CN110414140A

CN110414140A - 木材损伤的模型训练和测试方法、装置、设备和存储介质

Info

Publication number: CN110414140A
Application number: CN201910692909.0A
Authority: CN
Inventors: 齐鹏; 李梦炜; 刘创; 李征; 戚骁亚
Original assignee: Beijing Depth Singularity Technology Co Ltd; Tongji University
Current assignee: Tongji University
Priority date: 2019-07-30
Filing date: 2019-07-30
Publication date: 2019-11-05
Anticipated expiration: 2039-07-30
Also published as: CN110414140B

Abstract

本发明涉及一种木材损伤检测的模型训练和测试方法、装置、设备和存储介质，该方法包括：应用预先搭建的实验平台获取各个样品的实验数据；对实验数据进行预处理，以确定训练样本数据和测试样本数据，训练样本数据和测试样本数据中均包括木材属性、当前负载、当前损坏率和质量相关因子，训练样本的标签为根据当前损坏率计算得到的损伤增量；应用训练样本对预先构建的神经网络模型进行训练，以获得目标神经网络模型；将测试样本输入至目标神经网络模型，得到目标损伤增量；根据目标损伤增量计算破坏时间，将破坏时间与根据测试样本数据确定的标准破坏时间进行对比，以测试目标神经网络模型。应用目标神经网络模型得到的木材损伤率精度和效率更高。

Description

木材损伤的模型训练和测试方法、装置、设备和存储介质

技术领域

本发明涉及机器学习技术领域，具体涉及一种木材损伤检测的模型训练和测试方法、装置、设备和存储介质。

背景技术

自复位预应力胶合木框架结构具有绿色环保、符合建筑工业化发展方向和震后功能快速恢复等优点，是一种抗灾性能极佳的新型木结构体系，且在新西兰、美国等强震区被广泛应用。

预应力胶合木框架的自复位性能依靠节点中的实存有效预应力，然而结构服役期内，由于木材蠕变和环境作用引发预应力损失，使结构承载性能随时间退化。为估计蠕变效应对结构力学性能退化的影响，需建立木材蠕变累积损伤模型。然而，木结构各项性能离散性大，蠕变受众多因素影响，既有累积损伤模型难以描述长期荷载下木材力学性能的复杂变化规律。

发明内容

有鉴于此，提供一种木材损伤检测的模型训练和测试方法、装置、设备和存储介质，以解决现有技术中模型的局限性导致的木材损伤检测效率和精度都比较低的问题。

本发明采用如下技术方案：

第一方面，本申请实施例提供了一种木材损伤检测的模型训练和测试方法，该方法包括：

应用预先搭建的实验平台获取各个样品的实验数据；

对所述实验数据进行预处理，以确定训练样本数据和测试样本数据，其中，所述训练样本数据和所述测试样本数据中均包括木材属性、当前负载、当前损坏率和质量相关因子，所述训练样本的标签为根据所述当前损坏率计算得到的损伤增量；

应用所述训练样本对预先构建的神经网络模型进行训练，以获得目标神经网络模型；

将所述测试样本输入至所述目标神经网络模型，得到目标损伤增量；

根据所述目标损伤增量计算破坏时间，将所述破坏时间与根据所述测试样本数据确定的标准破坏时间进行对比，以测试所述目标神经网络模型。

第二方面，本申请实施例提供了一种木材损伤检测的模型训练和测试装置，该装置包括：

数据获取模块，用于应用预先搭建的实验平台获取各个样品的实验数据；

样本确定模块，用于对所述实验数据进行预处理，以确定训练样本数据和测试样本数据，其中，所述训练样本数据和所述测试样本数据中均包括木材属性、当前负载、当前损坏率和质量相关因子，所述训练样本的标签为根据所述当前损坏率计算得到的损伤增量；

模型训练模块，用于应用所述训练样本对预先构建的神经网络模型进行训练，以获得目标神经网络模型；

目标损伤增量确定模块，用于将所述测试样本输入至所述目标神经网络模型，得到目标损伤增量；

模型测试模块，用于根据所述目标损伤增量计算破坏时间，将所述破坏时间与根据所述测试样本数据确定的标准破坏时间进行对比，以测试所述目标神经网络模型。

第三方面，本申请实施例提供了一种设备，该设备包括：

处理器，以及与所述处理器相连接的存储器；

所述存储器用于存储计算机程序，所述计算机程序至少用于执行本申请实施例第一方面所述的木材损伤检测的模型训练和测试方法；

所述处理器用于调用并执行所述存储器中的所述计算机程序。

第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如第一方面所述的木材损伤检测的模型训练和测试方法中各个步骤。

