一种基于KCBMA算法的风车桥系统安全评估方法技术方案

本发明专利技术公开了一种基于KCBMA算法的风车桥系统安全评估方法，涉及风车桥耦合系统技术领域，将开普勒优化算法（KOA）与多头注意力机制下的卷积神经网络‑双向长短期记忆网络（CNN‑Bi‑LSTM‑MA）进行结合，通过KOA自适应搜索CNN‑Bi‑LSTM‑MA网络的最优超参数组合，构建具有动态适应能力的神经网络预测模型；Bi‑LSTM单元通过融合风荷载激励和系统参数的随机性特征进行建模，使数值模型能够有效表征风‑车‑桥系统的随机性并预测其随机响应。本发明专利技术将风‑车‑桥结构之间的动态相互作用集成到神经网络模型中，利用KOA显著缩短建模时间，提高建模精确度，降低了计算成本，对系统响应进行了更精确的预测。

【技术实现步骤摘要】

本专利技术涉及风车桥耦合系统，具体为一种基于kcbma算法的风车桥系统安全评估方法。

技术介绍

1、随着高速铁路的快速发展，车辆在强风环境下跨越桥梁的现象已引起广泛关注。尤其在当前追求快速、轻量化高速列车的技术背景下，侧风已成为威胁列车安全性和稳定性的关键因素。在深谷或跨海、跨河桥梁等特殊环境中，这种风险尤为突出。当列车行驶于受侧风影响的大跨度桥梁时，桥梁的高柔性可能导致车桥之间的强烈相互作用，从而降低列车运行舒适度并威胁行车安全。此外，风致激励与轨道不平顺的耦合作用进一步增加了车桥系统动力分析的复杂性。因此，评估风车桥系统在侧风作用下的稳定性和安全性非常重要。

2、近年来，随着人工智能技术的发展，其应用范围已拓展至各种工程领域，车桥领域也不例外。相较于传统方法，该技术能够直接通过数据驱动，从而规避复杂的建模过程，显著提升了运算效率。随着深度学习算法的突破性进展，其在随机振动分析领域的应用呈现快速增长态势。神经网络能够利用其强大的特征提取能力，研究结构在随机载荷作用下的动态响应。然而，现有研究普遍忽视了系统不确定性因素对振动特性的影响。车桥系统本文档来自技高网...

【技术保护点】

1.一种基于KCBMA算法的风车桥系统安全评估方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于KCBMA算法的风车桥系统安全评估方法，其特征在于，所述步骤3中，KOA模块采用开普勒优化算法，在优化过程中，各解的适应度根据目标函数计算；在计算时，通过下列方程确定种群规模，并将作为行星的候选解随机分布在d维空间中；

3.根据权利要求2所述的一种基于KCBMA算法的风车桥系统安全评估方法，其特征在于，所述步骤3中，CNN子模块通过使用卷积核在输入的风速和轨道不平顺激励时间序列数据中各时间步上滑动，以提取输入的风速和轨道不平顺激励局部特征，如下式所示：<...

【技术特征摘要】

1.一种基于kcbma算法的风车桥系统安全评估方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于kcbma算法的风车桥系统安全评估方法，其特征在于，所述步骤3中，koa模块采用开普勒优化算法，在优化过程中，各解的适应度根据目标函数计算；在计算时，通过下列方程确定种群规模，并将作为行星的候选解随机分布在d维空间中；

3.根据权利要求2所述的一种基于kcbma算法的风车桥系统安全评估方法，其特征在于，所述步骤3中，cnn子模块通过使用卷积核在输入的风速和轨道不平顺激励时间序列数据中各时间步上滑动，以提取输入的风速和轨道不平顺激励局部特征，如下式所示：

4.根据权利要求3所述的一种基于kcbma算法的风车桥系统安全评估方法，其特征在于，所述步骤2中，bi-lstm中lstm单元门控机制包括遗忘门、输入门、细胞更新状态以及输出门；其中：

<...

【专利技术属性】
技术研发人员：朱思宇，唐星，杨梦雪，李由之，宋洋，李海龙，
申请(专利权)人：西华大学，
类型：发明
国别省市：