本申请涉及一种结构响应预测模型的训练方法、装置、计算机设备、存储介质和计算机程序产品。方法包括：获取样本结构数据集；确定样本外部激励数据对应的外部激励序列、样本响应数据对应的样本响应序列，并根据样本结构属性数据和预注意力深度与交叉网络，确定静态特征向量；将静态特征向量和外部激励序列，输入动态特征网络中的编码器，得到定长背景序列，将定长背景序列和样本响应序列输入动态特征网络中的解码器，得到预测结构响应；根据样本响应数据和预测结构响应，对动态特征网络和预注意力深度与交叉网络中的参数进行调整，得到训练后的结构响应预测模型。这样，可以提高预测的准确性。准确性。准确性。
【技术实现步骤摘要】
结构响应预测模型的训练方法、装置和计算机设备
[0001]本申请涉及土木工程
，特别是涉及一种结构响应预测模型的训练方法、装置和计算机设备。
技术介绍
[0002]随着土木工程的发展，出现了工程结构的分析计算方法，这个分析计算方法适用于土木工程全周期的始终，分析计算得到的结构响应给工程师或者施工人员提供反馈与指导。
[0003]传统的分析计算方法通过构造结构响应预测模型，该结构相应预测模型可根据结构自身属性或者外部激励，确定结构响应，从而可以预测已知结构在给定的激励下的响应。
[0004]然而，目前的结构响应预测模型，在建模阶段的训练样本数据的类型单一，且模型结构简单，导致训练后的结构响应预测模型的预测准确性低。
技术实现思路
[0005]基于此，有必要针对上述技术问题，提供一种能够根据结构属性数据和外部激励数据预测结构响应的结构响应预测模型的训练方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0006]第一方面，本申请提供了一种结构响应预测模型的训练方法。所述方法包括：
[0007]获取样本结构数据集；所述样本结构数据集包含样本结构属性数据、样本外部激励数据、以及与所述样本结构属性数据和所述样本外部激励数据对应的样本响应数据；
[0008]确定所述样本外部激励数据对应的外部激励序列、所述样本响应数据对应的样本响应序列，并根据所述样本结构属性数据和预注意力深度与交叉网络，确定静态特征向量；
[0009]将所述静态特征向量和所述外部激励序列，输入动态特征网络中的编码器，得到定长背景序列，将所述定长背景序列和所述样本响应序列输入所述动态特征网络中的解码器，得到预测结构响应；
[0010]根据所述样本响应数据和所述预测结构响应，对所述动态特征网络和所述预注意力深度与交叉网络中的参数进行调整，得到训练后的结构响应预测模型。
[0011]在其中一个实施例中，所述将所述静态特征向量和所述外部激励序列，输入动态特征网络中的编码器，得到定长背景序列包括：
[0012]将所述静态特征向量和所述外部激励序列进行拼接，得到输入序列；
[0013]将所述输入序列输入所述动态特征网络中的编码器，并通过所述编码器中的多头注意力机制、以及正交随机特征的快速注意算法，计算所述输入序列对应的定长背景序列。
[0014]在其中一个实施例中，所述将所述定长背景序列和所述样本响应序列输入所述动态特征网络中的解码器，得到预测结构响应包括：
[0015]将所述定长背景序列和所述样本响应序列输入所述动态特征网络中的解码器，并通过所述解码器中的门控循环单元，计算与所述样本响应序列和所述定长背景序列对应的
预测结构响应。
[0016]在其中一个实施例中，所述根据所述样本结构属性数据和预注意力深度与交叉网络，确定静态特征向量包括：
[0017]在所述样本结构属性数据中，识别变长静态特征数据、以及初始定长静态特征数据，并对所述变长静态特征数据进行序列化，得到变长静态特征序列；
[0018]将所述变长静态特征序列输入预注意力深度与交叉网络中的预处理层，并通过所述预处理层中的多头注意力机制，计算所述变长静态特征序列对应的目标定长静态特征数据；
[0019]所述目标定长静态特征数据和所述初始定长静态特征数据在所述预处理层中进行拼接，输入所述预注意力深度与交叉网络中的深度与交叉网络层，得到静态特征向量。
[0020]在其中一个实施例中，所述根据所述样本响应数据和所述预测结构响应，对所述动态特征网络和所述预注意力深度与交叉网络中的参数进行调整，得到训练后的结构响应预测模型包括：
[0021]根据所述样本响应数据和所述预测结构响应，确定所述动态特征网络和所述预注意力深度与交叉网络的精度；
[0022]根据所述动态特征网络和所述预注意力深度与交叉网络的精度，采用梯度下降算法对所述动态特征网络和所述预注意力深度与交叉网络的参数进行更新；
[0023]根据验证数据集对所述动态特征网络和所述预注意力深度与交叉网络进行测试，所述验证数据集包括测试结构属性数据、测试外部激励数据、以及与所述测试结构属性数据和所述测试外部激励数据对应的测试响应数据；
[0024]根据测试结果对所述动态特征网络和所述预注意力深度与交叉网络的参数进行调整，以使调整后的动态特征网络、以及调整后的所述预注意力深度与交叉网络的精度达到预设精度条件，得到训练后的结构响应预测模型。
[0025]第二方面，本申请还提供了一种结构响应的预测方法。所述方法包括：
[0026]获取目标结构数据，所述目标结构数据包括结构属性数据和外部激励数据；