本发明采用以上技术方案，应用预先搭建的实验平台获取各个样品的实验数据；对实验数据进行预处理，以确定训练样本数据和测试样本数据，这样处理实验数据后确定的训练样本数据和测试样本数据更接近样品的真实情况，也就使得训练出来的神经网络模型更准确；训练样本数据和所述测试样本数据中均包括木材属性、当前负载、当前损坏率和质量相关因子，训练样本的标签为根据当前损坏率计算得到的损伤增量，这样，综合考虑了这几类特性和标签作为训练样本，考虑了木材损伤的实际应用场景；应用训练样本对预先构建的神经网络模型进行训练，以获得目标神经网络模型，应用目标神经网络模型来获取木材的损伤情况更准确；将测试样本输入至目标神经网络模型，得到目标损伤增量；根据目标损伤增量计算破坏时间，将破坏时间与根据测试样本数据确定的标准破坏时间进行对比，以测试目标神经网络模型，另外，增加了应用测试样本测试的环节，进一步提高了目标神经网络模型的准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种木材损伤检测的模型训练和测试方法的流程图；

图2是本发明实施例中适用的一种自复位胶合木梁柱节点拟静力加载实验设计图；

图3是本发明实施例中适用的一种负载试验中实际数据中木材荷载破坏的短期和长期的实验结果图；

图4是本发明实施例中适用的一种负载试验中实际数据中木材荷载破坏的荷载能力蠕变的过程示意图；

图5是本发明实施例提供的一种木材损伤检测的模型训练和测试方法的流程图；

图6是本发明实施例中适用的一种神经网络模型结构、训练、测试以及部署数据流概要图；

图7是本发明实施例提供的一种木材损伤检测的模型训练和测试装置的结构示意图；

图8是本发明实施例提供的一种设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。

首先对本申请实施例中涉及到的概念进行说明，马尔可夫过程、DOL(Duration OfLoad，载荷持续时间曲线)、Canadian/Foschi and Yao模型、破坏概率/事件、智能模型。

马尔可夫过程是指一种无记忆的过程，马尔可夫过程的过程概率只与系统的当前状态有关，并且是独立的，与其过去的状态无关。因此，如果所有当前状态都已知，则可以从当前状态完全推理未来状态。

载荷持续时间曲线，一条描述载荷大小和时间关系的曲线，通常为实测得到。DOL因子影响了木工构件的工作应力设计和极限状态设计。采用载荷和强度分布的时间历史和损伤累积模型可以研究DOL因子这种负荷持续时间与应力的关系。

破坏概率/事件：本文中的“破坏”一词特指单体木材发生最终“折断”的情况。具体来说，材料内部的损伤一直都在积累变化，当损伤值达到1，也即100％时，“破坏”事件就会发生，即内部微观的损伤最终表现为了宏观的个体断裂。

智能模型即神经网络构建的模型，该模型可以端到端的执行一种预先定义好的特定任务，只要通过必要的训练和查验，这种模型便可以在实际工作中根据输入的已知数据推测出所关心的量，也即模型的输出量。

实施例

图1为本发明实施例提供的一种木材损伤检测的模型训练和测试方法的流程图，该方法可以由本发明实施例提供的木材损伤检测的模型训练和测试装置来执行，该装置可采用软件和/或硬件的方式实现。参考图1，该方法具体可以包括如下步骤：

S101、应用预先搭建的实验平台获取各个样品的实验数据。

其中，图2示出了一种自复位胶合木梁柱节点拟静力加载实验设计图，201表示反力墙，202表示力传感器，203表示千斤顶，204表示位移计，205表示试件，206表示加载位置L2，207表示动作器，208表示加载位置L1。具体的，竖向千斤顶施加柱轴压荷载；作动器施加往复荷载，考虑L1和L2两个加载位置，L2用于加大节点所受的剪力，以考察不同弯、剪耦合受力状态下的节点力学性能；布置拉线式位移计测量节点转角、节点区剪切变形、梁柱接触面受压变形；同时采用数字图像相关技术测量梁柱接触区的变形情况，为分析接触区木材受压应变提供依据；监测预应力筋的内力变化，在每个加载循环后记录预应力损失。通过试验研究往复荷载下节点的刚度、承载力、耗能、残余变形等力学性态，量化预应力和耗能部件对节点各力学性能的贡献及各自所占的比例，并同短期实验结果进行对比以揭示节点力学性能退化程度。因此，上述这些均可以作为实验数据。

