基于制造技术

本发明专利技术涉及风车桥耦合系统技术领域，公开了一种基于

【技术实现步骤摘要】
基于SSA
‑
LSTM算法的风车桥系统振动响应预测方法


[0001]本专利技术涉及风车桥耦合系统
，具体为基于
SSA
‑
LSTM
算法的风车桥系统振动响应预测方法
。

技术介绍

[0002]近年来，铁路工程中强横风等意外灾害的外力作用下，桥梁和列车的结构稳定性和运行安全性受到多数学者的关注
。
由于我国西部地区投资的增加，大部分铁路会经过山区路段，这些地方一年四季的风速变化很大，会对列车行驶产生影响
。
因此，评估风
‑
车
‑
桥系统在横风作用下的稳定性和安全性非常重要
。
由于风和轨道不规则的双重激励，车桥系统的情况更加复杂
。
由于风的空间相关性很强，且风向随机，研究风荷载下的车桥系统变得极为复杂
。
许多学者在研究风
‑
车
‑
桥系统的方法上不断创新
。
基于车辆动力学系统的理论，一些人应用了离散阵风模型
。
主要通过人工阵风考虑风的非稳态特性，风的波动成分由随机过程产生，取决于功率谱密度函数的随机模型
。
可以看出，解决方法的创新从未停止过，与传统方法的创新相比，人工智能大放异彩，受到学术界的欢迎
。
[0003]人工智能现在被用于各行各业，对于车桥也不例外
。
它的显著优势是可以只用样本来训练模型，避免了繁琐的建模过程，提高了计算效率
。
随着人工智能在其他研究领域中的迅速提高，深度学习方法在随机振动分析中变得越来越流行
。
利用人工神经网络的优势，其强大的特征提取能力和卓越的鲁棒性被应用于研究随机载荷引起的结构响应，但其中大部分没有考虑不确定因素对振动的影响
。
然而，深度学习方法在车桥系统动态分析中的应用却相当有限
。
就比如传统的神经网络，它的网络结构，组合搭配还有超参数的设置都是根据训练数据模型人为的进行调整的，会根据不同的模型组合参数都不同
。
其中超参数是一个神经网络模型的重要参数指标，影响着建模的准确性与预测的结果
。
人为设置无疑加大了建模模型的困难程度，增加了建模的时间成本，人为设置神经网络模型的超参数或多或少都有一定的误差，达不到最佳适应状态，因此寻找最佳超参数来避免人为设置误差是值得研究的
。

