CN116894364A - 一种高速铁路轨道桥梁系统的震后损伤快速预测方法 - Google Patents

一种高速铁路轨道桥梁系统的震后损伤快速预测方法 Download PDF

Info

Publication number
CN116894364A
CN116894364A CN202310891605.3A CN202310891605A CN116894364A CN 116894364 A CN116894364 A CN 116894364A CN 202310891605 A CN202310891605 A CN 202310891605A CN 116894364 A CN116894364 A CN 116894364A
Authority
CN
China
Prior art keywords
damage
earthquake
critical value
target object
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.)
Pending
Application number
CN202310891605.3A
Other languages
English (en)
Inventor
周旺保
彭梦颖
彭康
蒋丽忠
吴凌旭
任振彬
肖俊
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202310891605.3A priority Critical patent/CN116894364A/zh
Publication of CN116894364A publication Critical patent/CN116894364A/zh
Pending legal-status Critical Current

Links

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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/048—Activation functions
    • 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)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种高速铁路轨道桥梁系统的震后损伤快速预测方法，包括获取目标对象的结构特征和场地特征数据，明确目标对象的场地类型；构建目标对象的有限元模型；获取原始地震动数据，针对获取的数据进行预处理；确定损伤状态，构建“地震动‑损伤状态”数据集；采用构建的数据集，通过训练并更新深度神经网络模型，构建震后损伤状态预测深度神经网络模型；在实际地震发生后，采用构建的震后损伤状态预测深度神经网络模型，完成高速铁路轨道桥梁系统的震后损伤状态预测；本发明方法选择数据驱动的方式，采用“地震动‑损伤状态”数据集训练深度神经网络模型，进而针对损伤状态实现预测；本发明方法的效率提升、费用降低、操作便捷。

