CN113836783A - 斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法 - Google Patents

斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法 Download PDF

Info

Publication number
CN113836783A
CN113836783A CN202110807813.1A CN202110807813A CN113836783A CN 113836783 A CN113836783 A CN 113836783A CN 202110807813 A CN202110807813 A CN 202110807813A CN 113836783 A CN113836783 A CN 113836783A
Authority
CN
China
Prior art keywords
temperature
data
time
lstm
deflection
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
CN202110807813.1A
Other languages
English (en)
Other versions
CN113836783B (zh
Inventor
岳子翔
丁幼亮
赵瀚玮
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202110807813.1A priority Critical patent/CN113836783B/zh
Publication of CN113836783A publication Critical patent/CN113836783A/zh
Application granted granted Critical
Publication of CN113836783B publication Critical patent/CN113836783B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法，首先获取温度特征时序数据和温致挠度时序数据；之后对数据进行归一化处理，并建立训练集和测试集；然后搭建长短时记忆神经网络驱动的数字回归模型，该模型的层数为2层，最后检验数字回归模型的有效性。本方法将力学机理与深度学习技术的非线性性能进行了结合，搭建的神经网络具备了可解释性，实施有章可循，可以获取高精度的斜拉桥温致挠度基准值。

Description

斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法
技术领域
本发明属于桥梁结构性能监测领域，是一种斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法，具体来说，涉及一种基于力学机理与人工智能神经网络在斜拉桥温度场与温度导致的斜拉桥主梁竖向挠度间建的立输入输出回归模型。
背景技术
斜拉桥的主梁竖向挠度是表征斜拉桥刚度性能的最直观表现，受到作用于斜拉桥上的复杂温度场的影响，斜拉桥的主梁会产生显著的挠度变化，既斜拉桥的温致挠度。如能建立温度场与斜拉桥主梁温致挠度间的回归模型，则可将温度特征输入回归模型并输出温致挠度回归值，并以回归预测数值作为桥梁温致挠度的基准状态，进而以此基准值协助桥梁状态评定。然而作用于斜拉桥的温度场异常复杂，且温度与斜拉桥温致挠度间的关系表现出了很强的非线性与模糊性关系，建立高精度的温致挠度回归模型并非易事。人工智能的发展带来了隶属于深度学习的长短时记忆(LSTM)神经网络技术，为非线性与模糊性回归建模带来了新思路。
目前，现阶段桥梁健康监测领域，常用的方法从基于数据驱动与基于模型驱动可分为如下两种：(1)基于实测监测数据，采用线性回归方法，在主梁温度与温致挠度间建立回归模型，获取回归预测表达式，以回归表达式完成输入主梁温度并输出温致挠度基准值的工作，该方法操作简单且在实际运用过程中的实时性强，但仅考虑了主梁温度，导致建模精度较差，无法满足高精度应用场景的需求；(2)基于几何变形协调的原则，基于力学原理推导影响斜拉桥温致挠度的机理方程，并以方程获取的解析解作为温致挠度基准模型，但该方法的理论性过强，且仍无法克服温度特征与温致挠度间的非线性行为，导致实时性与精度仍然有较大不足。因此，有必要研发一种实时性好、运用便捷、易于解释且可以有效克服温度场与温致挠度间的模糊性和非线性因素的数字回归建模方法，以实现输入斜拉桥温度特征并输出高精度温致挠度回归预测值，进而以回归预测值为斜拉桥主梁状态提供基准参考。
