一种基于内嵌物理知识神经网络的结构动态力预测方法技术

本发明专利技术公开了一种基于内嵌物理知识神经网络的结构动态力预测方法，该方法包括：量化结构工作过程中动态力的不确定性，采集结构在不同动态负载工况的数据；对采样数据进行预处理；构建内嵌物理知识神经网络模型；将实测样本输入至内嵌物理知识神经网络模型，获取正交系数的边界；基于泰勒级数展开的子区间计算得到动态力的上下界，输出预测动态力分布。通过使用本发明专利技术，能够将结构负载动力学模型与内嵌物理知识神经网络模型相融合，减少不确定性的影响，更精确地实现结构动态力预测。本发明专利技术作为一种基于内嵌物理知识神经网络的结构动态力预测方法，可广泛应用于工程结构力学技术领域。域。域。

【技术实现步骤摘要】
一种基于内嵌物理知识神经网络的结构动态力预测方法


[0001]本专利技术涉及工程结构力学
，尤其涉及一种基于内嵌物理知识神经网络的结构动态力预测方法。

技术介绍

[0002]结构动态力预测是土木工程、机械工程和航空航天工程等许多领域的关键问题，在这些领域中，准确预测动态力的能力对于确保结构和系统的安全性、可靠性和效率至关重要，然而，由于恶劣环境、传感器技术的局限以及对基础物理学的不完全了解等不确定因素在实际工程中是不可避免的，导致结构负载具有突出的非线性和不确定性，严重影响工程运行过程的稳定性和控制策略的实施，这些因素在预测过程中必须合理地处理，因此，如何基于传感器信息和合理的分析方法准确预测结构动态力，对于结构的优化设计、系统的可靠性分析、失效分析等具有重要意义，在工程应用中具有广阔的前景；当前针对结构动态力的研究主要两种方法：有限元法和分析建模法；有限元法可以为复杂的几何形状和边界条件提供精确的解决方案，使其成为工程分析的有力工具，但是，它需要大量的计算资源并且可能非常耗时，尤其是对复杂问题，严重限制了其在需要快速响应的场景中的应用，分析建模法计算效率高，但其精度受到所做假设的准确性的限制，在确定性假设下，可能无法完全考虑材料特性、边界条件或其他可能影响模型准确性的因素的不确定性；因此，亟需一种高精度、响应快、低成本的结构动态力预测方法。

技术实现思路

[0003]为了解决上述技术问题，本专利技术的目的是提供一种基于内嵌物理知识神经网络的结构动态力预测方法，能够将结构负载动力学模型与内嵌物理知识神经网络模型相融合，减少不确定性的影响，更精确地实现结构动态力预测。
[0004]本专利技术所采用的第一技术方案是：一种基于内嵌物理知识神经网络的结构动态力预测方法，包括以下步骤：
[0005]量化线性结构系统在工作过程中动态力的不确定性并采集线性结构系统在不同动态负载工况的数据；
[0006]基于动态力的不确定性，对线性结构系统的负载工况数据进行数据预处理，得到预处理后的负载工况数据；
[0007]构建结构动态力预测内嵌物理知识神经网络模型；
[0008]将预处理后的负载工况数据输入至结构动态力预测内嵌物理知识神经网络模型进行训练，输出子区间内正交系数的边界；
[0009]根据区间理论的收敛条件，对子区间内正交系数的边界进行泰勒级数展开的子区间运算，得到线性结构系统动态力的上、下界。
[0010]进一步，所述量化线性结构系统在工作过程中动态力的不确定性并采集线性结构系统在不同动态负载工况的数据这一步骤，其具体包括：
[0011]考虑线性结构系统的参数不确定性，通过设置随机变量参数进行量化处理，确定不确定材料参数及其边界，其表达式为；
[0012][0013]上式中，I表示区间材料变量，S
I
表示G维区间向量，其下界向量和上界向量分别为S＝(s
g
)
G
和
[0014]根据材料参数及其边界划分为P
g
子区间，确定线性结构系统的边界
[0015]基于MATLAB工具获取线性结构系统的白色噪声信号并采集线性结构系统在不同动态负载工况的数据。
[0016]进一步，所述基于动态力的不确定性，对线性结构系统的负载工况数据进行数据预处理，得到预处理后的负载工况数据这一步骤，其具体包括：
[0017]计算线性结构系统的负载工况数据分别在参数计算线性结构系统的负载工况数据分别在参数作用下的动态响应，其中δS
g
是对应于S
g
的小扰动，符号和表示参数和δS
g
的第g个元素的加减运算；
[0018]基于得到的动态响应，引入白色噪声信号，得到输入样本数据；
[0019]将线性结构系统的动态力进行与有限的测量点进行匹配，计算相应的勒让德正交多项式系数得到输出样本数据；
[0020]整合输入样本数据与输出样本数据，构建预处理后的负载工况数据。
[0021]进一步，所述计算线性结构系统的负载工况数据分别在参数进一步，所述计算线性结构系统的负载工况数据分别在参数作用下的动态响应这一步骤，其具体包括：
[0022]基于具有n个自由度的线性结构系统，获取其在物理坐标系中结构动态响应的控制常微分函数；
[0023]基于振动理论，在模态空间中对控制常微分函数进行解耦，得到对应的模态坐标描述的微分方程；
[0024]结合Wilson
‑
Theta方法，在时域中对模态坐标描述的微分方程进行离散化，得到线性结构系统的负载工况数据在对应参数下的动态响应。
[0025]进一步，所述将线性结构系统的动态力进行与有限的测量点进行匹配，计算相应的勒让德正交多项式系数得到输出样本数据这一步骤，其具体包括：
[0026]基于一维勒让德正交多项式与二维正交多项式，构造高维正交多项式；
[0027]通过高维正交多项式对线性结构系统的动态力转换到有限维空间进行空间域表示，得到分布动态力系列表示结果；
[0028]控制截断拟合函数与分布力之间的误差达到预设阈值范围内，生成线性结构系统节点的坐标生成的截断勒让德正交多项式矩阵；
[0029]基于分布动态力系列表示结果与线性结构系统节点的坐标生成的截断勒让德正交多项式矩阵，构建输出样本数据。
[0030]进一步，所述构建结构动态力预测内嵌物理知识神经网络模型这一步骤，其具体包括：
[0031]将输入样本数据与输出样本数据作为模型对应的输入和输出结果，构建结构动态力预测内嵌物理知识神经网络模型，所述结构动态力预测内嵌物理知识神经网络模型采用三层网络结构，隐藏层采用22个神经元，使用高斯函数作为激活函数。
[0032]进一步，所述将预处理后的负载工况数据输入至结构动态力预测内嵌物理知识神经网络模型进行训练，输出子区间内正交系数的边界这一步骤，其具体包括：
[0033]结构动态力预测内嵌物理知识神经网络模型的训练由自组织学习阶段和监督学习阶段组成，其中，所述自组织学习阶段利用k均值聚类算法和p最近邻算法确定隐藏层神经元的中心C
i
和宽度σ，所述监督学习阶段利用带遗忘因子的递归最小二乘算法对隐藏层和输出层间的连接权重w进行在线自适应更新；
[0034]基于结构动态力预测内嵌物理知识神经网络模型的训练过程，使用Tensorflow框架集成的自动微分机制构建结构负载动力学模型约束，设置结构负载动力学模型的系数为神经网络可训练变量；
[0035]将预处理后的负载工况数据输入至约束后的结构动态力预测内嵌物理知识神经网络模型，最小化其约束目标，得到训练后的结构动态力预测内嵌物理知识神经网络模型；
[0036]基于训练后的结构动态力预测内嵌物理知识神经网络模型对实际线性结构系统的实测样本工况数据进行处理，输出线性结构系统的子区间内正交系数的边界。
[0037]进一步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于内嵌物理知识神经网络的结构动态力预测方法，其特征在于，包括以下步骤：量化线性结构系统在工作过程中动态力的不确定性并采集线性结构系统在不同动态负载工况的数据；基于动态力的不确定性，对线性结构系统的负载工况数据进行数据预处理，得到预处理后的负载工况数据；构建结构动态力预测内嵌物理知识神经网络模型；将预处理后的负载工况数据输入至结构动态力预测内嵌物理知识神经网络模型进行训练，输出子区间内正交系数的边界；根据区间理论的收敛条件，对子区间内正交系数的边界进行泰勒级数展开的子区间运算，得到线性结构系统动态力的上、下界。2.根据权利要求1所述一种基于内嵌物理知识神经网络的结构动态力预测方法，其特征在于，所述量化线性结构系统在工作过程中动态力的不确定性并采集线性结构系统在不同动态负载工况的数据这一步骤，其具体包括：考虑线性结构系统的参数不确定性，通过设置随机变量参数进行量化处理，确定不确定材料参数及其边界，其表达式为；上式中，I表示区间材料变量，S
I
表示G维区间向量，其下界向量和上界向量分别为和根据材料参数及其边界划分为P
g
子区间，确定线性结构系统的边界基于MATLAB工具获取线性结构系统的白色噪声信号并采集线性结构系统在不同动态负载工况的数据。3.根据权利要求2所述一种基于内嵌物理知识神经网络的结构动态力预测方法，其特征在于，所述基于动态力的不确定性，对线性结构系统的负载工况数据进行数据预处理，得到预处理后的负载工况数据这一步骤，其具体包括：计算线性结构系统的负载工况数据分别在参数计算线性结构系统的负载工况数据分别在参数作用下的动态响应，其中δS
g
是对应于S
g
的小扰动，符号和表示参数和δS
g
的第g个元素的加减运算；基于得到的动态响应，引入白色噪声信号，得到输入样本数据；将线性结构系统的动态力进行与有限的测量点进行匹配，计算相应的勒让德正交多项式系数得到输出样本数据；整合输入样本数据与输出样本数据，构建预处理后的负载工况数据。4.根据权利要求3所述一种基于内嵌物理知识神经网络的结构动态力预测方法，其特征在于，所述计算线性结构系统的负载工况数据分别在参数
作用下的动态响应这一步骤，其具体包括：基于具有n个自由度的线性结构系统，获取其在物理坐标系中结构动态响应的控制常微分函数；基于振动理论，在模态空间中对控制常微分函数进行解耦，得到对应的模态坐标描述的微分方程；结合Wilson
‑
Theta方法，在时域中对模态坐标描述的微分方程进行离散化，得到线性结构系统的负载工况数据在对应参数下的动态响应。5.根据权利要求4所述一种基于内嵌物理知识神经网络的结构动态力预测方法，其特征在于，所述将线性结构系统的动态力进行与有限的测量点进行匹配，计算相应的勒让德正交多项式系数得到输出样本数据这一步骤，其具体包括：基于一维勒让德正交多项式与二维正交多项式，...

【专利技术属性】
技术研发人员：阳爱民，李诗豪，唐铮航，王纪刚，白期风，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：