Description

一种高速铁路轨道桥梁系统的震后损伤快速预测方法
技术领域
本发明属于土木工程和人工智能技术领域，具体涉及一种高速铁路轨道桥梁系统的震后损伤快速预测方法。
背景技术
为缩短线路距离并保证行车的平顺性，高速铁路建设中大量采用桥梁，其中很多桥梁都位于地震多发区，地震易导致高速铁路轨道桥梁系统出现损伤，系统的损伤情况关系到震后应急处置和行车安全，因此快速预测高速铁路轨道桥梁系统震后损伤的位置和程度显得尤为重要。
目前，基于地震作用下的结构损伤预测通常有两种方法：一是根据高速铁路轨道桥梁系统的结构特征和场地特征建立有限元模型，输入地震激励，获取响应结果，分析处理后得到损伤状态；二是依靠监测装置获取结构振动响应信号，通过信号识别和处理从中提取损伤特征，从而达到损伤识别目的。
上述两种方法存在以下不足：1)震后有限元分析过程复杂，计算量大；2)耗时长，不能迅速得到损伤状态，难以满足快速指导震后应急处理的要求；3)需要保证监测装置的正常运行，日常维护工作繁琐；4)分析处理过程高度依赖专业知识与技巧。
综上所述，目前针对高速铁路轨道桥梁系统的震后损伤预测方法并不能快速有效预测损伤状态。
发明内容
本发明的目的在于提供一种效率提升、费用降低、操作便捷的高速铁路轨道桥梁系统的震后损伤快速预测方法。
本发明提供的这种高速铁路轨道桥梁系统的震后损伤快速预测方法，包括如下步骤：
S1.获取目标对象的结构特征和场地特征数据，明确目标对象的场地类型；
S2.采用步骤S1获取的数据，构建目标对象的有限元模型；
S3.获取原始地震动数据，针对获取的数据进行预处理；
S4.采用步骤S3预处理后的数据，和步骤S2构建的有限元模型，确定损伤状态，构建“地震动-损伤状态”数据集；
S5.采用步骤S4构建的数据集，通过训练并更新深度神经网络模型，构建震后损伤状态预测深度神经网络模型；
S6.在实际地震发生后，采用步骤S5构建的震后损伤状态预测深度神经网络模型，完成高速铁路轨道桥梁系统的震后损伤状态预测；
步骤S1所述的获取目标对象的结构特征和场地特征数据，明确目标对象的场地类型，具体包括：
选择CRTSII型无砟轨道结构高速铁路简支梁桥作为目标对象，高速铁路轨道桥梁结构包括桥梁结构和桥上的轨道及结构，桥梁结构包括主梁、支座、桥墩、桥台、承台、基础，轨道结构包括底座板、滑动层、轨道板、CA砂浆层、钢轨、扣件、摩擦板、剪力齿槽、剪切钢筋、侧向挡块、端刺；
获取目标对象的跨长、跨数、总长、基础埋深，以及各个结构和部件的数量、间距、几何尺寸、材料类型、力学性能，作为目标对象的结构特征；
获取目标对象的桥址地质构造、设计特征周期、场地类型，作为目标对象的场地特征；
步骤S2所述的采用步骤S1获取的数据，构建目标对象的有限元模型，具体包括：
采用步骤S1获取的数据，定义模型的相关参数，包括几何性质、单元类型、实常数、材料属性，同时创建截面形状，建立各构件关键单元，划分节点，设置连接和边界条件；
采用有限元软件建立满足目标对象的结构特征和场地特征、且能够正确模拟目标对象在地震动下产生的结构响应的有限元模型；
步骤S3所述的获取原始地震动数据，针对获取的数据进行预处理，具体包括：
(3-1)根据目标对象的设计加速度反应谱，获取原始三向地震动加速度时程数据；
(3-2)采用步骤(3-1)获取的原始数据，根据场地类型进行筛选处理，保留n条地震波，具体包括：
V30表示覆盖层30m计算深度范围的等效剪切波速，将场地类型分为Ⅰ类、Ⅱ类、Ⅲ类、Ⅳ类，对应V30的取值范围分别为510m/s以上，260m/s至510m/s,150m/s至260m/s，150m/s以下；
选择土体的等效剪切波速与目标对象的场地类型匹配的地震波；
(3-3)采用步骤(3-2)选择得到的地震波，将每条地震波的峰值加速度(PGA)分别与设计地震加速度峰值相比，得到每条地震动的调整系数，再将各条地震动数据按照各自的调整系数均匀缩放，从而调整地震动记录的能量与目标对象所在场地的设防烈度相符，得到预处理完成的地震波加速度时程数据；
步骤S4所述的采用步骤S3预处理后的数据，和步骤S2构建的有限元模型，确定损伤状态，构建“地震动-损伤状态”数据集，具体包括：
采用步骤S3保留的n条地震波，分别加载到步骤S2构建的有限元模型中，设置相应的分析求解方式，对有限元模型进行模态分析和非线性时程分析，得到构件响应；根据损伤指标划分损伤状态的类别；
选择损伤临界值作为损伤指标；
损伤状态包括安全、损坏、失效；当部件对应指标的值小于损坏临界值时，定义为安全状态；当部件对应指标的值介于损坏临界值与失效临界值之间时，定义为损坏状态；当部件对应指标的值超过失效临界值时，定义为失效状态；
针对目标对象在设防烈度下的地震关键部件确定的参考损伤临界值如下所示：
部件“桥墩”，对应指标为“力矩”，损坏临界值为64.5×106N·m，失效临界值为79.7×106N·m；