发明内容
本发明的目的是为了获取斜拉桥主梁的基准状态，提供一种斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法。该模型可以实现基于桥梁监测数据、智能神经网络的斜拉桥温度特征与温致挠度，实现输入输出数字回归过程，进而以模型输出的温致挠度回归值作为桥梁状态基准参照。
为实现上述目的，本发明采用的技术方案是：斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法，包括如下步骤：
(1)获取温度特征时序数据和温致挠度时序数据：
将斜拉桥温度场数据提取为三种显著影响斜拉桥挠度的温度特征，既主梁平均温度、主梁竖向温差和索塔温度三种时序特征数据集，利用小波多尺度分解的方法，将斜拉桥主梁挠度中因温度引起的部分提取为时序数据，从而获得温致挠度时序数据；
(2)对数据进行归一化处理，并建立训练集和测试集；
将三种温度特征数据与温致挠度数据转化为监督学习模式，然后按照一定比例将数据集划分为训练集和测试集；
(3)搭建长短时记忆神经网络驱动的数字回归模型：
根据输入数据的维度与时序规格，为训练时间成本与回归精度的双重最佳保障，堆栈 LSTM网络的层数必须设置为2层且每层64个单元，然后设置其他网络超参数，再将训练集数据带入堆栈LSTM训练，进行既定Epoch次数的正反向传播迭代；
(4)模型训练达到预设Epoch后，采用归一化后的测试集数据检验模型有效性；
将测试集温度特征数据输入训练后模型，输出温致挠度预测值；之后对输出的归一化预测值进行反归一化，得到温致挠度回归值；
检查模型回归预测结果与测试集序列的均方误差与平均误差，如两误差指标均达到预设数值，则该网络模型可投入使用，反之则调整网络参数和训练参数对模型再次训练。
优选地，所述步骤(1)中包括：
(1.1)结合力学机理，将斜拉桥复杂温度场的温度数据转化为主梁平均温度、主梁竖向温差与索塔温度三种温度特征，因此在温度特征的提取过程中，力学机理得以加入，使得本方法获得可解释性，且唯有输入这三种温度特征，才能保障模型精度；
(1.2)采用小波多尺度数字信号处理的方式，对挠度数据中的温致挠度部分进行提取，获取温致挠度时序数据集。
优选地，所述步骤(2)中包括：
(2.1)对数据进行归一化处理，并以根据分析得到的温度与温致挠度间的时间依存关系，制定输入输出时间规格。输入温度数据的时间段长度为五小时，输出当前时刻的温致挠度数据，数据采集间隔为十分钟采集一次。
(2.2)将处理完毕的数据集转化为监督学习标记模式，输入五小时数据即为30个数据点，则输入的三个温度特征时序数据分别为：主梁平均温度{XG(1)，XG(2)，...，XG(30)}，主梁竖向温差{XGD(1)，XGD(2)，...，XGD(30)}，索塔温度{XT(1)，XT(2)，...，XT(30)}，输入神经网络前，同时刻三种温度特征需要被组合为一个向量，以第一个时刻为例，输入向量X1＝[XG(1)，XGD(1)，XT(1)]，因有30个时刻，数据被进一步处理为一个3×30的二维张量，则随时间推移，输入神经网络的温度数据张量为：
[[XG(30)，XGD(30)，XT(30)]，[XG(29)，XGD(29)，XT(29)]，...，[XG(1)，XGD(1)，XT(1)]]
在第三十个时刻，温致挠度为Y30，则前30个时刻温度特征张量X对应当前时刻温致挠度可表示为一个映射关系：
[[XG(30)，XGD(30)，XT(30)]，[XG(29)，XGD(29)，XT(29)]，...，[XG(1)，XGD(1)，XT(1)]]→Y30
随着时间推移，直到第t时刻，输入温度并输出挠度的监督学习模式数据集可被按照如下时变映射方式构造：
[[XG(30)，XGD(30)，XT(30)]，[XG(29)，XGD(29)，XT(29)]，...，[XG(1)，XGD(1)，XT(1)]]→Y30
[[XG(31)，XGD(31)，XT(31)]，[XG(30)，XGD(30)，XT(30)]，...，[XG(2)，XGD(2)，XT(2)]]→Y31
…
[[XG(t-1)，XGD(t-1)，XT(t-1)]，[XG(t-2)，XGD(t-2)，XT(t-2)]，...，[XG(t-28)，XGD(t-28)，XT(t-28)]]→Yt-1
[[XG(t)，XGD(t)，XT(t)]，[XG(t-1)，XGD(t-1)，XT(t-1)]，...，[XG(t-29)，XGD(t-29)，XT(t-29)]]→Yt
完成监督学习数据集标记后，将数据集按照一定比例划分为训练集和测试集，训练集用来训练神经网络，测试集用来验证模型的泛化性能。
优选地，所述步骤(3)中包括：
