CN110378511A - 基于循环神经网络的结构关键区域控制参数预警方法 - Google Patents
基于循环神经网络的结构关键区域控制参数预警方法 Download PDFInfo
- Publication number
- CN110378511A CN110378511A CN201910468383.8A CN201910468383A CN110378511A CN 110378511 A CN110378511 A CN 110378511A CN 201910468383 A CN201910468383 A CN 201910468383A CN 110378511 A CN110378511 A CN 110378511A
- Authority
- CN
- China
- Prior art keywords
- data
- recognition
- control parameter
- neural network
- recurrent neural
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000006073 displacement reaction Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 5
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 6
- 230000036541 health Effects 0.000 abstract description 4
- 230000003862 health status Effects 0.000 abstract description 4
- 230000035484 reaction time Effects 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的一种基于循环神经网络的结构关键区域控制参数预警方法，包括以下步骤：在结构的关键区域布设传感器，监测结构关键区域的位移、应变参数；将布设的传感器测得的数据转化为结构控制参数；对获得的结构控制参数逐组进行归一化的预处理；构建循环神经网络结构；使用得到的不同时间间隔的多组数据分别训练循环神经网络的各层权值，得到一组模型；取结构近期一段时间的监测数据，经过归一化及下采样处理后为网络的初始输入进行预测。本发明能够预测结构未来的健康状态，相较于现有的结构健康监测方法能够为养护单位赢得更多的反应时间，更有效的维护结构的安全，极大的降低由于结构突然破坏引起的人员伤亡和财产损失。
Description
技术领域
本发明涉及土木工程与人工智能交互技术领域，具体是一种基于循环神经网络的结构关键区域控制参数预警方法。
背景技术
随着近年来我国基础设施建设的快速发展，土木行业发展迅速，大量的桥梁、隧道、房屋建设完毕，这些土木工程结构经过长期使用后会出现结构的变形、混凝土开裂等损伤，影响结构实际使用过程中的安全性。现行的结构养护方法包括结构的检测与监测，结构的检测评估周期较长，给结构的养护单位提供的是结构历史健康状态，结构的健康监测能够做到结构安全信息的实时监测，在很大程度上提高了养护单位的反应效率。不过对于一些结构健康状态较差但仍在使用的结构，或者一些特别重要的结构，仅知道结构的实时监测的状态不能给养护单位预留充分的反应时间来避免结构突然破坏引起的人员伤亡和财产损失。因此，迫切的需要一种能够预测结构未来健康状态的预警方法。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种基于循环神经网络的结构关键区域控制参数预警方法。
技术方案：为解决上述技术问题，本发明的一种基于循环神经网络的结构关键区域控制参数预警方法，包括以下步骤：
S1：在结构的关键区域布设传感器，监测结构关键区域的位移、应变参数；
S2：将布设的传感器测得的数据转化为结构控制参数；
S3：对获得的结构控制参数按照不同的时间间隔进行下采样使之形成具有不同时间间隔的多组数据，并逐组进行归一化的预处理；
S4：构建循环神经网络结构，包括网络的输入层，能够在不同时间步间传递信息的隐层及网络的输出层；使用步骤S3中得到的不同时间间隔的多组数据分别训练循环神经网络的各层权值，得到一组模型；
S5：取结构近期一段时间的监测数据，经过归一化及下采样处理后为网络的初始输入进行预测。
S6：以步骤S5中循环神经网络的输出作为网络的输入进行下一步的预测，重复这个过程，直至满足预测步长的要求。
S7：把预测值与设定阈值进行比较，如果结构控制参数的预测值超过了阈值则采取控制措施，否则重复上述预警过程。