部件“滑动支座”，对应指标为“位移”，损坏临界值为100mm，失效临界值为200mm；
部件“固定支座”，对应为“位移”，损坏临界值为2mm，失效临界值为10mm；
部件“侧向挡块”，对应为“位移”，损坏临界值为2mm，失效临界值为5mm；
部件“剪力齿槽”，对应为“位移”，损坏临界值为0.12mm，失效临界值为1mm；
部件“剪切钢筋”，对应为“位移”，损坏临界值为0.08mm，失效临界值为0.7mm；
部件“滑动层”，对应为“位移”，损坏临界值为0.5mm，失效临界值为2mm；
部件“CA砂浆层”，对应为“位移”，损坏临界值为0.5mm，失效临界值为2mm；
部件“扣件”，对应为“位移”，损坏临界值为2mm，失效临界值为5mm；
选择n条地震波数据作为“特征”，通过有限元模型计算获得的n组各部件损伤状态作为“标签”，构建“地震动-损伤状态”数据集；
由于CRTS II轨道系统为纵联结构，横向地震对高铁轨道桥梁系统的影响比纵向地震更大，选择地震动按横向：竖向＝1:0.65，作为模型的输入；
步骤S5所述的采用步骤S4构建的数据集，通过训练并更新深度神经网络模型，构建震后损伤状态预测深度神经网络模型，具体包括：
根据步骤S4构建的数据集的复杂程度确定用于分类任务的深度神经网络的模型；
将步骤S4构建的数据集按照设定的比例划分为训练数据集、验证数据集和测试数据集；
选择双层LSTM循环神经网络，使用小批量梯度下降方法将训练数据集划分为多个子集，针对模型进行批量训练；
选择预处理后得训练数据作为网络模型的输入，通过LSTM网络进行特征提取和分类的处理；
双层LSTM循环神经网络堆叠两层LSTM作为隐藏层，第一层包括32个隐藏神经元，第二层包括64个隐藏神经元；LSTM是一种含有若干个LSTM细胞的神经网络，每个细胞包含一个记忆单元和三个门，三个门分别对应为遗忘门、输入门、输出门，采用下述公式描述：
输入门：
it＝σ(WXixt+Whiht-1+Wcict-1+bi)
遗忘门：
ft＝σ(WXfxt+Whfht-1+Wcfct-1+bf)
细胞状态：
ct＝ftct-1+ittanh(WXcxt+Whcht-1+bc)
输出门：
ot＝σ(WXoxt+Whoht-1+Wcoct-1+bo)
隐藏层：
ht＝ottanh(ct)
其中，xt表示t时刻的输入向量；ht表示t时刻的隐藏层；ct表示t时刻的细胞状态；it表示t时刻的输入门；ft表示t时刻的遗忘门；ot表示t时刻的输出门；WXi表示输入门中输入向量对应的权重矩阵；Whi表示输入门中隐藏状态对应的权重矩阵；Wci表示输入门中细胞状态对应的权重矩阵；WXf表示遗忘门中输入向量对应的权重矩阵；Whf表示遗忘门中隐藏状态对应的权重矩阵；Wcf表示遗忘门中细胞状态对应的权重矩阵；WXc表示细胞状态中输入向量对应的权重矩阵；Whc表示细胞状态中隐藏状态对应的权重矩阵；WXo表示输出门中输入向量对应的权重矩阵；Who表示输出门中隐藏状态对应的权重矩阵；Wco表示输出门中细胞状态对应的权重矩阵；bi表示输入门的偏置向量；bf表示遗忘门的偏置向量；bc表示细胞状态的偏置向量；bo表示输出门的偏置向量；σ(·)表示激活函数sigmoid；tanh(·)表示激活函数tanh；
在两层LSTM之间加入Dropout操作，防止模型出现过拟合问题；
采用归一化指数函数(softmax)输出各个损伤类别的条件概率值，最大值对应的标签为预测所得的高速铁路轨道桥梁系统的部件损伤状态；根据选择的损伤指标确定类别数量；
采用下述公式表示softmax函数原理：
其中，yi、yj均表示向量y中的一个元素；
使用分类交叉熵(Cross Entropy)作为损失函数，评估样本的真实标签与模型的预测值之间的误差，损失函数的计算公式如下所示：
其中，N表示样本总量；c表示类别代号，类别代号分为三种，安全取1，损坏取2，失效取3；pic表示样本i属于类别c的预测概率；
选择自适应矩估计优化器(Adam)更新模型的参数，通过拟合训练集数据，加速模型的收敛，降低内存需求，使得损失函数L的值不断减小；在每一轮迭代完成后，采用验证数据集针对模型进行评估处理；当迭代训练次数达到设定限值后，模型结束训练，同时针对所有评估结果进行选取，选取结果最优的模型作为筛选出的双层LSTM网络模型；采用测试数据集评估筛选出的双层LSTM网络模型，评估模型的泛化能力；保留评估后的最终双层LSTM网络模型作为震后损伤状态预测深度神经网络模型，用于震后损伤状态的预测；
步骤S6所述的在实际地震发生后，采用步骤S5构建的震后损伤状态预测深度神经网络模型，完成高速铁路轨道桥梁系统的震后损伤状态预测，具体包括：
(6-1)震后获取台站收集的目标对象所在区域的地震波，采用步骤S3针对地震波数据进行除场地类型选择外的预处理；
