利技术采用的技术方案是：提出一种用于斜拉桥主梁异常挠度监测的深度学习模型，利用该模型获取挠度基准值，完成异常挠度识别，包括如下步骤：
[0009](1)将斜拉桥监测系统采集的温度场数据被转化为主梁平均温度、主梁竖向温差
和索塔温度等n种温度变量的时序数据，基于温度的时频特性，提取主梁挠度变化中的温致挠度时序数据；
[0010](2)将温度
→
温致挠度的输入输出映射模式设定为输入具有i个数据点的温度时程数据，输出当前时刻单点温致挠度数据点，固化输入数据规格；
[0011](3)对(2)中的输入和输出数据进行归一化处理；
[0012](4)搭建去黑箱深度神经网络映射模型，在输入层后加入一层具有n个卷积核的卷积神经网络层，加强温度数据的局部信息，将该卷积神经网络层的输出矩阵传入下一层堆栈长短时记忆(LSTM)神经网络层，堆栈长短时记忆神经网络层的输出仍然是具有时间与特征两个维度的矩阵，再设立一层与堆栈长短时记忆神经网络层具有相同尺寸的卷积神经网络层，将堆栈长短时记忆神经网络层的双维输出结果整合为单一数值，再经过线性激活函数，得到归一化回归值；
[0013](5)对归一化回归值进行反归一化处理，得到温致挠度回归值；
[0014](6)准备充分的数据集，训练深度神经网络，使其具备优良的实际使用性能；
[0015](7)利用映射模型输出的温致挠度回归值与桥梁监测系统的温致挠度实测值的残差作为异常挠度的数值，完成斜拉桥主梁异常挠度监测。
[0016]优选的，所述步骤(2)包括：
[0017]输入模型的数据为所有温度变量的时序数据组成的n
×
i数据矩阵，模型输出为当前时刻的单点温致挠度。
[0018]优选的，所述步骤(4)包括：
[0019]第一核心层为具有n个卷积核的卷积神经网络层，每个卷积核的大小均为n
×
m，每一个卷积核沿着时间维度遍历一次输入数据矩阵，将n
×
i温度数据矩阵变换为n
×
(i
‑
m+1)的矩阵，完成局部信息增强。第二核心层为具有两层LSTM隐藏单元的堆栈长短时记忆神经网络层，用来学习温度数据的时序关联特性，承接上层输出的大小为n
×
(i
‑
m+1)的矩阵，每层均含有p个LSTM单元，则该核心层输出的信息为p
×
(i
‑
m+1)的矩阵。第三核心层为一个p
×
(i
‑
m+1)的卷积核，经过一次卷积运算，将上层输出的大小为p
×
(i
‑
m+1)的矩阵通过卷积运算整合为单一数值，即温致挠度的回归值。
[0020]有益效果：
[0021]与现有技术相比，本专利技术具有以下有益效果：
[0022](1)去黑箱化：深度学习神经网络模型是一种数据驱动的黑箱模型，参数调节困难，同时因原理可解释性差，模型可靠性保障困难；本专利技术确定了输入数据的构造范式，具备可解释性，明确的数据规划优化了神经网络的搭建标的，提高了模型拟合性能，实现了去黑箱箱化的深度神经网络建模；
[0023](2)输出精度优良稳定：本专利技术在神经网络的输出层后加入了具有与变量数相同数量的卷积核的卷积神经网络层，强化了局部温度信息提取，设置的堆栈长短时记忆单元层具有强大的时序特征表达，输出层前设置了一个卷积核，能够整合双重维度的信息，因此本专利技术构造的映射模型输出的挠度回归值精度高且稳定；
[0024](3)异常值直接识别：得益于高精度高稳定映射模型，可以直接使用挠度回归值与实测值的残差作为挠度异常指标，可实现异常挠度的直接定量识别，因此本专利技术有明确判断桥梁状态的潜质。
附图说明
[0025]图1为本专利技术方法的算法流程图；
[0026]图2为本专利技术方法提出的针对斜拉桥温致挠度映射建模的神经网络结构；
[0027]图3为本专利技术方法中数据在深度神经网络中的数据流；
[0028]图4为根据本专利技术方法获得的挠度异常值与允许误差示意。
具体实施方式
[0029]下面将参照图1～图4，对本专利技术的技术方案进行详细的说明。
[0030]本专利技术为一种基于深度学习模型的斜拉桥主梁异常挠度监测方法，如图1所示，该方法具体包括本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习模型的斜拉桥主梁异常挠度监测方法，其特征在于，包括以下具体步骤：将斜拉桥的温度场数据被转化为包括n种温度变量的时序数据，基于温度的时频特性，提取主梁挠度变化中的温致挠度时序数据；根据温度的时序相关特性，将温度
→
温致挠度的输入输出映射模式设定为输入具有i个数据点的温度时程数据，输出当前时刻单点温致挠度数据，固化输入数据规格；构建去黑箱深度神经网络映射模型，该模型的输入层后加入具有n个卷积核的第一卷积神经网络层，卷积神经网络层的输出传入堆栈长短时记忆神经网络层，堆栈长短时记忆神经网络的输出经过第二卷积神经网络层，第二卷积神经网络层的输出经过线性激活函数，得到归一化回归值；对去黑箱深度神经网络映射模型进行训练，得到温度
→
温致挠度映射模型；将上述温度
→
温致挠度映射模型输出的归一化回归值进行反归一化处理，得到温致挠度回归值；利用温致挠度回归值与温致挠度实测值的残差作为异常挠度的数值，完成斜拉桥主梁异常挠度监测。2.根据权利要求1所述的方法，其特征在于，温度变量包括主梁平均温度、主梁竖向温差和索塔温度。3.根据权利要求1所述的方法，其特征在于，堆栈长短时记忆神经网络层与第二卷积神经网络层具有相同尺寸。4.根据权利要求1所述的方法，其特征在于，输入数据为n
×
...

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