基于长短期记忆网络的钢管混凝土柱轴压荷载-应变曲线预测方法技术

本发明专利技术提出了基于长短期记忆网络的钢管混凝土柱轴压荷载

【技术实现步骤摘要】
基于长短期记忆网络的钢管混凝土柱轴压荷载
‑
应变曲线预测方法


[0001]本专利技术涉及建筑与土木工程领域，具体是基于长短期记忆网络的钢管混凝土柱轴压荷载
‑
应变曲线预测方法。

技术介绍

[0002]钢管混凝土柱作为承受压缩和弯曲的结构构件，被公认为有希望成为高层建筑和城市高架梁桥施工中传统钢筋混凝土和钢柱的替代品。与传统结构柱相比，钢管混凝土柱具有更高的弯曲、轴向承载力和抗震能力。此外，钢管和填充混凝土的相互保护使钢管混凝土柱具有更好的耐火性、抗冲击性和耐腐蚀性。
[0003]轴压荷载
‑
应变曲线是结构柱安全设计中最基本、最重要的特征之一。一旦知道荷载
‑
应变曲线，就可以很容易地获得关键的设计参数，包括柱的弹性模量、极限承载力和延性。因此在过去三十年中，轴压荷载
‑
应变曲线一直是钢管混凝土柱的基本研究目标。利用经验参数进行理论推导和有限元模型分析是当前计算钢管混凝土柱荷载
‑
应变曲线的两种主要方法。在基于理论方法的研究中，通常先假设外钢管和内填混凝土的应力
‑
应变关系，然后根据平衡条件和预定的相互作用关系逐步推导出柱的荷载
‑
应变曲线。然而随着材料的更新，这种方法的适用性逐渐降低，而且基于经验参数的理论方法不可避免地局限于当时的材料强度与设计理念。
[0004]有限元模型分析是获得钢管混凝土柱轴向荷载
‑
应变曲线的另一种方法。在有限元分析中，混凝土和钢管应采用适当的单元类型进行模拟，通常为混凝土实体单元和钢管壳单元，同时需要使用接触模型或弹簧模型来定义混凝土和钢表面之间的相互作用。通过合理采用本构关系和适当的网格，可以得到钢管混凝土柱的轴压荷载
‑
应变曲线。
[0005]近年来，软计算方法和智能技术在土木工程中得到了显著的发展和广泛的应用。然而机器学习算法在钢管混凝土柱研究中的应用仍处于起步和探索阶段。大多数现有研究都集中在基于收集的实验数据库的性能指标(如轴向承载力和刚度)预测上。目前缺少关于使用机器学习方法计算钢管混凝土构件的完整轴压荷载
‑
应变曲线的研究。
[0006]长短期记忆网络是循环神经网络的一种，常用来处理时间序列。长短期记忆网络的特点是它考虑数据的长短期依赖关系。为解决上述存在的问题，有必要提出一种能够将轴压荷载
‑
应变曲线中的点视作具有长短期依赖关系的时间序列，并通过设计数据构成方法用长短期记忆网络来实现曲线预测的技术方案。

