CN114926588A - 一种基于深度学习lstm网络的桥梁静态位移预测方法 - Google Patents

一种基于深度学习lstm网络的桥梁静态位移预测方法 Download PDF

Info

Publication number
CN114926588A
CN114926588A CN202210553904.1A CN202210553904A CN114926588A CN 114926588 A CN114926588 A CN 114926588A CN 202210553904 A CN202210553904 A CN 202210553904A CN 114926588 A CN114926588 A CN 114926588A
Authority
CN
China
Prior art keywords
data
module
unit
bridge
input end
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
Application number
CN202210553904.1A
Other languages
English (en)
Inventor
张思思
蒋序强
董峰
严振宇
张快乐
艾义博
孙鑫
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.)
Wuhan Huaguang Transportation Engineering Co Ltd
Original Assignee
Wuhan Huaguang Transportation Engineering Co Ltd
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 Wuhan Huaguang Transportation Engineering Co Ltd filed Critical Wuhan Huaguang Transportation Engineering Co Ltd
Priority to CN202210553904.1A priority Critical patent/CN114926588A/zh
Publication of CN114926588A publication Critical patent/CN114926588A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0008—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings of bridges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0041—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by determining deflection or stress
    • 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
    • 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
    • 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
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Graphics (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

本发明公开了一种基于深度学习LSTM网络的桥梁静态位移预测方法，S1、数据采集：首先利用检测系统中的数据采集模块对桥梁的基本数据进行采集，本发明涉及桥梁结构安全技术领域。该基于深度学习LSTM网络的桥梁静态位移预测方法，通过设置有存储系统和检测系统，利用数据采集模块对所需的桥梁数据进行实时的检测，并且通过模型建立单元和模块训练模块形成训练后的模型，并且对于产生的问题进行实时的检测、预测，同时配合上存储系统进行存储更新，不仅能够有效的检测出桥梁受外界因素影响产生的位移，而且可以提前告知进行问题的解决，以此提高了桥梁建造使用的安全性，同时也提高了人员对于桥梁的勘察完全性。

