CN115081269B - 基于混合输入神经网络模型的桥梁热边界条件预测方法、装置及介质 - Google Patents
基于混合输入神经网络模型的桥梁热边界条件预测方法、装置及介质 Download PDFInfo
- Publication number
- CN115081269B CN115081269B CN202210614096.5A CN202210614096A CN115081269B CN 115081269 B CN115081269 B CN 115081269B CN 202210614096 A CN202210614096 A CN 202210614096A CN 115081269 B CN115081269 B CN 115081269B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- network model
- input neural
- thermal boundary
- 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.)
- Active
Links
- 238000003062 neural network model Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000003860 storage Methods 0.000 claims abstract description 18
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 13
- 230000015654 memory Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 16
- 230000005855 radiation Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 239000002131 composite material Substances 0.000 claims 2
- 238000004364 calculation method Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002076 thermal analysis method Methods 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010396 two-hybrid screening Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于混合输入神经网络模型的桥梁热边界条件预测方法、装置、计算机设备和存储介质，所述方法包括：获取样本数据并进行处理，得到数据集；混合输入神经网络模型包括多层感知器和循环神经网络两个分支，多层感知器用于处理数据集中的表面角度数据，识别表面位置；循环神经网络用于对数据集中的气象数据进行操作，并记忆不同时间长度的数值依赖关系；将两个分支输出的数据串联后，通过全连接的多层感知器后，得到模型的输出结果；利用数据集训练模型，将获取的气象数据和表面角度数据输入训练好的模型，得到预测结果，完成所需时间步内桥梁结构热边界条件的预测。本发明提供的方法，预测精度高，具有很好的工程实用性。
Description
技术领域
本发明涉及桥梁结构健康监测技术领域，特别涉及一种基于混合输入神经网络模型的桥梁热边界条件预测方法、装置、计算机设备和存储介质。
背景技术
桥梁结构是重要的基础设施，是交通大动脉上的关键节点，数以百万计的桥梁为我国社会和经济的发展做出了重大贡献。温度荷载是一种重要的荷载形式。温度变化可引起桥梁材料属性的变化和体积的热胀冷缩，边界和构件之间的连接约束下将会导致结构变形、应力、应变、支座反力和边界约束变化等温度效应，引起桥梁温度病害的发生。为确保桥梁结构建设和运营的安全性，获取桥梁温度场数据是非常有必要的。
目前桥梁温度场数据的获取严重依赖现场实测，而基于结构健康监测系统的桥梁温度实时监测又具有成本高、耗时长、分析效率低的特点，不能满足大多数桥梁的工程分析需求。另外，以往通过有限元热分析方法进行桥梁温度场的获取也存在较大不便，其中显著的缺点之一便是由于热边界条件与结构表面温度及外界气象环境二者均相关，各时刻外界气象环境变化又导致热边界条件不断发生改变。传统精细化有限元方法计算过程中，需要有限元软件及编程软件交互调用，结合当前时刻外部气象环境与上一时刻结构表面温度迭代求解热边界条件，程序复杂、运行耗时且内存占用较大。此外，计算过程还要判断该日日照时间范围，使用极为不便。
热边界条件通过给出桥梁温度分布和热量传递的影响因素，反映了环境与桥梁外界的热交换情况。常用的第三类热边界条件给出己知物体边界与周围流体在各个时刻的对流换热系数h及周围流体的温度Ta，即：
式中：k表示结构导热系数，nx、ny表示结构表面的外法线余弦；h表示综合换热系数，Ta表示环境温度，T表示结构温度，q表示结构表面接受到的辐射能量。
根据能量守恒定律，可将(1)边界条件改写为：
式中，ε为混凝土短波辐射吸收系数，I为混凝土表面受到的太阳辐射总量，包括太阳直接辐射、太阳散射辐射、地面反射三部分。
为方便有限元建模，简化计算，利用综合气温来反映第三类热边界条件中太阳辐射热交换过程，即把结构表面接受到的辐射能量换算成大气的温度。综合气温Tsa根据下式进行计算：
将(3)代入(2)，得到第三类热边界条件简化计算公式：
通过在有限元模型外表面上赋予热边界条件：综合换热系数h和综合气温Tsa，即可进行结构温度场求解。
发明内容