优选地，步骤S1中，结构的关键区域由力学模型及有限元分析得出。
优选地，步骤S3中，对归一化的数据进行下采样处理，根据实际的需求把连续的监测数据采样为以秒、分钟、小时、天、星期、月、年为间隔的不同数据组。
优选地，步骤S4中能够实现不同时间步传递信息的隐层选用长短期记忆模块，不同时间间隔的数据分别训练一个模型。
优选地，步骤S4中的归一化通过以下方式进行：对不同时间间隔的不同组的数据分别进行归一化处理，具体操作为每个数据点减去该组数据的均值然后除以该组数据的标准差。
优选地，步骤S4中网络的损失函数采用均方误差，优化算法选用随机梯度下降算法。
优选地，步骤S5中所取的监测数据的长度与训练该模型时的序列长度相一致，取最新监测的数据为预测的起点。
优选地，步骤S6在网络的循环预测的过程中针对不同时间间隔数据训练的模型设置不同的步长。
优选地，步骤S7针对不同时间间隔数据训练的模型设置不同的阈值。
有益效果：本发明具有以下有益效果：
能够预测结构未来的健康状态，相较于现有的结构健康监测方法能够为养护单位赢得更多的反应时间，更有效的维护结构的安全，极大的降低由于结构突然破坏引起的人员伤亡和财产损失。
附图说明
图1为本发明的流程图；
图2为本发明中使用的循环神经网络的示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示，一种基于循环神经网络的结构关键区域控制参数预警方法，包括如下步骤：
S1：在结构的关键区域布设传感器，监测结构关键区域的位移、应变参数；
S2：将布设的传感器测得的数据转化为结构控制参数；
S3：对获得的结构控制参数按照不同的时间间隔进行下采样使之形成具有不同时间间隔的多组数据，并逐组进行归一化的预处理；
S4：构建循环神经网络结构，包括网络的输入层，能够在不同时间步间传递信息的隐层及网络的输出层；使用步骤S3中得到的不同时间间隔的多组数据分别训练循环神经网络的各层权值，得到一组模型；
S5：取结构近期一段时间的监测数据，经过归一化及下采样处理后为网络的初始输入进行预测。
S6：以步骤S5中循环神经网络的输出作为网络的输入进行下一步的预测，重复这个过程，直至满足预测步长的要求。
S7：把预测值与设定阈值进行比较，如果结构控制参数的预测值超过了阈值则采取控制措施，否则重复上述预警过程。
步骤S1中，结构的关键区域由力学模型及有限元分析得出。
步骤S2中，将传感器的数据转化为结构的控制参数，需根据传感器的特点选择合适的解调设备。
步骤S3中对归一化的数据进行下采样处理，根据实际的需求把连续的监测数据采样为以秒、分钟、小时、天、星期、月、年为间隔的不同数据组。
步骤S4中能够实现不同时间步传递信息的隐层选用长短期记忆模块(LSTM)，网络的示意图见附图2，图中Et为t时刻时网络的输入，Ot为t时刻的网络输出，LSTM为网络的长短期记忆模块。不同时间间隔的数据分别训练一个模型。
步骤S4中的归一化通过以下方式进行：对不同时间间隔的不同组的数据分别进行归一化处理，具体操作为每个数据点减去该组数据的均值然后除以该组数据的标准差。
步骤S4中网络的损失函数采用均方误差，优化算法选用随机梯度下降算法。
步骤S5中所取的监测数据的长度与训练该模型时的序列长度相一致，取最新监测的数据为预测的起点。
步骤S6在网络的循环预测的过程中针对不同时间间隔数据训练的模型设置不同的步长。
步骤S7针对不同时间间隔数据训练的模型设置不同的阈值。
训练卷积神经网络的实验条件：使亚马逊AWS云计算服务，配置亚马逊EC2P2.xlarge实例，该实例配置1个GPU，4个vCPU,61GB的随机存取存储器，系统采用ubuntu系统，编程语言采用python。深度学习平台使用pytorch。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种基于循环神经网络的结构关键区域控制参数预警方法，其特征在于，包括以下步骤：
S1：在结构的关键区域布设传感器，监测结构关键区域的位移、应变参数；
S2：将布设的传感器测得的数据转化为结构控制参数；
S3：对获得的结构控制参数按照不同的时间间隔进行下采样使之形成具有不同时间间隔的多组数据，并逐组进行归一化的预处理；
S4：构建循环神经网络结构，包括网络的输入层，能够在不同时间步间传递信息的隐层及网络的输出层；使用步骤S3中得到的不同时间间隔的多组数据分别训练循环神经网络的各层权值，得到一组模型；
S5：取结构近期一段时间的监测数据，经过归一化及下采样处理后为网络的初始输入进行预测。
S6：以步骤S5中循环神经网络的输出作为网络的输入进行下一步的预测，重复这个过程，直至满足预测步长的要求。
S7：把预测值与设定阈值进行比较，如果结构控制参数的预测值超过了阈值则采取控制措施，否则重复上述预警过程。
2.根据权利要求1所述的基于循环神经网络的结构关键区域控制参数预警方法，其特征在于：步骤S1中，结构的关键区域由力学模型及有限元分析得出。
3.根据权利要求1所述的基于循环神经网络的结构关键区域控制参数预警方法，其特征在于：步骤S3中，对归一化的数据进行下采样处理，根据实际的需求把连续的监测数据采样为以秒、分钟、小时、天、星期、月、年为间隔的不同数据组。
4.根据权利要求1所述的基于循环神经网络的结构关键区域控制参数预警方法，其特征在于：步骤S4中能够实现不同时间步传递信息的隐层选用长短期记忆模块，不同时间间隔的数据分别训练一个模型。
5.根据权利要求1所述的基于循环神经网络的结构关键区域控制参数预警方法，其特征在于：步骤S4中的归一化通过以下方式进行：对不同时间间隔的不同组的数据分别进行归一化处理，具体操作为每个数据点减去该组数据的均值然后除以该组数据的标准差。
6.根据权利要求1所述的基于循环神经网络的结构关键区域控制参数预警方法，其特征在于：步骤S4中网络的损失函数采用均方误差，优化算法选用随机梯度下降算法。
7.根据权利要求1所述的基于循环神经网络的结构关键区域控制参数预警方法，其特征在于：步骤S5中所取的监测数据的长度与训练该模型时的序列长度相一致，取最新监测的数据为预测的起点。
8.根据权利要求1所述的基于循环神经网络的结构关键区域控制参数预警方法，其特征在于：步骤S6在网络的循环预测的过程中针对不同时间间隔数据训练的模型设置不同的步长。
9.根据权利要求1所述的基于循环神经网络的结构关键区域控制参数预警方法，其特征在于：步骤S7针对不同时间间隔数据训练的模型设置不同的阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910468383.8A CN110378511A (zh) | 2019-05-31 | 2019-05-31 | 基于循环神经网络的结构关键区域控制参数预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910468383.8A CN110378511A (zh) | 2019-05-31 | 2019-05-31 | 基于循环神经网络的结构关键区域控制参数预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110378511A true CN110378511A (zh) | 2019-10-25 |
Family
ID=68249594
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910468383.8A Pending CN110378511A (zh) | 2019-05-31 | 2019-05-31 | 基于循环神经网络的结构关键区域控制参数预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110378511A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112033710A (zh) * | 2020-09-15 | 2020-12-04 | 中车青岛四方机车车辆股份有限公司 | 一种基于神经网络的城轨车辆构架损伤度检测方法 |
| CN115452047A (zh) * | 2022-09-05 | 2022-12-09 | 中国建筑第八工程局有限公司 | 一种智能结构检测方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256172A (zh) * | 2017-12-26 | 2018-07-06 | 同济大学 | 一种顶管下穿既有箱涵过程中险情预警预报方法 |
| CN109243172A (zh) * | 2018-07-25 | 2019-01-18 | 华南理工大学 | 基于遗传算法优化lstm神经网络的交通流预测方法 |
| CN109799533A (zh) * | 2018-12-28 | 2019-05-24 | 中国石油化工股份有限公司 | 一种基于双向循环神经网络的储层预测方法 |
-
2019
- 2019-05-31 CN CN201910468383.8A patent/CN110378511A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256172A (zh) * | 2017-12-26 | 2018-07-06 | 同济大学 | 一种顶管下穿既有箱涵过程中险情预警预报方法 |
| CN109243172A (zh) * | 2018-07-25 | 2019-01-18 | 华南理工大学 | 基于遗传算法优化lstm神经网络的交通流预测方法 |
| CN109799533A (zh) * | 2018-12-28 | 2019-05-24 | 中国石油化工股份有限公司 | 一种基于双向循环神经网络的储层预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 徐凤月: "梁桥的健康监测及其剩余寿命预测分析", 《四川建材》 * |
| 王刚: "基于递归神经网络的桥梁变形趋势预测研究", 《公路与汽运》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112033710A (zh) * | 2020-09-15 | 2020-12-04 | 中车青岛四方机车车辆股份有限公司 | 一种基于神经网络的城轨车辆构架损伤度检测方法 |
| CN112033710B (zh) * | 2020-09-15 | 2022-04-01 | 中车青岛四方机车车辆股份有限公司 | 一种基于神经网络的城轨车辆构架损伤度检测方法 |
| CN115452047A (zh) * | 2022-09-05 | 2022-12-09 | 中国建筑第八工程局有限公司 | 一种智能结构检测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110378511A (zh) | 基于循环神经网络的结构关键区域控制参数预警方法 | |
| CN103604642A (zh) | 广义位移索力监测问题索集中载荷递进式识别方法 | |
| CN103604549A (zh) | 线位移应变监测受损索集中载荷递进式识别方法 | |
| CN103604644A (zh) | 线位移时应变监测的问题索集中载荷递进式识别方法 | |
| CN103604649A (zh) | 应变监测问题索集中载荷线位移递进式识别方法 | |
| CN103616231A (zh) | 广义位移应变监测受损索集中载荷递进式识别方法 | |
| CN114936409A (zh) | 土木工程结构数字孪生建模方法 | |
| CN103604631A (zh) | 线位移时索力监测的问题索集中载荷递进式识别方法 | |
| CN103604641A (zh) | 空间坐标监测受损索集中载荷广义位移递进式识别方法 | |
| CN103604554A (zh) | 索力监测问题索集中载荷广义位移递进式识别方法 | |
| CN103604654A (zh) | 空间坐标监测问题索集中载荷广义位移递进式识别方法 | |
| CN103604625A (zh) | 角度监测问题索集中载荷角位移识别方法 | |
| CN103604624A (zh) | 基于混合监测的受损索和集中载荷识别方法 | |
| CN103616233A (zh) | 广义位移索力监测受损索集中载荷递进式识别方法 | |
| CN211783908U (zh) | 一种大体积混凝土内部温度全自动化远程监测系统 | |
| CN103604645A (zh) | 广义位移混合监测问题索集中载荷识别方法 | |
| CN103604553A (zh) | 角位移角度监测受损索集中载荷识别方法 | |
| CN103604548A (zh) | 角位移应变监测受损索集中载荷识别方法 | |
| CN103604637A (zh) | 角度监测受损索集中载荷线位移递进式识别方法 | |
| CN103604648A (zh) | 角度监测问题索集中载荷广义位移递进式识别方法 | |
| CN103616210A (zh) | 广义位移时空间坐标监测的受损索集中载荷识别方法 | |
| CN103630397A (zh) | 线位移时角度监测的问题索集中载荷识别方法 | |
| CN103616224A (zh) | 基于索力监测的受损索和集中载荷识别方法 | |
| CN103616234A (zh) | 空间坐标监测的问题索和集中载荷递进式识别方法 | |
| CN103604626A (zh) | 混合监测受损索集中载荷广义位移递进式识别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191025 |
|
| RJ01 | Rejection of invention patent application after publication |