(6-2)采用步骤S5构建的震后损伤状态预测深度神经网络模型，得到地震波下目标对象的震后损伤状态。
本发明方法提供的这种高速铁路轨道桥梁系统的震后损伤快速预测方法，选择数据驱动的方式，采用“地震动-损伤状态”数据集训练深度神经网络模型，进而针对损伤状态实现预测；本发明方法的效率提升、费用降低、操作便捷。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明方法中CRTSII型板无砟轨道结构高速铁路简支梁桥有限元模型示意图。
图3为本发明方法中地震波选取及预处理的流程示意图。
图4为本发明方法中双层LSTM循环神经网络结构示意图。
图5为本发明方法中LSTM细胞结构示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图：本发明方法特别适用于CRTSII型无砟轨道结构高速铁路简支梁桥，本发明提供的这种高速铁路轨道桥梁系统的震后损伤快速预测方法，包括如下步骤：
S1.获取目标对象的结构特征和场地特征数据，明确目标对象的场地类型；具体包括：
本发明方法选择配置为Windows10系统为软件环境，结合MATLAB平台和ANSYS软件，使用3.90GHz Intel Core i5-11600K处理器、NVIDIA GeForce RTX3080 Ti显卡和32GBRAM；
如图2所示为CRTSII型板无砟轨道结构高速铁路简支梁桥有限元模型示意图，选择CRTSII型无砟轨道结构高速铁路简支梁桥作为目标对象，高速铁路轨道桥梁结构包括桥梁结构和桥上的轨道及结构，桥梁结构包括主梁、支座、桥墩、桥台、承台、基础，轨道结构包括底座板、滑动层、轨道板、CA砂浆层、钢轨、扣件、摩擦板、剪力齿槽、剪切钢筋、侧向挡块、端刺；
获取目标对象的跨长、跨数、总长、基础埋深，以及各个结构和部件的数量、间距、几何尺寸、材料类型、力学性能，作为目标对象的结构特征；
获取目标对象的桥址地质构造、设计特征周期、场地类型，作为目标对象的场地特征；
S2.采用步骤S1获取的数据，构建目标对象的有限元模型；具体包括：
采用步骤S1获取的数据，定义模型的相关参数，包括几何性质、单元类型、实常数、材料属性，同时创建截面形状，建立各构件关键单元，划分节点，设置连接和边界条件；
采用有限元软件建立满足目标对象的结构特征和场地特征、且能够正确模拟目标对象在地震动下产生的结构响应的有限元模型；
本发明方法选择的有限元软件为ANSYS19.2；
S3.获取原始地震动数据，针对获取的数据进行预处理；具体包括：
如图3所示地震波选取及预处理的流程示意图；
(3-1)通过MATLAB程序设计语言，根据目标对象的设计加速度反应谱，获取原始三向地震动加速度时程数据；
本发明方法中获取的原始地震波数据来自美国PEER NGA数据库；
(3-2)采用步骤(3-1)获取的原始数据，根据场地类型进行筛选处理，保留n条地震波，具体包括：
V30表示覆盖层30m计算深度范围的等效剪切波速，将场地类型分为Ⅰ类、Ⅱ类、Ⅲ类、Ⅳ类，对应V30的取值范围分别为510m/s以上，260m/s至510m/s,150m/s至260m/s，150m/s以下；
选择土体的等效剪切波速与目标对象的场地类型匹配的地震波；
(3-3)采用步骤(3-2)选择得到的地震波，将每条地震波的峰值加速度(PGA)分别与设计的地震加速度峰值相比，得到每条地震动的调整系数，再将各条地震动数据按照各自的调整系数均匀缩放，从而调整地震动记录的能量与目标对象所在场地的设防烈度相符，得到预处理完成的地震波加速度时程数据；
S4.采用步骤S3预处理后的数据，和步骤S2构建的有限元模型，确定损伤状态，构建“地震动-损伤状态”数据集；具体包括：
采用步骤S3保留的n条地震波，分别加载到步骤S2构建的有限元模型中，设置相应的分析求解方式，对有限元模型进行模态分析和非线性时程分析，得到构件响应；根据损伤指标划分损伤状态的类别；
选择损伤临界值作为损伤指标；
损伤状态包括安全、损坏、失效；当部件对应指标的值小于损坏临界值时，定义为安全状态；当部件对应指标的值介于损坏临界值与失效临界值之间时，定义为损坏状态；当部件对应指标的值超过失效临界值时，定义为失效状态；
针对目标对象在设防烈度下的地震关键部件确定的参考损伤临界值如下所示：
部件“桥墩”，对应指标为“力矩”，损坏临界值为64.5×106N·m，失效临界值为79.7×106N·m；
部件“滑动支座”，对应指标为“位移”，损坏临界值为100mm，失效临界值为200mm；
部件“固定支座”，对应为“位移”，损坏临界值为2mm，失效临界值为10mm；
部件“侧向挡块”，对应为“位移”，损坏临界值为2mm，失效临界值为5mm；
部件“剪力齿槽”，对应为“位移”，损坏临界值为0.12mm，失效临界值为1mm；
部件“剪切钢筋”，对应为“位移”，损坏临界值为0.08mm，失效临界值为0.7mm；