为了解决上述现有技术的不足，本发明提供了一种基于混合输入神经网络模型的桥梁热边界条件预测方法、装置、计算机设备和存储介质，该方法通过构建混合输入神经网络模型，结合了MLP处理非线性映射关系和LSTM处理序列数据的优势，可根据外边界方位角度及场地气象条件快速获取热边界条件情况，将预测出的热边界条件施加到有限元模型进行热分析计算，实现箱型桥梁结构内部不同时刻温度分布的实时高精度重建。较传统的基于有限元及编程软件交互程序计算热边界条件的方法，计算时间缩短、内存占用空间减少，计算效率提高；较普通的单输入深度学习模型，考虑的特征更全面，模型通用性及泛化能力较好，可以处理各尺寸箱型桥梁结构，具有很好的工程实用性。
本发明的第一个目的在于提供一种基于混合输入神经网络模型的桥梁热边界条件预测方法。
本发明的第二个目的在于提供一种基于混合输入神经网络模型的桥梁热边界条件预测装置。
本发明的第三个目的在于提供一种计算机设备。
本发明的第四个目的在于提供一种存储介质。
本发明的第一个目的可以通过采取如下技术方案达到：
一种基于混合输入神经网络模型的桥梁热边界条件预测方法，所述方法包括：
获取样本数据，所述样本数据包括气象数据和表面角度数据和第三类热边界条件；
对所述样本数据进行处理，得到数据集；
构建混合输入神经网络模型，所述混合输入神经网络模型为具有两个分支的多输入神经网络，第一个分支是多层感知器，用于处理所述数据集中的表面角度数据，识别表面位置；第二个分支是循环神经网络，用于对所述数据集中的气象数据进行操作，并记忆不同时间长度的数值依赖关系；将两个分支输出的数据串联后，通过全连接的多层感知器后，得到模型的输出结果；
根据所述输出结果和所述第三类热边界条件，对所述混合输入神经网络模型调整参数和优化，得到训练好的混合输入神经网络模型；
将获取的气象数据和表面角度数据输入所述训练好的混合输入神经网络模型，得到预测结果，完成所需时间步内桥梁结构第三类热边界条件的预测。
进一步的，所述循环神经网络为长短期记忆神经网络，所述多层感知器包括第一隐藏层和第二隐藏层；
所述将两个分支输出的数据串联后，通过全连接的多层感知器后，得到模型的输出结果，包括：
将所述数据集中的气象数据输入所述长短期记忆神经网络，输出气象数据关系及网络状态；
将所述数据集中的表面角度数据输入所述多层感知器的输入层，将输入层的输出结果输入第一隐藏层；
将所述长短期记忆神经网络输出的数据与第一个隐藏层输出的数据进行串联，经过多层感知器的全连接层后，将连接层处理后的数据输入第二隐藏层；
将第二隐藏层的输出输入所述多层感知器的输出层，输出层输出的结果为所述混合输入神经网络模型的输出值；
其中，第一个隐藏层的激活函数为LeakyReLU。
进一步的，所述数据集分为训练集和测试集；
所述混合输入神经网络模型为两个，即第一输入神经网络模型和第二输入神经网络模型；
根据所述输出结果和所述第三类热边界条件，混合输入神经网络模型自动调整超参数和优化，得到训练好的混合输入神经网络模型，包括：
为了提高混合输入神经网络模型的预测性能，利用与顶板、东西腹板受照部分、东西翼缘外端表面会在日出时段受到太阳直接辐射表面的表面角度数据对应的训练集中的气象数据和表面角度数据输入所述第一输入神经网络模型，得到模型的输出结果；根据对应的训练集中的第三类热边界条件和输出结果，对所述第一输入神经网络模型进行参数调整和优化；
同理，利用与底板、东西腹板未受照部分、东西翼缘底面始终不会受到太阳直接辐射表面的表面角度数据对应的训练集对所述第二混合输入神经网络模型进行训练；
采用所述测试集的均方误差作为所述第一、第二混合输入神经网络模型的损失函数；
在训练过程中，若连续k个周期内损失函数停止下降，则停止训练，即得到训练好的第一、第二混合输入神经网络模型，其中，k为设定阈值。
进一步的，所述将获取的气象数据和表面角度数据输入所述训练好的混合输入神经网络模型，得到预测结果，完成所需时间步内桥梁结构第三类热边界条件的预测，包括：
根据获取的表面角度数据，从所述训练好的第一、第二混合输入神经网络模型中选择一个相应的混合输入神经网络模型；
将获取的气象数据和表面角度数据输入选择的混合输入神经网络模型中，对混合输入神经网络模型输出的值进行反标准化处理，得到预测结果。
进一步的，所述对所述样本数据进行处理，得到数据集，包括：
对所述样本数据进行结构转换，得到转换后样本数据；
将所述转换后样本数据中的气象数据和第三类热边界条件进行Z-Score标准化处理，处理后的气象数据和第三类热边界条件，以及转换后样本数据中的表面角度数据构成数据集。
进一步的，所述表面角度数据包括顶板、底板、东腹板及西腹板、东翼缘及西翼缘表面的倾角α以及表面方位角β；
所述对样本数据进行结构转换，得到转换后样本数据，包括：
将所述样本数据的气象数据改造为三维张量格式，得到改造后气象数据；其中，第一个维度为转化后的样本总量，该参数可缺省；第二个维度为神经网络层每个批次时序数据的步长，决定了循环结构在不同时间状态上的展开次数；第三个维度为气象数据的特征数目；
将所述样本数据的表面角度数据变换成三维张量格式，得到变换后表面角度数据，包括：
求倾角α的余弦与表面方位角β的余弦及正弦；
将倾角α的余弦与表面方位角β的余弦及正弦堆叠处理成三维张量格式；
所述改造后气象数据、变换后表面角度数据以及第三类热边界条件构成转换后样本数据。
进一步的，所述第三类热边界条件包括综合气温和综合换热系数。
进一步的，所述气象数据包括天顶角、环境温度、降雨量、风速、云层覆盖率和相对湿度。
本发明的第二个目的可以通过采取如下技术方案达到：
一种基于混合输入神经网络模型的桥梁热边界条件预测装置，所述装置包括：
数据获取模块，用于获取样本数据，所述样本数据包括气象数据和表面角度数据和第三类热边界条件；
数据处理模块，用于对所述样本数据进行处理，得到数据集；
模型构建模块，用于构建混合输入神经网络模型，所述混合输入神经网络模型为具有两个分支的多输入神经网络，第一个分支是多层感知器，用于处理所述数据集中的表面角度数据，识别表面位置；第二个分支是循环神经网络，用于对所述数据集中的气象数据进行操作，并记忆不同时间长度的数值依赖关系；将两个分支输出的数据串联后，通过全连接的多层感知器后，得到模型的输出结果；
