CN111062080A - 斜拉索索力与主梁竖向位移时空相关深度学习建模方法 - Google Patents
斜拉索索力与主梁竖向位移时空相关深度学习建模方法 Download PDFInfo
- Publication number
- CN111062080A CN111062080A CN201911322716.2A CN201911322716A CN111062080A CN 111062080 A CN111062080 A CN 111062080A CN 201911322716 A CN201911322716 A CN 201911322716A CN 111062080 A CN111062080 A CN 111062080A
- Authority
- CN
- China
- Prior art keywords
- vertical displacement
- cable force
- input
- time
- channel
- 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
Links
Images
Classifications
-
- 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
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Vehicle Body Suspensions (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种斜拉索索力与主梁竖向位移时空相关深度学习建模方法,对实测索力及主梁竖向位移监测数据进行预处理和归一化;根据需求构建包括所有位移通道作为输入、所有索力通道作为输出的整体双向长短时记忆网络模型,或者根据Sobol灵敏度选取部分位移通道作为输入、一个目标索力通道作为输出的局部双向长短时记忆网络模型,将训练集输入至相应的网络模型中进行训练,使用的损失函数为带权重项的最小相对均方误差函数,优化算法为带动量的随机梯度下降算法,并使用默认的初始化学习速率、动量参数和权重参数。本发明提出的整体和局部网络模型均能很好地实现由主梁竖向位移识别索力,且局部网络模型能达到与整体网络模型相近的预测效果。
Description
技术领域
本发明涉及桥梁工程领域,具体涉及一种斜拉索索力与主梁竖向位移时空相关深度学习建模方法。
背景技术
随着我国国民经济建设的快速发展,越来越多的大跨度斜拉桥发挥着无比重要的作用。长期超限循环荷载、环境侵蚀、材料老化等复杂因素的耦合作用均会导致桥梁结构性能退化,从而对桥梁的服役安全造成影响,导致结构产生抗力衰减或承载力下降,在极端情况下可能引发灾难事故。因此,在大跨度桥梁的服役期内,桥梁管理部门会投入大量的财力在桥梁结构上安装健康监测系统,对各种不同类型桥梁构件的结构响应进行长期实时地监测评估。
结构健康监测系统可以对不同桥梁结构构件的响应(如加速度、应变、位移和索力等)进行监测,同时积累了大跨度斜拉桥在运营期的海量响应数据。随着机器学习、深度学习等人工智能方法在土木工程中的广泛应用,目前已经有一些基于数据驱动的结构健康监测方法。然而,这些方法大多都是针对有限元仿真或实验室条件下的测试数据,往往在实际大跨度桥梁监测数据上无法得到真正有效的应用,原因如下:一方面实际结构本身很复杂且是未知的,另一方面大跨桥梁所处的现场环境非常复杂,响应数据不仅受温度影响明显,而且运营期间的实际荷载大小很难准确获得。传统的基于力学分析的响应关系建模方法需要提供桥梁脉冲响应函数或频响函数,并且需要已知车辆荷载的实时大小、位置信息。因此,传统方法的成功应用需要建立在过多的已知条件下,然而这些条件在实际桥梁结构中往往是很难获得的。以上这些因素均为研究基于实测健康监测数据的桥梁响应关系建模方法带来了巨大困难。
