CN116975989B - 基于有限元引导深度学习代理模型评估桥梁运行状态方法 - Google Patents
基于有限元引导深度学习代理模型评估桥梁运行状态方法 Download PDFInfo
- Publication number
- CN116975989B CN116975989B CN202311237009.XA CN202311237009A CN116975989B CN 116975989 B CN116975989 B CN 116975989B CN 202311237009 A CN202311237009 A CN 202311237009A CN 116975989 B CN116975989 B CN 116975989B
- Authority
- CN
- China
- Prior art keywords
- bridge
- information
- finite element
- vehicle
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013135 deep learning Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000004088 simulation Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000005303 weighing Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000005381 potential energy Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提出基于有限元引导深度学习代理模型评估桥梁运行状态方法，属于桥梁结构在线仿真技术领域。包括：S1.建立有限元仿真模型；S2.根据车辆位置、车牌信息和轴重、车牌信息得到车辆荷载信息，根据桥梁的温度、湿度和所受风速风向的信息得到环境荷载信息，基于车辆载荷信息和环境载荷信息得到车辆环境荷载信息；S3.基于有限元引导的有限元代理模型的自适应训练；S4.将车辆环境荷载信息输入基于有限元引导的深度学习神经网络代理模型中，输出桥梁运行的实时结构状态。解决需要人工准备的数据对模型进行训练，花费大量的时间；没有对数据的输入和数据关系的理解，训练出模型的可靠性较差，没有对桥梁在运营期的结构状态进行评估问题。
Description
技术领域
本申请涉及评估桥梁运行结构状态方法，尤其涉及基于有限元引导深度学习代理模型评估桥梁运行状态方法，属于桥梁结构在线仿真技术领域。
背景技术
我国桥梁保有量越来越大，交通流量也一直在增大，对于桥梁的运维监管日益变得重要。如何保证桥梁的运行安全是未来需要研究和探索的领域。其实不单单是桥梁，包括其他交通设施都面临着这样的问题，比如隧道，边坡等等。桥梁设施在运营期的安全监测是一个很重要的领域，最近几年该领域也有了一定的发展，但是目前技术还停留在对监测阈值的报警和趋势分析的程度。另外，桥梁在运营期的仿真模型，也只是在监测方案设计阶段建立，只能做到对单一现状的模拟仿真。如何实现桥梁结构实时在线仿真是一个重点研究的方向。
有研究人员提出了一种基于深度学习的优化有限元迭代过程方法及装置，CN114021414B；该方法对利用深度学习算法实现迭代中下一步状态点的预测，减少迭代步数，保证模拟结果准确性的基础上优化有限元模型的计算效率和收敛性，具有较高的通用性，但该方法基于数据驱动的深度学习网络，需要人工准备大量的数据对模型进行训练，花费大量的时间；没有对数据的输入和数据关系的理解，训练出模型的可靠性较差，而且没有对桥梁在运营期的运行结构状态进行评估。
发明内容
在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
鉴于此，为解决现有技术中存在的技术问题，本发明提供基于有限元引导深度学习代理模型评估桥梁运行状态方法。本发明与纯数据驱动的神经网络学习相比，PINN在训练过程中施加了物理信息约束，因而能用更少的数据样本学习到更具泛化能力的模型；与传统深度学习相比，基于有限元引导的神经网络可以通过物理引导自主完成模型的训练；能够解决有限元模型仿真耗时，仿真效率不高的问题，实现对桥梁的实时仿真模拟，而从评估桥梁运行结构状态。
