【技术实现步骤摘要】
本专利技术属于桥梁健康监测领域，具体的说是一种基于改进的avoa-grnn网络的梁桥主梁静载挠度预测方法。
技术介绍
1、桥梁评定对于保障交通安全、确保承载能力、延长使用寿命以及合理分配经济资源具有重要意义，而荷载试验被认为是最有效的桥梁状态评定方法之一。对于评定为四类和五类的桥梁需要通过荷载试验确定桥梁的承载能力。荷载试验分为静载试验和动载试验。静载试验是一种最为直接有效的方法以评估桥梁的强度、刚度、承载能力，具有真实性、安全性、可靠性、精确性和可调节性等优点。但由于桥梁静载试验需要耗费巨大的资金和人力，影响交通且具有一定安全隐患，使得其应用具有局限性。而动载试验测试，其费用低廉，检测方式便捷，能够避免上述静载试验的不足，然而目前还缺乏有效的评估理论与方法，在评估桥梁的承载能力时，动载试验不如静载试验可靠和准确。
技术实现思路
1、本专利技术为克服现有技术的不足之处，提出一种基于改进的avoa-grnn网络的梁桥主梁静载挠度预测方法，以期能实现对桥梁静载试验结果的高精度预测，并能有效解决预测梁桥静载试验成本高，对交通影响大以及容易对桥梁结构造成损伤等诸多问题。
2、本专利技术为达到上述专利技术目的，采用如下技术方案：
3、本专利技术一种基于改进的avoa-grnn网络的梁桥主梁静载挠度预测方法的特点在于，包括如下步骤：
4、步骤1：利用有限元软件对桥梁和车辆进行建模，得到车桥有限元模型，包括：桥梁有限元模型和车辆有限元模型；其中，车辆有限元模型
5、步骤2：在车桥有限元模型中添加不确定性来模拟桥梁和车辆的真实结构；
6、步骤2.1：将桥梁有限元模型中每个单元的弹性模量乘以各自的随机数，得到每个单元真实的弹性模量，用于模拟桥梁的材料误差；
7、步骤2.2：将桥梁有限元模型中每个单元的材料容重乘以各自的随机数，得到每个单元真实的材料容重，用于模拟桥梁的质量误差；
8、步骤2.3：将所述半车模型的刚度kv和阻尼cv分别设为一定区间内的随机值，从而模拟车辆的不确定性；
9、步骤3：利用newmark-β法获取动、静载实验数据：
10、模拟动载试验时，获取桥梁有限元模型跨中节点位置的加速度数据x＝(x1，x2，…xi，…xn)t，其中，n为试验的总次数，xi表示第i次试验时的加速度数xi＝(xi，1，xi，2，…，xi，j，…，xi，m)，xi，j表示第i次试验的加速度数据xi中的第j个特征数据，m为特征数量；t表示转置；
11、模拟静载试验时，获取桥梁有限元模型的四分之一位置α、四分之三位置β以及跨中节点位置γ的挠度数据并进行标准化处理，得到标准化处理后的四分之一位置α的挠度数据yα＝(yα，1，yα，2，…yα，i，...yα，n)t、标准化处理后的四分之三位置β的挠度数据yβ＝(yβ，1，yβ，2，…yβ，i，…yβ，n)t、标准化处理后的跨中点位置γ的挠度数据yγ＝(yγ，1，yγ，2，…yγ，i，…yγ，n)t，其中，yα，i、yβ，i、yγ，i分别表示在第i次试验时四分之一位置α、四分之三位置β以及跨中节点位置γ的挠度数据；
12、步骤4：特征选择和数据标准化；
13、计算x中每个特征数据分别与三个位置的挠度数据之间的皮尔逊线性相关系数，并对各个相关性系数取绝对值后进行降序排序，再根据所设置的特征选择的个数m′，选择前m′个相关性系数对应的特征数据并进行标准化处理，得到处理后的特征数据，记为x′＝(x′1，x′2，…x′i，…，x′n)t，其中，x′i表示第i次试验特征选择和数据标准化后的加速度数据；且x′i＝(x′i，1，x′i，2，…，x′i，j′，…，x′i，m′)，x′i，j′表示第i次试验特征选择和数据标准化后的加速度数据x′i中的第j′个特征数据；
14、利用式(1)计算x中第m列与第j个位置的挠度数据yj的相关系数rho(m，j)：
15、
16、其中，m∈[1，n]；j＝α，β，γ；xm，i表示x中第m列第i行数据，表示x中第m列数据的均值；yj，i表示yj的第i行数据；表示第j个位置的挠度数据的均值；
17、步骤5：创建grnn神经网络模型，包括：输入层、模式层、求和层和输出层；以x′作为grnn神经网络模型的输入，以yα、yβ、yγ作为grnn神经网络模型的输出，并对grnn神经网络模型进行训练，并得到训练后的静载挠度预测模型；
