【技术实现步骤摘要】
本专利技术涉及一种基于深度学习的单层网壳构件替换最优顺序确定方法。
技术介绍
1、单层网壳结构作为一种空间杆系结构，因为其外形优美、结构形式丰富、质轻用材省等一系列优点，有广阔的发展前景。但是由于单层网壳结构冗余度低，对缺陷敏感度高，单根或多跟构件失效容易导致结构发生连续倒塌。已有结构连续倒塌研究按照构件拆除后剩余结构的应变能大小来判别构件重要性，即剩余结构应变能越大，结构在构件拆除之后越危险，构件的重要性越大。因此对单层网壳的腐蚀构件进行替换时，要制定合理的替换顺序，避免结构的重要构件拆除后，剩余结构因构件腐蚀导致网壳刚度及承载能力低于正常水平而发生连续倒塌。可以根据剩余结构应变能计算构件重要性系数，按照构件重要性系数由小到大的顺序对腐蚀构件进行替换，避免结构因单根构件拆除发生连续倒塌。
2、深度学习能通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布形式表示，因此可基于构件重要性系数由小到大的原则开发网壳结构构件替换最优顺序生成模型，形成安全可靠的构件替换最优顺序程序模块，保证网壳结构的替换构件过程中的抗连续倒塌能力。
技术实现思路
1、针对上述技术问题，本专利技术提出一种基于深度学习的网壳结构构件替换最优顺序确定方法。该方法基于多层神经网络的深度学习，分析预替换构件的特征参数与构件重要性系数的映射关系。搭建适用于拟合构件重要性系数与预替换构件特征参数之间的非线性关系的深度学习网络模型，对深度学习神经网络输出的预替换构件的构件重要性系数由小到大排
2、为了达成上述目的，本专利技术的解决方案是：
3、一种基于深度学习的单层网壳构件替换最优顺序确定方法，具体方法步骤如下：
4、步骤1，确定预替换构件的特征参数；
5、步骤2，建立深度前馈神经网络模型的数据集；
6、步骤3，搭建适用于生成预替换构件和对应的构件重要性系数的非线性关系的深度前馈神经网络模型；
7、步骤4，训练深度前馈神经网络模型；
8、步骤5，利用训练完成的深度前馈神经网络模型，获得预替换构件对应的构件重要性系数，根据构件重要性系数由小到大的顺序对预替换构件进行排序，得到预替换构件的最优替换顺序。
9、进一步地，所述步骤1中预替换构件的特征参数包括构件两端点坐标、构件长度、截面、构件类型以及与周围构件的连接方式。
10、进一步地，所述步骤2中深度前馈网络的数据集包括输入特征和标签数据，以预替换构件的特征参数作为输入特征，以预替换构件所对应的构件重要性系数为标签数据。
11、进一步地，所述步骤3中构件重要性系数通过对分别移除预替换构件后的剩余结构进行外荷载作用下的有限元分析后计算得到，具体做法为：在ansys有限元分析软件中，分别移除单根预替换构件，采用静力非线性方法分析剩余结构的应变能，并把剩余结构的应变能代入如下公式计算得出预替换构件对应的构件重要性系数：
12、
13、式中，n为预替换构件总数；yn为构件n的重要性系数；en为使用ansys分析出的构件n移除后剩余结构在外荷载作用下的应变能；emax为e1，e2，e3…en中的最大值；emin为e1，e2，e3…en中的最小值。
14、进一步地，所述步骤3具体为：
15、(3-1)设计单个神经元，神经元的活性值为：
16、
17、其中，x1,x2…xd为神经元的输入，即预替换构件的特征参数，d为预替换构件的特征参数个数，w1，w2…wd为x1,x2…xd对应的权重，b是偏置，f(·)为激活函数；
18、(3-2)基于(3-1)中的神经元，设计包括输入层、隐藏层和输出层的深度前馈神经网络模型，所述深度前馈神经网络模型通过以下公式进行传播：
19、a(l)＝fl(w(l)·a(l-1)+b(l))
20、其中，l＝1,2…,l，l表示深度前馈神经网络的层数，a(l)表示第l层神经元的活性值向量，fl(·)表示第l层神经元的激活函数，m(l)表示第l层神经元的个数；w(l)表示第l-1层到第l层的权重矩阵，b(l)表示第l-1层到第l层的偏置向量；
21、(3-3)定义损失函数为平方损失函数
22、
23、其中，y表示预替换构件的特征参数对应的构件重要性系数真实值，表示预替换构件的特征参数对应的构件重要性系数预测值。
24、进一步地，使用tensorflow框架对深度前馈神经网络进行建模。
25、进一步地，所述步骤4采用反向误差算法对深度前馈神经网络模型进行训练，具体步骤如下：
26、第一步，前馈计算每一层神经元的净输入和活性值，直到最后一层；
27、第二步，反向传播计算每一层的误差项：
28、
29、其中，δ(l)表示第l层的误差项，δ(l+1)表示第l+1层的误差项，fl′()表示对fl(·)求导，w(l+1)表示第l层到第l+1层的权重矩阵，⊙表示向量的点积运算；z(l)表示第l层神经元的净输入向量；
30、第三步，通过以下公式更新权重矩阵和偏置为：