方案一、基于有限元引导深度学习代理模型评估桥梁运行状态方法，包括以下步骤：
S1.建立有限元仿真模型；
S2.根据车辆位置、车牌信息和轴重、车牌信息得到车辆荷载信息，根据桥梁的温度、湿度和所受风速风向的信息得到环境荷载信息，基于车辆载荷信息和环境载荷信息得到车辆环境荷载信息；
S3.基于有限元引导的有限元代理模型的自适应训练；
S4.将车辆环境荷载信息输入基于有限元引导的深度学习神经网络代理模型中，模型对数据进行计算，输出得到桥梁运行的实时结构状态。
优选的，建立有限元仿真模型的方法是：
S11.获取桥梁设计图上的桥梁结构尺寸及材料类型参数；
S12.通过有限元方法，建立包含结构几何、材料信息的桥梁有限元模型；
；
其中，u为结构响应位移参数，E为结构弹性模量，I为截面极惯性矩参数，B为形函数的二次导数，N为形函数，x为结构纵向位置参数，L为桥梁结构纵向的长度。
优选的，根据车辆位置、车牌信息和轴重、车牌信息得到车辆荷载信息，根据桥梁的温度、湿度和所受风速风向的信息得到环境荷载信息，基于车辆载荷信息和环境载荷信息得到车辆环境荷载信息的方法是：
S21.车辆位置、车牌信息获取；
S22.轴重、车牌信息获取；
S23.通过标注信息得到每辆车的车牌、轴重、位置信息及时间信息，共同构建通过桥面的车辆随时间进程的轴重位置分布信息，作为车辆荷载信息；
S24.利用前端的温湿度、风速风向传感器实时采集桥梁的环境荷载信息，包括桥梁的温度、湿度和所受风速风向的信息，共同构建桥梁所受随时间变化的环境荷载信息，作为环境荷载信息；
S25.将车辆荷载信息和环境荷载信息通过两者所包含的时间信息进行匹配，作为车辆环境荷载信息。
优选的，车辆位置、车牌信息获取的方法包括以下步骤：
S211.在桥梁上布设视频采集设备，覆盖桥面上所有车道的视频信息采集；
S212.视频采集设备采集每一帧视频图像，利用目标识别深度学习算法，实时识别桥上的车辆车牌和车型信息，车牌信息作为车辆标注信息；
S213.在采集区域内依据车道方向和车道法线方向分为纵向位置和横向位置，分别用x和y来表示，构建车道坐标系；
S214.在视频图像中横向位置和竖向位置用Ox和Oy表示，构建图像坐标系；
S215.将车道坐标系和图像坐标系通过摄像头与车道的位置关系，利用空间坐标转换方程进行转换：
；
S216.出现在视频采集区域内的车辆，依据车头中心的位置确定车辆在图片中的位置，得到车辆在车道坐标系中的位置，即实际位置信息，同时获取摄像头采集到每一帧图像的时间信息，每辆车的位置和时间信息通过车牌区分。
优选的，轴重、车牌信息获取的方法是：在桥梁前端位置每一条车道上铺设车道级动态称重系统；利用动态称重系统中的摄像头和称重设备采集得到的车辆的车牌和轴重信息，车牌作为标注信息，每辆车的轴重信息通过车牌进行区分。
优选的，基于有限元引导的有限元代理模型的自适应训练的方法，包括以下步骤：
S31.初始化模型参数：依据模型输入变量的数量、桥梁有限元模型的规模和输出变量的数量需求定义深度学习神经网络的网络结构，包括输入输出神经元的数量、神经网络层数量和每一层的神经元数量；
S32.数据集构建：将采集到的一天的车辆环境荷载信息数据作为数据集a输入模型；将采集到的十天的车辆环境荷载信息数据作为数据集b输入模型；将采集到的三天的车辆环境荷载信息数据的数据结构打乱，作为测试集a输入模型；
S33.定义损失函数：
增加有限元域的损失函数：
；
基于数据的损失函数：
；
基于势能的损失函数如下：
；
S34.使用二阶优化方法中的拟牛顿法定义优化算法；
S35.模型迭代训练：将数据集a和数据集b分别输入到和/>两部分损失函数中进行自适应迭代训练，使损失值到达低于容许值，设定容许值为0.00001，达到容许值后自动停止训练，并输出基于有限元引导的深度学习神经网络代理模型；
S36.将测试集a数据输入中训练得到的基于有限元引导的深度学习神经网络代理模型，对基于有限元引导的深度学习神经网络代理模型准确率进行评估，评估的方式是人为对部分数据进行核对，当核对数据达到模拟精度的99.5%时，模型训练成功，否则回到S35对模型进行重新迭代训练，其中容许值将下调10%，直到满足精度要求。