具体的，应用上述预先搭建的实验平台获取多个样品的实验数据，其中，可以将木材的破坏过程看作类马尔可夫跳变过程，马尔可夫无记忆，也即，其过程的过渡概率只和系统的当前状态有关，并且是独立的，与其过去的状态无关，因此，如果所有当前状态都已知，则可以从当前状态完全解决未来状态。

应用本申请实施例的技术方案，可以了解木材损害和外部因素之间的关系，并将这种连续蠕变效应转化为离散马尔可夫过程。

在一个具体的例子中，图3示出了一种负载试验中实际数据中木材荷载破坏的短期和长期的实验结果图；图4示出了一种负载试验中实际数据中木材荷载破坏的荷载能力蠕变的过程示意图；其中，301表示短期测试的情况曲线，302表示在3个月时间长度下每平方英寸施加3000磅压力时的情况曲线，303表示在4年时间长度下每平方英寸施加3000磅压力时的情况曲线，304表示在3个月时间长度下每平方英寸施加4500磅压力时的情况曲线，305表示在1年时间长度下每平方英寸施加4500磅压力时的情况曲线，306表示在4年时间长度下每平方英寸施加4500磅压力时的情况曲线。401表示加载过程中破坏的阶段，402表示持荷阶段破坏的阶段，403表示经过长期持荷之后短期实验的阶段，404表示短期控制样本的情况曲线，405表示测试样本的情况曲线，406表示长期定载阶段。

S102、对所述实验数据进行预处理，以确定训练样本数据和测试样本数据，其中，所述训练样本数据和所述测试样本数据中均包括木材属性、当前负载、当前损坏率和质量相关因子，所述训练样本的标签为根据所述当前损坏率计算得到的损伤增量。

具体的，直接获取到的实验数据中，可能有一些数据与木材的实际情况偏差较大或者由于实验平台本身造成的一些误差较大的数据，因此，这里首先对实验数据进行预处理。这样获得木材属性、当前负载、当前损坏率和质量相关因子。另外，根据实验数据中的每个个体的破坏时间和整个实验中的内部损坏状态来计算当前损坏率，然后根据当前损坏率计算一个损伤增量，其中，通过损伤增量可以看出木材损伤的变化情况。因此，本申请实施例中，训练样本的标签为损伤增量。

可选的，质量相关性因子的获取过程包括：从所述实验数据中获取每个所述样品的破坏时间，并按照所述破坏时间对所述训练样本进行分类；按照对数正态分布进行采样来获取木材强度，并按照所述木材强度对所述训练样本进行排序；根据分类结果和排序结果的对应关系确定所述质量相关因子。

具体的，与现有技术中相比，本申请实施例引入了质量相关因子的概念，该质量相关因子用于区分同一类型木材中的每个样品，而且还作为模型训练过程中的训练样本，有利于模型的训练。

在一个具体的例子中，通过分析三种木材可知，同一类型的木材中，个体负载能力的差异可以通过材料强度的变异系数以某种方式反映出来。同样，对于不同种类的木材，承载能力的总体性能取决于材料强度的平均值和变异系数。因此，本申请实施例引入了质量相关因子的概念。该质量相关因子用于区分同一类型木材中的每个样品，并且还有助于网络训练。为了构建这个因子，首先，检查一个实验中每个样品的破坏时间，并根据破坏时间对样品进行分类。随后，由于木材强度符合对数正态分布，从假设的对数正态分布进行采样，以获得一组值并对这些值进行排序。最后，每个排序的样本对应于每个排序的值，并且该排序的值可以作为神经网络的辅助输入。

可选的，所述木材属性包括短期强度的平均值和协方差。其中，可以对实验中获取到的强度进行处理，例如，选取一个时间段，当这个时间段小于一个时间阈值时，称为短期时间段，那么，可以获取这个短期时间段内的强度，称为短期强度，计算短期强度的平均值和协方差。这样，将包括短期强度的平均值和协方差的木材属性作为训练样本。

S103、应用所述训练样本对预先构建的神经网络模型进行训练，以获得目标神经网络模型。

具体的，预先构建的神经网络模型可以是深度卷积神经网络模型，这里只是一个示例，而实际应用的过程中，可以根据实际情况选取合适类型的模型作为预先构建的神经网络模型。

可选的，所述预先构建的神经网络模型包括若干个损失模块，其中，每个损失模块包括批量标准化层、全连接层和激活层。其中，这里的损失模块的数量、批量标准化层的数量、全连接层的数量和激活层的数量不做限定。