技术实现思路

[0004]针对上述问题，本专利技术的目的在于提供一种基于
SSA
‑
LSTM
算法的风车桥系统振动响应预测方法
。
将麻雀搜索算法
SSA (Sparrow Search Algorithm)
与人工智能算法中的深度学习网络引用到风车桥耦合系统响应的求解预测当中
。
将
SSA
用于神经网络的超参数寻优，利用
SSA
迭代寻优，通过适应度函数值的降低最后达到一个最佳寻优匹配度，输出最佳超参数
。
本文采用长短时记忆单元
LSTM
（
Long Short Term Memory
）作为神经网络模型，利用
SSA
寻找的最佳超参数进行建模，获得匹配度最高的人工神经网络模型，即
SSA
‑
LSTM。
需要通过纽马克法计算得到风车桥响应样本，把获得的风车桥系统响应样本作为输出数据，随机风速样本作为输出数据，把输出数据和输入数据一同输入到神经网络中进行训练与预测
。
利用生物算法与神经网络结合的形式建立最佳模型，可以为建立准确的神经网络模型
提供一种高效的手段
。
技术方案如下：基于
SSA
‑
LSTM
算法的风车桥系统振动响应预测方法，包括以下步骤：步骤1：通过商业有限元软件
Ansys
建立车辆模型和桥梁模型，根据解析解验证车辆模型的自振频率和桥梁模型自振频率，并根据计算得到的桥梁模型的自振频率及模态验证桥梁模型的正确性；步骤2：通过风谱获得风速样本，利用三分力系数根据风速样本计算出风荷载；步骤3：通过轨道谱采用三角级数法计算出轨道不平顺激励样本；步骤4：将计算出来的风荷载与轨道不平顺激励样本，结合车辆模型和桥梁模型，通过纽马克法进行求解，得到风车桥响应随机样本；步骤5：构建
SSA
‑
LSTM
模型，
SSA
‑
LSTM
模型包括两个模块
SSA
模块和
LSTM
模块，
SSA
模块用于寻找最佳超参数，
LSTM
模块用于完成风车桥随机响应的预测工作；根据实际建模需要确定
LSTM
模型中的建模参数，并确定建模参数合理的数值范围；步骤6：将计算得到的风速样本和轨道不平顺激励样本作为输入数据，将计算得到风车桥响应随机样本作为输出数据，带入
SSA
‑
LSTM
模型中寻找最佳超参数；步骤7：基于
SSA
寻找的最佳超参数建立精确的神经网络模型，通过输入数据和输出数据对
LSTM
模型进行训练；步骤8：完成训练后，实现对风车桥系统随机响应的预测
。
[0005]进一步的，所述步骤2中通过风谱获得风速样本，利用三分力系数根据风速样本计算出风荷载：（1）；（2）；（3）；公式中，
D
bu
（
x
，
t
）
、L
bu
（
x
，
t
）和
M
bu
（
x
，
t
）分别代表结构在风中所受
x
位置
t
时刻的阻力荷载
、
升力荷载和扭力荷载；
α
为桥面与来流风的夹角，
C
D
、C
L
和
C
M
分别为结构截面的阻力系数
、
升力系数和扭力系数，和表示助力系数
、
升力系数和扭力系数的斜率；
u
（
x
，
t
）和
w
（
x
，
t
）分别为表示
x
位置处横向和纵向的脉动风时程风速；
γ1~
γ6为时域空气动力导函数，
B、U
和分别是结构迎风面面积
、
平均风速和空气质量密度
。
[0006]更进一步的，所述步骤5中，
SSA
‑
LSTM
模型采用两层<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于
SSA
‑
LSTM
算法的风车桥系统振动响应预测方法，其特征在于，包括以下步骤：步骤1：通过商业有限元软件
Ansys
建立车辆模型和桥梁模型，根据解析解验证车辆模型的自振频率和桥梁模型自振频率，并根据计算得到的桥梁模型的自振频率及模态验证桥梁模型的正确性；步骤2：通过风谱获得风速样本，利用三分力系数根据风速样本计算出风荷载；步骤3：通过轨道谱采用三角级数法计算出轨道不平顺激励样本；步骤4：将计算出来的风荷载与轨道不平顺激励样本，结合车辆模型和桥梁模型，通过纽马克法进行求解，得到风车桥响应随机样本；步骤5：构建
SSA
‑
LSTM
模型，
SSA
‑
LSTM
模型包括两个模块
SSA
模块和
LSTM
模块，
SSA
模块用于寻找最佳超参数，
LSTM
模块用于完成风车桥随机响应的预测工作；根据实际建模需要确定
LSTM
模型中的建模参数，并确定建模参数合理的数值范围；步骤6：将计算得到的风速样本和轨道不平顺激励样本作为输入数据，将计算得到风车桥响应随机样本作为输出数据，带入
SSA
‑
LSTM
模型中寻找最佳超参数；步骤7：基于
SSA
寻找的最佳超参数建立精确的神经网络模型，通过输入数据和输出数据对
LSTM
模型进行训练；步骤8：完成训练后，实现对风车桥系统随机响应的预测
。2.
根据权利要求1所述的基于
SSA
‑
LSTM
算法的风车桥系统振动响应预测方法，其特征在于，所述步骤2中通过风谱获得风速样本，利用三分力系数根据风速样本计算出风荷载的计算公式如下：（1）；（2）；（3）；公式中，
D
bu
（
x
，
t
）
、L
bu
（
x
，
t
）和
M
bu
（
x
，
t
）分别代表结构在风中所受
x
位置
t
时刻的阻力荷载
、
升力荷载和扭力荷载；
α
为桥面与来流风的夹角，
C
D
、C
L
和
C
M
分别为结构截面的阻力系数
、
升力系数和扭力系数，和分别为阻力系数
、
升力系数和扭力系数的斜率；
u
（
x
，
t
）和
w
（
x
，
t
）分别表示
x
位置处横向和纵向的脉动风时程风速；
γ1~
γ6为时域空气动力导函数，
B、U
和分别为结构迎风面面积
、
平均风速和空气质量密度
。3.
根据权利要求1所述的基于
SSA
‑
LSTM
算法的风车桥系统振动响应预测方法，其特征在于，所述步骤5中，
SSA
‑
LSTM
模型采用两层
LSTM
网络单元，将两层网络进行串联；需要被寻优的超参数有6个，包括：第一层的隐藏单元数量
L1、
第二层的隐藏单元数量为
L2、
模型的正则化参数
L2Regularization、
最大训练次数
Max
‑
epoch、
模型的单元尺寸
BatchSize
和模型的初始学习率
InitialLearnRate
；输入数据和输出数据被送入
LSTM
层，并使用
SSA
搜索模型的超参数，利用
SSA
的反捕食机制选择最佳超级参数；当适配函数没有达到最优时，寻找超
参数的过程继续进行，直到设定...

【专利技术属性】
技术研发人员：朱思宇，易瑞，向天宇，杨梦雪，杜斌，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：