CN113988357A - 基于深度学习的高层建筑风致响应预测方法及装置 - Google Patents
基于深度学习的高层建筑风致响应预测方法及装置 Download PDFInfo
- Publication number
- CN113988357A CN113988357A CN202111030329.9A CN202111030329A CN113988357A CN 113988357 A CN113988357 A CN 113988357A CN 202111030329 A CN202111030329 A CN 202111030329A CN 113988357 A CN113988357 A CN 113988357A
- Authority
- CN
- China
- Prior art keywords
- rise building
- cnn
- displacement data
- top displacement
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000004044 response Effects 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000006073 displacement reaction Methods 0.000 claims abstract description 85
- 230000006870 function Effects 0.000 claims abstract description 63
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- QBPFLULOKWLNNW-UHFFFAOYSA-N chrysazin Chemical compound O=C1C2=CC=CC(O)=C2C(=O)C2=C1C=CC=C2O QBPFLULOKWLNNW-UHFFFAOYSA-N 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000000306 component Substances 0.000 description 47
- 238000013527 convolutional neural network Methods 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000012533 medium component Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于深度学习的高层建筑风致响应预测方法，属于高层建筑风致响应预测技术领域，所述预测方法包括：将待测高层建筑的历史顶部位移数据通过经验模态分解算法分解为多个本征模态函数分量，并输入CNN‑BiLSTM模型进行训练，得到EMD‑CNN‑BiLSTM模型；通过EMD‑CNN‑BiLSTM模型计算出待测高层建筑顶部位移的预测数据和变化趋势。本发明中，采用CNN‑BiLSTM模型做为基础模型对高层建筑的风致响应进行预测，完成位移响应预测所需要的时间很短；将EMD与CNN‑BiLSTM模型结合得到EMD‑CNN‑BiLSTM模型，能够达到很高的预测精度。
Description
技术领域
本发明属于高层建筑风致响应预测技术领域，涉及一种基于深度学习的高层建筑风致响应预测方法及装置。
背景技术
基于人工智能方法对高层建筑风致响应预测方法主要分为两种。一种是“浅层”机器学习方法如随机森林，支持向量机，决策树等，由于高层建筑风致响应具有高度非线性和非平稳性，“浅层”模型不能有效提取高度非线性数据的特征信息导致高层建筑风致响应预测的精度较低。另一种方法是主流的深度神经网络模型，如卷积神经网络，深度神经网络，门口循环单元，长短记忆网络等，具有普遍性、效率高等特点，但准确性有待进一步的提高。
发明内容
有鉴于此，本发明的目的在于提供一种基于EMD-CNN-BiLSTM模型深度学习的高层建筑风致响应预测、训练方法及装置。
为达到上述目的，本发明提供如下技术方案：
一种基于深度学习的高层建筑风致响应预测方法，包括以下步骤：
步骤S1、获取待测高层建筑的历史顶部位移数据作为模型训练的样本，并通过经验模态分解算法将待测高层建筑的历史顶部位移数据分解为多个本征模态函数分量；