斜拉索作为将主梁自重及车辆荷载等传递到桥塔上的关键构件,起到了极其重要的连接作用;主梁竖向位移则是在桥梁施工及运营期间直接衡量桥梁状态的重要指标。目前的桥梁健康监测数据挖掘研究通常是针对单一变量进行的,对两种或多种变量簇之间的关系建模研究甚少。因此,考虑到斜拉索索力与主梁竖向位移这两种重要监测变量之间的关系更能反映桥梁的整体及局部状态,如何在桥梁结构系统及荷载时空信息均未知的情况下,建立起斜拉桥拉索索力与主梁竖向位移之间的对应关系,实现由主梁竖向位移到拉索索力的预测评估,是一个亟待研究的问题。
发明内容
本发明的目的是为了解决现有基于力学分析的大跨度斜拉桥斜拉索索力与主梁竖向位移关系建模方法需要已知桥梁结构脉冲响应函数或频响函数,以及车辆荷载实时大小和位置的难题,进而提出了一种斜拉索索力与主梁竖向位移时空相关深度学习建模方法。
一种斜拉索索力与主梁竖向位移时空相关深度学习建模方法,包括:
步骤一、对实测索力及主梁竖向位移进行预处理。首先进行去趋势项处理,根据数据特点去除温度影响,获得车致索力与主梁竖向位移响应,然后对数据进行归一化处理。
步骤二、搭建整体双向长短时记忆网络模型,选取所有可用的主梁竖向位移与索力通道分别作为网络输入与输出;为了保证模型在部分数据通道缺失的情况下仍然可以工作,搭建局部双向长短时记忆网络模型,选取某一索力通道作为输出,根据灵敏度分析选出需要的竖向位移通道组合作为输入;
步骤三、从经过步骤一处理的数据中选取一部分构成训练集,根据需求选取整体模型或局部模型,将训练集输入至相应的双向长短时记忆网络模型中进行训练,训练过程中使用的损失函数为带权重项的最小相对均方误差函数,优化算法为带动量的随机梯度下降算法,并使用默认的初始化学习速率、动量参数和权重参数;
步骤四、根据需求选取整体或局部双向长短时记忆网络模型,将测试集中的主梁竖向位移时程输入至经过训练的深度双向长短时记忆网络中,得到索力时程数据。
本发明还具有如下特征:
1、如上的步骤一具体包括:
步骤一一、根据索力数据和主梁竖向位移时程数据特点,挑选出极值点,其中包含噪音引起的极值点和车致极值点;然后,用每小时数据分别计算标准差,与每小时均值相差大于1倍标准差的极值点认为是车致极值点,剔除这些极值点,保留噪音引起的极值点;
步骤一二、对噪音极值点进行中值滤波,根据采样频率选择窗宽,再根据滤波后极值点再对其它时间点进行线性插值;
步骤一三、对插值后数据进行光滑处理作为趋势项,再从原始数据中减去趋势项,作为经过预处理的车致竖向位移响应和拉索索力;
步骤一四、对去趋势项数据进行归一化处理,使各通道数值保持在[-1,1]范围内。
2、如上的步骤二在建立整体网络模型时,选取所有可用的31个主梁竖向位移与28个索力通道分别作为网络输入与输出;在建立局部网络模型时,先选取1个目标索力通道作为输出,然后用基于方差的Sobol’s灵敏度分析方法,由少至多依次选出需要的竖向位移通道组合作为输入。
步骤二具体包括:
步骤二一、计算各个竖向位移通道与目标索力通道的Sobol’s灵敏度S(j),从中选取Sobol’s灵敏度达最大值AS(1)的竖向位移通道为第一个选取的输入通道NS(1);
步骤二二、固定第一个选取的通道NS(1),计算其余各个竖向位移通道和第一个选取的输入通道的组合与目标索力通道的Sobol’s灵敏度S([NS(1),j]),从中选取Sobol’s灵敏度达最大值AS(2)的组合为前两个选取的输入通道[NS(1),NS(2)];
步骤二三、固定前2个选取的通道[NS(1),NS(2)],计算其余各个竖向位移通道和前2个选取的输入通道的组合与目标索力通道的Sobol’s灵敏度S([NS(1),NS(2),j]),从中选取Sobol’s灵敏度达最大值AS(3)的组合为前3个选取的输入通道[NS(1),NS(2),NS(3)];
步骤二四、按以上步骤,固定之前选取的输入通道[NS(1),……,NS(i-1)],选取下一个通道NS(i),直至增加一个输入通道引起的组合灵敏度提升小于0.01时终止选取。
3、如上的步骤三中,由于大跨度桥梁为双向车道,所以选择双向长短时记忆网络,考虑到车辆行驶速度以及桥长,选择输入步长为车辆能过桥两次的时间。考虑到利用输入信息的充分性,输入步长应该比输出步长短。数据移动步长为输出步长。双向长短时记忆神经网络的具体网络架构如下:
(1)整体网络:
L1层:输入维度为通道个数31,输入步长为180;执行长短时记忆单元操作,隐藏单元个数为45,首末端时间步补零为0;
L2层:输入维度为90,输入步长为180;执行长短时记忆单元操作,隐藏单元个数为45,首末端时间步补零为0;
L3层:输入维度为90;执行回归操作。
(2)局部网络:
L1层:输入维度视通道个数而定,输入步长为180;执行长短时记忆单元操作,隐藏单元个数为18,首末端时间步补零为0;
L2层:输入维度为36,输入步长为180;执行长短时记忆单元操作,隐藏单元个数为45,首末端时间步补零为0;
L3层:输入维度为36;执行回归操作。
5.根据权利要求1所述的斜拉索索力与主梁竖向位移时空相关深度学习建模方法,其特征在于,步骤三中,带权重项的最小相对均方误差函数具体为:
式中,L为损失函数,n为输出通道个数,k为样本点个数,yi (t),分别表示第i个输出通道在第t个样本点的真实值与预测值。权重项(yi (t))2的设置主要考虑到在0附近噪音较大,减小噪音响应范围的权重,增加大响应的权重。
如上步骤四中局部双向长短时记忆网络模型的选取准则为基于方差的Sobol’s灵敏度分析,具体为:
式中,S(v)为目标索力对主梁竖向位移组合v的Sobol’s灵敏度,其中v和w表示了所有主梁竖向位移;N为满足采样准则的样本点数;上标[1]和[2]表示两个含有相同样本点数的独立样本集;采样准则为f(vj (1),wj (1))和f(vj (1),wj (2))有相同的vj (1),且wj (1)和wj (2)相互独立。由于索力和主梁竖向位移数据是连续的,所以每个通道分别离散为100等份,各等份内的值均用区间中值表示。
本发明的优点及有益效果如下:
(1)本发明针对大跨度斜拉桥斜拉索索力与主梁竖向位移关系建模问题,实现了在桥梁结构系统及荷载时空信息均未知的情况下,建立由主梁竖向位移预测斜拉索索力的整体及局部关系模型;
(2)本发明对监测数据受温度作用的改变不敏感,普遍适用于由大跨桥梁结构实测主梁竖向位移预测斜拉索索力的情景;
(3)针对监测系统可能存在传感器损坏的情况,本发明基于灵敏度分析,选取部分主梁竖向位移通道作为输入、某个感兴趣的斜拉索索力通道作为输出,建立局部双向长短时记忆网络,实现由大跨桥梁结构实测主梁竖向位移预测斜拉索索力的预测。并且,局部网络模型可以达到与整体网络相近的预测效果;
(4)本发明的整个关系建模过程为数据驱动,显著降低了传统力学分析中由于模型假定不合理、不准确而引起的误差;
(5)本发明满足大跨度斜拉桥索力的在线预测和实时数据处理需求,即不进行训练集更新,直接将采集到的主梁位移数据作为输入,得到预测索力;
(6)本发明提高了大跨度斜拉桥拉索索力与主梁竖向位移关系建模的自动化和智能化程度以及准确性和鲁棒性,为大跨度斜拉桥服役状态的自主智能评估提供了技术支撑。
附图说明
图1为本发明的一个实施例的流程图;
图2为本发明步骤一中数据预处理去趋势项的流程图;
图3为本发明步骤二中选取局部模型输入的流程图;
图4为本发明步骤三中样本流选取过程的示意图;
图5为本发明步骤三中双向长短时记忆网络的结构图;
图6为本发明的基于整体双向长短时记忆网络模型的部分索力预测效果图;
图7为本发明的基于局部双向长短时记忆网络模型的部分索力预测效果图。
具体实施方式
下面根据说明书附图举例对本发明做进一步说明:
实施例1
如图1所示,一种斜拉索索力与主梁竖向位移时空相关深度学习建模方法,步骤如下:
步骤一、对实测索力及主梁竖向位移进行预处理。首先进行去趋势项处理,根据数据特点去除温度影响,获得车致索力与主梁竖向位移响应,然后对数据进行归一化处理。去趋势项流程如图2所示,在各个主梁竖向位移和拉索索力通道分别单独进行。
步骤二、搭建整体双向长短时记忆网络模型,选取所有可用的主梁竖向位移与索力通道分别作为网络输入与输出;为了保证模型在部分数据通道缺失的情况下仍然可以工作,搭建局部双向长短时记忆网络模型,选取某一索力通道作为输出,根据灵敏度分析选出需要的竖向位移通道组合作为输入。针对某一索力输出通道,选择相应竖向位移输入通道组合的流程图如图3所示。