部件“滑动层”，对应为“位移”，损坏临界值为0.5mm，失效临界值为2mm；
部件“CA砂浆层”，对应为“位移”，损坏临界值为0.5mm，失效临界值为2mm；
部件“扣件”，对应为“位移”，损坏临界值为2mm，失效临界值为5mm；
选择n条地震波数据作为“特征”，通过有限元模型计算获得的n组各部件损伤状态作为“标签”，构建“地震动-损伤状态”数据集；
由于CRTS II轨道系统为纵联结构，横向地震对高铁轨道桥梁系统的影响比纵向地震更大，选择地震动按横向：竖向＝1:0.65，作为模型的输入；
S5.采用步骤S4构建的数据集，通过训练并更新深度神经网络模型，构建震后损伤状态预测深度神经网络模型；具体包括：
根据步骤S4构建的数据集的复杂程度确定用于分类任务的深度神经网络的模型；
将步骤S4构建的数据集按照设定的比例划分为训练数据集、验证数据集和测试数据集；
本发明方法中，选择数据集中80％的数据构建训练数据集，10％的数据构建验证数据集，10％的数据构建测试数据集；
选择双层LSTM循环神经网络，使用小批量梯度下降方法将训练数据集划分为多个子集，针对模型进行批量训练；
本发明方法中，使用的小批量梯度下降方法中，选择batch_size＝32，训练的迭代次数epochs＝200，初始学习率LR＝0.0067；
选择预处理后得训练数据作为网络模型的输入，通过LSTM网络进行特征提取和分类的处理；
如图4所示为双层LSTM循环神经网络结构示意图；
双层LSTM循环神经网络堆叠两层LSTM作为隐藏层，第一层包括32个隐藏神经元，第二层包括64个隐藏神经元；LSTM是一种含有若干个LSTM细胞的神经网络，每个细胞包含一个记忆单元和三个门，三个门分别对应为遗忘门、输入门、输出门，如图5所示LSTM细胞结构示意图；采用下述公式描述：
输入门：
it＝σ(WXixt+Whiht-1+Wcict-1+bi)
遗忘门：
ft＝σ(WXfxt+Whfht-1+Wcfct-1+bf)
细胞状态：
ct＝ftct-1+ittanh(WXcxt+Whcht-1+bc)
输出门：
ot＝σ(WXoxt+Whoht-1+Wcoct-1+bo)
隐藏层：
ht＝ottanh(ct)
其中，xt表示t时刻的输入向量；ht表示t时刻的隐藏层；ct表示t时刻的细胞状态；it表示t时刻的输入门；ft表示t时刻的遗忘门；ot表示t时刻的输出门；WXi表示输入门中输入向量对应的权重矩阵；Whi表示输入门中隐藏状态对应的权重矩阵；Wci表示输入门中细胞状态对应的权重矩阵；WXf表示遗忘门中输入向量对应的权重矩阵；Whf表示遗忘门中隐藏状态对应的权重矩阵；Wcf表示遗忘门中细胞状态对应的权重矩阵；WXc表示细胞状态中输入向量对应的权重矩阵；Whc表示细胞状态中隐藏状态对应的权重矩阵；WXo表示输出门中输入向量对应的权重矩阵；Who表示输出门中隐藏状态对应的权重矩阵；Wco表示输出门中细胞状态对应的权重矩阵；bi表示输入门的偏置向量；bf表示遗忘门的偏置向量；bc表示细胞状态的偏置向量；bo表示输出门的偏置向量；σ(·)表示激活函数sigmoid；tanh(·)表示激活函数tanh；
在两层LSTM之间加入Dropout操作，防止模型出现过拟合问题；
本发明方法中选择Dropout率为0.5；
采用归一化指数函数(softmax)输出各个损伤类别的条件概率值，最大值对应的标签为预测所得的高速铁路轨道桥梁系统的部件损伤状态；根据选择的损伤指标确定类别数量；
采用下述公式表示softmax函数原理：
其中，yi、yj均表示向量y中的一个元素；
使用分类交叉熵(Cross Entropy)作为损失函数，评估样本的真实标签与模型的预测值之间的误差，损失函数的计算公式如下所示：
其中，N表示样本总量；c表示类别代号，类别代号分为三种，安全取1，损坏取2，失效取3；pic表示样本i属于类别c的预测概率；
选择自适应矩估计优化器(Adam)更新模型的参数，通过拟合训练集数据，加速模型的收敛，降低内存需求，使得损失函数L的值不断减小；在每一轮迭代完成后，采用验证数据集针对模型进行评估处理；当迭代训练次数达到设定限值后，模型结束训练，同时针对所有评估结果进行选取，选取结果最优的模型作为筛选出的双层LSTM网络模型；采用测试数据集评估筛选出的双层LSTM网络模型，评估模型的泛化能力；保留评估后的最终双层LSTM网络模型作为震后损伤状态预测深度神经网络模型，用于震后损伤状态的预测；
S6.在实际地震发生后，采用步骤S5构建的震后损伤状态预测深度神经网络模型，完成高速铁路轨道桥梁系统的震后损伤状态预测；具体包括：
(6-1)震后获取台站收集的目标对象所在区域的地震波，采用步骤S3针对地震波数据进行除场地类型选择外的预处理；
(6-2)采用步骤S5构建的震后损伤状态预测深度神经网络模型，得到地震波下目标对象的震后损伤状态。

Claims (7)

1.一种高速铁路轨道桥梁系统的震后损伤快速预测方法，包括如下步骤
S1.获取目标对象的结构特征和场地特征数据，明确目标对象的场地类型；
S2.采用步骤S1获取的数据，构建目标对象的有限元模型；
S3.获取原始地震动数据，针对获取的数据进行预处理；
S4.采用步骤S3预处理后的数据，和步骤S2构建的有限元模型，确定损伤状态，构建“地震动-损伤状态”数据集；
S5.采用步骤S4构建的数据集，通过训练并更新深度神经网络模型，构建震后损伤状态预测深度神经网络模型；
S6.在实际地震发生后，采用步骤S5构建的震后损伤状态预测深度神经网络模型，完成高速铁路轨道桥梁系统的震后损伤状态预测。
2.根据权利要求1所述的一种高速铁路轨道桥梁系统的震后损伤快速预测方法，其特征在于步骤S1所述的获取目标对象的结构特征和场地特征数据，明确目标对象的场地类型，具体包括：
选择CRTSII型无砟轨道结构高速铁路简支梁桥作为目标对象，高速铁路轨道桥梁结构包括桥梁结构和桥上的轨道及结构，桥梁结构包括主梁、支座、桥墩、桥台、承台、基础，轨道结构包括底座板、滑动层、轨道板、CA砂浆层、钢轨、扣件、摩擦板、剪力齿槽、剪切钢筋、侧向挡块、端刺；
获取目标对象的跨长、跨数、总长、基础埋深，以及各个结构和部件的数量、间距、几何尺寸、材料类型、力学性能，作为目标对象的结构特征；
获取目标对象的桥址地质构造、设计特征周期、场地类型，作为目标对象的场地特征。
3.根据权利要求2所述的一种高速铁路轨道桥梁系统的震后损伤快速预测方法，其特征在于步骤S2所述的采用步骤S1获取的数据，构建目标对象的有限元模型，具体包括：
采用步骤S1获取的数据，定义模型的相关参数，包括几何性质、单元类型、实常数、材料属性，同时创建截面形状，建立各构件关键单元，划分节点，设置连接和边界条件；
采用有限元软件建立满足目标对象的结构特征和场地特征、且能够正确模拟目标对象在地震动下产生的结构响应的有限元模型。
4.根据权利要求3所述的一种高速铁路轨道桥梁系统的震后损伤快速预测方法，其特征在于步骤S3所述的获取原始地震动数据，针对获取的数据进行预处理，具体包括：
(3-1)根据目标对象的设计加速度反应谱，获取原始三向地震动加速度时程数据；
(3-2)采用步骤(3-1)获取的原始数据，根据场地类型进行筛选处理，保留n条地震波，具体包括：
V30表示覆盖层30m计算深度范围的等效剪切波速，将场地类型分为Ⅰ类、Ⅱ类、Ⅲ类、Ⅳ类，对应V30的取值范围分别为510m/s以上，260m/s至510m/s,150m/s至260m/s，150m/s以下；
选择土体的等效剪切波速与目标对象的场地类型匹配的地震波；
(3-3)采用步骤(3-2)选择得到的地震波，将每条地震波的峰值加速度别与设计的地震加速度峰值相比，得到每条地震动的调整系数，再将各条地震动数据按照对应的调整系数进行均匀缩放，从而调整地震动记录的能量与目标对象所在场地的设防烈度相符，得到预处理完成的地震波加速度时程数据。
5.根据权利要求4所述的一种高速铁路轨道桥梁系统的震后损伤快速预测方法，其特征在于步骤S4所述的采用步骤S3预处理后的数据，和步骤S2构建的有限元模型，确定损伤状态，构建“地震动-损伤状态”数据集，具体包括：
采用步骤S3保留的n条地震波，分别加载到步骤S2构建的有限元模型中，设置相应的分析求解方式，对有限元模型进行模态分析和非线性时程分析，得到构件响应；根据损伤指标划分损伤状态的类别；
选择损伤临界值作为损伤指标；
损伤状态包括安全、损坏、失效；当部件对应指标的值小于损坏临界值时，定义为安全状态；当部件对应指标的值介于损坏临界值与失效临界值之间时，定义为损坏状态；当部件对应指标的值超过失效临界值时，定义为失效状态；
针对目标对象在设防烈度下的地震关键部件确定的参考损伤临界值如下所示：
部件“桥墩”，对应指标为“力矩”，损坏临界值为64.5×106N·m，失效临界值为79.7×106N·m；
部件“滑动支座”，对应指标为“位移”，损坏临界值为100mm，失效临界值为200mm；
部件“固定支座”，对应为“位移”，损坏临界值为2mm，失效临界值为10mm；
部件“侧向挡块”，对应为“位移”，损坏临界值为2mm，失效临界值为5mm；
部件“剪力齿槽”，对应为“位移”，损坏临界值为0.12mm，失效临界值为1mm；
部件“剪切钢筋”，对应为“位移”，损坏临界值为0.08mm，失效临界值为0.7mm；
部件“滑动层”，对应为“位移”，损坏临界值为0.5mm，失效临界值为2mm；
部件“CA砂浆层”，对应为“位移”，损坏临界值为0.5mm，失效临界值为2mm；
部件“扣件”，对应为“位移”，损坏临界值为2mm，失效临界值为5mm；
选择n条地震波数据作为“特征”，通过有限元模型计算获得的n组各部件损伤状态作为“标签”，构建“地震动-损伤状态”数据集；
由于CRTS II轨道系统为纵联结构，横向地震对高铁轨道桥梁系统的影响比纵向地震更大，选择地震动按横向：竖向＝1:0.65，作为模型的输入。
6.根据权利要求5所述的一种高速铁路轨道桥梁系统的震后损伤快速预测方法，其特征在于步骤S5所述的采用步骤S4构建的数据集，通过训练并更新深度神经网络模型，构建震后损伤状态预测深度神经网络模型，具体包括：
根据步骤S4构建的数据集的复杂程度确定用于分类任务的深度神经网络的模型；
将步骤S4构建的数据集按照设定的比例划分为训练数据集、验证数据集和测试数据集；
选择双层LSTM循环神经网络，使用小批量梯度下降方法将训练数据集划分为多个子集，针对模型进行批量训练；
选择预处理后得训练数据作为网络模型的输入，通过LSTM网络进行特征提取和分类的处理；
双层LSTM循环神经网络堆叠两层LSTM作为隐藏层，第一层包括32个隐藏神经元，第二层包括64个隐藏神经元；LSTM是一种含有若干个LSTM细胞的神经网络，每个细胞包含一个记忆单元和三个门，三个门分别对应为遗忘门、输入门、输出门，采用下述公式描述：
输入门：
it＝σ(WXixt+Whiht-1+Wcict-1+bi)
遗忘门：
ft＝σ(WXfxt+Whfht-1+Wcfct-1+bf)
细胞状态：
ct＝ftct-1+ittanh(WXcxt+Whcht-1+bc)
输出门：
ot＝σ(WXoxt+Whoht-1+Wcoct-1+bo)
隐藏层：
ht＝ottanh(ct)
其中，xt表示t时刻的输入向量；ht表示t时刻的隐藏层；ct表示t时刻的细胞状态；it表示t时刻的输入门；ft表示t时刻的遗忘门；ot表示t时刻的输出门；WXi表示输入门中输入向量对应的权重矩阵；Whi表示输入门中隐藏状态对应的权重矩阵；Wci表示输入门中细胞状态对应的权重矩阵；WXf表示遗忘门中输入向量对应的权重矩阵；Whf表示遗忘门中隐藏状态对应的权重矩阵；Wcf表示遗忘门中细胞状态对应的权重矩阵；WXc表示细胞状态中输入向量对应的权重矩阵；Whc表示细胞状态中隐藏状态对应的权重矩阵；WXo表示输出门中输入向量对应的权重矩阵；Who表示输出门中隐藏状态对应的权重矩阵；Wco表示输出门中细胞状态对应的权重矩阵；bi表示输入门的偏置向量；bf表示遗忘门的偏置向量；bc表示细胞状态的偏置向量；bo表示输出门的偏置向量；σ(·)表示激活函数sigmoid；tanh(·)表示激活函数tanh；
在两层LSTM之间加入Dropout操作，防止模型出现过拟合问题；
采用归一化指数函数输出各个损伤类别的条件概率值，最大值对应的标签为预测所得的高速铁路轨道桥梁系统的部件损伤状态；根据选择的损伤指标确定类别数量；
采用下述公式表示softmax函数原理：
其中，yi、yj均表示向量y中的一个元素；
使用分类交叉熵作为损失函数，评估样本的真实标签与模型的预测值之间的误差，损失函数的计算公式如下所示：
其中，N表示样本总量；c表示类别代号，类别代号分为三种，安全取1，损坏取2，失效取3；pic表示样本i属于类别c的预测概率；
选择自适应矩估计优化器更新模型的参数，通过拟合训练集数据，加速模型的收敛，降低内存需求，使得损失函数L的值不断减小；在每一轮迭代完成后，采用验证数据集针对模型进行评估处理；当迭代训练次数达到设定限值后，模型结束训练，同时针对所有评估结果进行选取，选取结果最优的模型作为筛选出的双层LSTM网络模型；采用测试数据集评估筛选出的双层LSTM网络模型，评估模型的泛化能力；保留评估后的最终双层LSTM网络模型作为震后损伤状态预测深度神经网络模型，用于震后损伤状态的预测。
7.根据权利要求6所述的一种高速铁路轨道桥梁系统的震后损伤快速预测方法，其特征在于步骤S6所述的在实际地震发生后，采用步骤S5构建的震后损伤状态预测深度神经网络模型，完成高速铁路轨道桥梁系统的震后损伤状态预测，具体包括：
(6-1)震后获取台站收集的目标对象所在区域的地震波，采用步骤S3针对地震波数据进行除场地类型选择外的预处理；
(6-2)采用步骤S5构建的震后损伤状态预测深度神经网络模型，得到地震波下目标对象的震后损伤状态。
CN202310891605.3A 2023-07-20 2023-07-20 一种高速铁路轨道桥梁系统的震后损伤快速预测方法 Pending CN116894364A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310891605.3A CN116894364A (zh) 2023-07-20 2023-07-20 一种高速铁路轨道桥梁系统的震后损伤快速预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310891605.3A CN116894364A (zh) 2023-07-20 2023-07-20 一种高速铁路轨道桥梁系统的震后损伤快速预测方法