技术实现思路

[0007]针对上述提到的钢管混凝土柱轴压荷载
‑
应变曲线预测问题，本专利技术提出了基于长短期记忆网络的钢管混凝土柱轴压荷载
‑
应变曲线预测方法，能够将轴压荷载
‑
应变曲线中的点视作具有长短期依赖关系的时间序列，并通过设计数据构成方法用长短期记忆网络来实现曲线预测。
[0008]为实现上述目的，本专利技术采取的技术方案是：
[0009]基于长短期记忆网络的钢管混凝土柱轴压荷载
‑
应变曲线预测方法，其特征在于：包括有如下步骤：
[0010]S1：实验数据采集；
[0011]采集不同材料、尺寸的钢管混凝土柱的轴压荷载
‑
应变曲线实验数据，建立荷载
‑
应变曲线与五个设计参数，五个设计参数分别为：钢管直径D、钢管壁厚t
s
、柱高度H、钢材强度f
s
,以及混凝土强度f
c
对应的系统数据库，通过设计参数构建荷载
‑
应变曲线预测训练样本；
[0012]S2：数据预处理；
[0013]对于所有钢管混凝土柱轴压荷载
‑
应变曲线实验数据，设定25000με为采集轴向应变的限值，若实验数据曲线较短，未达到25000με的轴向应变限值，将执行补偿操作，根据荷载
‑
应变曲线最终斜率将轴压荷载
‑
应变曲线延伸至设定轴向应变限值；若实验数据曲线较长，将执行截断操作，丢弃超过设定限值的数据，再经过上述数据预处理后，所有的轴向载荷
‑
应变曲线数据具有统一的轴向应变长度；
[0014]S3：数据构成；
[0015]每一组设计参数和对应的轴压荷载
‑
应变曲线作为一个数据样本；将经过数据预处理的钢管混凝土柱轴压荷载
‑
应变曲线的实验数据按应变值平均分成m个点，每个点包含轴压荷载值N和轴向应变值ε；用轴向应变值和设计参数搭建长短期记忆单元神经网络的输入数据构成；再用轴压荷载值搭建长短期记忆单元神经网络的输出数据构成；
[0016]S4：离线模型训练；
[0017]所有样本经过S3中输入和输出数据构成后，采用长短期记忆单元神经网络对所有样本进行离线模型训练，得到符合收敛性的长短期记忆单元神经网络模型；
[0018]S5：轴压荷载
‑
应变曲线预测；
[0019]整理需要预测轴压荷载
‑
应变曲线的钢管混凝土柱的设计参数；构造轴向应变数据序列，取最大值为25000με包含m个平均分布的数据值的向量作为轴向应变数据序列；利用S3所述输入数据构成搭建方法将需要进行轴压荷载
‑
应变曲线预测的钢管混凝土样本数据转变成可以用于长短期记忆网络的输入数据构成；将输入数据数输入至S4所得到的离线模型中，得到对应的轴压荷载输出；取输入数据每一个行中所有轴向应变的平均值与输出数据对应行中的轴压荷载值作为轴压荷载
‑
应变平面的一个点，依次计算所有轴压荷载
‑
应变点从而还原完整的轴压荷载
‑
应变曲线，完成轴压荷载
‑
应变曲线预测。
[0020]作为本专利技术的优选方案：
[0021]在S3中，
[0022]S31：所述输入数据构成包括：取k个轴向应变作为一组，将其与该样本的五个设计参数构成一个数据样本中的第一行；之后采用滑动窗口方法取另外一组k个轴向应变，将其与五个设计参数构成一个数据样本中的另一行；以此类推直到取完所有的轴向应变，此时每一个数据样本的输入数据构成包含m+1
‑
k行和5+k列；
[0023]S32：所述输出数据构成包括：取一组k个轴压荷载值得到每个对应的轴压荷载值，将这组压荷载值取平均得到输入数据这一行对应的轴压荷载将其作为神经网络的输出数据，此时每一个数据样本的输出数据构成包含m+1
‑
k行和1列。
[0024]作为本专利技术的优选方案：
[0025]在S4中，
[0026]S41：所述长短期记忆单元神经网络依次包括：输入层、长短期记忆单元层、全连接层、随机丢弃层、全连接层以及数据回归层；其中所述长短期记忆单元层包括G本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于长短期记忆网络的钢管混凝土柱轴压荷载
‑
应变曲线预测方法，其特征在于：包括有如下步骤：S1：实验数据采集；采集不同材料、尺寸的钢管混凝土柱的轴压荷载
‑
应变曲线实验数据，建立荷载
‑
应变曲线与五个设计参数，五个设计参数分别为：钢管直径D、钢管壁厚t
s
、柱高度H、钢材强度f
s
,以及混凝土强度f
c
对应的系统数据库，通过设计参数构建荷载
‑
应变曲线预测训练样本；S2：数据预处理；对于所有钢管混凝土柱轴压荷载
‑
应变曲线实验数据，设定25000με为采集轴向应变的限值，若实验数据曲线较短，未达到25000με的轴向应变限值，将执行补偿操作，根据荷载
‑
应变曲线最终斜率将轴压荷载
‑
应变曲线延伸至设定轴向应变限值；若实验数据曲线较长，将执行截断操作，丢弃超过设定限值的数据，再经过上述数据预处理后，所有的轴向载荷
‑
应变曲线数据具有统一的轴向应变长度；S3：数据构成；每一组设计参数和对应的轴压荷载
‑
应变曲线作为一个数据样本；将经过数据预处理的钢管混凝土柱轴压荷载
‑
应变曲线的实验数据按应变值平均分成m个点，每个点包含轴压荷载值N和轴向应变值ε；用轴向应变值和设计参数搭建长短期记忆单元神经网络的输入数据构成；再用轴压荷载值搭建长短期记忆单元神经网络的输出数据构成；S4：离线模型训练；所有样本经过S3中输入和输出数据构成后，采用长短期记忆单元神经网络对所有样本进行离线模型训练，得到符合收敛性的长短期记忆单元神经网络模型；S5：轴压荷载
‑
应变曲线预测；整理需要预测轴压荷载
‑
应变曲线的钢管混凝土柱的设计参数；构造轴向应变数据序列，取最大值为25000με包含m个平均分布的数据值的向量作为轴向应变数据序列；利用S3所述输入数据构成搭建方法将需要进行轴压荷载
‑
应变曲线预测的钢管混凝土样本数据转变成可以用于长短期记忆网络的输入数据构成；将输入数据数输入至S4所得到的离线模型中，得到对应的轴压荷载输出；取输入数据每一个行中所有轴向应变的平均值与输出数据对应行中的轴压荷载值作为轴压荷载
‑
应变平面的一个点，依次计算所有轴压荷载
‑
应变点从而还原完整的轴压荷载
‑
应变曲线，完成轴压荷载
‑
应变曲线预测。2.根据权利要求1所述的基于长短期记忆网络的钢管混凝土柱轴压荷载
‑
应变曲线预测方法，其特征在于：在S3中，S31：所述输入数据构成包括：取k个轴向应变作为一组，将其与该样本的五个设计参数构成一个数据样本中的第一行；之后采用滑动窗口方法取另外一组k个轴向应变，将其与五个设计参数构成一个数据样本中的另一行；以此类推直到取完所有的轴向应变，此时每一个数据样本的输入数据构成包含m+1
‑
k行和5+k列；S32：所述输出数据构成包括：取一组k个轴压荷载值得到每个对应的轴压荷载值，将这组压荷载值取平均得到输入数据这一行对应的轴压荷载将其作为神经网络的输出数据，此时每一个数据样本的输出数据构成包含m+1
‑
k行和1列。3.根据权利要求1所述的基于长短期记忆网络的钢管混凝土柱轴压荷载
‑
应变曲线预
测方法，其特征在于：在S4中，S41：所述长短期记忆单元神经网络依次包括：输入层、长短期记忆单元层、全连接层、随...

【专利技术属性】
技术研发人员：吕飞，樊欣宇，丁发兴，陈志文，刘祎，
申请(专利权)人：中南大学，
类型：发明
国别省市：