步骤三、从经过步骤一处理的数据中选取一部分构成训练集,根据需求选取整体模型或局部模型,将训练集输入至相应的双向长短时记忆网络模型中进行训练,训练过程中使用的损失函数为带权重项的最小相对均方误差函数,优化算法为带动量的随机梯度下降算法,并使用默认的初始化学习速率、动量参数和权重参数。样本流选取流程图如图4所示,所搭建的双向长短时记忆神经网络结构图如图5所示。
步骤四、根据需求选取整体或局部双向长短时记忆网络模型,将测试集中的主梁竖向位移时程输入至经过训练的深度双向长短时记忆网络中,得到索力时程数据。整体网络典型索:长、中、短索各2根的学习结果如图6所示。局部网络典型索:长、中、短索各1根的学习结果如图7所示。
实施例2
本实施方式与具体实施方式一不同的是:
步骤一具体包括:
步骤一一、根据索力数据和主梁竖向位移时程数据特点,挑选出极值点,其中包含噪音引起的极值点和车致极值点;然后,用每小时数据分别计算标准差,与每小时均值相差大于1倍标准差的极值点认为是车致极值点,剔除这些极值点,保留噪音引起的极值点;
步骤一二、对噪音极值点进行中值滤波,根据采样频率选择窗宽,采样频率为1Hz时,中值滤波窗口宽度可选为50个样本点,再根据滤波后极值点再对其它时间点进行线性插值;
步骤一三、对插值后数据进行光滑处理,光滑窗口宽度为1200个样本点作为趋势项,再从原始数据中减去趋势项,作为经过预处理的车致竖向位移响应和拉索索力;
步骤一四、对去趋势项数据进行归一化处理,使各通道数值保持在[-1,1]范围内,无车时索力和竖向位移保持在0。
其它步骤与具体实施方式一相同。
实施例3
本实施方式与具体实施方式一或二不同的是:
步骤二中,在建立整体网络模型时,选取所有可用的31个主梁竖向位移与28个索力通道分别作为网络输入与输出;在建立局部网络模型时,先选取1个目标索力通道作为输出,然后用基于方差的Sobol’s灵敏度分析方法,由少至多依次选出需要的竖向位移通道组合作为输入,一般为6-7个。具体流程如下:
步骤二一、计算各个竖向位移通道与目标索力通道的Sobol’s灵敏度S(j),从中选取Sobol’s灵敏度达最大值AS(1)的竖向位移通道为第一个选取的输入通道NS(1);
步骤二二、固定第一个选取的通道NS(1),计算其余各个竖向位移通道和第一个选取的输入通道的组合与目标索力通道的Sobol’s灵敏度S([NS(1),j]),从中选取Sobol’s灵敏度达最大值AS(2)的组合为前两个选取的输入通道[NS(1),NS(2)];
步骤二三、固定前2个选取的通道[NS(1),NS(2)],计算其余各个竖向位移通道和前2个选取的输入通道的组合与目标索力通道的Sobol’s灵敏度S([NS(1),NS(2),j]),从中选取Sobol’s灵敏度达最大值AS(3)的组合为前3个选取的输入通道[NS(1),NS(2),NS(3)];
步骤二四、按以上步骤,固定之前选取的输入通道[NS(1),……,NS(i-1)],选取下一个通道NS(i),直至增加一个输入通道引起的组合灵敏度提升小于0.01时终止选取。
其它步骤与具体实施方式一至二相同。
实施例4
本实施方式与具体实施方式一至三之一不同的是:
步骤三中,由于大跨度桥梁一般为双向车道,所以选择双向长短时记忆网络,考虑到车辆行驶速度以及桥长,选择输入步长为车辆能过桥两次的时间,本例中为180s。考虑到利用输入信息的充分性,输入步长应该比输入步长短,本例中为60s。数据移动步长为输出步长。样本流如图4所示。双向长短时记忆神经网络的结构如图5所示,具体网络架构如下:
(1)整体网络:
L1层:输入维度为通道个数31,输入步长为180;执行长短时记忆单元操作,隐藏单元个数为45,首末端时间步补零为0;
L2层:输入维度为90,输入步长为180;执行长短时记忆单元操作,隐藏单元个数为45,首末端时间步补零为0;
L3层:输入维度为90;执行回归操作。
(2)局部网络:
L1层:输入维度视通道个数而定,输入步长为180;执行长短时记忆单元操作,隐藏单元个数为18,首末端时间步补零为0;
L2层:输入维度为36,输入步长为180;执行长短时记忆单元操作,隐藏单元个数为45,首末端时间步补零为0;
L3层:输入维度为36;执行回归操作。