Publications (1)

Publication Number Publication Date
CN116894364A true CN116894364A (zh) 2023-10-17

Family

ID=88310499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310891605.3A Pending CN116894364A (zh) 2023-07-20 2023-07-20 一种高速铁路轨道桥梁系统的震后损伤快速预测方法

Country Status (1)

Country Link
CN (1) CN116894364A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117421965A (zh) * 2023-12-18 2024-01-19 四川省建筑科学研究院有限公司 基于无人机技术的震后桥梁检测方法及系统
CN118090107A (zh) * 2024-04-24 2024-05-28 华侨大学 一种考虑地震动影响的多结构地震反应智能预测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117421965A (zh) * 2023-12-18 2024-01-19 四川省建筑科学研究院有限公司 基于无人机技术的震后桥梁检测方法及系统
CN117421965B (zh) * 2023-12-18 2024-02-13 四川省建筑科学研究院有限公司 基于无人机技术的震后桥梁检测方法及系统
CN118090107A (zh) * 2024-04-24 2024-05-28 华侨大学 一种考虑地震动影响的多结构地震反应智能预测方法

Similar Documents

Publication Publication Date Title
Zhang et al. Reinforced concrete deep beam shear strength capacity modelling using an integrative bio-inspired algorithm with an artificial intelligence model
Huang et al. Review on application of artificial intelligence in civil engineering
Harirchian et al. A review on application of soft computing techniques for the rapid visual safety evaluation and damage classification of existing buildings
Asteris et al. Concrete compressive strength using artificial neural networks
Eftekhar Azam et al. Damage detection in structural systems utilizing artificial neural networks and proper orthogonal decomposition
Lu et al. Artificial intelligence in civil engineering
Oh et al. Neural network-based seismic response prediction model for building structures using artificial earthquakes
Kayadelen Soil liquefaction modeling by genetic expression programming and neuro-fuzzy
CN116894364A (zh) 一种高速铁路轨道桥梁系统的震后损伤快速预测方法
Temeng et al. A novel artificial intelligent model for predicting air overpressure using brain inspired emotional neural network
Toghroli Applications of the ANFIS and LR Models in the Prediction of Shear Connection in Composite Beams
Oh et al. Optimal architecture of a convolutional neural network to estimate structural responses for safety evaluation of the structures
Al-Khaleefi et al. Prediction of fire resistance of concrete filled tubular steel columns using neural networks
Nikose et al. Dynamic wind response of tall buildings using artificial neural network
Yazdanpanah et al. Seismic response prediction of RC bridge piers through stacked long short-term memory network
Liu et al. Condition evaluation for existing reinforced concrete bridge superstructure using fuzzy clustering improved by particle swarm optimisation
Huang et al. Rapid seismic damage evaluation of subway stations using machine learning techniques
Bandara Damage identification and condition assessment of building structures using frequency response functions and neural networks
Salkhordeh et al. A rapid neural network-based demand estimation for generic buildings considering the effect of soft/weak story
Nair et al. Enhancing seismic performance prediction of RC frames using MFF-ANN model approach
Karami et al. Hybrid stacked neural network empowered by novel loss function for structural response history prediction using input excitation and roof acceleration
Ali Applications of the ANFIS and LR models in the prediction of shear connection in composite beams/Ali Toghroli
Xu et al. Using statistical models and machine learning techniques to process big data from the forth road bridge
Nguyen et al. Efficient hybrid machine learning model for calculating load-bearing capacity of driven piles
Huang et al. A prognostic model for newly operated highway bridges based on censored data and survival analysis

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