(3.1)根据力学机理和时序分析，输入LSTM神经网络的温度特征得以控制和解释，因此该发明的神经网络结构得以被优化，综合计算成本与误差，设置LSTM隐藏层层数为2层，每层的LSTM神经单元数量为64个，隐藏层后设置全连接函数将输出的64维数据运算并叠加为1个数值，既回归值，Batch_size被设置为10，学习率(Ir)设置为0.0001。
(3.2)双层LSTM神经网络中的数据运算流程如下：
以输入t时刻的温度特征向量Xt为例，首先将Xt和来自上一时刻的记忆数据ht-1与第一层LSTM单元中的权重矩阵W与偏置b进行组合，构造
Figure RE-GDA0003377767490000031
三个内部参数，三个参数的构造方程如下：
ft＝σ(Wf[ht-1，Xt]+b；
it＝σ(Wi[ht-1，Xt]+bi)；
Figure RE-GDA0003377767490000032
式中：Wf，Wi，WC为权重矩阵；bf，bi，bC为偏置；
然后将上述三个参数
Figure RE-GDA0003377767490000041
进行融合，获得当前层LSTM单元的当前内部信息Ct如下式：
Figure RE-GDA0003377767490000042
式中：Ct-1为上一时刻的内部信息；
Xt和ht与LSTM单元中的权重矩阵与偏置进行组合，计算内部参数ot如下：
ot＝σ(Wo[ht-1，Xt]+bo)
式中：Wo为权重矩阵；bo为偏置；
则当前层当与前时刻的输出向量ht可由下式计算：
ht＝ot·tanh(Ct)
其中σ则为Sigmoid函数，tanh为双曲正切函数，两种函数的表达式如下：
Figure RE-GDA0003377767490000043
Figure RE-GDA0003377767490000044
式中：z为函数自变量；
每个时刻从LSTM单元输出的ht不但在本层中传递到下一时刻与Xt+1其组合输入，同时将被保存，作为下一层LSTM中，当前时刻的输入数据。当本层运行结束后，下一层的运行流程如下。
以输入t时刻的温度特征向量ht为例，ht作为第二层的输入数据，与当层来自上一时刻的长期记忆数据h′t-1组合输入，与第二层LSTM单元中的权重矩阵W′与偏置b′进行运算，构造
Figure RE-GDA0003377767490000045
三个内部参数，三个参数的构造方程如下：
ft′＝σ(W′f[h′t-1，ht]+b′
i′t＝σ(W′i[h′t-1，ht]+b′i)
Figure RE-GDA0003377767490000046
式中：式中：W′f，W′i，W′C为权重矩阵；b′f，b′i，b′C为偏置；
然后将上述三个参数
Figure RE-GDA0003377767490000047
进行融合，获得当前层LSTM单元的当前内部信息C′t如下式：
Figure RE-GDA0003377767490000048
式中：C′t-1为上一时刻的内部信息。
ht和h′t与LSTM单元中的权重矩阵与偏置进行组合，计算内部参数ot如下：
o′t＝σ(W′o[h′t-1，ht]+b′o)
式中：W′o为权重矩阵；b′o为偏置；
则当前层当与前时刻的输出向量h′t可由下式计算：
h′t＝o′t·tanh(C′t)
对于第二层LSTM单元，若t时刻为最后一个时刻，则此时的神经网络输出量ht′经由线性全连接函数的矩阵Wq运算和偏置bq运算组合为温致挠度回归值Yt′，全连接计算式入下：
Yt′＝Wqh′t+bq
利用回归值与实测之的均方误差作为损失函数(loss)，协助迭代运算在反向传播过程中进行梯度下降并完成神经网络内部参数优化的参照指标。1oss计算公式如下：
Figure RE-GDA0003377767490000051
式中：N是样本的总数，Yt是t时刻归一化实测值，Yt′是t时刻的归一化神经网络回归值。
优选地，所述步骤(4)中包括：
(4.1)模型训练达到预迭代次数(Epoch)后，将归一化的测试集数据带入训练完毕的神经网络，得到归一化的输出结果。将模型输出值进行反归一化，得到反归一化回归值yt′，计算训练模型回归预测结果序列与测试序列的均方根误差MSE与平均误差MAE：
Figure RE-GDA0003377767490000052
Figure RE-GDA0003377767490000053
式中：N是样本的总数，yt是t时刻实测值，yt′是t时刻的神经网络回归值。
若测试集的MSE与MAE均小于一定数值，则证明模型已具备实际使用价值。
(4.2)若误差指标大于一定数值，则仍需调整网络超参数并进行从新训练。
有益效果
与现有技术相比，本发明具有以下有益效果：