S104、将所述测试样本输入至所述目标神经网络模型，得到目标损伤增量。

具体的，通过实验平台还获取到了一组样本为测试样本，密度是测试确定的目标神经网络模型的准确性。在这个测试过程中，将测试样本输入至木目标神经网络模型作为模型输入，此时模型的输出即为目标损伤增量。

S105、根据所述目标损伤增量计算破坏时间，将所述破坏时间与根据所述测试样本数据确定的标准破坏时间进行对比，以测试所述目标神经网络模型。

具体的，对目标损伤增量进行积分，可以计算出出来测试样本对应的破坏时间，此时，需要验证这个破坏时间与实验测得的标准破坏时间的差异，以测试目标神经网络模型的准确性。而对于每个测试样本中，均可以确定对应的标准破坏时间。

图5为本发明又一实施例提供的木材损伤检测的模型训练和测试方法的流程图，本实施例在上述实施例的基础上实现。参考图5，该方法具体可以包括如下步骤：

S501、应用预先搭建的实验平台，使用动态负载加压方式来确定预设数学模型的步长；基于所述步长，应用所述预设数学模型来获取各个样品的实验数据。

其中，在应用预先搭建的试验平台，应用预设数学模型进行了数据重采样，预设数学模型以Foschi-Yao模型为例。具体的，应用校准的Foschi-Yao模型收集训练神经网络的数据和实验数据。首先，使用动态负载加压方法来确定预设数学模型的积分步长。在实验中，可以通过降低加压速率来增加短期实验的时间跨度，但没有设定上限。然后逐渐减小积分步长，直到与一小时曲线没有显著差异，选取的积分步长也用作网络前向的时间跨度。对于每种单独类型的木材和样品，在一定的负荷条件下，取样程序仅在样品被完全破坏时段或最大时长后终止。每个步骤中所有个体的所有过程数据将记录在实验中。还应注意，虽然使用恒定的荷载进行采样，但当评估模型的性能时，负载在运行期间既可以是恒定的也可以是可变的。确定模型步长后使用预设数学模型从恒定载荷的实验中采样。

S502、清洗和过滤所述实验数据中的损伤数据，重映射所述实验数据中的失衡损伤数据。

具体的，在将物理木材损坏问题转化为数学问题时，会出现失衡数据，而失衡数据会导致训练问题。例如，某种类型的数据(例如细微损坏数据)占数据集的大部分，使得模型几乎不可能学习所需的模式，这些主导数据反而获得了不必要的准确性。因此，需要对实验数据进行处理。

首先，损伤数据清洗与过滤，在数据采样过程中，木材个体的质量遵守对数正态分布规律，从而给定负荷，少数个体总会处于损伤阈值之下，导致数据库极其稀疏且零损伤数据，使得有效的训练非常困难。减少这些冗余数据可提高网络训练的有效性。

其次，失衡损伤数据重映射，在物理过程中，木材损坏的过程是一个加速过程。当木材的内部损坏微小，木材内部的累积损伤相对较慢且宏观不可见；而当木材的内部损坏严重时，同样的负荷会造成更多的损坏，造成另一层次的数据失衡。网络难以区分该区域中的数据并且模型的性能降低。因此，考虑数据的对数重新映射，并确保更加均匀的学习分布。

S503、对处理后的实验数据进行归一化处理，以确定训练样本数据和测试样本数据。

其中，归一化方法有两种形式，一种是把数据变成0到1之间的小数，另一种是把有量纲表达式变成无量纲表达式。归一化的目的是方便数据处理。本申请实施例中，对处理后的实验数据进行归一化处理，这样确定的训练样本数据和测试数据更有利于提高目标神经网络模型的准确度。

S504、应用所述训练样本对预先构建的神经网络模型进行迭代训练，以调整所述神经网络模型的参数。

具体的，应用训练样本对预先构建的神经网络模型进行迭代训练，每次训练过程中，都会得到一组输出的数据，也即损失增量，此时，可以根据每次输出的损失增量和损失函数计算损失误差，然后根据该损失误差调整神经网络模型的参数。

在一个具体的例子中，目的是模型在未来的任何时候输出每个木材样本的损坏程度。因此，为了使每个个体进行破坏试验，该模型还需要按时间自我迭代。也即，模型的最后预测被反馈为下一预测的输入。另外，为了降低模型的复杂性，网络会以一个固定周期在一定的时间长度上循环往复。

另外，网络模型应该能够在任何当前状态的任何负载过程中，预测出木材的下一个状态，要求网络输入至少包含当前损坏和当前负载。此外，木材属性的平均值和变异系数也用作后续用途的输入。在输出方面，避免了使用下一时刻的直接损伤值，而是为网络训练损伤增量。