优选的，将车辆环境荷载信息输入基于有限元引导的深度学习神经网络代理模型中，模型对数据进行计算，输出得到桥梁运行的实时结构状态的方法，包括以下步骤：
S41.将车辆环境荷载信息输入到基于有限元引导的深度学习神经网络代理模型中进行计算，即利用训练好的神经元进行叠加计算，计算输出参数，输出参数为桥梁结构的响应参数，响应参数包含桥梁关键位置的挠度、应力和应变参数；
S42.获取桥梁结构响应参数最大挠度ω；
依据桥梁设计规范中对挠度限制值的规定进行计算，如下：
；
其中，表示扰度限制值，/>表示挠度长期增长系数，/>表示桥梁的结构长度；
依据桥梁最大挠度与挠度限制值的比评估桥梁状态：
；
其中，表示桥状态值，当/>介于0.5-0.8时，桥梁状态为安全状态，当/>介于0.8-1.0之间时，桥梁为危险临近状态，当/>大于1时，桥梁状态为危险状态。
方案二、一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现方案一所述的基于有限元引导深度学习代理模型评估桥梁运行状态方法的步骤。
方案三、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现方案一所述的基于有限元引导深度学习代理模型评估桥梁运行状态方法。
本发明的有益效果如下：本发明建立的基于有限元引导的深度学习代理模型，实现桥梁状态在实际环境及车辆荷载下的实时在线仿真，仿真速度可以达到毫秒级，真正实现对桥梁状态实时的诊断。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为基于有限元引导深度学习代理模型评估桥梁运行状态方法流程示意图。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例1、参照图1说明本实施方式，一种桥梁实时在线仿真模拟方法，包括以下步骤：
S1.建立有限元仿真模块；
S11.获取桥梁设计图上的桥梁结构尺寸及材料类型参数；
S12.通过有限元方法，建立包含结构几何、材料信息的桥梁有限元模型；
；
其中，u为结构响应位移参数，E为结构弹性模量，I为截面极惯性矩参数，B为形函数的二次导数，N为形函数，x为结构纵向位置参数，L为桥梁结构纵向的长度。
S2.根据车辆位置、车牌信息和轴重、车牌信息得到车辆荷载信息，根据桥梁的温度、湿度和所受风速风向的信息得到环境荷载信息，基于车辆载荷信息和环境载荷信息得到车辆环境荷载信息；
S21.车辆位置、车牌信息获取；
S211.在桥梁上布设视频采集设备，覆盖桥面上所有车道的视频信息采集；
S212.视频采集设备采集每一帧视频图像，利用目标识别深度学习算法，实时识别桥上的车辆车牌和车型信息，车牌信息作为车辆标注信息；
S213.每一个视频采集设备采集的区域是固定的，在采集区域内依据车道方向和车道法线方向分为纵向位置和横向位置，分别用x和y来表示，构建车道坐标系；
S214.由于摄像头的位置与车道横纵向位置不一定匹配，在视频图像中横向位置和竖向位置用Ox和Oy表示，构建图像坐标系；
S215.将车道坐标系和图像坐标系通过摄像头与车道的位置关系，利用空间坐标转换方程进行转换：
；
S216.出现在视频采集区域内的车辆，依据车头中心的位置确定车辆在图片中的位置，得到车辆在车道坐标系中的位置，即实际位置信息，同时获取摄像头采集到每一帧图像的时间信息，每辆车的位置和时间信息通过车牌区分；
S22.轴重、车牌信息获取；
S221.在桥梁前端位置每一条车道上铺设车道级动态称重系统；利用动态称重系统中的摄像头和称重设备采集得到的车辆的车牌和轴重信息，车牌作为标注信息，每辆车的轴重信息通过车牌进行区分；
S23.通过标注信息得到每辆车的车牌、轴重、位置信息及时间信息，共同构建通过桥面的车辆随时间进程的轴重位置分布信息，作为车辆荷载信息；
S24.利用前端的温湿度、风速风向传感器实时采集桥梁的环境荷载信息，包括桥梁的温度、湿度和所受风速风向的信息，共同构建桥梁所受随时间变化的环境荷载信息，作为环境荷载信息；
S25将车辆荷载信息和环境荷载信息通过两者所包含的时间信息进行匹配，作为车辆环境荷载信息。
S3.基于有限元引导的有限元代理模型的自适应训练；
S31.初始化模型参数：依据模型输入变量的数量、桥梁有限元模型的规模和输出变量的数量需求定义深度学习神经网络的网络结构，包括输入输出神经元的数量、神经网络层数量和每一层的神经元数量；