(1)具备可解释性：相对于既有的数据驱动方法，本方法在温度特征提取的一环考虑应用力学机理，将斜拉桥温度场精炼为主梁平均温度、主梁竖向温差与索塔温度三种温度特征，使得输入智能神经网络的温度数据物理机制。发明方法的可复现性强，利于工程实践。唯有输入这三种温度特征，才能实现高精度输出。
(2)神经网络优化：本发明输入神经网络的温度特征，根据力学机理确定了特征数量，根据时间依存关系确定了温度特征输入时长，因此输入数据的规模是确定的，隐藏处层数与单元数量得以被优化。本文的LSTM神经网络隐藏处数量被确定为2层，隐藏处神经单元数目为64个。优化后的神经网络精度很高，且训练成本最佳。
(3)克服时滞效应：温度与温致挠度之间往往存在时间滞后效应，既温度变化一定时间后，温致挠度才会产生改变，本文采用的深度学习LSTM神经网络可以表征输入数据中的时间依存特性，因此可以克服时滞效应对建模精度的影响性，本发明搭建的力学-数据双驱动 LSTM模型不但使用误差指标评价的误差低，且消除了时滞效应带来的相位差。
附图说明
图1为本发明方法设计的LSTM与算法流程图。
图2为LSTM神经单元内部数据流动示意图。
图3为LSTM网络训练过程中的归一化回归结果loss曲线。
图4为LSTM网络的回归温致挠度及与实测位移数据对比示意图。
具体实施方式
下面将参照图1～图4，对本发明的技术方案进行详细的说明。
如图1所示，本发明实施例一种斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法，主要包括如下步骤：
(1)获取温度特征时序数据和温致挠度时序数据。具体的，参照力学机理，将斜拉桥温度场数据提取三种影响斜拉桥挠度的温度特征，并获取每个温度特征对应的温度特征时序数据；用小波多尺度分解的方法，将斜拉桥主梁挠度中因温度引起的部分提取为时序数据，既温致挠度数据集，过程为：
(1.1)通过力学与几何分析，将斜拉桥复杂温度场的温度数据转化为主梁平均温度、主梁竖向温差与索塔温度三种温度特征，获得温度特征的时序数据集。三个温度特征为引起温致挠度的根本原因，如不将复杂温度场数据提取为三种主要温度特征，则不但无法获得合理的输入数据规模，也无法训练得精度优异的模型。因此，在温度特征的提取过程中，力学机理得以加入，使得本方法获得可解释性，且唯有输入这三种温度特征，才能保障模型精度。
(1.2)采集主梁挠度时序数据，之后采用小波多尺度数字信号处理的方式，对主梁挠度时序数据中的温致挠度部分进行提取，小波分解得到的低频信息即为温致挠度时序数据集。
(2)对数据进行归一化处理，并建立训练集和测试集。
将三种温度特征时序数据与温致挠度数据转化为监督学习模式，既构造随时间推移过程，一个时段内温度数据对应当前时刻温致挠度数据的数据集。按照一定比例将数据集划分为训练集和测试集，过程为：
(2.1)对温度特征时序数据和温致挠度时序数据进行归一化处理，并以根据分析得到的温度与温致挠度间的时间依存关系，制定输入输出时间规格。输入温度数据的时间段长度为五小时，输出当前时刻的温致挠度数据，数据采集间隔为十分钟采集一次。
(2.2)将处理完毕的数据集转化为监督学习标记模式，输入五小时数据即为30个数据点，则输入的三个温度特征时序数据分别为：主梁平均温度{XG(1)，XG(2)，...，XG(30)}，主梁竖向温差{XGD(1)，XGD(2)，...，XGD(30)}，索塔温度{XT(1)，XT(2)，...，XT(30)}，输入神经网络前，同时刻三种温度特征需要被组合为一个向量，以第一个时刻为例，输入向量X1＝[XG(1)，XGD(1)，XT(1)]，因有30个时刻，数据被进一步处理为一个3×30的二维张量，则随时间推移，输入神经网络的温度数据张量为：
[[XG(30)，XGD(30)，XT(30)]，[XG(29)，XGD(29)，XT(29)]，...，[XG(1)，XGD(1)，XT(1)]]
在第三十个时刻，温致挠度为Y30，则前30个时刻温度特征张量X对应当前时刻温致挠度可表示为一个映射关系：
[[XG(30)，XGD(30)，XT(30)]，[XG(29)，XGD(29)，XT(29)]，...，[XG(1)，XGD(1)，XT(1)]]→Y30
随着时间推移，直到第t时刻，输入温度并输出挠度的监督学习模式数据集可被按照如下时变映射方式构造：
[[XG(30)，XGD(30)，XT(30)]，[XG(29)，XGD(29)，XT(29)]，...，[XG(1)，XGD(1)，XT(1)]]→Y30
[[XG(31)，XGD(31)，XT(31)]，[XG(30)，XGD(30)，XT(30)]，...，[XG(2)，XGD(2)，XT(2)]]→Y31
…
[[XG(t-1)，XGD(t-1)，XT(t-1)]，[XG(t-2)，XGD(t-2)，XT(t-2)]，...，[XG(t-28)，XGD(t-28)，XT(t-28)]]→Yt-1
[[XG(t)，XGD(t)，XT(t)]，[XG(t-1)，XGD(t-1)，XT(t-1)]，...，[XG(t-29)，XGD(t-29)，XT(t-29)]]→Yt
完成监督学习数据集标记后，将数据集按照一定比例划分为训练集和测试集，训练集用来训练神经网络，测试集用来验证模型的泛化性能。
(3)搭建长短时记忆神经网络驱动的数字回归模型。
设置Batch_size、学习率(Ir)、隐藏层层数、隐藏层单元数量、迭代训练次数(Epoch)，采用Adam优化算法作为反向传播优化算法，完成LSTM神经网络的设计，设计完毕的LSTM 神经网络架构如图1所示。将训练集数据带入，进行既定Epoch数量的正反向迭代传播，过程为：
(3.1)根据力学机理和时序分析，输入LSTM神经网络的温度特征得以控制和解释，因此该发明的神经网络结构得以被优化，综合计算成本与误差，如图1，设置LSTM隐藏层层数为2层，每层的LSTM神经单元数量为64个，隐藏层后设置全连接函数将输出的64维数据运算并叠加为1个数值，既回归值，Batch_size被设置为10，学习率(Ir)设置为0.0001。只有LSTM隐藏层层数为2层，且每层的LSTM神经单元数量为64时，才能达到回归精度与运算时长的最佳平衡
(3.2)双层LSTM神经网络中的数据运算流程如下：
如图1，在输入层，直到t时刻的温度特征向量X1，X2，…，Xt-1，Xt被依次输入LSTM隐藏层。温度特征将被输入LSTM神经单天进行处理，结合图2，以输入t时刻的温度特征向量Xt为例，对LSTM神经但愿中的数据流动状况进行说明。首先将Xt和来自上一时刻的记忆数据ht-1与第一层LSTM单元中的权重矩阵W与偏置b进行组合，构造
Figure RE-GDA0003377767490000081
三个内部参数，三个参数的构造方程如下：
ft＝σ(Wf[ht-1，Xt]+b)
it＝σ(Wi[ht-1，Xt]+bi)
Figure RE-GDA0003377767490000082
式中：Wf，Wi，WC为权重矩阵；bf，bi，bC为偏置。
然后将上述三个参数
Figure RE-GDA0003377767490000083
进行融合，获得当前层LSTM单元的当前内部信息Ct如下式：
Figure RE-GDA0003377767490000084
式中：Ct-1为上一时刻的内部信息；
Xt和ht与LSTM单元中的权重矩阵与偏置进行组合，计算内部参数ot如下：
ot＝σ(Wo[ht-1，Xt]+bo)
式中：Wo为权重矩阵；bo为偏置；
则当前层当与前时刻的输出向量ht可由下式计算：
ht＝ot·tanh(Ct)
其中σ则为Sigmoid函数，tanh为双曲正切函数，两种函数的表达式如下：
Figure RE-GDA0003377767490000085
Figure RE-GDA0003377767490000086
式中：z为函数自变量；
每个时刻从LSTM单元输出的ht不但在本层中传递到下一时刻与Xt+1组合输入，同时将被保存，作为下一层LSTM中，当前时刻的输入数据。
当本层运行结束后，下一层的运行流程如下：
以输入t时刻的温度特征向量ht为例，ht作为第二层的输入数据，与当层来自上一时刻的长期记忆数据h′t-1组合输入，与第二层LSTM单元中的权重矩阵W′与偏置b′进行运算，构造
Figure RE-GDA0003377767490000091
三个内部参数，三个参数的构造方程如下：
ft′＝σ(W′f[h′t-1，ht]+b′
i′t＝σ(Wi′[h′t-1，ht]+b′i)
Figure RE-GDA0003377767490000092
式中：W′f，W′i，W′C为权重矩阵；b′f，b′i，b′C为偏置。。
然后将上述三个参数
Figure RE-GDA0003377767490000095
进行融合，获得当前层LSTM单元的当前内部信息C′t如下式：
Figure RE-GDA0003377767490000093
式中：C′t-1为上一时刻的内部信息。
ht和h′t与LSTM单元中的权重矩阵与偏置进行组合，计算内部参数ot如下：
o′t＝σ(W′o[h′t-1，ht]+b′o)
式中：W’o为权重矩阵；b’o为偏置；
则当前层当与前时刻的输出向量h′t可由下式计算：
h′t＝o′t·tanh(C′t)
对于第二层LSTM单元，若t时刻为最后一个时刻，则此时的神经网络输出量ht′经由线性全连接函数的矩阵Wq运算和偏置bq运算组合为温致挠度回归值Yt′，全连接计算式入下：
Yt′＝Wqh′t+bq
利用回归值与实测之的均方误差作为损失函数(loss)，协助迭代运算在反向传播过程中进行梯度下降并完成神经网络内部参数优化的参照指标。loss计算公式如下：
Figure RE-GDA0003377767490000094
式中：N是样本的总数，Yt是t时刻归一化实测值，Yt′是t时刻的归一化神经网络回归值。
如图3，随着迭代Epoch不断增多，归一化训练集输入神经网络运行后的输出误差(loss)逐渐减小，最终收敛，完成了训练过程。
(4)模型训练达到预设Epoch后，采用归一化后的测试集数据检验模型有效性。
将测试集温度特征数据输入训练后模型，输出温致挠度预测值。对输出的归一化预测值进行反归一化，得到温致挠度回归值。检查模型回归预测结果与测试集序列的均方误差与平均误差，如两误差指标均达到理想数值，则该网络模型可投入使用，反之则调整网络参数和训练参数对模型从新训练，过程为：
(4.1)模型训练达到预迭代次数(Epoch)后，将归一化的测试集数据带入训练完毕的神经网络，如图4，得到归一化的输出结果。将模型输出值进行反归一化，得到反归一化回归值yt′，计算训练模型回归预测结果序列与测试序列的均方根误差MSE与平均误差MAE：
Figure RE-GDA0003377767490000101
Figure RE-GDA0003377767490000102
式中：N是样本的总数，yt是t时刻实测值，yt′是t时刻的神经网络回归值。
若测试集的MSE与MAE均小于一定数值，则证明模型已具备实际使用价值。
(4.2)若误差指标大于一定数值，则仍需调整网络超参数并进行从新训练。
以安徽铜陵公铁斜拉桥在九个月内的监测数据为基础，得到温度场与主跨挠度时序数据，借以说明本发明的具体实施过程。
(1)参照力学机理，将铜陵公铁长江大桥的温度场数据提取为三种影响斜拉桥挠度的温度特征，既主梁平均温度，主梁竖向温差和索塔温度，并获取每个温度特征对应的温度特征时序数据；利用小波多尺度分解的方法，将铜陵大桥主梁挠度中因温度引起的部分提取为时序数据，既温致挠度时序数据。
(2)对温度特征时序数据与温致挠度时序数据进行归一化处理。
为了获得合理的数据规模，将温度特征时序数据与温致挠度时序数据进行十分钟一次的重采样，处理后得主梁平均温度数据集XG，主梁竖向温差数据集XGD，索塔温度数据集XT，温致挠度数据集Y。将三种温度特征数据与温致挠度数据转化为30个温度数据对应一个温致挠度数据的监督学习模式，并将同一时刻的温度数据整合为一个向量，转化得监督映射模式如下所示。
[[XG(30)，XGD(30)，XT(30)]，[XG(29)，XGD(29)，XT(29)]，...，[XG(1)，XGD(1)，XT(1)]]→Y30
[[XG(31)，XGD(31)，XT(31)]，[XG(30)，XGD(30)，XT(30)]，...，[XG(2)，XGD(2)，XT(2)]]→Y31
…
[[XG(t-1)，XGD(t-1)，XT(t-1)]，[XG(t-2)，XGD(t-2)，XT(t-2)]，...，[XG(t-28)，XGD(t-28)，XT(t-28)]]→Yt-1
[[XG(t)，XGD(t)，XT(t)]，[XG(t-1)，XGD(t-1)，XT(t-1)]，...，[XG(t-29)，XGD(t-29)，XT(t-29)]]→Yt
按照上述方式，得到标记数据45620个，以0.75∶0.25的比例分配训练集和测试集，训练集共34215个数据标签，测试集共11405个数据标签。
(3)设计长短期记忆网络架构，如图1，本发明得到LSTM神经网络模型为具有两层LSTM隐藏层，每层有64个LSTM单元，设置Batch_size为10，学习率(Ir)为0.0001，迭代训练次数(Epoch)为100，采用Adam优化算法作为反向传播优化算法。完成LSTM神经网络的设计，设计完毕的LSTM神经网络架构如图1所示。将34245个归一化训练数据带入，进行既定的100次Epoch的正反向迭代传播，如图3，在迭代过程中的训练集误差loss逐步减小，最终收敛完成神经网络训练。
(4)模型训练达到预设Epoch后，采用归一化后的测试集数据检验模型有效性，将测试集温度特征数据输入训练后模型，输出温致挠度归一化预测值。对输出的归一化预测值进行反归一化，得到温致挠度回归值，如图4为回归值与真实值对比，可见LSTM神经网络输出的温致挠度精度极高。检查模型回归预测结果与测试集序列的均方误差(MSE)与平均误差 (MAE)，分别计算得到MSE仅为4.65mm2，MAE为2.55mm，已满足要求，说明模型可以投入使用。
以上实施例仅是对本发明方案的进一步具体说明，在阅读了本发明实施例之后，本领域普通技术人员对本发明的各种等同形式的修改和替换均属于本发明申请权利要求所限定的保护的范围。