S505、根据所述参数更新所述神经网络模型，以获取目标神经网络模型。

具体的，根据上述调整后的参数更新神经网络模型，在满足预设收敛条件时，更新停止，此时的神经网络模型即为目标神经网络模型。在一个具体的例子中，预设收敛条件可以是由迭代次数决定的，还可以是由损失增量决定的，这里只是用例举例，并不形成具体的限定。

S506、将所述测试样本输入至所述目标神经网络模型，得到目标损伤增量。

S507、根据所述目标损伤增量计算破坏时间，将所述破坏时间与根据所述测试样本数据确定的标准破坏时间进行对比，以测试所述目标神经网络模型。

本申请实施例中，在获取实验数据的过程中，采用动态负载加压方式通过调节步长来应用预设数学模型来获取实验数据；然后对实验数据中的不符合要求的数据进行清洗和过滤，例如，损伤数据等，这样从源头上对样本数据进行处理，进而提高神经网络模型的准确度；最后通过调整神经网络模型的参数来实现神经网络模型的迭代更新，这样获得的目标神经网络模型准确度更高。

为了使本申请实施例的技术方案更容易理解，下面对以图4为例进行说明，图6示出了一种神经网络模型结构、训练、测试以及部署数据流概要图。在在训练/测试阶段，网络接收输入并预测单步损伤增量。损失函数定义为校准模型与网络给出的增量对等时间步长之差。在更新模型的权重参数时，选择RMS-prop作为数学优化算法。

在预测/部署阶段，不同于在训练阶段的数据流过程，模型将执行循环往复的运行，直到木材被完全摧毁或达到最大时间限制。为了与观测数据给出的破坏概率曲线进行比较，在个体上重复这种方式，对比观测样本的表现，以给出统计的宏观失效曲线.

另外，本申请实施例中，还实现了在微观和宏观行为之间切换。具体的，网络模型是模拟单个木材损坏过程，若想获得最终的破坏概率曲线，需要大量地运行个体模型，随后通过统计手段统计所有个体，得到最终破坏曲线。这种逐步加样本预测模型的有效性的统计证明：有两个主要问题：尽管神经网络算法的训练集和测试集将被独立采样并且分布相同，模型的实际性能的衡量并不能直接从该测试集中得出，而是最终的破坏概率曲线来自统计结果。况且，通常神经网络的工作模式不是单步的。当自我迭代时，网络将完全在闭环中运行，这可能导致错误累积，对于这些问题都有必要进行探讨。不过最终的研究结果表明，该模型的性能在统计上是可以接受的，并且模型预测误差将在整个过程中不断消除，从某种程度上消除了这些问题带来的顾虑。

下面设计了四种情景来评估方法的有效性，综合考虑几种不同的种类的木材和50年的实验长度，木材种类分别用Hemlock、SPF_Q1、SPF_Q2表示。

第一种情况，恒定负载情况。在一定负荷范围内，将给出新的木材个体，例如可以通过上述分布的质量相关因子进行采样，以测试目标神经网络模型对于相同类型木材内和恒定负荷下的不同样品的泛化能力。在这种情况下，可以通过与观察数据进行比较来评估网络的预测精度。

具体的，通过验证恒负载的情况可知：不同恒定载荷和不同树种之间的平均决定系数达到95％以上；与长期阶段相比，在损伤过程开始时预测精度“视觉上”有点差，但这都是由于横轴的尺度是对数的；该模型对木质材料的性质之间的差异很敏感：材料越强，损坏就越慢，并发展成严重的失效。相反，弱势属性最终将会出现更早的整体性破坏。这表明该目标神经网络模型学习了材料强度与损伤之间的关系；对于相同类型的木材，模型对负载的差异敏感。载荷越大，相同类型木材的损坏越快，反之亦然。这表明学习了负荷和损害之间的关系。实验还表明，通过增加数据的数量和多样性，可以更好地训练目标神经网络模型，并且预测性能将继续提高。通过证明通过单步法训练的目标神经网络模型的性能在循环运行之后满足期望。通过合理选择输入和合法的预处理方法，模型的累积误差是稳定的，保持故障时的分析结果准确。

2)单点变化情景。此时，除了通过QRF生成新的个体之外，网络的负载将在一定时间之后突变为特定值以测试目标神经网络模型反应。具体而言，对于所有实验组，无论初始恒定负载如何，所有负载都将变为某大小的中间负载。因此，对于初始负载较小/较大的实验组，可以测试当负载突然增加/减少时模型将如何反应。理想情况下，假设目标神经网络模型应适用于所有类型的负载变化，不仅仅是单点的变化。另外，在突然的负荷变化时，曲线立即停止了原始趋势，表明负荷的突然变化将直接改变内部损伤形成的速率。具体来说，对于负载突然增加的实验组，曲线的趋势立即增加，这意味着负载的突然增加显着加速了损坏。而在实验组中当负荷突然减小时，曲线的上升趋势立即停止，表明内部损伤形成基本停止。目标神经网络模型的统计结果表明，与预设数学模型给出的结果非常相似，对于这种情况，平均决定系数达到98％。通过在恒定负载下学习数据，神经网络学习负载和材料损坏率之间的基本物理关系。

3)连续负载变化情况。为了说明本申请实施例中的目标神经网络模型能适应连续负载的变化，在整个破坏过程中随机应用了负载。考虑到不同种类木材的破坏时间都处于一个可比较范围内，应该设定较小的荷载变化范围。事实上，连续负载变化将被视为整个负载系列的单步变化。

实验表明，在50年的预测期内，负荷持续变化，三种木材的表现出不同程度损伤积累趋势。其中，SPF_Q2木材，具有最快的伤害累积率；Hemlock的累积伤害曲线大于SPF_Q1。所有这些特征都与预设数学模型的实验结果一致，达到了98％以上的决定系数，表明目标神经网络模型能够在木材种类和连续负荷变化情景之间进行推广。需要说明的是，负荷变化的周期可以任意调整，目标神经网络模型通常能给出合理的结果，表明的深度学习模型学习木材损伤与载荷之间的内在关系，即使只是在恒定载荷情况下训练。负荷的变化范围为5-20MPa，负荷每7天变化一次(成比例变化)。

4)木材性质的变化。木材的性质可以通过短期强度的“均值”和“变异系数”来改变，但仅限于预设数学模型。在这种情况下将讨论一些宏观定性分析。

将目标神经网络模型的应用从已知的木材种类推广到未知的木材，以下称为新木材。在现有条件下，可以假设新木材的属性接近已知的木材的属性，例如SPF_Q1，并检查模型是如何运作的。具体而言，变异系数与SPF_Q1相同，短期强度的平均值略小于SPF_Q1，即在物理上，这等同于新木材的质量略差于SFP_Q1。

实验可知：新木材的强度略低于SFP_Q1的强度，表明如果给出适当数量的树种数据，该模型可以适当地推广到未知的木材种类。

综上，所有这四种评估情况都将用于测试目标神经网络模型的性能和泛化能力。下面对本申请实施例的有益效果进行说明：

1)首先考虑了在恒载试验条件下不同的木材种类，要求模型在长期试验中随时给出木材的内部损伤。最后，通过对所有试验样品的损伤过程进行统计，破坏概率曲线的确定系数可达到95％以上。

2)神经网络学习木材损伤的因果关系。当木材在小荷载或无荷载作用下，不会形成损伤，因此破坏概率曲线不会上升；当木材在大荷载作用下，损伤会迅速形成，破坏概率曲线会很快上升。

3)尽管时间轴是对数，但发现，在所有情况下，学习“短期损伤事件”仍然比较困难。“短期”是指仅经过几个时间步骤就完全损坏的事件。认为原因是，短期内，快速的木材损伤会很快导致失效时间，而且由于确定了取样的步长，因此此类损伤事件只能为模型训练提供非常有限的数据点。实验只提供了几个点，甚至一个点。因此，短期损伤事件将导致训练数据分布不均匀，影响模型的性能。

4)通过对不同材料性能的预测结果进行比较，结果表明，模型能够了解材料强度与恒载损伤之间的关系，即木材质量越高，损伤越慢，反之亦然。

神经网络通过在恒定负载下学习数据，在描述动态负载变化场景时表现出色。实验结果表明，该预测模型能在50年内的任何时间对木材进行内部损伤预测，与预设数学模型相比，预测系数为98％。

6)设计的网络允许添加或修改新的木材品种和新属性。然而，内部损伤往往是一个具有非线性效应的非常复杂的过程。因此，对于未知木材的泛化能力，模型能力还需要更多的数据进行训练。

7)如果假设新木材在某种程度上类似于已知木材的一种，网络仍然可以获得令人信服的结果。这表明，如果有更多的真实的木材品种实验数据，本研究提出的深度学习模型有潜力预测未知木材的损伤。

8)此外，在研究过程中，发现模型训练的性能取决于训练数据集的大小，这样的数据集可以适当扩展以获得更好的模型性能。目前，在不同的恒载和不同的木材条件下，测定的平均系数均在95％以上。如果有更好的计算资源，这显然可以通过纯粹增加数据训练的数量来进一步改进。

