一种基于CSO-BiLSTM网络的桥梁动态位移重构方法技术

本发明专利技术公开了一种基于CSO

【技术实现步骤摘要】
一种基于CSO
‑
BiLSTM网络的桥梁动态位移重构方法


[0001]本专利技术涉及桥梁健康监测与检测领域，具体地说是一种基于CSO
‑
BiLSTM网络的桥梁动态位移重构方法，重构结果可用于桥梁健康监测和桥梁状态评估。

技术介绍

[0002]对于桥梁的健康监测，动荷载作用下桥梁动态位移的测量是必不可少的，因为它提供了关于结构完整性和桥梁状况的关键信息，在桥梁健康监测和桥梁状态评估有很多应用。
[0003]然而，准确估计动荷载作用下桥梁动态位移仍然具有挑战性。利用位移传感器测量的技术，例如线性变量微分传感器(LVDT)，通常需要安装在一个固定的参考点上，而大多数桥梁在其下方很难找到这种固定参考点，这使得它很难应用于大规模的应用。另一方面，桥梁的应变和加速度数据是容易获得的，因此利用其重构桥梁位移的间接方法逐渐被提出，它们克服了直接测量的缺陷，但是这些方法需要较多的传感器，工作量较大。神经网络算法能够自动建立输入和输出数据之间的关系，而传统单输入神经网络的在桥梁结构的动态位移重构中的准确性仍有不足，且神经网络中超参数的选择对模型最终的效果有很大的影响。