模型训练模块，用于根据所述输出结果和所述第三类热边界条件，对所述混合输入神经网络模型调整参数和优化，得到训练好的混合输入神经网络模型；
结果预测模块，用于将获取的气象数据和表面角度数据输入所述训练好的混合输入神经网络模型，得到预测结果，完成所需时间步内桥梁结构第三类热边界条件的预测。
本发明的第三个目的可以通过采取如下技术方案达到：
一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的桥梁热边界条件预测方法。
本发明的第四个目的可以通过采取如下技术方案达到：
一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的桥梁热边界条件预测方法。
本发明相对于现有技术具有如下的有益效果：
1、本发明提供的方法，对于气象时间序列数据及结构表面方位角数据分两层进行处理，不仅考虑了时间维度的非线性特征、周期性特征，还考虑了外在因素的影响，相比于普通的单输入深度学习模型，考虑的特征更全面，使模型具有通用性，可以处理各尺寸箱型桥梁结构。
2、本发明采用混合输入神经网络模型进行热边界条件的计算，较以往基于有限元及编程软件交互程序的计算方法，计算时间缩短、内存占用空间大大减少，计算效率提高。
3、本发明采用混合输入神经网络模型计算热边界条件，并结合有限元方法计算温度场，可替代采集设备进行结构温度的获取，节约资源、降低成本。
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示出的结构获得其他的附图。
图1为本发明实施例1的基于混合输入神经网络模型的桥梁热边界条件预测方法的流程图。
图2为本发明实施例1的桥梁各表面与地面相对位置角度定义。
图3为本发明实施例1的混合输入神经网络模型的拓扑示意图。
图4为本发明实施例1的混合输入神经网络模型的输入输出维度示意图。
图5为本发明实施例1的箱型桥梁截面示意图。
图6为本发明实施例1的综合换热系数预测结果示意图。
图7为本发明实施例1的综合气温预测结果示意图。
图8为本发明实施例2的基于混合输入神经网络模型的桥梁热边界条件预测装置的结构框图。
图9为本发明实施例3的计算机设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，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作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。应当理解，描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
实施例1：
本实施例在Keras深度学习框架下采用Python语言进行人工神经网络模型搭建、训练及预测。
如图1所示，本实施例提供的基于混合输入神经网络模型的桥梁热边界条件预测方法，包括以下步骤：
S101、获取样本数据，样本数据包括气象数据、表面角度数据以及三类边界条件。
(1)数据来源。
(1-1)实验数据中的气象数据下载自www.meteoblue.com网站，涵盖了晴天、多云、雨天等多种天气状况；
(1-2)训练采用的边界条件数据通过有限元数值计算获取。
(2)样本数据的构成。
采用有限元方法进行热分析计算，得到混合输入神经网络模型的样本数据。样本数据主要包括以下三部分：
(2-1)气象数据，为时序数据。气象数据包括天顶角、环境温度、降雨量、风速、云层覆盖率、相对湿度等6个特征。
(2-2)表面角度数据，为结构属性数据。角度数据变化范围覆盖实际结构常见取值。角度数据为顶板、底板、腹板、翼缘表面的倾角α及表面方位角β。如附图2所示，α为板表面外法线与竖直向下向量的夹角，对于向下朝向面板，α∈[0,90]，对于向上朝向面板，α∈[90,180]；β为非水平板表面外法线与正北方向向量的夹角，定义向东β∈[-90,0]，向西β∈[0,90]，对于顶板及底板β＝0。
上述两种数据均为混合输入神经网络模型的输入数据。
(2-3)第三类热边界条件。对应表面角度及天气情况下，由有限元数值模拟计算所得的综合气温、综合换热系数这两种第三类热边界条件，为混合输入神经网络模型输出的目标值。
以上时序数据时间间隔均为1h。
S102、对样本数据进行结构转换，得到转换后样本数据。
将样本数据中的气象数据改造为三维张量格式、对板件角度数据进行三角函数运算及堆叠处理三部分。
(1)将气象数据改造为三维张量格式。
根据Keras深度学习框架的数据格式要求，样本特征数据需按照三维张量结构输入，因此将有监督学习模式的时间序列样本特征数据转化为三维张量。第一个维度为转化后的样本总量，该参数可缺省；第二个维度为神经网络层每个批次时序数据的步长，决定了循环结构在不同时间状态上的展开次数，也决定了LSTM层每次可前向回顾学习多少时间步长的历史数据。根据一个自然日时刻数，该参数被设置为24；第三个维度为模型时间序列的特征数。根据先验知识，选取降雨量、风速、云层覆盖率、气温、相对湿度、天顶角6个变量作为预测热边界条件模型环境气象时序数据部分的输入，于是天气序列数据被处理为形如(None，24,6)的三维张量作为模型的输入数据。
(2)将表面角度数据进行变换。
为提高模型性能，考虑到各方位角及表面倾角的表面边界受到太阳辐射量的先验知识，输入结构属性数据时对角度数据进行三角函数变换。采用cosα、cosβ、sinβ、降雨量、风速、云层覆盖率、气温、相对湿度、天顶角作为模型输入时，模型的损失函数相对较低，模型预测效果最好。用Z1、Z2、Z3表示桥面板、底板、腹板、翼缘表面倾角α余弦值、表面方位角β余弦值及正弦值。
(3)将变换的表面角度数据堆叠处理为三维张量格式。