[0027]确定所述外部激励数据对应的目标外部激励序列，并根据所述目标外部激励序列、所述结构属性数据、以及训练后的结构响应预测模型，确定目标结构响应；
[0028]其中，所述训练后的结构响应预测模型通过第一方面所述的方法步骤确定。
[0029]在其中一个实施例中，所述根据所述目标外部激励序列、结构属性数据、以及所述训练后的结构响应预测模型，确定目标结构响应包括：
[0030]根据所述结构属性数据和训练后的结构响应预测模型中的预注意力深度与交叉网络，确定目标静态特征向量；
[0031]将所述目标静态特征向量和所述目标外部激励序列进行拼接，得到目标输入序列；
[0032]将所述目标输入序列输入所述训练后的结构响应预测模型中的动态特征网络中的编码器，并通过所述编码器中的多头注意力机制、以及正交随机特征的快速注意算法，计算所述目标输入序列对应的目标定长背景序列；
[0033]将所述目标定长背景序列输入所述训练后的结构响应预测模型中的动态特征网络中的解码器，并通过所述解码器中的门控循环单元，计算所述目标定长背景序列对应的
目标结构响应。
[0034]第三方面，本申请还提供了一种结构响应预测模型的训练装置。所述装置包括：
[0035]获取模块，用于获取样本结构数据集；所述样本结构数据集包含样本结构属性数据、样本外部激励数据、以及与所述样本结构属性数据和所述样本外部激励数据对应的样本响应数据；
[0036]确定模块，用于确定所述样本外部激励数据对应的外部激励序列、所述样本响应数据对应的样本响应序列，并根据所述样本结构属性数据和预注意力深度与交叉网络，确定静态特征向量；
[0037]输入模块，用于将所述静态特征向量和所述外部激励序列，输入动态特征网络中的编码器，得到定长背景序列，将所述定长背景序列和所述样本响应序列输入所述动态特征网络中的解码器，得到预测结构响应；
[0038]调整模块，用于根据所述样本响应数据和所述预测结构响应，对所述动态特征网络和所述预注意力深度与交叉网络中的参数进行调整，得到训练后的结构响应预测模型。
[0039]在其中一个实施例中，所述输入模块，具体用于：
[0040]将所述本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种结构响应预测模型的训练方法，其特征在于，所述方法包括：获取样本结构数据集；所述样本结构数据集包含样本结构属性数据、样本外部激励数据、以及与所述样本结构属性数据和所述样本外部激励数据对应的样本响应数据；确定所述样本外部激励数据对应的外部激励序列、所述样本响应数据对应的样本响应序列，并根据所述样本结构属性数据和预注意力深度与交叉网络，确定静态特征向量；将所述静态特征向量和所述外部激励序列，输入动态特征网络中的编码器，得到定长背景序列，将所述定长背景序列和所述样本响应序列输入所述动态特征网络中的解码器，得到预测结构响应；根据所述样本响应数据和所述预测结构响应，对所述动态特征网络和所述预注意力深度与交叉网络中的参数进行调整，得到训练后的结构响应预测模型。2.根据权利要求1所述的方法，其特征在于，所述将所述静态特征向量和所述外部激励序列，输入动态特征网络中的编码器，得到定长背景序列，包括：将所述静态特征向量和所述外部激励序列进行拼接，得到输入序列；将所述输入序列输入所述动态特征网络中的编码器，并通过所述编码器中的多头注意力机制、以及正交随机特征的快速注意算法，计算所述输入序列对应的定长背景序列。3.根据权利要求1所述的方法，其特征在于，所述将所述定长背景序列和所述样本响应序列输入所述动态特征网络中的解码器，得到预测结构响应，包括：将所述定长背景序列和所述样本响应序列输入所述动态特征网络中的解码器，并通过所述解码器中的门控循环单元，计算与所述样本响应序列和所述定长背景序列对应的预测结构响应。4.根据权利要求1所述的方法，其特征在于，所述根据所述样本结构属性数据和预注意力深度与交叉网络，确定静态特征向量，包括：在所述样本结构属性数据中，识别变长静态特征数据、以及初始定长静态特征数据，并对所述变长静态特征数据进行序列化，得到变长静态特征序列；将所述变长静态特征序列输入预注意力深度与交叉网络中的预处理层，并通过所述预处理层中的多头注意力机制，计算所述变长静态特征序列对应的目标定长静态特征数据；所述目标定长静态特征数据和所述初始定长静态特征数据在所述预处理层中进行拼接，输入所述预注意力深度与交叉网络中的深度与交叉网络层，得到静态特征向量。5.根据权利要求1所述的方法，其特征在于，所述根据所述样本响应数据和所述预测结构响应，对所述动态特征网络和所述预注意力深度与交叉网络中的参数进行调整，得到训练后的结构响应预测模型，包括：根据所述样本响应数据和所述预测结构响应，确定所述动态特征网络和所述预注意力深度与交叉网络的精度；根据所述动态特征网络和所述预注意力深度与交叉网络的精度，采用梯度下降算法对所述动态特征网络和所述预注意力深度与交叉网络的参数进行更新；根据验证数据集对所述动态特征网络和所述预注意力深度与交叉网络进行测试，所述验证数据集...
【专利技术属性】
技术研发人员：樊健生，王琛，宋凌寒，
申请(专利权)人：清华大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。