技术实现思路

[0004]本专利技术是为克服上述现有位移测量技术的不足，提供一种基于CSO
‑
BiLSTM网络的桥梁动态位移重构方法，以期能够通过应变传感器间接测得位移，有效解决位移传感器需要固定参考点、安装困难等问题，并能提高桥梁动态位移预测的准确性。
[0005]本专利技术为达到上述专利技术目的，采用如下技术方案：
[0006]本专利技术一种基于CSO
‑
BiLSTM网络的桥梁动态位移重构方法的特点包含以下步骤：
[0007]步骤1：构建多输入BiLSTM网络，依次包括：多输入层、BiLSTM层、输出层；其中，BiLSTM层有2Y个隐含层，Y表示输入时间序列的个数；
[0008]设置多输入BiLSTM网络的超参数并作为CSO算法的优化对象，包括：BiLSTM层的2Y个隐含层的神经元数{h
y
|y＝1,
…
2Y}、时间窗的长度s、批处理尺寸b、训练周期次数e；其中，h
y
表示第y个隐含层的神经元数；
[0009]初始化CSO算法的参数，包括：当前迭代次数t，种群规模N、最大迭代次数E，粒子空间维数D＝2Y+3；其中N为偶数；
[0010]设置所述超参数的位置和速度的取值范围，并根据超参数的位置取值范围随机初始化第t次迭代时各粒子的位置{X1(t)、
…
、X
d
(t)、
…
、X
N
(t)}，再根据各粒子位置对应的超参数取值建立第t次迭代时的多输入BiLSTM网络；其中，X
d
(t)表示第t次迭代时第d个粒子的位置信息；且X
d
(t)＝(h
1d
(t),h
2d
(t),
…
,h
yd
(t),
…
,h
2Yd
(t),s
d
(t),b
d
(t),e
d
(t))，h
yd
(t)表示第t次迭代时第d个粒子所对应的BiLSTM网络的第y个隐含层的神经元数，s
d
(t)表示第t次迭代时第d个粒子所对应的BiLSTM网络的时间窗，b
d
(t)表示第t次迭代时第d个粒子所
对应的BiLSTM网络的批处理尺寸，e
d
(t)表示第t次迭代时第d个粒子所对应的BiLSTM网络的训练周期次数；
[0011]根据超参数的速度取值范围随机初始化第t次迭代时各粒子的速度{V1(t)、
…
、V
d
(t)、
…
、V
N
(t)}，其中，V
d
(t)表示第t次迭代时第d个粒子的速度信息，t∈(1,E)，d∈(1,N)；
[0012]步骤2：构建车桥有限元模型，包括：桥梁有限元模型和四自由度半车模型；
[0013]将所述桥梁有限元模型划分为n个单元，并对各单元之间的1个节点依次编号；其中，n为偶数；
[0014]在所述桥梁有限元模型的跨中位置的节点处设置一个位移传感器；在所述跨中位置的左右两侧的节点处各对称设置一个应变传感器；
[0015]步骤3：通过在车桥有限元模型中添加不确定性来模拟桥梁的真实结构；
[0016]步骤3.1：在所述桥梁有限元模型的第i个单元的弹性模量上乘以第i个随机因子δ
i
∈(0,1)，从而对每个单元的弹性模量乘以相应的随机因子以模拟桥梁的材料误差；
[0017]根据每个单元的弹性模量，模拟桥梁的刚度K
b
、质量M
b
的不确定性，并模拟桥梁的阻尼C
b
＝a1×
M
b
+a2×
K
b
的不确定性，其中，a1、a2是一定区间内的随机参数；
[0018]步骤3.2：令四自由度半车模型的刚度K
v
和阻尼C
v
为一定区间内的随机值，从而模拟车辆的不确定性；
[0019]步骤3.3：利用应变传感器采集桥梁有限元模型的应变响应，并在所述应变响应中添加高斯白噪声来模拟实际测量中环境噪声的影响，其中，所述高斯白噪声的信噪比SNR是一定区间内的随机值；
[0020]步骤4：数据采集；
[0021]分别给定m1个取值不同的车身质量M
v
、m2个取值不同的车速v和m3个取值不同的路面不平整度a；
[0022]在所述车桥有限元模型中添加不确定性的情况下，分别对车身质量M
v
、车速v和路面不平整度a取不同的值，并使车辆匀速通过桥梁后，利用Newmark
‑
β方法获取各节点处的位移响应矩阵[u1,
…
,u
c
,
…
,u
n
‑1]T
，其中，u
c
为单元间第c个节点处长度为w的位移响应；
[0023]根据应变传感器所在节点相邻的两个单元，选择其中一个单元的左右两个节点处的位移响应以及位移响应与应变响应的积分关系，得到应变传感器所在节点处的长度均为w的应变响应，从而由位移传感器所在节点处长度为w的位移响应和两个应变传感器所在节点处的应变响应构成一个训练样本，进而得到m＝m1×
m2×
m3个训练样本并构成桥梁应变、位移响应数据集；
[0024]步骤5：数据预处理；
[0025]步骤5.1：将桥梁应变、位移响应数据集进行归一化处理，并按照比例划分为训练集和验证集；分别将归一化后的桥梁应变、位移响应数据集中的所有应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CSO
‑