Description

一种基于深度学习LSTM网络的桥梁静态位移预测方法
技术领域
本发明涉及桥梁结构安全技术领域，具体为一种基于深度学习LSTM网络的桥梁静态位移预测方法。
背景技术
桥梁静态位移是桥梁结构安全监测的重要监测内容，桥梁挠度的变化最能直接反映出桥梁整体的竖向刚度、承载能力的变化；对桥梁结构变形趋势的预测，能够有助于桥梁工作性能评估和结构安全的预警。
现有的桥梁在进行检测的过程中，多数只是进行单一性的检测，导致桥梁在受到其他一些外界因素影响时，产生较大的拨动和偏移，而问题未检测出对于后期的安全问题造成较大的影响，为此，本发明提供了一种基于深度学习LSTM网络的桥梁静态位移预测方法。
发明内容
针对现有技术的不足，本发明提供了一种基于深度学习LSTM网络的桥梁静态位移预测方法，解决了现有的桥梁在进行检测的过程中，多数只是进行单一性的检测，导致桥梁在受到其他一些外界因素影响时，产生较大的拨动和偏移，而问题未检测出对于后期的安全问题造成较大的影响，的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种基于深度学习LSTM网络的桥梁静态位移预测方法，具体包括以下步骤：
S1、数据采集：首先利用检测系统中的数据采集模块对桥梁的基本数据进行采集，并且对挠度和结构抗剪承载力数据进行测算，同时将所采集的数据输入到存储系统进行汇总、整理和存储，以及将数据传输到数据处理模块进行分析处理；
S2、数据建模：此时对分析处理后的数据传输到三维建模模块中，以此形成三维立体图，通过人员施工实现模型的建立，并通过施加外界因素实现对桥梁静态位移的检测，同时将通过LSTM网络的训练模型进行桥梁检测；
S3、预测实验：在实验对象准备完成后，通过人员的实施模拟实现训练后的LSTM网络训练模型对桥梁静态位移进行检测，并且对检测中产生的数据进行实时记录，同时对于出现的问题进行预警和解决，并对于数据进行修改和及时的更新；
所述S1-S3中包括存储系统和检测系统，所述存储系统和检测系统实现双向连接；
所述存储系统中包括数据接收模块、数据管理模块、数据存储模块、数据输出模块、实时更新模块和数据显示模块，所述数据接收模块的输出端与数据管理模块的输入端连接，所述数据管理模块的输出端与数据存储模块的输入端连接，所述数据存储模块的输出端与数据输出模块的输入端连接，所述数据存储模块与数据显示模块实现双向连接，所述实时更新模块的的输出端与数据显示模块的输入端连接。
优选的，所述数据管理模块中包括数据引入单元、数据整理单元、数据分类单元和数据引出单元，所述数据引入单元的输出端与数据整理单元的输入端连接，所述数据整理单元的输出端数据分类单元的输入端连接，所述数据分类单元的输出端与数据引出单元的输入端连接。
优选的，所述检测系统中包括数据采集模块、信息中心处理器、数据处理模块、模型建立单元、数据预测模块、数据传送模块、桥梁检测模块、模块训练模块和预测预警模块，所述数据采集模块的输出端与信息中心处理器的输入端连接。
优选的，所述信息中心处理器的输出端与数据处理模块的输入端连接，所述数据处理模块的输出端与模型建立单元的输入端连接，所述模型建立单元的输出端与数据预测模块的输入端连接。
优选的，所述数据预测模块的输出端与数据传送模块的输入端连接，所述桥梁检测模块的输出端与模型建立单元的输入端连接，所述模块训练模块的输出端与模型建立单元的输入端连接，所述预测预警模块的输出端与数据预测模块的输入端连接。
优选的，所述预测预警模块中包括蜂鸣预警单元、信号灯警示单元和问题显现单元。
优选的，所述数据处理模块中包括数据输入单元、数据分析单元、数据计算单元和数据输出单元，所述数据输入单元的输出端与数据分析单元的输入端连接，所述数据分析单元的输出端与数据计算单元的输入端连接，所述数据计算单元的输出端与数据输出单元的输入端连接。
优选的，所述数据计算单元中对于挠度位移量的计算公式为：
Figure BDA0003654123410000031
其中
Figure BDA0003654123410000032
为虚拟状态下由虚拟单元Pk＝1时产生的弯矩，Mp为实际状态中由荷载产生的弯矩，EI为常数，ds为所测量的一段距离；而结构抗剪承载力的计算公式为：
Figure BDA0003654123410000033
其中fcu为混凝土极限抗压强度，b、d—构件截面宽度、有效高度。
有益效果
本发明提供了一种基于深度学习LSTM网络的桥梁静态位移预测方法。与现有技术相比具备以下有益效果：
该基于深度学习LSTM网络的桥梁静态位移预测方法，通过S1、数据采集：首先利用检测系统中的数据采集模块对桥梁的基本数据进行采集，并且对挠度和结构抗剪承载力数据进行测算，同时将所采集的数据输入到存储系统进行汇总、整理和存储，以及将数据传输到数据处理模块进行分析处理；S2、数据建模：此时对分析处理后的数据传输到三维建模模块中，以此形成三维立体图，通过人员施工实现模型的建立，并通过施加外界因素实现对桥梁静态位移的检测，同时将通过LSTM网络的训练模型进行桥梁检测；S3、预测实验：在实验对象准备完成后，通过人员的实施模拟实现训练后的LSTM网络训练模型对桥梁静态位移进行检测，并且对检测中产生的数据进行实时记录，同时对于出现的问题进行预警和解决，并对于数据进行修改和及时的更新，通过设置有存储系统和检测系统，利用数据采集模块对所需的桥梁数据进行实时的检测，并且通过模型建立单元和模块训练模块形成训练后的模型，并且对于产生的问题进行实时的检测、预测，同时配合上存储系统进行存储更新，不仅能够有效的检测出桥梁受外界因素影响产生的位移，而且可以提前告知进行问题的解决，以此提高了桥梁建造使用的安全性，同时也提高了人员对于桥梁的勘察完全性。
附图说明
图1为本发明预测方法的工艺流程图；
图2为本发明预测方法的原理框图；
图3为本发明检测系统的原理框图；
图4为本发明数据处理模块的原理框图；
图5为本发明存储系统的原理框图；
图6为本发明数据管理模块的原理框图；
图7为本发明预测预警模块的原理框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-6，本发明提供三种技术方案：
实施例一
一种基于深度学习LSTM网络的桥梁静态位移预测方法，具体包括以下步骤：
S1、数据采集：首先利用检测系统中的数据采集模块对桥梁的基本数据进行采集，并且对挠度和结构抗剪承载力数据进行测算，同时将所采集的数据输入到存储系统进行汇总、整理和存储，以及将数据传输到数据处理模块进行分析处理；
S2、数据建模：此时对分析处理后的数据传输到三维建模模块中，以此形成三维立体图，通过人员施工实现模型的建立，并通过施加外界因素实现对桥梁静态位移的检测，同时将通过LSTM网络的训练模型进行桥梁检测；
S3、预测实验：在实验对象准备完成后，通过人员的实施模拟实现训练后的LSTM网络训练模型对桥梁静态位移进行检测，并且对检测中产生的数据进行实时记录，同时对于出现的问题进行预警和解决，并对于数据进行修改和及时的更新；
S1-S3中包括存储系统和检测系统，所述存储系统和检测系统实现双向连接；
存储系统中包括数据接收模块、数据管理模块、数据存储模块、数据输出模块、实时更新模块和数据显示模块，所述数据接收模块的输出端与数据管理模块的输入端连接，所述数据管理模块的输出端与数据存储模块的输入端连接，数据存储模块的输出端与数据输出模块的输入端连接，所述数据存储模块与数据显示模块实现双向连接，所述实时更新模块的的输出端与数据显示模块的输入端连接。
本发明实施例中，数据管理模块中包括数据引入单元、数据整理单元、数据分类单元和数据引出单元，所述数据引入单元的输出端与数据整理单元的输入端连接，所述数据整理单元的输出端数据分类单元的输入端连接，所述数据分类单元的输出端与数据引出单元的输入端连接。
实施例二
一种基于深度学习LSTM网络的桥梁静态位移预测方法，具体包括以下步骤：
S1、数据采集：首先利用检测系统中的数据采集模块对桥梁的基本数据进行采集，并且对挠度和结构抗剪承载力数据进行测算，同时将所采集的数据输入到存储系统进行汇总、整理和存储，以及将数据传输到数据处理模块进行分析处理；
S2、数据建模：此时对分析处理后的数据传输到三维建模模块中，以此形成三维立体图，通过人员施工实现模型的建立，并通过施加外界因素实现对桥梁静态位移的检测，同时将通过LSTM网络的训练模型进行桥梁检测；
S3、预测实验：在实验对象准备完成后，通过人员的实施模拟实现训练后的LSTM网络训练模型对桥梁静态位移进行检测，并且对检测中产生的数据进行实时记录，同时对于出现的问题进行预警和解决，并对于数据进行修改和及时的更新；
S1-S3中包括存储系统和检测系统，所述存储系统和检测系统实现双向连接；
存储系统中包括数据接收模块、数据管理模块、数据存储模块、数据输出模块、实时更新模块和数据显示模块，所述数据接收模块的输出端与数据管理模块的输入端连接，所述数据管理模块的输出端与数据存储模块的输入端连接，数据存储模块的输出端与数据输出模块的输入端连接，所述数据存储模块与数据显示模块实现双向连接，所述实时更新模块的的输出端与数据显示模块的输入端连接。
本发明实施例中，检测系统中包括数据采集模块、信息中心处理器、数据处理模块、模型建立单元、数据预测模块、数据传送模块、桥梁检测模块、模块训练模块和预测预警模块，所述数据采集模块的输出端与信息中心处理器的输入端连接。
本发明实施例中，信息中心处理器的输出端与数据处理模块的输入端连接，所述数据处理模块的输出端与模型建立单元的输入端连接，所述模型建立单元的输出端与数据预测模块的输入端连接。
本发明实施例中，数据预测模块的输出端与数据传送模块的输入端连接，所述桥梁检测模块的输出端与模型建立单元的输入端连接，所述模块训练模块的输出端与模型建立单元的输入端连接，所述预测预警模块的输出端与数据预测模块的输入端连接。