9)值得注意的是，如果数据采集方法不合理，预测结果可能与观测数据存在偏差，导致网络泛化能力下降。

另外，由于自复位木框架的自复位性能依靠实存有效预应力。木材是一种天然生长的建筑材料，属粘弹性材料，且力学性能呈显著非线性，会发生应力松弛与蠕变。结构服役期内，木材蠕变是导致预应力损失的最重要因素，亦是该类结构承载性能随时间退化的最重要诱因。

在本申请实施例中，利用神经网络和机器学习算法，最终可以学习、提炼并进一步运用木材材料损伤这种包含个体变异和随机性的物理过程，并完成了对假定场景的模拟。通过机器学习，研究阐明了木结构长期荷载效应下性能退化、预测了结构残余性能的变化，人工智能技术的引入为结构全寿命设计理论研究带来新的活力。

具体来说，在本申请实施例中，受马尔可夫过程思想的启发，在考虑个体不确定性的前提下，采用逐步方法建立了木材损伤过程的神经网络模型来模拟个体的损伤。目标神经网络能够通过大数据学习来提取损伤规律，在所有四种情况下，都建立了评估模型性能的方案，通过“循环运行”可以获得合理的统计曲线，具有很好的准确性。并且随着时间尺度、个体、负荷变化或短期强度的变化，网络模型的表现始终合理的。神经网络学习木材损伤的内在因果关系，所构建的神经网络模型具有预测连续性，其工作方式与实际过程中的物理损伤过程相似。在恒载条件下，决定系数达到95％以上，对不同树种的木材性能和负荷表现出良好的适应性。该模型只对恒载下的数据进行训练，对动载情况的预测比较准确，能适应各种不同的载荷变化，系数得分为98％。此外，如果提供了足够树种的数据支持，的目标模型结构可以无缝地用于处理未知材料类型的预测。

本申请实施例中，试图采用深度学习的方法来挖掘复杂的物理过程，比如材料损伤。这类物理过程的影响因素数量可能太多，以至于无法用数学公式来描述。然而，神经网络可以帮助从包含个体随机性的现象中挖掘出统一的物理规律，并合理地利用其规律。通过机器学习手段建立木结构蠕变模型，研究对阐释长期荷载下木结构力学性能的复杂变化规律有重要意义；此外，本项目将从全寿命视角揭示自复位木梁柱节点中的预应力损失情况，阐明其在服役期内力学性能的演变规律，提出其残余性能的预测方法，能为自复位木结构全寿命设计和维护策略制定提供坚实理论支撑，具有重大工程应用价值。此外，利用神经网络对损伤进行建模可以充分利用计算机硬件。在的研究中，协调CPU(CentralProcessing Unit，中央处理器)和GPU(Graphics Processing Unit，图形处理器)之间的资源，以利用所有的计算资源。利用GPU计算的强大功能，可以方便、快速地在GPU上实现分组实验中的所有个体的并行，这比在CPU的串行模式下使用预设数学模型要高效得多。

图7是本发明是实施例提供的一种木材损伤检测的模型训练和测试装置的结构示意图，该装置适用于执行本发明实施例提供给的一种木材损伤检测的模型训练和测试方法。如图7所示，该装置具体可以包括：数据获取模块701、样本确定模块702、模型训练模块703、目标损伤增量确定模块704和模型测试模块705。

数据获取模块701，用于应用预先搭建的实验平台获取各个样品的实验数据；样本确定模块702，用于对所述实验数据进行预处理，以确定训练样本数据和测试样本数据，其中，所述训练样本数据和所述测试样本数据中均包括木材属性、当前负载、当前损坏率和质量相关因子，所述训练样本的标签为根据所述当前损坏率计算得到的损伤增量；模型训练模块703，用于应用所述训练样本对预先构建的神经网络模型进行训练，以获得目标神经网络模型；目标损伤增量确定模块704，用于将所述测试样本输入至所述目标神经网络模型，得到目标损伤增量；模型测试模块705，用于根据所述目标损伤增量计算破坏时间，将所述破坏时间与根据所述测试样本数据确定的标准破坏时间进行对比，以测试所述目标神经网络模型。