步骤S2、定义CNN-BiLSTM模型的损失函数，根据分解得到的各本征模态函数分量得到CNN-BiLSTM模型的输入特征映射组并对其进行训练；
步骤S3、当CNN-BiLSTM模型的损失函数的值收敛为一个固定值保持不变时，结束训练，得到EMD-CNN-BiLSTM模型；
步骤S4、实时获取待测高层建筑的顶部位移数据，并将顶部位移数据输入EMD-CNN-BiLSTM模型，通过EMD-CNN-BiLSTM模型计算出待测高层建筑顶部位移的预测数据和变化趋势。
进一步的，经验模态分解算法通过以下步骤实现：
步骤S11、根据待测高层建筑的历史顶部位移数据得到原始信号x(t)，t表示时间；
步骤S12、对原始信号x(t)进行筛分；具体为：找出原始信号x(t)所有的极大值点，拟合成原始信号的上包络线；找出原始信号x(t)所有的极小值点，拟合成原始信号的下包络线；计算上包络线和下包络线的均值得到原始信号x(t)的平均包络线m1(t)；将原始信号x(t)减去m1(t)后即可得到一个新的信号d1,1(t)；
步骤S13、判断d1,1(t)是否满足本征模态函数分量的条件，如果不满足，则以d1,1(t)代替原始信号x(t)，继续按步骤S12对d1,1(t)进行筛分，经过K次筛分后的信号记为d1,k(t)，直到d1,k(t)满足本征模态函数分量的条件时，记为原始信号x(t)的第一个IMF分量IMF1(t)；
步骤S14、从原始信号x(t)中减去第一个IMF分量IMF1(t)，得到剩余分量r1(t)，对r1(t)继续按步骤S12和步骤S13进行分解；经过n次分解后，求得残余信号rn(t)；当rn(t)为单调函数时，停止分解，将剩余分量函数rn(t)作为残余量RES。
进一步的，本征模态函数分量满足以下条件：
函数在整个时间范围内，极值点个数与过零点个数相等或相差1；
在任意时刻点，上包络线和下包络线的均值均为0。
进一步的，CNN-BiLSTM模型的损失函数l(x，y)定义为：
其中，N表示样本的个数，xi表示第i个样本的实际值，yi表示第i个样本的预测值。
进一步的，位移数据的时间序列形成一维数据；所述一维数据通过EMD分解成多个IMF序列，形成二维数据；并将所述二维数据作为CNN模型的输入特征映射组。
进一步的，LSTM的单个神经单元的体系结构包括输入门、遗忘门、输出门以及记忆单元，用于实现信息的输入和输出，其运算过程如下：
Γi＝σ(Wi,xxt+Wi,hht-1+bi)
Γf＝σ(Wf,xxt+Wf,hht-1+bf)
Γo＝σ(Wo,xxt+Wo,hht-1+bo)
ht＝Γo*tanh(Ct)
其中，Wi,x、Wi,h、Wf,x、Wf,h、Wo,x、Wo,h、Wc,x、Wc,h表示权重矩阵；bi、bf、bc、bo表示偏置矩阵；xt表示时间t时刻的输入特征；ct-1表示更新前的神经元；ct表示更新后的神经元；ht-1表示(t-1)时刻的输出特征；ht表示t时刻的输出特征；Γi表示输入门；Γf表示遗忘门；Γo表示输出门；
为候选神经元；σ为Sigmoid函数；tanh为双曲正切函数。
一种基于深度学习的高层建筑风致响应预测装置，包括：
位移数据采集模块，用于实时采集待测高层建筑的顶部位移数据并传输到分析模块；
分析模块，用于对位移数据采集模块送来的顶部位移数据进行分析，并对待测高层建筑的顶部位移变换趋势进行预测，得到预测的顶部位移数据；以及
预测数据输出模块，用于输出待测高层建筑的历史顶部位移数据及所述分析模块预测的顶部位移数据。
进一步的，还包括：
预警模块，用于将所述分析模块预测的顶部位移数据与预设的位移阈值进行比较，当预测的顶部位移数据大于或等于位移阈值时，发出预警信号。
进一步的，所述分析模块包括数据读取单元、EMD-CNN-BiLSTM模型和输出单元；
所述数据读取单元用于读取位移数据采集模块采集的待测高层建筑的顶部位移数据；
所述EMD-CNN-BiLSTM模型包括经验模态分解模块和CNN-BiLSTM模型，所述经验模态分解模块用于通过经验模态分解算法将待测高层建筑的顶部位移数据分解为多个本征模态函数分量，并将各本征模态函数分量作为CNN-BiLSTM模型的输入特征映射组；所述CNN-BiLSTM模型用于根据输入特征映射组预测出待测高层建筑的顶部位移数据；
所述输出单元用于将预测的顶部位移数据发送给预测数据输出模块和预警模块。
本发明中，采用CNN-BiLSTM模型做为基础模型对高层建筑的风致响应进行预测，由于CNN-BiLSTM模型能够在强化局部特征的同时，充分挖掘变量之间的非线性关系，自适应地感知上下时间序列特性信息，因此不需要对风速进行测量，仅通过前面的时刻特征的相关性即可预测下一个时刻的特征，完成位移响应预测所需要的时间很短。而且，由于通过EMD分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号，因此，将EMD与CNN-BiLSTM模型结合得到EMD-CNN-BiLSTM模型后，能够达到很高的预测精度。另外，EMD算法与CNN-BiLSTM模型对硬件的要求不高，实现成本低。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明基于深度学习的高层建筑风致响应预测方法的一个优选实施例的流程图；
图2为通过EMD算法对数据进行分解的示意图；
图3为CNN-BiLSTM模型的结构示意图；
图4为卷积神经网络计算过程的示意图；
图5为LSTM的单个神经元体系的结构示意图；
图6为本发明基于深度学习的高层建筑风致响应预测装置的一个优选实施例的结构框图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
本发明提供一种高层建筑风致响应预测方法，如图1所示，本发明高层建筑风致响应预测方法的一个优选实施例包括以下步骤：
步骤S1、获取待测高层建筑的历史顶部位移数据，并通过EMD(Empirical ModeDecomposition，经验模态分解)算法，将待测高层建筑的历史顶部位移数据分解为多个IMF(Intrinsic Mode Functions，本征模态函数)分量。IMF分量满足以下两个条件：
(1)函数在整个时间范围内，极值点个数与过零点个数相等或相差1；
(2)在任意时刻点，上包络线和下包络线的均值均为0。
EMD算法是通过筛分的过程来实现的；通过EMD算法能够将非线性数据分解为有限个频率由高到低的IMF分量的线性组合，并且所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号。EMD算法具体包括：
步骤S11、根据待测高层建筑的历史顶部位移数据得到原始信号x(t)，t表示时间；原始信号x(t)为时间t的函数。
步骤S12、对原始信号x(t)进行筛分。筛分的过程就是从信号中减去它的平均包络线函数，得到一个新的函数；具体为：找出原始信号x(t)所有的极大值点，用三次样条函数拟合成原始信号x(t)的上包络线；找出原始信号x(t)所有的极小值点，用三次样条函数拟合成原始信号x(t)的下包络线；计算上包络线和下包络线的均值得到第一个平均包络线函数m1(t)；将原始信号x(t)减去第一个平均包络线函数m1(t)，得到第一个中间分量函数d1,1(t)。
步骤S13、判断中间分量函数d1,1(t)是否满足IMF分量的两个条件，如果满足则将d1,1(t)记为原始信号的第一个IMF分量IMF1(t)；如果不满足则继续按步骤S12对d1,1(t)进行筛分，直至中间分量函数满足IMF分量的条件。假设K次筛分后得到的中间分量函数d1,k(t)满足IMF分量的条件，则将d1,k(t)记为原始信号的第一个IMF分量IMF1(t)。
步骤S14、从原始信号x(t)中减去第一个IMF分量IMF1(t)，得到第一个剩余分量函数r1(t)；将第一个剩余分量函数r1(t)继续按步骤S12和步骤S13进行分解(分解就是通过反复筛分的方式从信号中分解出IMF分量)，得到第二个IMF分量IMF2(t)；使用第一个剩余分量函数r1(t)减去第二个IMF分量IMF2(t)，得到第二个剩余分量函数r2(t)。继续按步骤S12和步骤S13对第二个剩余分量函数r2(t)进行分解；假设经过n次分解后，得到的第n个剩余分量函数rn(t)为单调函数，则停止分解，将剩余分量函数rn(t)作为残余量RES。如图2所示，此时，将原始信号x(t)分解成了n个IMF分量和一个残余量RES；原始信号可表示为：
从EMD的分解过程中可以看出，与傅里叶变换和小波分解相比较，EMD不需要设定基函数，具有自适应性，因此适用范围更广泛。将原始信号x(t)分解后，第一个IMF分量包含原始信号x(t)中的时间尺度最小(频率最高)的成分，随着IMF分量阶数的增加，其对应的频率成分逐渐降低，rn(t)(即本实施例中的残余量RES)的频率成分最低。根据EMD分解的收敛条件，分解得到的残余量rn(t)为单调函数时，其时间周期将大于信号的记录长度，因此可以将残余量rn(t)作为原始信号x(t)的趋势项。