本发明实施例中，数据处理模块中包括数据输入单元、数据分析单元、数据计算单元和数据输出单元，所述数据输入单元的输出端与数据分析单元的输入端连接，所述数据分析单元的输出端与数据计算单元的输入端连接，所述数据计算单元的输出端与数据输出单元的输入端连接。
本发明实施例中，预测预警模块中包括蜂鸣预警单元、信号灯警示单元和问题显现单元。
本发明实施例中，数据计算单元中对于挠度位移量的计算公式为：
Figure BDA0003654123410000071
其中
Figure BDA0003654123410000072
为虚拟状态下由虚拟单元Pk＝1时产生的弯矩，Mp为实际状态中由荷载产生的弯矩，EI为常数，ds为所测量的一段距离；而结构抗剪承载力的计算公式为：
Figure BDA0003654123410000073
其中fcu为混凝土极限抗压强度，b、d—构件截面宽度、有效高度。
实施例三
一种基于深度学习LSTM网络的桥梁静态位移预测方法，具体包括以下步骤：
S1、数据采集：首先利用检测系统中的数据采集模块对桥梁的基本数据进行采集，并且对挠度和结构抗剪承载力数据进行测算，同时将所采集的数据输入到存储系统进行汇总、整理和存储，以及将数据传输到数据处理模块进行分析处理；
S2、数据建模：此时对分析处理后的数据传输到三维建模模块中，以此形成三维立体图，通过人员施工实现模型的建立，并通过施加外界因素实现对桥梁静态位移的检测，同时将通过LSTM网络的训练模型进行桥梁检测；
S3、预测实验：在实验对象准备完成后，通过人员的实施模拟实现训练后的LSTM网络训练模型对桥梁静态位移进行检测，并且对检测中产生的数据进行实时记录，同时对于出现的问题进行预警和解决，并对于数据进行修改和及时的更新；
S1-S3中包括存储系统和检测系统，所述存储系统和检测系统实现双向连接；
存储系统中包括数据接收模块、数据管理模块、数据存储模块、数据输出模块、实时更新模块和数据显示模块，所述数据接收模块的输出端与数据管理模块的输入端连接，所述数据管理模块的输出端与数据存储模块的输入端连接，数据存储模块的输出端与数据输出模块的输入端连接，所述数据存储模块与数据显示模块实现双向连接，所述实时更新模块的的输出端与数据显示模块的输入端连接。
本发明实施例中，数据管理模块中包括数据引入单元、数据整理单元、数据分类单元和数据引出单元，所述数据引入单元的输出端与数据整理单元的输入端连接，所述数据整理单元的输出端数据分类单元的输入端连接，所述数据分类单元的输出端与数据引出单元的输入端连接。
本发明实施例中，检测系统中包括数据采集模块、信息中心处理器、数据处理模块、模型建立单元、数据预测模块、数据传送模块、桥梁检测模块、模块训练模块和预测预警模块，所述数据采集模块的输出端与信息中心处理器的输入端连接。
本发明实施例中，信息中心处理器的输出端与数据处理模块的输入端连接，所述数据处理模块的输出端与模型建立单元的输入端连接，所述模型建立单元的输出端与数据预测模块的输入端连接。
本发明实施例中，数据预测模块的输出端与数据传送模块的输入端连接，所述桥梁检测模块的输出端与模型建立单元的输入端连接，所述模块训练模块的输出端与模型建立单元的输入端连接，所述预测预警模块的输出端与数据预测模块的输入端连接。
本发明实施例中，预测预警模块中包括蜂鸣预警单元、信号灯警示单元和问题显现单元，且蜂鸣预警单元、信号灯警示单元和问题显现单元主要用于提醒和告知人员桥梁在进行预测的过程中存在问题，并且能够及时的解决问题。
本发明实施例中，数据处理模块中包括数据输入单元、数据分析单元、数据计算单元和数据输出单元，所述数据输入单元的输出端与数据分析单元的输入端连接，所述数据分析单元的输出端与数据计算单元的输入端连接，所述数据计算单元的输出端与数据输出单元的输入端连接。
本发明实施例中，数据计算单元中对于挠度位移量的计算公式为：
Figure BDA0003654123410000091
其中
Figure BDA0003654123410000092
为虚拟状态下由虚拟单元Pk＝1时产生的弯矩，Mp为实际状态中由荷载产生的弯矩，EI为常数，ds为所测量的一段距离；而结构抗剪承载力的计算公式为：
Figure BDA0003654123410000093
其中fcu为混凝土极限抗压强度，b、d—构件截面宽度、有效高度。
综合实施例1-3，该基于深度学习LSTM网络的桥梁静态位移预测方法通过设置有存储系统和检测系统，利用数据采集模块对所需的桥梁数据进行实时的检测，并且通过模型建立单元和模块训练模块形成训练后的模型，并且对于产生的问题进行实时的检测、预测，同时配合上存储系统进行存储更新，不仅能够有效的检测出桥梁受外界因素影响产生的位移，而且可以提前告知进行问题的解决，以此提高了桥梁建造使用的安全性，同时也提高了人员对于桥梁的勘察完全性。
同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种基于深度学习LSTM网络的桥梁静态位移预测方法，其特征在于：具体包括以下步骤：
S1、数据采集：首先利用检测系统中的数据采集模块对桥梁的基本数据进行采集，并且对挠度和结构抗剪承载力数据进行测算，同时将所采集的数据输入到存储系统进行汇总、整理和存储，以及将数据传输到数据处理模块进行分析处理；
S2、数据建模：此时对分析处理后的数据传输到三维建模模块中，以此形成三维立体图，通过人员施工实现模型的建立，并通过施加外界因素实现对桥梁静态位移的检测，同时将通过LSTM网络的训练模型进行桥梁检测；
S3、预测实验：在实验对象准备完成后，通过人员的实施模拟实现训练后的LSTM网络训练模型对桥梁静态位移进行检测，并且对检测中产生的数据进行实时记录，同时对于出现的问题进行预警和解决，并对于数据进行修改和及时的更新；
所述S1-S3中包括存储系统和检测系统，所述存储系统和检测系统实现双向连接，所述存储系统中包括数据接收模块、数据管理模块、数据存储模块、数据输出模块、实时更新模块和数据显示模块，所述数据接收模块的输出端与数据管理模块的输入端连接，所述数据管理模块的输出端与数据存储模块的输入端连接，所述数据存储模块的输出端与数据输出模块的输入端连接，所述数据存储模块与数据显示模块实现双向连接，所述实时更新模块的的输出端与数据显示模块的输入端连接。
2.根据权利要求1所述的一种基于深度学习LSTM网络的桥梁静态位移预测方法，其特征在于：所述数据管理模块中包括数据引入单元、数据整理单元、数据分类单元和数据引出单元，所述数据引入单元的输出端与数据整理单元的输入端连接，所述数据整理单元的输出端数据分类单元的输入端连接，所述数据分类单元的输出端与数据引出单元的输入端连接。
3.根据权利要求1所述的一种基于深度学习LSTM网络的桥梁静态位移预测方法，其特征在于：所述检测系统中包括数据采集模块、信息中心处理器、数据处理模块、模型建立单元、数据预测模块、数据传送模块、桥梁检测模块、模块训练模块和预测预警模块，所述数据采集模块的输出端与信息中心处理器的输入端连接。
4.根据权利要求3所述的一种基于深度学习LSTM网络的桥梁静态位移预测方法，其特征在于：所述信息中心处理器的输出端与数据处理模块的输入端连接，所述数据处理模块的输出端与模型建立单元的输入端连接，所述模型建立单元的输出端与数据预测模块的输入端连接。
5.根据权利要求3所述的一种基于深度学习LSTM网络的桥梁静态位移预测方法，其特征在于：所述数据预测模块的输出端与数据传送模块的输入端连接，所述桥梁检测模块的输出端与模型建立单元的输入端连接，所述模块训练模块的输出端与模型建立单元的输入端连接，所述预测预警模块的输出端与数据预测模块的输入端连接。
6.根据权利要求3所述的一种基于深度学习LSTM网络的桥梁静态位移预测方法，其特征在于：所述数据处理模块中包括数据输入单元、数据分析单元、数据计算单元和数据输出单元，所述数据输入单元的输出端与数据分析单元的输入端连接，所述数据分析单元的输出端与数据计算单元的输入端连接，所述数据计算单元的输出端与数据输出单元的输入端连接。
7.根据权利要求3所述的一种基于深度学习LSTM网络的桥梁静态位移预测方法，其特征在于：所述预测预警模块中包括蜂鸣预警单元、信号灯警示单元和问题显现单元。
8.根据权利要求6所述的一种基于深度学习LSTM网络的桥梁静态位移预测方法，其特征在于：所述数据计算单元中对于挠度位移量的计算公式为：
Figure FDA0003654123400000031
其中
Figure FDA0003654123400000032
为虚拟状态下由虚拟单元Pk＝1时产生的弯矩，Mp为实际状态中由荷载产生的弯矩，EI为常数，ds为所测量的一段距离；而结构抗剪承载力的计算公式为：
Figure FDA0003654123400000033
其中fcu为混凝土极限抗压强度，b、d—构件截面宽度、有效高度。
CN202210553904.1A 2022-05-20 2022-05-20 一种基于深度学习lstm网络的桥梁静态位移预测方法 Pending CN114926588A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210553904.1A CN114926588A (zh) 2022-05-20 2022-05-20 一种基于深度学习lstm网络的桥梁静态位移预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210553904.1A CN114926588A (zh) 2022-05-20 2022-05-20 一种基于深度学习lstm网络的桥梁静态位移预测方法

Publications (1)

Publication Number Publication Date
CN114926588A true CN114926588A (zh) 2022-08-19

Family

ID=82810943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210553904.1A Pending CN114926588A (zh) 2022-05-20 2022-05-20 一种基于深度学习lstm网络的桥梁静态位移预测方法

Country Status (1)

Country Link
CN (1) CN114926588A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116046303A (zh) * 2023-03-30 2023-05-02 辽宁省交通规划设计院有限责任公司 一种挠度智能检测系统、方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116046303A (zh) * 2023-03-30 2023-05-02 辽宁省交通规划设计院有限责任公司 一种挠度智能检测系统、方法及装置

Similar Documents

Publication Publication Date Title
CN104199410B (zh) 一种桥梁结构健康监测通用性采集控制系统
CN110008301B (zh) 基于机器学习的区域性地质灾害易发性预测方法及装置
CN110555617A (zh) 一种基于物联网的建筑火灾风险实时动态定量评估方法
CN210924883U (zh) 一种桥梁结构健康监测系统
CN111339074A (zh) 阈值生成方法、装置、设备和存储介质
CN110780347B (zh) 基于循环神经网络的地震破坏力预测装置及方法
CN114485570A (zh) 一种用于在建隧道施工安全智慧监控量测预警系统及方法
CN108444662A (zh) 一种基于日温度效应的桥梁损伤在线监测方法
CN109783967A (zh) 一种滑坡预测方法及系统
CN112533167A (zh) 一种基于5g通讯的煤岩动力灾害无线监测系统与方法
CN115270527B (zh) 道路塌陷风险实时评估方法、设备及存储介质
CN114926588A (zh) 一种基于深度学习lstm网络的桥梁静态位移预测方法
CN115758252A (zh) 基于多源信息融合技术的监测信息实时处理与分析方法
CN114444180A (zh) 装配式建筑结构的全生命周期参数预测与监测方法及系统
Hellgren et al. Performance of data-based models for early detection of damage in concrete dams
CN113053063A (zh) 基于移动端的灾害在线处置流程实现方法
CN115563683A (zh) 一种基于数字孪生的水利工程自动化安全监测管理系统
CN107096899A (zh) 一种基于逻辑判断的结晶器漏钢预报系统
CN114429308A (zh) 一种基于大数据的企业安全风险评估方法及系统
CN116754022B (zh) 电缆隧道的在线检测应急预警方法及系统
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
CN115063337A (zh) 埋地管道智能维修决策方法及装置
CN112116220A (zh) 一种大规模建筑群震害人工智能预警及监测方法
CN111738996A (zh) 基于机器学习的桥梁健康监测预警系统
CN111105163A (zh) 一种交通工程安全隐患评估装置及方法

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