Claims (5)

1.一种斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法，其特征在于，包括如下步骤：
(1)获取温度特征时序数据和温致挠度时序数据：
将斜拉桥的温度场数据转化为三种影响斜拉桥挠度的温度特征，包括主梁平均温度、主梁竖向温差和索塔温度，并获取每个温度特征对应的温度特征时序数据，
提取主梁挠度时序数据中的温度效应，从而获得温致挠度时序数据；
(2)对数据进行归一化处理，并建立训练集和测试集；
将温度特征时序数据与温致挠度时序数据转化为监督学习模式，然后按照一定比例将数据集划分为训练集和测试集；
(3)搭建长短时记忆神经网络驱动的数字回归模型：
运用堆栈LSTM网络，堆栈LSTM的层数固化为两层，以达到最优精度与最优训练成本的平衡；将训练集中的数据带入堆栈LSTM，进行既定Epoch次数的正反向传播迭代训练；
(4)采用归一化后的测试集检验数字回归模型的有效性：
将测试集输入训练后模型，输出温致挠度预测值；之后对输出的温致挠度预测值进行反归一化，得到温致挠度回归值；
检查温致挠度回归值与测试集的均方误差与平均误差，若两误差指标均达到预设数值，则该堆栈LSTM网络可投入使用，反之则调整网络参数和训练参数对数字回归模型再次训练和验证。
2.根据权利要求1所述的斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法，其特征在于所述步骤(1)中包括：
采用小波多尺度数字信号处理的方式，对主梁挠度时序数据中的温致挠度部分进行提取，获取温致挠度的时序数据集。
3.根据权利要求1所述的斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法，其特征在于所述步骤(2)中包括：
(2.1)对温度特征时序数据和温致挠度时序数据进行归一化处理；其中，输入温度数据的时间段长度为五小时，输出当前时刻的温致挠度数据，数据采集间隔为十分钟采集一次；
(2.2)将归一化完毕的数据集转化为监督学习标记模式：
每一种温度特征输入五小时数据，输入神经网络前，同时刻将三种温度特征组合为一个向量，将数据集按照一定比例划分为训练集和测试集。
4.根据权利要求1所述的斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法，其特征在于：所述步骤(3)中包括：
(3.1)对堆栈LSTM网络的层数和结构进行优化：其中，LSTM隐藏层层数为2层，且每层的LSTM神经单元数量为64；隐藏层后设置全连接函数将输出的64维数据运算并叠加为1个数值，Batch_size设置为10，学习率(Ir)设置为0.0001；
(3.2)堆栈LSTM神经网络中的数据运算流程如下：
输入t时刻的温度特征向量Xt，首先将Xt和来自上一时刻的记忆数据ht-1，与第一层LSTM单元中的权重矩阵W与偏置b进行组合，构造ft，it，
Figure RE-FDA0003377767480000021
三个内部参数，三个参数的构造方程如下：
ft＝σ(Wf[ht-1，Xt]+b；
it＝σ(Wi[ht-1，Xt]+bi)；
Figure RE-FDA0003377767480000022
式中：Wf，Wi，WC为权重矩阵；bf，bi，bC为偏置；
然后将上述三个参数ft，it，
Figure RE-FDA0003377767480000023
进行融合，获得当前层LSTM单元的当前内部信息Ct如下式：
Figure RE-FDA0003377767480000024
式中：Ct-1为上一时刻的内部信息；
Xt和ht与LSTM单元中的权重矩阵与偏置进行组合，计算内部参数ot如下：
ot＝σ(Wo[ht-1，Xt]+bo)；
式中：Wo为权重矩阵；bo为偏置；
则当前层当与前时刻的输出向量ht可由下式计算：
ht＝ot·tanh(Ct)；
上述公式中的σ为Sigmoid函数，tanh为双曲正切函数，两种函数的表达式如下：
Figure RE-FDA0003377767480000025
Figure RE-FDA0003377767480000026
式中：z为函数自变量；
每个时刻从LSTM单元输出的ht在本层中传递到下一时刻与Xt+1组合输入，同时将被保存，作为下一层LSTM中，当前时刻的输入数据；
当本层运行结束后，下一层的运行流程如下：
输入t时刻的温度特征向量ht，ht作为第二层的输入数据，与当层来自上一时刻的长期记忆数据h′t-1组合输入，与第二层LSTM单元中的权重矩阵W′与偏置b′进行运算，构造f′t，
i′t，
Figure RE-FDA0003377767480000031
三个内部参数，三个参数的构造方程如下：
ft′＝σ(W′f[h′t-1，ht]+b′；
i′t＝σ(W′i[h′t-1，ht]+b′i)；
Figure RE-FDA0003377767480000032
式中：W′f，W′i，W′C为权重矩阵；b′f，b′i，b′C为偏置；
然后将上述三个参数f′t，i′t，
Figure RE-FDA0003377767480000033
进行融合，获得当前层LSTM单元的当前内部信息C′t如下式：
Figure RE-FDA0003377767480000034
式中：C′t-1为上一时刻的内部信息；
ht和h′t与LSTM单元中的权重矩阵与偏置进行组合，计算内部参数ot如下：
o′t＝σ(W′o[h′t-1，ht]+b′o)；
则当前层当与前时刻的输出向量h′t可由下式计算：
h′t＝o′t·tanh(C′t)；
对于第二层LSTM单元，若t时刻为最后一个时刻，则此时的神经网络输出量ht′经由线性全连接函数的矩阵Wq运算和偏置bq运算组合为温致挠度回归值Yt′，全连接计算式入下：
Yt′＝Wqh′t+bq；
利用回归值与实测之的均方误差作为损失函数loss，协助迭代运算在反向传播过程中进行梯度下降并完成神经网络内部参数优化的参照指标；loss计算公式如下：
Figure RE-FDA0003377767480000035
式中：N是样本的总数，Yt是t时刻归一化实测值，Yt′是t时刻的归一化神经网络回归值。
5.根据权利要求4所述的斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法，其特征在于：所述步骤(4)中包括：
(4.1)模型训练达到预迭代次数(Epoch)后，将归一化的测试集数据带入训练完毕的神经网络，得到归一化的输出结果；之后将模型输出值进行反归一化，得到反归一化回归值yt′，最后计算训练模型回归预测结果序列与测试序列的均方根误差MSE与平均误差MAE：
Figure RE-FDA0003377767480000036
Figure RE-FDA0003377767480000041
式中：N是样本的总数，yt是t时刻实测值，y′t是t时刻的神经网络回归值；若测试集的MSE与MAE均小于预设数值，则证明数字回归模型有效。
CN202110807813.1A 2021-07-16 2021-07-16 斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法 Active CN113836783B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110807813.1A CN113836783B (zh) 2021-07-16 2021-07-16 斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110807813.1A CN113836783B (zh) 2021-07-16 2021-07-16 斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法

Publications (2)

Publication Number Publication Date
CN113836783A true CN113836783A (zh) 2021-12-24
CN113836783B CN113836783B (zh) 2022-11-18

Family

ID=78962875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110807813.1A Active CN113836783B (zh) 2021-07-16 2021-07-16 斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法

Country Status (1)

Country Link
CN (1) CN113836783B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114548375A (zh) * 2022-02-23 2022-05-27 合肥工业大学 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
CN115392142A (zh) * 2022-10-31 2022-11-25 深圳市城市交通规划设计研究中心股份有限公司 沿海环境简支梁弹性模量预测方法、电子设备及存储介质
CN117807854A (zh) * 2024-02-29 2024-04-02 四川华腾公路试验检测有限责任公司 基于物理约束神经网络的桥梁监测挠度与温度分离方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2020102461A4 (en) * 2020-09-28 2020-11-12 Jiang, Tianxin Miss Method of Stock Yield Prediction Based on LSTM Mode
US20210117796A1 (en) * 2020-12-01 2021-04-22 Harbin Engineering University Ship Motion Prediction Method Based on Long Short-Term Memory Network and Gaussian Process Regression
CN112784336A (zh) * 2020-12-31 2021-05-11 杭州鲁尔物联科技有限公司 一种基于深度学习lstm网络的桥梁静态位移预测技术
WO2021098472A1 (zh) * 2019-11-19 2021-05-27 浙江大学 一种深度时空特征联合学习的农作物产量估测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021098472A1 (zh) * 2019-11-19 2021-05-27 浙江大学 一种深度时空特征联合学习的农作物产量估测方法
AU2020102461A4 (en) * 2020-09-28 2020-11-12 Jiang, Tianxin Miss Method of Stock Yield Prediction Based on LSTM Mode
US20210117796A1 (en) * 2020-12-01 2021-04-22 Harbin Engineering University Ship Motion Prediction Method Based on Long Short-Term Memory Network and Gaussian Process Regression
CN112784336A (zh) * 2020-12-31 2021-05-11 杭州鲁尔物联科技有限公司 一种基于深度学习lstm网络的桥梁静态位移预测技术

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵岩等: "基于深度学习算法的粮堆温度预测研究", 《粮食科技与经济》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114548375A (zh) * 2022-02-23 2022-05-27 合肥工业大学 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
CN114548375B (zh) * 2022-02-23 2024-02-13 合肥工业大学 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
CN115392142A (zh) * 2022-10-31 2022-11-25 深圳市城市交通规划设计研究中心股份有限公司 沿海环境简支梁弹性模量预测方法、电子设备及存储介质
CN117807854A (zh) * 2024-02-29 2024-04-02 四川华腾公路试验检测有限责任公司 基于物理约束神经网络的桥梁监测挠度与温度分离方法
CN117807854B (zh) * 2024-02-29 2024-05-28 四川华腾公路试验检测有限责任公司 基于物理约束神经网络的桥梁监测挠度与温度分离方法

Also Published As

Publication number Publication date
CN113836783B (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN113836783B (zh) 斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法
CN109492822B (zh) 空气污染物浓度时空域关联预测方法
Shen et al. Wind speed prediction of unmanned sailboat based on CNN and LSTM hybrid neural network
CN110428082B (zh) 基于注意力神经网络的水质预测方法
CN110119854A (zh) 基于代价敏感lstm循环神经网络的稳压器水位预测方法
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN110807554B (zh) 基于风电/光伏经典场景集的生成方法及系统
CN112763967B (zh) 一种基于BiGRU的智能电表计量模块故障预测与诊断方法
JPH0636061A (ja) 階層型ニューラルネットワークの学習方式
CN108520310A (zh) 基于G-L混合噪声特性v-支持向量回归机的风速预报方法
CN115860177A (zh) 基于组合式机器学习模型光伏发电功率预测方法及其应用
CN114970326A (zh) 一种基于改进胶囊神经网络的油井故障诊断方法
CN115545345A (zh) 一种基于gru-tcn模型的电网负荷预测方法
CN115759461A (zh) 一种面向物联网的多元时间序列预测方法及系统
CN112803398A (zh) 基于经验模态分解和深度神经网络的负荷预测方法及系统
CN115659254A (zh) 一种双模态特征融合的配电网电能质量扰动分析方法
CN116975645A (zh) 一种基于vae-mrcnn的工业过程软测量建模方法
CN116362126A (zh) 一种基于模型融合的三维物理场实时仿真方法
CN116703644A (zh) 一种基于Attention-RNN的短期电力负荷预测方法
CN116050621A (zh) 一种集成提升模式的多头自注意力海上风电超短时功率预测方法
CN114461791A (zh) 一种基于深度量子神经网络的社交文本情感分析系统
CN112232570A (zh) 一种正向有功总电量预测方法、装置及可读存储介质
CN117034808A (zh) 一种基于图注意力网络的天然气管网压力估计方法
CN116106751A (zh) 一种基于Informer的锂离子电池荷电状态估计方法
CN115834161A (zh) 一种人工智能四层架构的电网假数据注入攻击检测方法

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