18、步骤6：设置光滑因子的上限ub和下限lb，并利用改进的非洲秃鹫算法优化所述光滑因子σ：
19、步骤6.1：初始化种群并定义中的各个参数，包括：秃鹫种群的数量为q，最大迭代次数为t，秃鹫的搜索空间维度为1；
20、步骤6.2：使用tent混沌映射初始化第t代秃鹫种群其中，表示第t代秃鹫种群pt中第q只秃鹫的位置；
21、步骤6.3：根据挠度真实值和预测值的平均绝对误差，得到计算第t代秃鹫种群中每个只秃鹫的适应度；从而根据每只秃鹫的适应度对第t代秃鹫种群进行分组，将最优适应度所对应的秃鹫放在第一组，次优适应度所对应的秃鹫放在第二组，将剩下其余的秃鹫放在第三组；
22、步骤6.4：利用式(7)得到第t代秃鹫种群中第q只秃鹫移动后的位置
23、
24、式(7)中：表示第t代秃鹫种群中最优适应度的秃鹫位置，表示第t代秃鹫种群中次优适应度的秃鹫位置，l1和l2是两个参数，且l1∈[0，1]，l2∈[0，1]，l1+l2＝1，表示第t代秃鹫种群中第q只秃鹫的适应度值；
25、步骤6.5：利用式(8)计算第t代秃鹫种群的饥饿度ft：
26、
27、式(8)中：z是[-1，1]之间的随机数，h是[-2，2]之间的随机数，k1是[0，1]之间的随机数，w为一固定参数；
28、步骤6.6：当|ft|≥1时，则表示进行探索阶段，并利用式(9)得到第t+1代秃鹫种群中第q只秃鹫的位置否则，执行步骤6.7的开发阶段；
29、
30、式(9)中：p1∈[0，1]为设置的探索参数；z表示秃鹫的随机位置，且是[0，2]之间的随机数；kp1，k2和k3均为[0，1]之间的随机数；
31、步骤6.7：当|ft|∈[0.5，1]时，利用式(10)得到第t+1代秃鹫种群中第q只秃鹫位置
32、
33、式(10)中：p2∈[0，1]为设置的探索参数，k4、k5均为[0，1]的随机数；
34、当|f|∈[0，0.5)时，利用式(11)得到第t+1代秃鹫种群中第n只秃鹫的位置
35、
36、式(11)中：λ1、λ2、θ1、θ2表示提前设置的参数，且λ1，λ2∈(0，1)、λ1+λ2＝0θ1，θ2∈(0，1)、θ1+θ2＝1；和ξ为[0，1]之间的两个随机数；(σt)2为第t代秃鹫种群的方本文档来自技高网...
【技术保护点】
1.一种基于改进的AVOA-GRNN网络的梁桥主梁静载挠度预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于改进的AVOA-GRNN网络的梁桥主梁静载挠度预测方法，其特征在于，所述步骤5包括：
3.根据权利要求2所述的基于改进的AVOA-GRNN网络的梁桥主梁静载挠度预测方法，其特征在于，所述步骤6.2包括：
4.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1-3中任一所述的梁桥主梁静载挠度预测方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
5.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1-3中任一所述的梁桥主梁静载挠度预测方法的步骤。
【技术特征摘要】
1.一种基于改进的avoa-grnn网络的梁桥主梁静载挠度预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于改进的avoa-grnn网络的梁桥主梁静载挠度预测方法，其特征在于，所述步骤5包括：
3.根据权利要求2所述的基于改进的avoa-grnn网络的梁桥主梁静载挠度预测方法，其特征在于，所述步骤6.2包括：
4.一...
【专利技术属性】
技术研发人员：贺文宇，张昊然，户东阳，陈文瀚，孟涛，张明睿，胡庆昊，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：
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。