带权重项的最小相对均方误差函数具体为:
式中,L为损失函数,n为输出通道个数,k为样本点个数,yi (t),分别表示第i个输出通道在第t个样本点的真实值与预测值。权重项(yi (t))2的设置主要考虑到在0附近噪音较大,减小噪音响应范围的权重,增加大响应的权重。
其它步骤与具体实施方式一至三相同。
具体实施方式五:
本实施方式与具体实施方式一至四之一不同的是:
步骤四中,局部网络模型的选取准则为基于方差的Sobol’s灵敏度分析,具体为:
式中,S(v)为目标索力对主梁竖向位移组合v的Sobol’s灵敏度,其中v和w表示了所有主梁竖向位移;N为满足采样准则的样本点数;上标[1]和[2]表示两个含有相同样本点数的独立样本集;采样准则为f(vj (1),wj (1))和f(vj (1),wj (2))有相同的vj (1),且wj (1)和wj (2)相互独立。由于索力和主梁竖向位移数据是连续的,所以每个通道分别离散为100等份,各等份内的值均用区间中值表示。
基于方差的Sobol’s灵敏度分析准则选取的局部网络模型可达到与整体网络相似的效果,具体对比如表1所示。局部网络模型用更少的输入,达到了与整体网络均方根误差(RMSE)比值在97%~105%的精度。
表1典型索整体网络与局部网络对比结果
其它步骤与具体实施方式一至四相同。
Claims (7)
1.一种斜拉索索力与主梁竖向位移时空相关深度学习建模方法,其特征在于,步骤如下:
步骤一、对实测索力及主梁竖向位移进行预处理,首先进行去趋势项处理,根据数据特点去除温度影响,获得车致索力与主梁竖向位移响应,然后对数据进行归一化处理;
步骤二、搭建整体双向长短时记忆网络模型,选取所有可用的主梁竖向位移与索力通道分别作为网络输入与输出;为了保证模型在部分数据通道缺失的情况下仍然能够工作,搭建局部双向长短时记忆网络模型,选取某一索力通道作为输出,根据灵敏度分析选出需要的竖向位移通道组合作为输入;
步骤三、从经过步骤一处理的数据中选取一部分构成训练集,根据需求选取整体模型或局部模型,将训练集输入至相应的双向长短时记忆网络模型中进行训练,训练过程中使用的损失函数为带权重项的最小相对均方误差函数,优化算法为带动量的随机梯度下降算法,并使用默认的初始化学习速率、动量参数和权重参数;
步骤四、根据需求选取整体或局部双向长短时记忆网络模型,将测试集中的主梁竖向位移时程输入至经过训练的深度双向长短时记忆网络中,得到索力时程数据。
2.根据权利要求1所述的斜拉索索力与主梁竖向位移时空相关深度学习建模方法,其特征在于,步骤一具体包括:
步骤一一、根据索力数据和主梁竖向位移时程数据特点,挑选出极值点,其中包含噪音引起的极值点和车致极值点;然后,用每小时数据分别计算标准差,与每小时均值相差大于1倍标准差的极值点认为是车致极值点,剔除这些极值点,保留噪音引起的极值点;
步骤一二、对噪音极值点进行中值滤波,根据采样频率选择窗宽,再根据滤波后极值点再对其它时间点进行线性插值;
步骤一三、对插值后数据进行光滑处理作为趋势项,再从原始数据中减去趋势项,作为经过预处理的车致竖向位移响应和拉索索力;
步骤一四、对去趋势项数据进行归一化处理,使各通道数值保持在[-1,1]范围内。
3.根据权利要求1或2所述的斜拉索索力与主梁竖向位移时空相关深度学习建模方法,其特征在于,步骤二在建立整体网络模型时,选取所有可用的31个主梁竖向位移与28个索力通道分别作为网络输入与输出;在建立局部网络模型时,先选取1个目标索力通道作为输出,然后用基于方差的Sobol’s灵敏度分析方法,由少至多依次选出需要的竖向位移通道组合作为输入。
4.根据权利要求3所述的斜拉索索力与主梁竖向位移时空相关深度学习建模方法,其特征在于,步骤二具体包括:
步骤二一、计算各个竖向位移通道与目标索力通道的Sobol’s灵敏度S(j),从中选取Sobol’s灵敏度达最大值AS(1)的竖向位移通道为第一个选取的输入通道NS(1);
步骤二二、固定第一个选取的通道NS(1),计算其余各个竖向位移通道和第一个选取的输入通道的组合与目标索力通道的Sobol’s灵敏度S([NS(1),j]),从中选取Sobol’s灵敏度达最大值AS(2)的组合为前两个选取的输入通道[NS(1),NS(2)];
步骤二三、固定前2个选取的通道[NS(1),NS(2)],计算其余各个竖向位移通道和前2个选取的输入通道的组合与目标索力通道的Sobol’s灵敏度S([NS(1),NS(2),j]),从中选取Sobol’s灵敏度达最大值AS(3)的组合为前3个选取的输入通道[NS(1),NS(2),NS(3)];
步骤二四、按以上步骤,固定之前选取的输入通道[NS(1),……,NS(i-1)],选取下一个通道NS(i),直至增加一个输入通道引起的组合灵敏度提升小于0.01时终止选取。
5.根据权利要求1或2所述的斜拉索索力与主梁竖向位移时空相关深度学习建模方法,其特征在于,步骤三中,大跨度桥梁为双向车道,所以选择双向长短时记忆网络模型,考虑到车辆行驶速度以及桥长,选择输入步长为车辆能过桥两次的时间,考虑到利用输入信息的充分性,输入步长应该比输入步长短,数据移动步长为输出步长,双向长短时记忆神经网络的具体网络架构如下:
(1)整体网络:
L1层:输入维度为通道个数31,输入步长为180;执行长短时记忆单元操作,隐藏单元个数为45,首末端时间步补零为0;
L2层:输入维度为90,输入步长为180;执行长短时记忆单元操作,隐藏单元个数为45,首末端时间步补零为0;
L3层:输入维度为90;执行回归操作;
(2)局部网络:
L1层:输入维度视通道个数而定,输入步长为180;执行长短时记忆单元操作,隐藏单元个数为18,首末端时间步补零为0;
L2层:输入维度为36,输入步长为180;执行长短时记忆单元操作,隐藏单元个数为45,首末端时间步补零为0;
L3层:输入维度为36;执行回归操作;
7.根据权利要求1或2所述的斜拉索索力与主梁竖向位移时空相关深度学习建模方法,其特征在于,步骤四中,局部双向长短时记忆网络模型的选取准则为基于方差的Sobol’s灵敏度分析,具体为:
式中,S(v)为目标索力对主梁竖向位移组合v的Sobol’s灵敏度,其中v和w表示了所有主梁竖向位移;N为满足采样准则的样本点数;上标[1]和[2]表示两个含有相同样本点数的独立样本集;采样准则为f(vj (1),wj (1))和f(vj (1),wj (2))有相同的vj (1),且wj (1)和wj (2)相互独立,由于索力和主梁竖向位移数据是连续的,所以每个通道分别离散为100等份,各等份内的值均用区间中值表示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911322716.2A CN111062080B (zh) | 2019-12-20 | 2019-12-20 | 斜拉索索力与主梁竖向位移时空相关深度学习建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911322716.2A CN111062080B (zh) | 2019-12-20 | 2019-12-20 | 斜拉索索力与主梁竖向位移时空相关深度学习建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111062080A true CN111062080A (zh) | 2020-04-24 |
CN111062080B CN111062080B (zh) | 2022-07-12 |
Family
ID=70302621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911322716.2A Active CN111062080B (zh) | 2019-12-20 | 2019-12-20 | 斜拉索索力与主梁竖向位移时空相关深度学习建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062080B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967185A (zh) * | 2020-08-10 | 2020-11-20 | 哈尔滨工业大学 | 基于索力和位移分布相关性建模的斜拉桥状态评估方法 |
CN112362148A (zh) * | 2020-09-21 | 2021-02-12 | 中铁第四勘察设计院集团有限公司 | 基于斜拉索索力影响面加载动态识别车辆轴重方法和系统 |
CN112560173A (zh) * | 2020-12-08 | 2021-03-26 | 北京京航计算通讯研究所 | 一种基于深度学习的车辆耐候性温度预测方法及装置 |
CN113570121A (zh) * | 2021-07-09 | 2021-10-29 | 桂林理工大学 | 一种基于卷积神经网络的斜拉索索力趋势预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101586996A (zh) * | 2009-06-26 | 2009-11-25 | 贵州师范大学 | 一种基于人工神经网络的斜拉桥索力预测方法 |
US20180314250A1 (en) * | 2017-04-28 | 2018-11-01 | Intel Corporation | Autonomous machines through cloud, error corrections, and predictions |
CN109829587A (zh) * | 2019-02-12 | 2019-05-31 | 国网山东省电力公司电力科学研究院 | 基于深度lstm网络的小区域级超短期负荷预测及可视化方法 |
CN110555247A (zh) * | 2019-08-16 | 2019-12-10 | 华南理工大学 | 一种基于多点传感器数据和BiLSTM的结构损伤预警方法 |
-
2019
- 2019-12-20 CN CN201911322716.2A patent/CN111062080B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101586996A (zh) * | 2009-06-26 | 2009-11-25 | 贵州师范大学 | 一种基于人工神经网络的斜拉桥索力预测方法 |
US20180314250A1 (en) * | 2017-04-28 | 2018-11-01 | Intel Corporation | Autonomous machines through cloud, error corrections, and predictions |
CN109829587A (zh) * | 2019-02-12 | 2019-05-31 | 国网山东省电力公司电力科学研究院 | 基于深度lstm网络的小区域级超短期负荷预测及可视化方法 |
CN110555247A (zh) * | 2019-08-16 | 2019-12-10 | 华南理工大学 | 一种基于多点传感器数据和BiLSTM的结构损伤预警方法 |
Non-Patent Citations (1)
Title |
---|
王维锋等: "基于双层长短时记忆网络的齿轮故障诊断方法", 《装甲兵工程学院学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967185A (zh) * | 2020-08-10 | 2020-11-20 | 哈尔滨工业大学 | 基于索力和位移分布相关性建模的斜拉桥状态评估方法 |
CN112362148A (zh) * | 2020-09-21 | 2021-02-12 | 中铁第四勘察设计院集团有限公司 | 基于斜拉索索力影响面加载动态识别车辆轴重方法和系统 |
CN112362148B (zh) * | 2020-09-21 | 2022-01-14 | 中铁第四勘察设计院集团有限公司 | 基于斜拉索索力影响面加载动态识别车辆轴重方法和系统 |
CN112560173A (zh) * | 2020-12-08 | 2021-03-26 | 北京京航计算通讯研究所 | 一种基于深度学习的车辆耐候性温度预测方法及装置 |
CN112560173B (zh) * | 2020-12-08 | 2021-08-17 | 北京京航计算通讯研究所 | 一种基于深度学习的车辆耐候性温度预测方法及装置 |
CN113570121A (zh) * | 2021-07-09 | 2021-10-29 | 桂林理工大学 | 一种基于卷积神经网络的斜拉索索力趋势预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111062080B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062080B (zh) | 斜拉索索力与主梁竖向位移时空相关深度学习建模方法 | |
CN111967185B (zh) | 基于索力和位移分布相关性建模的斜拉桥状态评估方法 | |
CN108763763B (zh) | 一种桥梁结构应变响应异常预警方法 | |
CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及系统 | |
CN107895014B (zh) | 一种基于MapReduce框架的时间序列桥梁监测数据分析方法 | |
CN105427138A (zh) | 基于神经网络模型的产品市场占有率分析方法及系统 | |
CN210924883U (zh) | 一种桥梁结构健康监测系统 | |
CN107368463B (zh) | 基于光纤光栅传感网络数据的巷道非线性变形预测方法 | |
CN111242344A (zh) | 一种基于循环神经网络和卷积神经网络的智能水位预测方法 | |
CN109471698B (zh) | 云环境下虚拟机异常行为检测系统和方法 | |
CN109829561B (zh) | 基于平滑处理与网络模型机器学习的事故预测方法 | |
Mishchenko et al. | Planning the optimal sequence for the inclusion of energy-saving measures in the process of overhauling the housing stock | |
CN114548375B (zh) | 基于双向长短期记忆神经网络的斜拉桥主梁动挠度监测方法 | |
CN105678417A (zh) | 一种施工隧道撑子面涌水量预测方法及装置 | |
CN112699572A (zh) | 一种基于时滞相关性分析预测滑坡变形的方法 | |
CN109544926B (zh) | 一种基于路口相关性的交通流量修复方法 | |
CN108415884A (zh) | 一种结构模态参数实时追踪方法 | |
CN112183897A (zh) | 基于深度学习的架空输电线路覆冰厚度的长时间预测方法 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN115630431A (zh) | 一种基于mlp的钢管混凝土拱桥扣索索力预测方法和装置 | |
CN115977736A (zh) | 一种基于现场实时数据驱动的煤与瓦斯突出预警方法 | |
CN109406076A (zh) | 一种利用位移传感器列阵输出的移动主成分进行梁桥结构损伤定位的方法 | |
Kwon et al. | Comparative evaluation of adaptive and neural-network exit demand prediction for freeway control | |
Gante et al. | Forecasting construction cost using artificial neural network for road projects in the department of public works and highways region XI | |
CN101382474A (zh) | 一种桥梁结构安全的综合评价方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |