CN110059384A - 基于生成式对抗网络模拟人群跳跃荷载的方法 - Google Patents

基于生成式对抗网络模拟人群跳跃荷载的方法 Download PDF

Info

Publication number
CN110059384A
CN110059384A CN201910279439.5A CN201910279439A CN110059384A CN 110059384 A CN110059384 A CN 110059384A CN 201910279439 A CN201910279439 A CN 201910279439A CN 110059384 A CN110059384 A CN 110059384A
Authority
CN
China
Prior art keywords
pulse
jump
crowd
sequence
generation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910279439.5A
Other languages
English (en)
Other versions
CN110059384B (zh
Inventor
陈隽
熊杰程
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN201910279439.5A priority Critical patent/CN110059384B/zh
Publication of CN110059384A publication Critical patent/CN110059384A/zh
Application granted granted Critical
Publication of CN110059384B publication Critical patent/CN110059384B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Image Analysis (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及一种基于生成式对抗网络模拟人群跳跃荷载的方法，该方法包括：(1)利用高精度测力板收集单人跳跃荷载数据，利用三维动作捕捉技术收集人群跳跃荷载数据。(2)将单人跳跃荷载进行分解，可以得到脉冲、脉冲能量序列和脉冲间隔序列。(3)将脉冲、脉冲能量序列和脉冲间隔序列视为高维随机变量，并利用生成式对抗网络学习其概率分布，并用此分布生成新的样本。脉冲和脉冲能量序列的真实样本来自单人跳跃荷载实验，脉冲间隔序列的真实样本来自人群跳跃荷载实验。(4)将生成的脉冲按照生成的脉冲能量序列和生成的脉冲间隔序列进行连接，得到人群跳跃荷载。现有的人群跳跃荷载模型，都是人工提取跳跃荷载的特征，并且将这些特征假定为随机变量，利用实测数据给出其概率分布。本发明使用深度学习中的生成式对抗网络方法从真实样本中学习高维随机变量的概率分布，实现对数据特征的自动提取，可以生成与真实样本非常相似的高质量样本。

Description

基于生成式对抗网络模拟人群跳跃荷载的方法
技术领域
本发明涉及建筑结构技术领域，尤其是涉及一种人群跳跃荷载生成方法。
背景技术
伴随着建筑材料强度的不断提高以及建筑美学的要求，结构向着轻质、高强、大跨、纤柔等方向发展。大跨开敞式楼盖结构在演艺中心、博览中心、体育中心、会议中心、交通枢纽和商业综合体等各类公共建筑中日趋流行。例如，上海崇明篮球馆组合楼板最大跨度达37m；西安北站高架候车层的钢结构楼板最大跨度达43.06m；北京太平桥大街天桥主跨为42m；北京奥林匹克公园国家会议中心钢结构楼板尺寸为60m×81m；青岛体育中心综合训练馆的预应力混凝土楼盖尺寸为72m×42m；温州火车南站候车厅的体外预应力楼盖尺寸为90m×30m。对于此类大跨度楼盖结构，人致结构振动引起的舒适度问题已超越承载力要求成为结构设计的控制因素，确保其在密集人流下的安全性和舒适性非常重要。
人致荷载的实验建模研究是准确计算人致结构振动的前提。所有人致荷载中，跳跃荷载的作用力最大。尤其是在体育比赛及流行音乐会上，人群会跟随现场音乐或节拍共同跳跃。已有的人群跳跃荷载随机模型，都是人工提取跳跃荷载的特征，如接触率、脉冲间隔和冲击因子等，将其假定为随机变量，并利用实验数据给出概率分布。将随机过程的建模转换为随机变量的建模，除跳跃荷载外，其它人致荷载、地震荷载和风荷载的建模也是基于该研究范式，因为高维度随机变量的联合概率分布难以建模。
与人工确定并提取对象特征的传统建模方法相比，近年来飞速发展的深度学习方法通过多级抽象的方式自动提取数据的特征。实践证明，此类方法在分析高维数据的复杂结构方面非常出色，并已成功应用于许多领域。例如，在图像识别方面，深度卷积网络取得了比人类辨识更好的结果，并且已广泛应用于土木工程领域，如裂缝检测和损伤识别等。在众多深度学习算法中，生成式对抗网络是一类无监督的生成式模型。它可以隐式地从真实样本中学习高维数据的概率分布，并利用分布生成新样本，非常适合于具有复杂数据结构的动力荷载的生成问题。
发明内容
本发明的目的就是为了克服传统的人群跳跃荷载建模方法的缺陷，提供一种基于生成式对抗网络模拟人群跳跃荷载的方法。
本发明的目的可以通过以下技术方案来实现：
一种基于生成式对抗网络模拟人群跳跃荷载的方法，该方法包括：
(1)利用高精度测力板收集单人跳跃荷载数据；利用三维动作捕捉技术收集人群跳跃荷载数据。
(2)将单人跳跃荷载进行分解，得到脉冲、脉冲能量序列和脉冲间隔序列的真实样本。
(3)将脉冲、脉冲能量序列和脉冲间隔序列视为高维随机变量，并利用生成式对抗网络学习其概率分布，并且用此分布生成新的样本。
(4)将生成的脉冲按照生成的脉冲能量序列以及生成的脉冲间隔序列进行连接，得到人群跳跃荷载。
与现有技术相比，本发明具有以下优点：
(1)本发明基于大量实测单人跳跃荷载数据和人群跳跃荷载数据。传统的人群跳跃荷载模型或是基于反算法得到的人群跳跃荷载数据，或是基于单人跳跃荷载数据，都没有记录到人群跳跃时，每个人的跳跃荷载时程。
(2)本发明是基于深度学习中的生成式对抗网络方法实现对脉冲、脉冲能量序列和脉冲间隔序列的高维概率分布进行建模，与人工确定并提取对象特征的传统建模方法相比，该方法可以生成与真实样本非常相似的高质量样本。
附图说明
图1为本发明的流程示意图；
图2为单人跳跃荷载的分解示意图；
图3为单人跳跃荷载的连接示意图；
图4为按照此方法生成的人群跳跃荷载时程图；
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，一种基于生成式对抗网络模拟人群跳跃荷载的方法，该方法包括：
在步骤101中：利用AMTI OR6-7型三向固定测力板完成多人多种频率下的单人跳跃荷载实验，利用VICON三维动作捕捉系统完成多种频率下的人群跳跃荷载实验。
在步骤102中：将单人跳跃荷载进行分解，如图2所示。每条单人跳跃荷载都可以分解得到npu个脉冲xpu(t)、一条脉冲间隔序列和一条脉冲能量序列脉冲和脉冲能量序列的真实样本来自单人跳跃荷载实验数据，脉冲间隔序列的真实样本来自人群跳跃荷载实验数据。
在步骤103中：将脉冲xpu(t)、脉冲间隔序列和脉冲能量序列都视为高维随机变量，利用生成式对抗网络对其概率分布进行建模，并用此分布生成新的样本。脉冲生成的优化目标函数为：
其中，x～pdata表示真实样本；y是条件变量，表示样本的种类；z～pZ表示噪声；是采样分布，在真实样本和生成样本的连线上均匀采样得到；D(x)是判别器；G(z)是生成器；λ是梯度惩罚系数；表示梯度运算。生成器和判别器的结构如下所示：
其中，h1和h2是神经网络的隐藏层；xpu～pmodel是生成脉冲；p是判别器的输出。脉冲能量序列生成的优化目标函数与脉冲生成一致。生成器和判别器的结构如下所示：
其中，ht是隐藏层第t步的状态。将生成器的每一步输出连接可以得到生成脉冲能量序列脉冲间隔序列生成的优化目标函数为：
生成器和判别器的结构如下所示：
将生成器的每一步输出连接可以得到生成脉冲间隔序列生成器G(z)和判别器D(x)都可以用Adam算法(具体算法见文献[1])同时进行训练，经过一段时间的训练后：
此时，生成样本和真实样本的分布完全一致，判别器无法区分真实样本和生成样本。文献[1]：KINGMA D P,BA J.Adam:A method for stochastic optimization[J].ArXivPreprint ArXiv,2014:1412.6980。
在步骤104中：将生成的脉冲按照生成的脉冲能量序列和生成的脉冲间隔序列进行连接得到人群跳跃荷载。
假定人群是在2.3Hz节拍器引导下进行跳跃。其体重归一化的人群跳跃荷载可由以下6步获得：
(1)根据节拍器频率随机生成第α个跳跃者的跳跃频率fjump,α。
(2)由脉冲生成器生成此跳跃频率下的100000个脉冲样本。
(3)由荷载的持续时间和fjump,α，估算第α个跳跃者的跳跃荷载xα(t)需要的脉冲数目npu,α。
(4)根据fjump,α和npu,α，由脉冲能量生成器和脉冲间隔生成器分别生成第α个跳跃者的和
(5)根据第α个跳跃者的第i步的脉冲能量eni，在第(2)步生成的100000个脉冲样本中，寻找能量与eni最接近的脉冲样本，作为第i步的脉冲。
(6)将第α个跳跃者每一步的脉冲按照其连接，获得xα(t)，见图3：根据确定第1步脉冲的起点，将第1步脉冲放置在时间轴上，然后由确定第2步脉冲的起点，将第2步脉冲放置在时间轴上，重复上述步骤，直至将所有脉冲放置在时间轴上。
图4展示了利用上述步骤生成的节拍器频率为2.3Hz的人群跳跃荷载，包含30个跳跃者，持续24s。图中的粗实线是所有时程的均值。

Claims (5)

1.一种基于生成式对抗网络模拟人群跳跃荷载的方法，其特征在于，该方法包括：
(1)跳跃荷载数据库建立步骤：利用高精度测力板收集单人跳跃荷载数据；利用三维动作捕捉技术收集人群跳跃荷载数据；
(2)真实样本获取步骤：将单人跳跃荷载进行分解，脉冲和脉冲能量序列的真实样本来自步骤(1)中单人跳跃荷载实验数据；脉冲间隔序列的真实样本来自步骤(1)中人群跳跃荷载实验数据；
(3)将步骤(2)分解到的脉冲、脉冲能量序列和脉冲间隔序列视为高维随机变量，并利用生成式对抗网络学习其概率分布，并且用此分布生成新的样本；所述生成式对抗网络包括生成器G(z)和判别器D(x)；
(4)将步骤(3)生成的脉冲按照生成的脉冲能量序列和生成的脉冲间隔序列进行连接得到人群跳跃荷载。
2.根据权利要求1所述的一种基于生成式对抗网络模拟人群跳跃荷载的方法，其特征在于，所述的步骤(1)具体为：利用AMTI OR6-7型三向固定测力板完成单人跳跃荷载实验，利用VICON三维动作捕捉系统完成人群跳跃荷载实验。
3.根据权利要求1所述的一种基于生成式对抗网络模拟人群跳跃荷载的方法，其特征在于，所述的步骤(3)中，
脉冲生成和脉冲能量序列生成采用的优化目标函数V(D,G)为：
其中，x～pdata表示真实样本；y是条件变量，表示样本的种类；z～pZ表示噪声；是采样分布，在真实样本和生成样本的连线上均匀采样得到；D(x)是判别器；G(z)是生成器；λ是梯度惩罚系数；表示梯度运算。上式前两项表示训练判别器使其最大化区分真实样本和生成样本，训练生成器使其最大化判别器犯错误的概率，最后一项是梯度惩罚项，为了使判别器中参数值不能过大。
脉冲间隔序列的生成采用的优化目标函数V(D,G)为：
4.根据权利要求1所述的一种基于生成式对抗网络模拟人群跳跃荷载的方法，其特征在于，所述的步骤(3)中，
脉冲生成的生成器G(z)和判别器D(x)的结构分别为：
其中，h1和h2是神经网络的隐藏层；xpu～pmodel是生成脉冲；p是判别器的输出。
脉冲能量序列生成的生成器G(z)和判别器D(x)的结构分别为：
其中，ht是隐藏层第t步的状态。将生成器的每一步输出连接可以得到生成脉冲能量序列
脉冲间隔序列生成的生成器G(z)和判别器D(x)的结构分别为：
将生成器的每一步输出连接可以得到生成脉冲间隔序列
5.根据权利要求1所述的一种基于生成式对抗网络模拟人群跳跃荷载的方法，其特征在于，所述的步骤(3)中，生成器G(z)和判别器D(x)用Adam算法同时进行训练，经过一段时间的训练后：
此时，生成样本和真实样本的分布完全一致，判别器无法区分真实样本和生成样本。
CN201910279439.5A 2019-04-09 2019-04-09 基于生成式对抗网络模拟人群跳跃荷载的方法 Active CN110059384B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910279439.5A CN110059384B (zh) 2019-04-09 2019-04-09 基于生成式对抗网络模拟人群跳跃荷载的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910279439.5A CN110059384B (zh) 2019-04-09 2019-04-09 基于生成式对抗网络模拟人群跳跃荷载的方法

Publications (2)

Publication Number Publication Date
CN110059384A true CN110059384A (zh) 2019-07-26
CN110059384B CN110059384B (zh) 2023-01-06

Family

ID=67318532

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910279439.5A Active CN110059384B (zh) 2019-04-09 2019-04-09 基于生成式对抗网络模拟人群跳跃荷载的方法

Country Status (1)

Country Link
CN (1) CN110059384B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111210409A (zh) * 2019-12-30 2020-05-29 浙江大学 一种基于条件生成对抗网络的结构损伤识别方法
CN111241614A (zh) * 2019-12-30 2020-06-05 浙江大学 基于条件生成对抗网络模型的工程结构荷载反演方法
CN114444551A (zh) * 2022-04-02 2022-05-06 西南交通大学 一种基于小波变换和卷积自编码器的气动力载荷辨识方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942417A (zh) * 2014-04-01 2014-07-23 清华大学深圳研究生院 覆冰导线脱冰跳跃仿真测试方法
CN104112071A (zh) * 2014-07-15 2014-10-22 同济大学 跳跃荷载下楼盖振动响应计算方法
CN108458847A (zh) * 2018-01-03 2018-08-28 东南大学 一种桥梁人致冲击荷载光学测量方法及其快速测试系统
US20190332942A1 (en) * 2016-12-29 2019-10-31 Zhejiang Gongshang University Method for generating spatial-temporally consistent depth map sequences based on convolution neural networks

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942417A (zh) * 2014-04-01 2014-07-23 清华大学深圳研究生院 覆冰导线脱冰跳跃仿真测试方法
CN104112071A (zh) * 2014-07-15 2014-10-22 同济大学 跳跃荷载下楼盖振动响应计算方法
US20190332942A1 (en) * 2016-12-29 2019-10-31 Zhejiang Gongshang University Method for generating spatial-temporally consistent depth map sequences based on convolution neural networks
CN108458847A (zh) * 2018-01-03 2018-08-28 东南大学 一种桥梁人致冲击荷载光学测量方法及其快速测试系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
操礼林: "人群荷载下大型火车站房大跨楼盖振动舒适度控制研究", 《土木工程学报》 *
陈隽: "单人跳跃载荷模型及其参数取值", 《同济大学学报(自然科学版)》 *
陈隽: "行走激励的傅里叶级数模型及其参数的实验研究", 《振动与冲击》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111210409A (zh) * 2019-12-30 2020-05-29 浙江大学 一种基于条件生成对抗网络的结构损伤识别方法
CN111241614A (zh) * 2019-12-30 2020-06-05 浙江大学 基于条件生成对抗网络模型的工程结构荷载反演方法
CN114444551A (zh) * 2022-04-02 2022-05-06 西南交通大学 一种基于小波变换和卷积自编码器的气动力载荷辨识方法
CN114444551B (zh) * 2022-04-02 2022-06-10 西南交通大学 一种基于小波变换和卷积自编码器的气动力载荷辨识方法

Also Published As

Publication number Publication date
CN110059384B (zh) 2023-01-06

Similar Documents

Publication Publication Date Title
CN110059384A (zh) 基于生成式对抗网络模拟人群跳跃荷载的方法
CN111160520A (zh) 一种基于遗传算法优化的bp神经网络风速预测方法
CN106772695B (zh) 一种融合多测风站实测数据的铁路沿线风速预测方法
CN110222701A (zh) 一种桥梁病害自动识别方法
CN102389302B (zh) 一种心电信号动力特征分析方法
CN103018338A (zh) 一种基于声发射和神经网络的混凝土无损检测方法
CN109753946A (zh) 一种基于身体关键点监督的真实场景行人小目标检测网络及检测方法
CN104983489B (zh) 下肢假肢行走时的路况识别方法
CN109543838A (zh) 一种基于变分自编码器的图像增量学习方法
CN112183643B (zh) 基于声发射的硬岩拉剪破裂识别方法及装置
CN109645989A (zh) 一种麻醉深度估计方法及系统
Zhang et al. An improved method of rail health monitoring based on CNN and multiple acoustic emission events
CN104197988B (zh) 大型结构传感资源冲突和功能复用协作融合监测系统
CN116881819B (zh) 一种基于孤立森林的斜拉索工作状态监测方法
CN105954796A (zh) 一种确定微地震的震源位置的方法和装置
CN108446594B (zh) 基于动作识别的应急反应能力测评方法
CN106096246A (zh) 基于pm2.5和pm10的气溶胶光学厚度估计方法
CN103033329A (zh) 一种改进功率谱峰值法的空间网格结构频率识别方法
CN114241423A (zh) 一种河道漂浮物智能检测方法及系统
CN109919215A (zh) 基于聚类算法改进特征金字塔网络的目标检测方法
CN111311668B (zh) 一种基于卷积神经网络的清水混凝土表面气孔分析方法
Meyendorf et al. Structural health monitoring for aircraft, ground transportation vehicles, wind turbines and pipes-prognosis
CN109029711A (zh) 一种动态的桥梁结构多阶频率识别方法
CN107330512A (zh) 预测蛋白质序列的远同源性关系的神经网络结构及方法
CN112380949B (zh) 一种微震波到时点检测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant