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测方法及相关装置，以解决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的问题。
[0005]为实现上述目的，本专利技术采用以下技术方案：
[0006]基于数据驱动泛化增强的构件性能预测方法，包括
[0007]确定预测构件性能的原始模型输入特征；
[0008]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；
[0009]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；
[0010]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；
[0011]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；
[0012]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。
[0013]进一步的，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。
[0014]进一步的，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。
[0015]进一步的，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。
[0016]进一步的，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。
[0017]进一步的，在对所建立的模型进行增量训练时，同时考虑模型在数据集D1与D2上的性能指标；两个数据集上的指标权重比根据构件性能预测时经验公式的性能来决定，当经验公式性能较好时，数据集D2上的权重相应增加。
[0018]进一步的，预训练模型w0和θ0分别为模型的权重及超参数；预测过程为：采集待预测结构构件特性指标，基于经验公式基本因式形式进行输入形式转换，输入训练好的数据驱动模型，得到预测结果。
[0019]进一步的，基于数据驱动泛化增强的构件性能预测系统，包括：
[0020]特征确定模块，用于确定预测构件性能的原始模型输入特征；
[0021]转换模块，用于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；
[0022]数据集建立模块，用于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；
[0023]输入模块，用于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；
[0024]预测模块，用于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。
[0025]进一步的，一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现基于数据驱动泛化增强的构件性能预测方法的步骤。
[0026]进一步的，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现基于数据驱动泛化增强的构件性能预测方法的步骤。
[0027]与现有技术相比，本专利技术有以下技术效果：
[0028]本专利技术所提出的基于数据驱动泛化增强的结构构件性能预测方法，由于使用了基于经验公式建立的数据集进行模型训练得到预训练模型，因而可充分利用已有经验公式中的物理知识。在对经验公式中的物理知识进行学习的过程中，使用了机器学习算法，实现了将已掌握的物理知识与基于数据驱动的预测框架结合起来。本专利技术所提出的方法可以用于获得精确的构件性能预测模型。本方法使用了机器学习算法，其训练效果良好，因而具有优秀的内插能力；此外，由于本方法在训练阶段首先使用了基于经验公式所建立的数据集，其
覆盖范围极广，因而保证了算法具有优秀的外推能力，故本专利技术所提方法的性能可以超出传统的经验公式和典型机器学习算法。
[0029]本专利技术所提出的方法可直接进行结构性能的预测(如梁体抗弯、抗剪承载力等)，同时辅以对结构的监测以及检测数据，使得本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等工作。
附图说明
[0030]图1是本专利技术的基于数据驱动泛化增强的结构构件性能预测方法的步骤流程示意图；
[0031]图2是预训练模型G的具体训练流程示意图；
[0032]图3是在预训练模型G上进行增量学习的具体训练流程示意图；
[0033]图4是本专利技术在完成模型训练后进行结构构件性能预测时的模型使用流程；
[0034]图5以梁正截面受弯承载力预测为例，预训练模型G进行增量学习时在训练集及测试集上的表现示意图；
[0035]图6以梁正截面受弯承载力预测为例，绘制出本专利技术所提方法，经验公式以及经典机器学习算法三种预测方法的结果图。
具体实施方式
[0036]以下结合附图对本专利技术进一步说明：
[0037]请参阅图1至图6，
[0038]S1：确本文档来自技高网...

【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：