进一步的，模型训练模块703具体用于：

应用所述训练样本对预先构建的神经网络模型进行迭代训练，以调整所述神经网络模型的参数；

根据所述参数更新所述神经网络模型，以获取目标神经网络模型。

进一步的，还包括质量相关性因子获取模块，用于：

从所述实验数据中获取每个所述样品的破坏时间，并按照所述破坏时间对所述训练样本进行分类；

按照对数正态分布进行采样来获取木材强度，并按照所述木材强度对所述训练样本进行排序；

根据分类结果和排序结果的对应关系确定所述质量相关因子。

进一步的，数据获取模块701：

应用预先搭建的实验平台，使用动态负载加压方式来确定预设数学模型的步长；

基于所述步长，应用所述预设数学模型来获取各个样品的实验数据。

进一步的，样本确定模块702具体用于：

清洗和过滤所述实验数据中的损伤数据；

重映射所述实验数据中的失衡损伤数据；

对处理后的实验数据进行归一化处理，以确定训练样本数据和测试样本数据。

进一步的，所述预先构建的神经网络模型包括若干个损失模块，其中，每个损失模块包括批量标准化层、全连接层和激活层。

进一步的，所述木材属性包括短期强度的平均值和协方差。

本发明实施例提供的木材损伤检测的模型训练和测试装置可执行本发明任意实施例提供的木材损伤检测的模型训练和测试方法，具备执行方法相应的功能模块和有益效果。

本发明实施例还提供一种设备，请参阅图8，图8为一种设备的结构示意图，如图8所示，该设备包括：处理器810，以及与处理器810相连接的存储器820；存储器820用于存储计算机程序，所述计算机程序至少用于执行本发明实施例中的木材损伤检测的模型训练和测试方法；处理器810用于调用并执行所述存储器中的所述计算机程序，上述木材损伤检测的模型训练和测试方法至少包括如下步骤：应用预先搭建的实验平台获取各个样品的实验数据；对所述实验数据进行预处理，以确定训练样本数据和测试样本数据，其中，所述训练样本数据和所述测试样本数据中均包括木材属性、当前负载、当前损坏率和质量相关因子，所述训练样本的标签为根据所述当前损坏率计算得到的损伤增量；应用所述训练样本对预先构建的神经网络模型进行训练，以获得目标神经网络模型；将所述测试样本输入至所述目标神经网络模型，得到目标损伤增量；根据所述目标损伤增量计算破坏时间，将所述破坏时间与根据所述测试样本数据确定的标准破坏时间进行对比，以测试所述目标神经网络模型。

本发明实施例还提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如本发明实施例中的木材损伤检测的模型训练和测试方法中各个步骤：应用预先搭建的实验平台获取各个样品的实验数据；对所述实验数据进行预处理，以确定训练样本数据和测试样本数据，其中，所述训练样本数据和所述测试样本数据中均包括木材属性、当前负载、当前损坏率和质量相关因子，所述训练样本的标签为根据所述当前损坏率计算得到的损伤增量；应用所述训练样本对预先构建的神经网络模型进行训练，以获得目标神经网络模型；将所述测试样本输入至所述目标神经网络模型，得到目标损伤增量；根据所述目标损伤增量计算破坏时间，将所述破坏时间与根据所述测试样本数据确定的标准破坏时间进行对比，以测试所述目标神经网络模型。

可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。

需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims

1.一种木材损伤检测的模型训练和测试方法，其特征在于，包括：

应用预先搭建的实验平台获取各个样品的实验数据；

2.根据权利要求1所述的方法，其特征在于，所述应用所述训练样本对预先构建的神经网络模型进行训练，以获得目标神经网络模型，包括：

3.根据权利要求1所述的方法，其特征在于，所述质量相关性因子的获取过程包括：

4.根据权利要求1所述的方法，其特征在于，所述应用预先搭建的实验平台获取各个样品的实验数据，包括：

5.根据权利要求1所述的方法，其特征在于，所述对所述实验数据进行预处理，以确定训练样本数据和测试样本数据，包括：

清洗和过滤所述实验数据中的损伤数据；

重映射所述实验数据中的失衡损伤数据；

6.根据权利要求1所述的方法，其特征在于，所述预先构建的神经网络模型包括若干个损失模块，其中，每个损失模块包括批量标准化层、全连接层和激活层。

7.根据权利要求1所述的方法，其特征在于，所述木材属性包括短期强度的平均值和协方差。

8.一种木材损伤检测的模型训练和测试装置，其特征在于，包括：

9.一种设备，其特征在于，包括：

处理器，以及与所述处理器相连接的存储器；

所述存储器用于存储计算机程序，所述计算机程序至少用于执行权利要求1-7任一项所述的木材损伤检测的模型训练和测试方法；

10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-7任一项所述的木材损伤检测的模型训练和测试方法中各个步骤。