BiLSTM网络的桥梁动态位移重构方法，其特征包含以下步骤：步骤1：构建多输入BiLSTM网络，依次包括：多输入层、BiLSTM层、输出层；其中，BiLSTM层有2Y个隐含层，Y表示输入时间序列的个数；设置多输入BiLSTM网络的超参数并作为CSO算法的优化对象，包括：BiLSTM层的2Y个隐含层的神经元数{h
y
|y＝1，...2Y}、时间窗的长度s、批处理尺寸b、训练周期次数e；其中，h
y
表示第y个隐含层的神经元数；初始化CSO算法的参数，包括：当前迭代次数t，种群规模N、最大迭代次数E，粒子空间维数D＝2Y+3；其中N为偶数；设置所述超参数的位置和速度的取值范围，并根据超参数的位置取值范围随机初始化第t次迭代时各粒子的位置{X1(t)、...、X
d
(t)、...、X
N
(t)}，再根据各粒子位置对应的超参数取值建立第t次迭代时的多输入BiLSTM网络；其中，X
d
(t)表示第t次迭代时第d个粒子的位置信息；且X
d
(t)＝(h
1d
(t)，h
2d
(t)，...，h
yd
(t)，...，h
2Yd
(t)，s
d
(t)，b
d
(t)，e
d
(t))，h
yd
(t)表示第t次迭代时第d个粒子所对应的BiLSTM网络的第y个隐含层的神经元数，s
d
(t)表示第t次迭代时第d个粒子所对应的BiLSTM网络的时间窗，b
d
(t)表示第t次迭代时第d个粒子所对应的BiLSTM网络的批处理尺寸，e
d
(t)表示第t次迭代时第d个粒子所对应的BiLSTM网络的训练周期次数；根据超参数的速度取值范围随机初始化第t次迭代时各粒子的速度{V1(t)、...、V
d
(t)、...、V
N
(t)}，其中，V
d
(t)表示第t次迭代时第d个粒子的速度信息，t∈(1，E)，d∈(1，N)；步骤2：构建车桥有限元模型，包括：桥梁有限元模型和四自由度半车模型；将所述桥梁有限元模型划分为n个单元，并对各单元之间的1个节点依次编号；其中，n为偶数；在所述桥梁有限元模型的跨中位置的节点处设置一个位移传感器；在所述跨中位置的左右两侧的节点处各对称设置一个应变传感器；步骤3：通过在车桥有限元模型中添加不确定性来模拟桥梁的真实结构；步骤3.1：在所述桥梁有限元模型的第i个单元的弹性模量上乘以第i个随机因子δ
i
∈(0，1)，从而对每个单元的弹性模量乘以相应的随机因子以模拟桥梁的材料误差；根据每个单元的弹性模量，模拟桥梁的刚度K
b
、质量M
b
的不确定性，并模拟桥梁的阻尼C
b
＝a1×
M
b
+a2×
K
b
的不确定性，其中，a1、a2是一定区间内的随机参数；步骤3.2：令四自由度半车模型的刚度K
v
和阻尼C
v
为一定区间内的随机值，从而模拟车辆的不确定性；步骤3.3：利用应变传感器采集桥梁有限元模型的应变响应，并在所述应变响应中添加高斯白噪声来模拟实际测量中环境噪声的影响，其中，所述高斯白噪声的信噪比SNR是一定区间内的随机值；步骤4：数据采集；分别给定m1个取值不同的车身质量M
v
、m2个取值不同的车速v和m3个取值不同的路面不平整度a；在所述车桥有限元模型中添加不确定性的情况下，分别对车身质量M
v
、车速v和路面不平整度a取不同的值，并使车辆匀速通过桥梁后，利用Newmark
‑
β方法获取各节点处的位移响应矩阵[u1，
…
，u
c
，
…
，u
n
‑1]
T
，其中，u
c
为单元间第c个节点处长度为w的位移响应；
根据应变传感器所在节点相邻的两个单元，选择其中一个单元的左右两个节点处的位移响应以及位移响应与应变响应的积分关系，得到应变传感器所在节点处的长度均为w的应变响应，从而由位移传感器所在节点处长度为w的位移响应和两个应变传感器所在节点处的应变响应构成一个训练样本，进而得到m＝m1×
m2×
m3个训练样本并构成桥梁应变、位移响应数据集；步骤5：数据预处理；步骤5.1：将桥梁应变、位移响应数据集进行归一化处理，并按照比例划分为训练集和验证集；分别将归一化后的桥梁应变、位移响应数据集中的所有应变响应数据记为输入子集将所有位移响应数据记为目标输出子集将所有位移响应数据记为目标输出子集表示第I个输入子集，表示第I个目标输出子集；步骤5.2：初始化t＝1；步骤5.3：初始化d＝1；步骤5.4：设置第t次迭代时第d个粒子的时间窗的长度为s
t
(d)，并分别对m个输入子集和目标输出子集进行滑窗处理，再依次由滑窗内的s
t
(d)个输入子集合并为维度为[s
t
(d)，w]的新输入子集由滑窗内的s
t
(d)个目标输出子集合并为维度为[s
t
(d)，w]的新目标输出子集其中，表示第i个维度为[s
t
(d)
×
w]的新输入子集，表示第i个维度为[s
t
(d)
×
w]的新目标输出子集；h表示子集的个数；且h＝(m
‑
2)；每次从训练集的新输入子集和新目标输出子集中分别选取第t次迭代时第d个粒子的批数量b
t
(d)个训练样本，并作为一个小批次输入到网络中进行训练，直到将所有训练集中所有...

【专利技术属性】
技术研发人员：贺文宇，高傲，刘鹏，李志东，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：