构建的混合输入神经网络模型具有MLP与LSTM两个分支，为了串联MLP与LSTM部分输出的隐藏层状态，两部分输出需具有相同的第二维度。因此，对应的板件角度数据进行了[cosα,cosβ,sinβ]运算后，被堆叠处理成形状为(None,24,3)的三维张量输入神经网络模型，数据范围为[-1,1]。
转换后样本数据包括改造为三维张量格式的气象数据、处理为三维张量格式的表面角度数据，以及样本数据中的第三类热边界条件。
S103、对转换后样本数据进行预处理，得到数据集。
转换后样本数据经过Z-score归一化的数据预处理后，得到数据集。具有弱平稳性及同方差性的总体样本在不乱序的条件下，将数据集按照80％和20％的比例划分为训练集和测试集。
改造为三维张量格式的气象数据在输入LSTM网络之前，需要进行Z-Score标准化处理。标准化处理后气象数据、第三类热边界条以及转换后样本数据中的表面角度数据构成数据集。标准化处理后数据转化为均值为0，方差为1的无量纲数据，且符合标准正态分布。该方法可将不同量级数据统一转化为相同量级，以保证数据之间的可比性及提高神经网络的稳定性。Z-Score标准化公式如下：
式中：μ为总体数据的均值；σ为总体数据的标准差；x为处理前样本数据；x’为处理后样本数据。
S104、利用数据集训练混合输入神经网络模型，得到训练好的混合输入神经网络模型。
(1)构建混合输入神经网络模型。
由于板件角度为结构固有属性，气象数据为时变的时间序列，针对不同类型的数据，利用普通前馈神经网络捕获板件角度的局部特征之后，还需要利用循环神经网络来捕获环境数据中的时间特征。如图3、4所示，构建具有两个分支的混合输入神经网络模型：第一个分支是多层感知器(MLP)，用于处理板面角度数据，识别表面位置；第二个分支是长短期记忆神经网络(LSTM)，LSTM网络选用长短期记忆网络单元(LSTM)，用于对输入的环境气象时序数据进行操作，并记忆不同时间长度的数值依赖关系，将外界环境条件转换为对结构热边界条件的影响。将这些分支串联在一起，通过全连接的多层感知器，并采用样本数据进行混合输入神经网络模型的参数学习和优化，可完成对所需时间步内桥梁结构热边界条件的预测。
进一步的，混合输入神经网络模型处理数据的完整过程如下：
(1-1)模型输入的数据包括板面角度数据Zi和环境气象时序数据Xi(t)两个部分；
(1-2)应用MLP建立Zi和预测之间的动态关系，MLP部分的输出为ai1(t)。
(1-3)应用LSTM构建前一个时刻输出Xi(t-1)对当前时刻Xi(t)的影响，此LSTM部分的输出为ai2(t)。
(1-4)将MLP与LSTM输出串联，MLP-LSTM的输出为对应的综合气温及综合换热系数y(t)＝α1·ai1(t)+α2·ai2(t)。然后，使用Adam算法来训练模型并优化参数，以准备接下来的时空合成过程。
若样本数据中的时序数据u1＝(X1，X2，...，Xi，Xt)(其中Xt为t时刻气象数据值组成的向量)，被处理为形如(样本数Sample，时间步数Timesteps,特征数Features)的三维张量，样本数据中对应的结构属性数据u2＝(Z1,Z2,Z3)被处理为与上述时序数据维度匹配的三维张量。利用循环神经网络之一的长短期记忆神经网络LSTM学习时序数据之间的关联，输出值使用全连接层进行转换，得到转换后的序列与另一端输入数据表面方位角串联作为多层感知器的输入值。所述循环神经网络学习长时间距离内数据依赖关系；所述多层感知器学习所述结构属性数据和所述时序数据之间的非线性关系，并通过多个全连接层的转换，输出所述天气时序数据对应的第三类热边界条件序列的预测值。
(2)利用训练集训练混合输入神经网络模型，得到训练好的混合输入神经网络模型。
模型训练的目的是通过学习有标签的样本数据调整自身网络权重，使模型的计算结果能够最大限度的接近实际值来减少偏差达到理想状态。
采用训练数据进行混合输入神经网络模型的参数学习和优化。为了提高混合输入神经网络模型的预测性能，利用包括顶板、东西腹板受照部分、东西翼缘外端等5个会在日出时段受到太阳直接辐射表面的表面角度数据对应的数据集对混合输入神经网络模型进行训练；利用包括与底板、东西腹板、东西翼缘底面等5个始终不会受到太阳直接辐射表面的表面角度数据对应的数据集对另一个混合输入神经网络模型进行训练。综合气温和综合换热系数分别建立两个MLP-LSTM神经网络子模型进行预测。
上述两个混合输入神经网络模型的结构相同，训练过程也一样。下面以不受太阳直接辐射表面的混合输入神经网络模型为例进行说明。采用的混合输入神经网络模型中，LSTM只有一层，该层的隐藏层单元节点共有10个，将单元参数设置为return_sequence＝True，该层将对多步序列数据关系及网络状态进行输出。然后通过神经元个数为1、激活函数为线性函数linear的全连接层后，将输出结果与结构属性值接入的隐藏层dense_1串联。为防止梯度爆炸，dense_1激活函数选用LeakyReLU。然后网络连接1个隐藏层dense_2，神经元节点数设为10，激活函数采用tanh，并增加偏置项。最后的输出采用的全连接层神经元节点数为1，激活函数使用线性函数linear。
使用测试集进行性能评估。本模型采用测试集上的均方误差MSE作为神经模型的损失函数，用来反映优化过程中不同网络权重对应的模型损失情况。此外，本模型采用Adam算法作为模型优化器。模型在每次迭代完成后更新一次网络权重，通过对样本的数个周期(epochs)的学习后检验模型是否收敛。设置模型单次迭代的样本批量大小Batchsize为5，设置样本学习周期为epochs＝300。如果连续五个周期内损失函数停止下降，说明此时模型已经收敛，可以停止训练。通过该组合超参数的设定，模型能够随着训练周期数的增加迅速收敛，在经过200步左右的训练，验证集上的损失就能下降到0.11以下。
S105、将气象数据和表面角度数据输入训练好的混合输入神经网络模型，得到热边界条件预测结果。
将获取的新测试数据输入训练好的混合输入神经网络模型，通过将网络模型的预测值与目标值进行对比，测试神经网络模型的泛化能力。
根据新测试数据中的表面角度数据选择步骤S104中两个混合输入神经网络模型中对应的一个，将气象数据处理后输入长短期记忆神经网络，将表面角度数据处理后输入多层感知器，再将长短期记忆神经网络输出的数据和多层感知器输出的数据通过全连接的多层感知器，完成所需时间步内桥梁结构热边界条件的预测，将混合输入神经网络模型输出的值进行分反标准化处理，得到混合输入神经网络模型输出的预测值，作为预测结果。
如图5所示，本实施例的算例为：纵向轴线呈南北方向的箱型桥梁西侧翼缘底面，广州市2021年7月15日至7月22日气象条件下的综合换热系数h和综合气温Tsa。该外表面法线与竖直向下向量的夹角为9.33°，处理后的结构属性数据为[0.9868，0，1]。该工况下综合换热系数、综合气温预测值与目标值对比如图6、7所示。结果表明MAE在2.0以内，预测值与目标值吻合度较高，满足工程精度要求，模型具有较好的泛化能力。
本领域技术人员可以理解，实现上述实施例的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读存储介质中。
应当注意，尽管在附图中以特定顺序描述了上述实施例的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
实施例2：
如图8所示，本实施例提供了一种基于混合输入神经网络模型的桥梁热边界条件预测装置，该装置包括数据获取模块801、数据处理模块802、模型构建模块803、模型训练模块804和结果预测模块805，其中：
数据获取模块801，用于获取样本数据，所述样本数据包括气象数据和表面角度数据和第三类热边界条件；
数据处理模块802，用于对所述样本数据进行处理，得到数据集；
模型构建模块803，用于构建混合输入神经网络模型，所述混合输入神经网络模型为具有两个分支的多输入神经网络，第一个分支是多层感知器，用于处理所述数据集中的表面角度数据，识别表面位置；第二个分支是循环神经网络，用于对所述数据集中的气象数据进行操作，并记忆不同时间长度的数值依赖关系；将两个分支输出的数据串联后，通过全连接的多层感知器后，得到模型的输出结果；
模型训练模块804，用于根据所述输出结果和所述第三类热边界条件，对所述混合输入神经网络模型调整参数和优化，得到训练好的混合输入神经网络模型；
结果预测模块805，用于将获取的气象数据和表面角度数据输入所述训练好的混合输入神经网络模型，得到预测结果，完成所需时间步内桥梁结构第三类热边界条件的预测。
本实施例中各个模块的具体实现可以参见上述实施例1，在此不再一一赘述。需要说明的是，本实施例提供的装置仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
实施例3：
本实施例提供了一种计算机设备，该计算机设备可以为计算机，如图9所示，其通过系统总线901连接的处理器902、存储器、输入装置903、显示器904和网络接口905，该处理器用于提供计算和控制能力，该存储器包括非易失性存储介质906和内存储器907，该非易失性存储介质906存储有操作系统、计算机程序和数据库，该内存储器907为非易失性存储介质中的操作系统和计算机程序的运行提供环境，处理器902执行存储器存储的计算机程序时，实现上述实施例1的桥梁热边界条件预测方法，如下：
获取样本数据，所述样本数据包括气象数据和表面角度数据和第三类热边界条件；
对所述样本数据进行处理，得到数据集；
构建混合输入神经网络模型，所述混合输入神经网络模型为具有两个分支的多输入神经网络，第一个分支是多层感知器，用于处理所述数据集中的表面角度数据，识别表面位置；第二个分支是循环神经网络，用于对所述数据集中的气象数据进行操作，并记忆不同时间长度的数值依赖关系；将两个分支输出的数据串联后，通过全连接的多层感知器后，得到模型的输出结果；
根据所述输出结果和所述第三类热边界条件，对所述混合输入神经网络模型调整参数和优化，得到训练好的混合输入神经网络模型；
将获取的气象数据和表面角度数据输入所述训练好的混合输入神经网络模型，得到预测结果，完成所需时间步内桥梁结构第三类热边界条件的预测。
实施例4：
本实施例提供了一种存储介质，该存储介质为计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例1的桥梁热边界条件预测方法，如下：
获取样本数据，所述样本数据包括气象数据和表面角度数据和第三类热边界条件；
对所述样本数据进行处理，得到数据集；
构建混合输入神经网络模型，所述混合输入神经网络模型为具有两个分支的多输入神经网络，第一个分支是多层感知器，用于处理所述数据集中的表面角度数据，识别表面位置；第二个分支是循环神经网络，用于对所述数据集中的气象数据进行操作，并记忆不同时间长度的数值依赖关系；将两个分支输出的数据串联后，通过全连接的多层感知器后，得到模型的输出结果；
根据所述输出结果和所述第三类热边界条件，对所述混合输入神经网络模型调整参数和优化，得到训练好的混合输入神经网络模型；
将获取的气象数据和表面角度数据输入所述训练好的混合输入神经网络模型，得到预测结果，完成所需时间步内桥梁结构第三类热边界条件的预测。
需要说明的是，本实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
综上所述，本发明通过构建具有两个分支的多输入神经网络：第一个分支是多层感知器(MLP)，用于处理结构属性数据，第二个分支是循环神经网络(LSTM)，用于对时序输入数据进行操作，并记忆不同时间长度的数值依赖关系；将这些分支串联在一起，通过全连接的多层感知器，并采用训练数据进行混合输入神经网络模型的参数学习和优化，可完成对所需时间步内桥梁结构热边界条件的预测。本发明提供的方法结合了MLP处理非线性映射关系和LSTM处理序列数据的优势，较传统的基于有限元及编程软件交互程序计算热边界条件的方法，可缩短计算时间、减少内存占用空间，提高计算效率。且模型预测精度较高，具有很好的工程实用性。
以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明构思加以等同替换或改变，都属于本发明专利的保护范围。
Claims (8)
1.一种基于混合输入神经网络模型的桥梁热边界条件预测方法，其特征在于，所述方法包括：
获取样本数据，所述样本数据包括气象数据和表面角度数据和第三类热边界条件；所述表面角度数据包括顶板、底板、东腹板及西腹板、东翼缘及西翼缘表面的倾角α以及表面方位角β；
对所述样本数据进行处理，得到数据集；
构建混合输入神经网络模型，所述混合输入神经网络模型为具有两个分支的多输入神经网络，第一个分支是多层感知器，用于处理所述数据集中的表面角度数据，识别表面位置；第二个分支是循环神经网络，用于对所述数据集中的气象数据进行操作，并记忆不同时间长度的数值依赖关系；将两个分支输出的数据串联后，通过全连接的多层感知器后，得到模型的输出结果；
根据所述输出结果和所述第三类热边界条件，对所述混合输入神经网络模型调整参数和优化，得到训练好的混合输入神经网络模型；
将获取的气象数据和表面角度数据输入所述训练好的混合输入神经网络模型，得到预测结果，完成所需时间步内桥梁结构第三类热边界条件的预测；
其中，所述对所述样本数据进行处理，得到数据集，包括：
对所述样本数据进行结构转换，得到转换后样本数据，具体包括：
将所述样本数据的气象数据改造为三维张量格式，得到改造后气象数据；其中，第一个维度为转化后的样本总量，该参数可缺省；第二个维度为神经网络层每个批次时序数据的步长，决定了循环结构在不同时间状态上的展开次数；第三个维度为气象数据的特征数目；
将所述样本数据的表面角度数据变换成三维张量格式，得到变换后表面角度数据，包括：
求倾角α的余弦与表面方位角β的余弦及正弦；
将倾角α的余弦与表面方位角β的余弦及正弦堆叠处理成三维张量格式；
所述改造后气象数据、变换后表面角度数据以及第三类热边界条件构成转换后样本数据
将所述转换后样本数据中的气象数据和第三类热边界条件进行Z-Score标准化处理；处理后的气象数据和第三类热边界条件，以及转换后样本数据中的表面角度数据构成数据集。
2.根据权利要求1所述的桥梁热边界条件预测方法，其特征在于，所述循环神经网络为长短期记忆神经网络，所述多层感知器包括第一隐藏层和第二隐藏层；
所述将两个分支输出的数据串联后，通过全连接的多层感知器后，得到模型的输出结果，包括：
将所述数据集中的气象数据输入所述长短期记忆神经网络，输出气象数据关系及网络状态；
将所述数据集中的表面角度数据输入所述多层感知器的输入层，将输入层的输出结果输入第一隐藏层；
将所述长短期记忆神经网络输出的数据与第一个隐藏层输出的数据进行串联，经过多层感知器的全连接层后，将连接层处理后的数据输入第二隐藏层；
将第二隐藏层的输出输入所述多层感知器的输出层，输出层输出的结果为所述混合输入神经网络模型的输出值；
其中，第一个隐藏层的激活函数为LeakyReLU。
3.根据权利要求1所述的桥梁热边界条件预测方法，其特征在于，所述数据集分为训练集和测试集；
所述混合输入神经网络模型为两个，即第一输入神经网络模型和第二输入神经网络模型；
根据所述输出结果和所述第三类热边界条件，混合输入神经网络模型自动调整超参数和优化，得到训练好的混合输入神经网络模型，包括：
为了提高混合输入神经网络模型的预测性能，利用与顶板、东西腹板受照部分、东西翼缘外端表面会在日出时段受到太阳直接辐射表面的表面角度数据对应的训练集中的气象数据和表面角度数据输入所述第一输入神经网络模型，得到模型的输出结果；根据对应的训练集中的第三类热边界条件和输出结果，对所述第一输入神经网络模型进行参数调整和优化；
同理，利用与底板、东西腹板未受照部分、东西翼缘底面始终不会受到太阳直接辐射表面的表面角度数据对应的训练集对所述第二输入神经网络模型进行训练；
采用所述测试集的均方误差作为所述第一、第二输入神经网络模型的损失函数；
在训练过程中，若连续k个周期内损失函数停止下降，则停止训练，即得到训练好的第一、第二输入神经网络模型，其中，k为设定阈值。
4.根据权利要求3所述的桥梁热边界条件预测方法，其特征在于，所述将获取的气象数据和表面角度数据输入所述训练好的混合输入神经网络模型，得到预测结果，完成所需时间步内桥梁结构第三类热边界条件的预测，包括：
根据获取的表面角度数据，从所述训练好的第一、第二混合输入神经网络模型中选择一个相应的混合输入神经网络模型；
将获取的气象数据和表面角度数据输入选择的混合输入神经网络模型中，对混合输入神经网络模型输出的值进行反标准化处理，得到预测结果。
5.根据权利要求1所述的桥梁热边界条件预测方法，其特征在于，所述第三类热边界条件包括综合气温和综合换热系数。
6.根据权利要求1~5任一项所述的桥梁热边界条件预测方法，其特征在于，所述气象数据包括天顶角、环境温度、降雨量、风速、云层覆盖率和相对湿度。
7.一种基于混合输入神经网络模型的桥梁热边界条件预测装置，其特征在于，所述装置包括：
数据获取模块，用于获取样本数据，所述样本数据包括气象数据和表面角度数据和第三类热边界条件；所述表面角度数据包括顶板、底板、东腹板及西腹板、东翼缘及西翼缘表面的倾角α以及表面方位角β；
数据处理模块，用于对所述样本数据进行处理，得到数据集；
模型构建模块，用于构建混合输入神经网络模型，所述混合输入神经网络模型为具有两个分支的多输入神经网络，第一个分支是多层感知器，用于处理所述数据集中的表面角度数据，识别表面位置；第二个分支是循环神经网络，用于对所述数据集中的气象数据进行操作，并记忆不同时间长度的数值依赖关系；将两个分支输出的数据串联后，通过全连接的多层感知器后，得到模型的输出结果；
模型训练模块，用于根据所述输出结果和所述第三类热边界条件，对所述混合输入神经网络模型调整参数和优化，得到训练好的混合输入神经网络模型；
结果预测模块，用于将获取的气象数据和表面角度数据输入所述训练好的混合输入神经网络模型，得到预测结果，完成所需时间步内桥梁结构第三类热边界条件的预测；
其中，所述对所述样本数据进行处理，得到数据集，包括：
对所述样本数据进行结构转换，得到转换后样本数据，具体包括：
将所述样本数据的气象数据改造为三维张量格式，得到改造后气象数据；其中，第一个维度为转化后的样本总量，该参数可缺省；第二个维度为神经网络层每个批次时序数据的步长，决定了循环结构在不同时间状态上的展开次数；第三个维度为气象数据的特征数目；
将所述样本数据的表面角度数据变换成三维张量格式，得到变换后表面角度数据，包括：
求倾角α的余弦与表面方位角β的余弦及正弦；
将倾角α的余弦与表面方位角β的余弦及正弦堆叠处理成三维张量格式；
所述改造后气象数据、变换后表面角度数据以及第三类热边界条件构成转换后样本数据
将所述转换后样本数据中的气象数据和第三类热边界条件进行Z-Score标准化处理；处理后的气象数据和第三类热边界条件，以及转换后样本数据中的表面角度数据构成数据集。
8.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-6任一项所述的桥梁热边界条件预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210614096.5A CN115081269B (zh) | 2022-06-01 | 2022-06-01 | 基于混合输入神经网络模型的桥梁热边界条件预测方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210614096.5A CN115081269B (zh) | 2022-06-01 | 2022-06-01 | 基于混合输入神经网络模型的桥梁热边界条件预测方法、装置及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115081269A CN115081269A (zh) | 2022-09-20 |
| CN115081269B true CN115081269B (zh) | 2024-03-22 |
Family
ID=83249925
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210614096.5A Active CN115081269B (zh) | 2022-06-01 | 2022-06-01 | 基于混合输入神经网络模型的桥梁热边界条件预测方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115081269B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116090111B (zh) * | 2023-04-10 | 2023-06-23 | 华东交通大学 | 一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法 |
| CN116933055B (zh) * | 2023-07-21 | 2024-04-16 | 重庆邮电大学 | 一种基于大数据的短视频用户点击预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105092888A (zh) * | 2015-07-28 | 2015-11-25 | 芜湖科创生产力促进中心有限责任公司 | 户外全自动风速测量装置 |
| CN109614649A (zh) * | 2018-11-09 | 2019-04-12 | 华南理工大学 | 一种面向华南地区桥梁的全气候热分析方法 |
| CN111723509A (zh) * | 2020-06-24 | 2020-09-29 | 中电建路桥集团有限公司 | 一种桥梁结构温度场监测方法 |
| CN114418071A (zh) * | 2022-01-24 | 2022-04-29 | 中国光大银行股份有限公司 | 循环神经网络训练方法 |
-
2022
- 2022-06-01 CN CN202210614096.5A patent/CN115081269B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105092888A (zh) * | 2015-07-28 | 2015-11-25 | 芜湖科创生产力促进中心有限责任公司 | 户外全自动风速测量装置 |
| CN109614649A (zh) * | 2018-11-09 | 2019-04-12 | 华南理工大学 | 一种面向华南地区桥梁的全气候热分析方法 |
| CN111723509A (zh) * | 2020-06-24 | 2020-09-29 | 中电建路桥集团有限公司 | 一种桥梁结构温度场监测方法 |
| CN114418071A (zh) * | 2022-01-24 | 2022-04-29 | 中国光大银行股份有限公司 | 循环神经网络训练方法 |
Non-Patent Citations (4)
| Title |
|---|
| Numerical simulation of temperature induced structural static responses for long-span suspension bridge;Lan Chen 等;6th International Workshop on Performance, Protection & Strengthening of Structures under Extreme Loading, PROTECT2017;20171231;第246-252页 * |
