基于数据驱动泛化增强的构件性能预测方法及相关装置制造方法及图纸

基于数据驱动泛化增强的构件性能预测方法及相关装置，包括确定预测构件性能的原始模型输入特征；将原始模型输入特征按经验公式的结构转换为经验公式的基础因式形式；收集结构构件性能预测的实测数据集，并将其转换为经验公式的基础因式形式，建立起实测数据的数据集；选择代表性的抽样策略生成有代表性的数据集；基于有代表性的数据集，在经典的数据驱动模型上进行模型训练，得到预训练模型；将实测数据集引入预训练模型，使用增量学习对模型再次进行训练，得到基于数据驱动泛化增强的结构构件性能预测模型，进行预测。本发明专利技术所提出的方法可用来辅助进行结构性能评估、剩余使用寿命预测、耐久性分析和结构管养工作。耐久性分析和结构管养工作。耐久性分析和结构管养工作。

【技术实现步骤摘要】
基于数据驱动泛化增强的构件性能预测方法及相关装置


[0001]本专利技术涉及结构构件性能预测领域，具体是基于数据驱动泛化增强的构件性能预测方法及相关装置。

技术介绍

[0002]土木工程是随着人类社会的发展而发展起来的，目的在于建成人类生产或生活所需要的各型各类空间。土木工程产生的结构需要能够抵挡各种自然或人为产生的作用力，为人类的生产生活提供可靠的遮蔽空间，因而土木工程的安全性至关重要。
[0003]近年来基于机器学习建立的数据驱动模型在结构性能预测中越发普遍。它可以方便快捷的基于既有数据学习到数据的内在规律，并表现出良好的性能。但基于机器学习的模型通常只能在所使用的训练数据库范围内保证精度，而当待预测点落于数据库范围以外时，其精度可能会大幅下降。这对机器学习在土木工程中的应用是很不利的，因为收集的数据取值范围与目标预测的数据取值范围之间总会存在差距。具体来说，大多数可收集到的试验数据都是在缩尺模型上得到的，比工程实际所使用的要小的多。

技术实现思路

[0004]本专利技术的目的在于提供基于数据驱动泛化增强的构件性能预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于数据驱动泛化增强的构件性能预测方法，其特征在于，包括确定预测构件性能的原始模型输入特征；选定一个经验公式模型，将原始模型输入特征按经验公式的结构转换为经验公式的基础因式形式；收集结构构件性能预测的实测数据集，并将其转换为经验公式的基础因式形式，建立起实测数据的数据集；其中以经验公式的基础因式作为模型的输入项，以实测结构性能指标作为模型的输出项；选择代表性的抽样策略生成有代表性的数据集；其输入特征为经验公式的基础因式形式，输出为经验公式的计算值；基于有代表性的数据集，在经典的数据驱动模型上进行模型训练，得到预训练模型；将实测数据集引入预训练模型，使用增量学习对模型再次进行训练，得到基于数据驱动泛化增强的结构构件性能预测模型，进行预测。2.根据权利要求1所述的基于数据驱动泛化增强的构件性能预测方法，其特征在于，原始模型输入特征包括：混凝土抗压强度、拉区、受压区钢筋抗拉强度及抗压强度、受拉区预应力筋抗拉强度、受拉区、受压区纵向普通钢筋的截面面积、受拉区纵向预应力筋的截面面积、截面宽度、截面高度、受压区纵向普通钢筋合力点至截面受压边缘的距离和受压区混凝土简化等效矩形应力图时的系数；经验公式的多项式组成包括如下基础因式：常数项或指数项。3.根据权利要求1所述的基于数据驱动泛化增强的构件性能预测方法，其特征在于，对于收集到的结构构件性能的实测数据集，不要求其覆盖所有的潜在数据取值范围。4.根据权利要求1所述的基于数据驱动泛化增强的构件性能预测方法，其特征在于，基于经验公式先验知识的进行抽样时，抽样空间应覆盖所有潜在的数据取值范围，使用的抽样策略包括sobol抽样和拉丁超立方抽样。5.根据权利要求1所述的基于数据驱动泛化增强的构件性能预测方法，其特征在于，在进行数据驱动模型的超参数优化及训练时，使用随机搜索，网格搜索以及贝叶斯优化算法进行。6.根据权利要求1所述的基于数据驱动泛化增强的构件性能...

【专利技术属性】
技术研发人员：陈适之，张书颖，林晨曦，韩万水，
申请(专利权)人：长安大学，
类型：发明
国别省市：