步骤S2、定义CNN-BiLSTM模型的损失函数，将分解得到的各IMF分量作为CNN-BiLSTM模型的输入特征映射组并CNN-BiLSTM模型其进行训练。
其中，CNN-BiLSTM模型的损失函数l(x，y)可定义为：
其中，N表示样本的个数，xi表示第i个样本的实际值(即真实值)，yi表示第i个样本的预测值。
如图3所示，所述CNN-BiLSTM模型由CNN(Convolutional Neural Network；卷积神经网络)模型和BiLSTM(bidirectional long-short term memory；双向长短期记忆网络)模型拼接而成。
CNN被广泛应用于图像处理领域、信号领域，本实施例中使用CNN处理时间序列的信号问题，其中，位移数据的时间序列形成一维数据；所述一维数据通过EMD分解成多个IMF序列，形成二维数据；并将所述二维数据作为CNN模型的输入特征映射组。
CNN包括卷积层和池化层，其工作原理如下。
位移数据经过EMD分解形成维度为q×p的矩阵，其中q表示位移数据的长度(即位移数据包括的时间步个数)，p表示位移数据经过一次EMD分解得到的IMF分量个数。考虑到CNN神经网络可以有效提取不同IMF之间局部区域的特征，然后将二维的q×p矩阵数据作为输入特征映射组输入到CNN神经网络进行空间特征的提取。其中，不同的卷积核相当于不同的特征提取器可以不同的特征映射(Feature Map)，每个特征映射可以作为一类抽取的特征。为了提高卷积网络的表示能力，可以在每一层使用多个不同的特征映射，以更好地表示特征。
如图4所示，q×p矩阵作为输入，在CNN模型中进行卷积操作，以提取空间拓扑结构上多个变量之间的特征，第1层卷积采用了L个卷积核，每个卷积核大小为U×V，步长为1。其中，U表示卷积核的行数，V表示卷积核的列数，例如：U×V可取值3×5。第t次卷积的输出特征CLt计算如下：
CLt＝ReLU(Wt*X+bt)(1≤t≤L)
其中：Wt为卷积核；bt为偏置矩阵；X表示输入特征映射组；*表示卷积操作；激活函数ReLU()为激活函数。输入特征映射组：X∈Rq×p×D；其中，D表示通道，由于是二维特征数据，D的值为1。
通过卷积层提取的特征为Y＝[CL1，CL2，……，CLL]，由于二维输入特征的计算量较小，本实施例的CNN省略了池化层，直接将卷积层提取的特征作为BiLSTM的输入特征。
从上述计算过程可以看出，CNN模型具有局部连接、权值共享等特点，能够强化局部的特征。
CNN的输出特征Y被送入BiLSTM。BiLSTM即双向LSTM，由两个单独的LSTM(即前向LSTM和后向LSTM)组合而成，以两种方式对输入特征xt进行处理，一种方式是从过去到将来，另一种方式是从将来到过去，这种方法与单向LSTM的不同之处在于，在向后运行的LSTM中，保留了未来的信息并结合使用两个隐藏状态，可以在任何时间点保存过去和将来的信息，从而具有捕获前后信息特征的能力，能够处理非常复杂的问题。其计算公式如下所示：
其中，xt表示BiLSTM在时间t时刻的输入特征，即CNN在t时刻的输出特征CLt；
表示t时刻的向前传播隐层状态；
表示(t-1)时刻的向前传播隐层状态；
表示t时刻的向后传播隐层状态；
表示(t+1)时刻的向后传播隐层状态；Ot表示t时刻的隐层状态；αt为t时刻前向传播LSTM单元隐层输出权重；βt为t时刻后向传播LSTM单元隐层输出的权重；bt为t时刻隐层状态所对应的偏置量。
如图5所示，LSTM(long-short term memory；长短期记忆网络)的单个神经单元的体系结构包括输入门、遗忘门、输出门以及记忆单元，用于实现信息的输入和输出，其运算过程如下：
Γi＝σ(Wi,xxt+Wi,hht-1+bi)
Γf＝σ(Wf,xxt+Wf,hht-1+bf)
Γo＝σ(Wo,xxt+Wo,hht-1+bo)
ht＝Γo*tanh(Ct)
其中，Wi,x、Wi,h、Wf,x、Wf,h、Wo,x、Wo,h、Wc,x、Wc,h表示权重矩阵；bi、bf、bc、bo表示偏置矩阵；xt表示时间t时刻的输入特征，即CNN在t时刻的输出特征CLt；ct-1表示更新前的神经元；ct表示更新后的神经元；ht-1表示上一时刻(前向传输时为t-1时刻，后向传输时为t+1时刻)的输出特征；ht表示当前时刻(即t时刻)的输出特征；Γi表示输入门；Γf表示遗忘门；Γo表示输出门；
为候选神经元；σ为Sigmoid函数；tanh为双曲正切函数。
步骤S3、在CNN-BiLSTM模型的训练过程中，当损失函数的值收敛为一个固定值保持不变时，认为此时CNN-BiLSTM模型的参数为最优的模型参数，停止模型训练。
步骤S4、实时获取待测高层建筑的顶部位移数据，并将顶部位移数据输入EMD-CNN-BiLSTM模型，由EMD-CNN-BiLSTM模型计算出待测高层建筑顶部位移的预测数据和变化趋势。
本实施例中，采用CNN-BiLSTM模型做为基础模型对高层建筑的风致响应进行预测，由于CNN-BiLSTM模型能够在强化局部特征的同时，充分挖掘变量之间的非线性关系，自适应地感知上下时间序列特性信息，因此不需要对风速进行测量，仅通过前面的时刻特征的相关性即可预测下一个时刻的特征，完成位移响应预测所需要的时间很短。而且，由于通过EMD分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号，因此，将EMD与CNN-BiLSTM模型结合得到EMD-CNN-BiLSTM模型后，能够达到很高的预测精度。
本发明还提供一种基于深度学习的高层建筑风致响应预测装置，如附图6所示，本发明基于深度学习的高层建筑风致响应预测装置的一个优选实施例包括位移数据采集模块、分析模块、预测数据输出模块和预警模块。
所述位移数据采集模块用于实时采集待测高层建筑的顶部位移数据并传输到分析模块；优选为采用包括GPS数据采集单元和/或北斗定位数据采集单元的模块。
所述分析模块用于对位移数据采集模块送来的顶部位移数据进行分析，并对待测高层建筑的顶部位移变换趋势进行预测，得到预测的顶部位移数据。所述分析模块包括数据读取单元、EMD-CNN-BiLSTM模型和输出单元；
所述数据读取单元用于读取位移数据采集模块采集的待测高层建筑的顶部位移数据；
所述EMD-CNN-BiLSTM模型包括经验模态分解模块和CNN-BiLSTM模型，所述经验模态分解模块用于通过经验模态分解算法将待测高层建筑的顶部位移数据分解为多个IMF分量，并将各IMF分量作为CNN-BiLSTM模型的输入特征映射组；所述CNN-BiLSTM模型用于根据输入特征映射组预测出待测高层建筑的顶部位移数据。
所述CNN-BiLSTM模型包括CNN和BiLSTM，CNN可以很好地提取局部特征，但是池化层会丢失大量有价值信息，忽略局部与整体之间关联性；BiLSTM包括前向的LSTM网络和后向的LSTM网络，可以在任何时间点保存过去和将来的信息，从而具有捕获前后信息特征的能力，并采用全连接层输出预测结果。通过将CNN和BiLSTM拼接成CNN-BiLSTM模型，既能够强化变量的局部特征，同时还能将充分挖掘变量之间的非线性关系，自适应地感知上下时间序列特性信息，强化局部和整体的关联性。
所述输出单元用于将预测的顶部位移数据发送给预测数据输出模块和预警模块。
所述预测数据输出模块用于输出待测高层建筑的历史顶部位移数据及所述分析模块预测的顶部位移数据。所述预测数据输出模块优选为采用可视化模块，例如显示器，以可视的方式输出历史数据和预测数据。
所述预警模块用于将分析模块预测的顶部位移数据与预设的位移阈值进行比较，当预测的顶部位移数据大于或等于位移阈值时，发出预警信号。
本实施例中，分析模块采用EMD算法与CNN-BiLSTM模型，对计算和存储能力要求不高，对硬件的要求不高，实现成本低。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于深度学习的高层建筑风致响应预测方法，其特征在于，包括以下步骤：
步骤S1、获取待测高层建筑的历史顶部位移数据作为模型训练的样本，并通过经验模态分解算法将待测高层建筑的历史顶部位移数据分解为多个本征模态函数分量；
步骤S2、定义CNN-BiLSTM模型的损失函数，根据分解得到的各本征模态函数分量得到CNN-BiLSTM模型的输入特征映射组并对其进行训练；
步骤S3、当CNN-BiLSTM模型的损失函数的值收敛为一个固定值保持不变时，结束训练，得到EMD-CNN-BiLSTM模型；
步骤S4、实时获取待测高层建筑的顶部位移数据，并将顶部位移数据输入EMD-CNN-BiLSTM模型，通过EMD-CNN-BiLSTM模型计算出待测高层建筑顶部位移的预测数据和变化趋势。
2.根据权利要求1所述的基于深度学习的高层建筑风致响应预测方法，其特征在于，经验模态分解算法通过以下步骤实现：
步骤S11、根据待测高层建筑的历史顶部位移数据得到原始信号x(t)，t表示时间；
步骤S12、对原始信号x(t)进行筛分；具体为：找出原始信号x(t)所有的极大值点，拟合成原始信号的上包络线；找出原始信号x(t)所有的极小值点，拟合成原始信号的下包络线；计算上包络线和下包络线的均值得到原始信号x(t)的平均包络线m1(t)；将原始信号x(t)减去m1(t)后即可得到一个新的信号d1,1(t)；
步骤S13、判断d1,1(t)是否满足本征模态函数分量的条件，如果不满足，则以d1,1(t)代替原始信号x(t)，继续按步骤S12对d1,1(t)进行筛分，经过K次筛分后的信号记为d1,k(t)，直到d1,k(t)满足本征模态函数分量的条件时，记为原始信号x(t)的第一个IMF分量IMF1(t)；
步骤S14、从原始信号x(t)中减去第一个IMF分量IMF1(t)，得到剩余分量r1(t)，对r1(t)继续按步骤S12和步骤S13进行分解；经过n次分解后，求得残余信号rn(t)；当rn(t)为单调函数时，停止分解，将剩余分量函数rn(t)作为残余量RES。
3.根据权利要求2所述的基于深度学习的高层建筑风致响应预测方法，其特征在于，本征模态函数分量满足以下条件：
函数在整个时间范围内，极值点个数与过零点个数相等或相差1；
在任意时刻点，上包络线和下包络线的均值均为0。
4.根据权利要求1所述的基于深度学习的高层建筑风致响应预测方法，其特征在于，CNN-BiLSTM模型的损失函数l(x，y)定义为：
其中，N表示样本的个数，xi表示第i个样本的实际值，yi表示第i个样本的预测值。
5.根据权利要求1所述的基于深度学习的高层建筑风致响应预测方法，其特征在于，位移数据的时间序列形成一维数据；所述一维数据通过EMD分解成多个IMF序列，形成二维数据；并将所述二维数据作为CNN模型的输入特征映射组。
6.根据权利要求1所述的基于深度学习的高层建筑风致响应预测方法，其特征在于，LSTM的单个神经单元的体系结构包括输入门、遗忘门、输出门以及记忆单元，用于实现信息的输入和输出，其运算过程如下：
Γi＝σ(Wi,xxt+Wi,hht-1+bi)
Γf＝σ(Wf,xxt+Wf,hht-1+bf)
Γo＝σ(Wo,xxt+Wo,hht-1+bo)
ht＝Γo*tanh(Ct)
其中，Wi,x、Wi,h、Wf,x、Wf,h、Wo,x、Wo,h、Wc,x、Wc,h表示权重矩阵；bi、bf、bc、bo表示偏置矩阵；xt表示时间t时刻的输入特征；ct-1表示更新前的神经元；ct表示更新后的神经元；ht-1表示(t-1)时刻的输出特征；ht表示t时刻的输出特征；Γi表示输入门；Γf表示遗忘门；Γo表示输出门；
为候选神经元；σ为Sigmoid函数；tanh为双曲正切函数。
7.一种基于深度学习的高层建筑风致响应预测装置，其特征在于，包括：
位移数据采集模块，用于实时采集待测高层建筑的顶部位移数据并传输到分析模块；
分析模块，用于对位移数据采集模块送来的顶部位移数据进行分析，并对待测高层建筑的顶部位移变换趋势进行预测，得到预测的顶部位移数据；以及
预测数据输出模块，用于输出待测高层建筑的历史顶部位移数据及所述分析模块预测的顶部位移数据。
8.根据权利要求7所述的基于深度学习的高层建筑风致响应预测装置，其特征在于，还包括：
预警模块，用于将所述分析模块预测的顶部位移数据与预设的位移阈值进行比较，当预测的顶部位移数据大于或等于位移阈值时，发出预警信号。
9.根据权利要求7所述的基于深度学习的高层建筑风致响应预测装置，其特征在于，所述分析模块包括数据读取单元、EMD-CNN-BiLSTM模型和输出单元；
所述数据读取单元用于读取位移数据采集模块采集的待测高层建筑的顶部位移数据；
所述EMD-CNN-BiLSTM模型包括经验模态分解模块和CNN-BiLSTM模型，所述经验模态分解模块用于通过经验模态分解算法将待测高层建筑的顶部位移数据分解为多个本征模态函数分量，并将各本征模态函数分量作为CNN-BiLSTM模型的输入特征映射组；所述CNN-BiLSTM模型用于根据输入特征映射组预测出待测高层建筑的顶部位移数据；
所述输出单元用于将预测的顶部位移数据发送给预测数据输出模块和预警模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111030329.9A CN113988357B (zh) | 2021-09-03 | 2021-09-03 | 基于深度学习的高层建筑风致响应预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111030329.9A CN113988357B (zh) | 2021-09-03 | 2021-09-03 | 基于深度学习的高层建筑风致响应预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113988357A true CN113988357A (zh) | 2022-01-28 |
| CN113988357B CN113988357B (zh) | 2024-06-21 |
Family
ID=79735317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111030329.9A Active CN113988357B (zh) | 2021-09-03 | 2021-09-03 | 基于深度学习的高层建筑风致响应预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113988357B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114973665A (zh) * | 2022-05-19 | 2022-08-30 | 南京信息工程大学 | 一种结合数据分解和深度学习的短时交通流预测方法 |
| CN115423221A (zh) * | 2022-11-03 | 2022-12-02 | 北京建筑大学 | 一种设施运行趋势预测方法 |
| CN115514439A (zh) * | 2022-09-26 | 2022-12-23 | 华工未来科技(江苏)有限公司 | 一种信道空口利用率预测方法、系统、电子设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105260568A (zh) * | 2015-11-06 | 2016-01-20 | 武汉理工大学 | 基于离散型卡尔曼滤波的超高层建筑风荷载反分析方法 |
| CN109614650A (zh) * | 2018-11-12 | 2019-04-12 | 深圳大学 | 桥梁风致行为的非线性特性分析方法、存储介质及服务器 |
| CN110457795A (zh) * | 2019-07-26 | 2019-11-15 | 东南大学 | 基于神经网络的高层建筑物风致位移状态评估方法 |
| US20200367800A1 (en) * | 2019-01-23 | 2020-11-26 | Wuyi University | Method for identifying driving fatigue based on cnn-lstm deep learning model |
-
2021
- 2021-09-03 CN CN202111030329.9A patent/CN113988357B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105260568A (zh) * | 2015-11-06 | 2016-01-20 | 武汉理工大学 | 基于离散型卡尔曼滤波的超高层建筑风荷载反分析方法 |
| CN109614650A (zh) * | 2018-11-12 | 2019-04-12 | 深圳大学 | 桥梁风致行为的非线性特性分析方法、存储介质及服务器 |
| US20200367800A1 (en) * | 2019-01-23 | 2020-11-26 | Wuyi University | Method for identifying driving fatigue based on cnn-lstm deep learning model |
| CN110457795A (zh) * | 2019-07-26 | 2019-11-15 | 东南大学 | 基于神经网络的高层建筑物风致位移状态评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 徐枫;陈文礼;肖仪清;段忠东;欧进萍;: "超高层建筑风致振动的现场实测与数值模拟", 防灾减灾工程学报, no. 01, 15 February 2014 (2014-02-15), pages 55 - 61 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114973665A (zh) * | 2022-05-19 | 2022-08-30 | 南京信息工程大学 | 一种结合数据分解和深度学习的短时交通流预测方法 |
| CN115514439A (zh) * | 2022-09-26 | 2022-12-23 | 华工未来科技(江苏)有限公司 | 一种信道空口利用率预测方法、系统、电子设备及介质 |
| CN115423221A (zh) * | 2022-11-03 | 2022-12-02 | 北京建筑大学 | 一种设施运行趋势预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113988357B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113988357A (zh) | 基于深度学习的高层建筑风致响应预测方法及装置 | |
| CN111353076B (zh) | 训练跨模态检索模型的方法、跨模态检索的方法和相关装置 | |
| CN112084974B (zh) | 一种基于元学习的多标签滚动轴承故障诊断方法 | |
| CN109165660B (zh) | 一种基于卷积神经网络的显著物体检测方法 | |
| CN113326930B (zh) | 数据处理方法、神经网络的训练方法及相关装置、设备 | |
| CN111832228B (zh) | 基于cnn-lstm的振动传递系统 | |
| CN111368656A (zh) | 一种视频内容描述方法和视频内容描述装置 | |
| CN112101418A (zh) | 一种乳腺肿瘤类型识别方法、系统、介质及设备 | |
| CN113688770A (zh) | 高层建筑长期风压缺失数据补全方法及装置 | |
| CN112241001A (zh) | 雷达人体动作识别方法、装置、电子设备和存储介质 | |
| CN117216522A (zh) | 一种基于机器学习的轴承故障类别诊断方法、装置及设备 | |
| CN116630728A (zh) | 基于注意力残差孪生网络的加工精度预测方法 | |
| CN113688773B (zh) | 一种基于深度学习的储罐穹顶位移数据修复方法及其装置 | |
| CN116502672A (zh) | 一种神经网络量化部署方法、系统、设备和介质 | |
| CN113158806B (zh) | 一种基于OTD_Loglogistic的SAR数据海洋目标检测方法 | |
| Ojeda et al. | Multivariate time series imaging for short-term precipitation forecasting using convolutional neural networks | |
| CN113987170A (zh) | 基于卷积神经网络的多标签文本分类方法 | |
| CN111382761B (zh) | 一种基于cnn的检测器、图像检测方法及终端 | |
| CN113688774B (zh) | 基于深度学习的高层建筑风致响应预测、训练方法及装置 | |
| CN113537637B (zh) | 基于门控循环单元的地震破坏力预测方法及装置 | |
| CN116882538B (zh) | 一种海洋环境预测模型的训练方法及相关装置 | |
| CN110728292A (zh) | 一种多任务联合优化下的自适应特征选择算法 | |
| CN115267883B (zh) | 地震响应预测模型训练及预测方法、系统、设备及介质 | |
| CN112926619B (zh) | 一种高精度水下激光目标识别系统 | |
| CN114022779B (zh) | 一种基于比例尺网络的sar船只检测方法 |
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 |