| 基于OpenFOAM的带肋双通道扰流冷却大涡模拟;钱潇如;张;韩万金;鞠凤鸣;李宇峰;;汽轮机技术;20160625(第03期);全文 * |
| 基于TensorFlow进行股票预测的深度学习模型的设计与实现;韩山杰;谈世哲;;计算机应用与软件;20180612(第06期);全文 * |
| 桥梁结构日照温度作用研究综述;刘永健;刘江;张宁;;土木工程学报;20190515(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115081269A (zh) | 2022-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115081269B (zh) | 基于混合输入神经网络模型的桥梁热边界条件预测方法、装置及介质 | |
| Li et al. | Photovoltaic power forecasting with a hybrid deep learning approach | |
| US20220373984A1 (en) | Hybrid photovoltaic power prediction method and system based on multi-source data fusion | |
| Xiaoyun et al. | Short-term prediction of wind power based on deep long short-term memory | |
| Hu et al. | Research and application of a hybrid model based on Meta learning strategy for wind power deterministic and probabilistic forecasting | |
| CN115983448B (zh) | 一种基于时空图神经网络的多能源负荷预测方法 | |
| 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 | |
| Aliberti et al. | Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions. | |
| CN116451821A (zh) | 基于深度学习的大区域新能源发电功率预测方法及系统 | |
| CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
| CN115759415A (zh) | 基于lstm-svr的用电需求预测方法 | |
| Huang et al. | Short-term PV power forecasting based on CEEMDAN and ensemble DeepTCN | |
| Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
| CN114266374A (zh) | 一种基于深度学习的综合能源系统多元负荷预测方法 | |
| CN117114168A (zh) | 一种长时间尺度的海面温度智能预报方法 | |
| Brahma et al. | Visualizing solar irradiance data in ArcGIS and forecasting based on a novel deep neural network mechanism | |
| CN114757096B (zh) | 基于narx神经网络的桥梁温度预测方法、装置、设备和介质 | |
| Hontoria et al. | Artificial neural networks applied in PV systems and solar radiation | |
| CN115545503A (zh) | 一种基于并联时序卷积神经网络的电力负荷中短期预测方法及系统 | |
| Wang et al. | A novel data-driven method with decomposition mechanism suitable for different periods of electrical load forecasting | |
| CN114552570A (zh) | 一种海上风电功率预测管理系统 | |
| Dai et al. | Photovoltaic power prediction based on sky images and tokens-to-token vision transformer. | |
| Xia et al. | Research on Solar Radiation Estimation based on Singular Spectrum Analysis-Deep Belief Network | |
| Yalçın et al. | Prediction and Analysis of Weather Parameters with Global Horizontal Solar Irradiance Using LSTM-CNN Based Deep Learning Technique | |
| Tiwari et al. | A Dual-Stage Attention based RNN-Model for Short Term Load Forecasting of Individual Household |
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 |