S32.数据集构建：将采集到的一天的车辆环境荷载信息数据作为数据集a输入模型；将采集到的十天的车辆环境荷载信息数据作为数据集b输入模型；将采集到的三天的车辆环境荷载信息数据的数据结构打乱，作为测试集a输入模型。
S33.定义损失函数：
增加有限元域的损失函数：
；
基于数据的损失函数：
；
基于势能的损失函数如下：
；
S34.使用二阶优化方法中的拟牛顿法定义优化算法；
S35.模型迭代训练：将数据集a和数据集b分别输入到和/>两部分损失函数中进行自适应迭代训练，使损失值到达低于容许值，设定容许值为0.00001，达到容许值后自动停止训练，并输出基于有限元引导的深度学习神经网络代理模型；
S36.将测试集a数据输入中训练得到的基于有限元引导的深度学习神经网络代理模型，对基于有限元引导的深度学习神经网络代理模型准确率进行评估，评估的方式是人为对部分数据进行核对，当核对数据达到模拟精度的99.5%时，模型训练成功，否则回到S35对模型进行重新迭代训练，其中容许值将下调10%，直到满足精度要求。
S4.将车辆环境荷载信息输入基于有限元引导的深度学习神经网络代理模型中，模型对数据进行计算，输出得到桥梁运行的实时结构状态。
S41.将车辆环境荷载信息输入到基于有限元引导的深度学习神经网络代理模型中进行计算，即利用训练好的神经元来进行叠加计算，计算输出参数，输出参数为桥梁结构的响应参数，响应参数包含桥梁关键位置的挠度、应力和应变参数；
S42.获取桥梁结构响应参数最大挠度ω；
依据桥梁设计规范中对挠度限制值的规定进行计算，如下：
；
其中，表示扰度限制值，/>表示挠度长期增长系数，/>表示桥梁的结构长度；
依据桥梁最大挠度与挠度限制值的比评估桥梁状态：
；
其中，表示桥状态值，当/>介于0.5-0.8时，桥梁状态为安全状态，当/>介于0.8-1.0之间时，桥梁为危险临近状态，当/>大于1时，桥梁状态为危险状态。实施例2、本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的基于有限元引导深度学习代理模型评估桥梁运行状态方法的步骤。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例3、计算机可读存储介质实施例。
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的基于有限元引导深度学习代理模型评估桥梁运行状态方法的步骤。
所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。
Claims (7)
1.基于有限元引导深度学习代理模型评估桥梁运行状态方法，其特征在于，包括以下步骤：
S1.建立有限元仿真模型；
S2.根据车辆位置、车牌信息和轴重、车牌信息得到车辆荷载信息，根据桥梁的温度、湿度和所受风速风向的信息得到环境荷载信息，基于车辆载荷信息和环境载荷信息得到车辆环境荷载信息，方法是：
S21.车辆位置、车牌信息获取；
S22.轴重、车牌信息获取；
S23.通过标注信息得到每辆车的车牌、轴重、位置信息及时间信息，共同构建通过桥面的车辆随时间进程的轴重位置分布信息，作为车辆荷载信息；
S24.利用前端的温湿度、风速风向传感器实时采集桥梁的环境荷载信息，包括桥梁的温度、湿度和所受风速风向的信息，共同构建桥梁所受随时间变化的环境荷载信息，作为环境荷载信息；
S25.将车辆荷载信息和环境荷载信息通过两者所包含的时间信息进行匹配，作为车辆环境荷载信息；
S3.基于有限元引导的深度学习神经网络代理模型的自适应训练；
S4.将车辆环境荷载信息输入基于有限元引导的深度学习神经网络代理模型中，模型对数据进行计算，输出得到桥梁运行的实时结构状态。
2.根据权利要求1所述基于有限元引导深度学习代理模型评估桥梁运行状态方法，其特征在于，建立有限元仿真模型的方法是：
S11.获取桥梁设计图上的桥梁结构尺寸及材料类型参数；
S12.通过有限元方法，建立包含结构几何、材料信息的桥梁有限元模型；
；
其中，u为结构响应位移参数，E为结构弹性模量，I为截面极惯性矩参数，B为形函数的二次导数，N为形函数，x为结构纵向位置参数，L为桥梁结构纵向的长度。