31、w(l)←w(l)-α(δ(l)(a(l-1))t+λw(l))
32、b(l)←b(l)-αδ(l)
33、其中，α为学习率，λ为正则化系数，a(l-1)表示第l-1层神经元的活性值向量；直到深度前馈神经网络模型满足预设收敛条件时，完成训练。
34、进一步地，第l层神经元的净输入为：
35、z(l)＝w(l)·fll-1(z(l-1))+b(l)
36、其中，fl-1(·)表示第l-1层神经元的激活函数，z(l-1)表示第l-层神经元的净输入向量。
37、进一步地，所述激活函数选用relu函数。
38、本专利技术还提供一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如上所述的方法。
39、本专利技术还提供一种基于深度学习的单层网壳构件替换最优顺序确定设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行如上所述方法的指令。。
40、本专利技术与现有技术相比，其显著特点在于：
41、1.使用深度学习方法拟合构件重要性系数与预替换构件特征参数之间的非线性关系，考虑到的设计变量相对于有限元分析软件更多，得到的结果更准确；
42、2.网壳结构杆件数目众多，逐根分析构件的重要性工作量大，耗时较长，而深度学习具有强大的数值分析能力和自我学习能力，分析速度快；
43、3.现有技术分析单层网壳结构连续倒塌构件重要性时多采用通过理论分析和本文档来自技高网...
【技术保护点】
1.一种基于深度学习的单层网壳构件替换最优顺序确定方法，其特征在于，具体方法步骤如下：
2.如权利要求1所述的基于深度学习的单层网壳构件替换最优顺序确定方法，其特征在于，所述步骤1中预替换构件的特征参数包括构件两端点坐标、构件长度、截面、构件类型以及与周围构件的连接方式。
3.如权利要求1所述的基于深度学习的单层网壳构件替换最优顺序确定方法，其特征在于，所述步骤2中深度前馈网络的数据集包括输入特征和标签数据，以预替换构件的特征参数作为输入特征，以预替换构件所对应的构件重要性系数为标签数据。
4.如权利要求1所述的基于深度学习的单层网壳构件替换最优顺序确定方法，其特征在于，所述步骤3中构件重要性系数通过对分别移除预替换构件后的剩余结构进行外荷载作用下的有限元分析后计算得到，具体做法为：在ANSYS有限元分析软件中，分别移除单根预替换构件，采用静力非线性方法分析剩余结构的应变能，并把剩余结构的应变能代入如下公式计算得出预替换构件对应的构件重要性系数：
5.如权利要求1所述的基于深度学习的单层网壳构件替换最优顺序确定方法，其特征在于，所述
6.如权利要求5所述的基于深度学习的单层网壳构件替换最优顺序确定方法，其特征在于，使用TensorFlow框架对深度前馈神经网络进行建模。
7.如权利要求5所述的基于深度学习的单层网壳构件替换最优顺序确定方法，其特征在于，所述步骤4采用反向误差算法对深度前馈神经网络模型进行训练，具体步骤如下：
8.如权利要求7所述的基于深度学习的单层网壳构件替换最优顺序确定方法，其特征在于，第l层神经元的净输入为：
9.一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，其特征在于，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至8中任一所述的方法。
10.基于深度学习的单层网壳构件替换最优顺序确定设备，其特征在于，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至8中任一所述方法的指令。
...【技术特征摘要】
1.一种基于深度学习的单层网壳构件替换最优顺序确定方法，其特征在于，具体方法步骤如下：
2.如权利要求1所述的基于深度学习的单层网壳构件替换最优顺序确定方法，其特征在于，所述步骤1中预替换构件的特征参数包括构件两端点坐标、构件长度、截面、构件类型以及与周围构件的连接方式。
3.如权利要求1所述的基于深度学习的单层网壳构件替换最优顺序确定方法，其特征在于，所述步骤2中深度前馈网络的数据集包括输入特征和标签数据，以预替换构件的特征参数作为输入特征，以预替换构件所对应的构件重要性系数为标签数据。
4.如权利要求1所述的基于深度学习的单层网壳构件替换最优顺序确定方法，其特征在于，所述步骤3中构件重要性系数通过对分别移除预替换构件后的剩余结构进行外荷载作用下的有限元分析后计算得到，具体做法为：在ansys有限元分析软件中，分别移除单根预替换构件，采用静力非线性方法分析剩余结构的应变能，并把剩余结构的应变能代入如下公式计算得出预替换构件对应的构件重要性系数：
5.如权利要求1所述的基于深度学习的单层网壳构件替换最...
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。