3.根据权利要求2所述基于有限元引导深度学习代理模型评估桥梁运行状态方法，其特征在于，车辆位置、车牌信息获取的方法包括以下步骤：
S211.在桥梁上布设视频采集设备，覆盖桥面上所有车道的视频信息采集；
S212.视频采集设备采集每一帧视频图像，利用目标识别深度学习算法，实时识别桥上的车辆车牌和车型信息，车牌信息作为车辆标注信息；
S213.在采集区域内依据车道方向和车道法线方向分为纵向位置和横向位置，分别用x和y来表示，构建车道坐标系；
S214.在视频图像中横向位置和竖向位置用Ox和Oy表示，构建图像坐标系；
S215.将车道坐标系和图像坐标系通过摄像头与车道的位置关系，利用空间坐标转换方程进行转换：
；
S216.出现在视频采集区域内的车辆，依据车头中心的位置确定车辆在图片中的位置，得到车辆在车道坐标系中的位置，即实际位置信息，同时获取摄像头采集到每一帧图像的时间信息，每辆车的位置和时间信息通过车牌区分。
4.根据权利要求3所述基于有限元引导深度学习代理模型评估桥梁运行状态方法，其特征在于，轴重、车牌信息获取的方法是：在桥梁前端位置每一条车道上铺设车道级动态称重系统；利用动态称重系统中的摄像头和称重设备采集得到车辆的车牌和轴重信息，车牌作为标注信息，每辆车的轴重信息通过车牌进行区分。
5.根据权利要求4所述基于有限元引导深度学习代理模型评估桥梁运行状态方法，其特征在于，基于有限元引导的深度学习神经网络代理模型的自适应训练的方法，包括以下步骤：
S31.初始化模型参数：依据模型输入变量的数量、桥梁有限元模型的规模和输出变量的数量需求定义深度学习神经网络的网络结构，包括输入输出神经元的数量、神经网络层数量和每一层的神经元数量；
S32.数据集构建：将采集到的一天的车辆环境荷载信息数据作为数据集a输入模型；将采集到的十天的车辆环境荷载信息数据作为数据集b输入模型；将采集到的三天的车辆环境荷载信息数据的数据结构打乱，作为测试集c输入模型；
S33.定义损失函数：
增加有限元域的损失函数：
；
基于数据的损失函数：
；
基于势能的损失函数如下：
；
S34.使用二阶优化方法中的拟牛顿法定义优化算法；
S35.模型迭代训练：将数据集a和数据集b分别输入到和/>两部分损失函数中进行自适应迭代训练，使损失值到达低于容许值，设定容许值为0.00001，达到容许值后自动停止训练，并输出基于有限元引导的深度学习神经网络代理模型；
S36.将测试集c数据输入中训练得到的基于有限元引导的深度学习神经网络代理模型，对基于有限元引导的深度学习神经网络代理模型准确率进行评估，评估的方式是人为对部分数据进行核对，当核对数据达到模拟精度的99.5%时，模型训练成功，否则回到S35对模型进行重新迭代训练，其中容许值将下调10%，直到满足精度要求。
6.一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1-5任一项所述的基于有限元引导深度学习代理模型评估桥梁运行状态方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-5任一项所述的基于有限元引导深度学习代理模型评估桥梁运行状态方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311237009.XA CN116975989B (zh) | 2023-09-25 | 2023-09-25 | 基于有限元引导深度学习代理模型评估桥梁运行状态方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311237009.XA CN116975989B (zh) | 2023-09-25 | 2023-09-25 | 基于有限元引导深度学习代理模型评估桥梁运行状态方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116975989A CN116975989A (zh) | 2023-10-31 |
| CN116975989B true CN116975989B (zh) | 2024-02-27 |
Family
ID=88477092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311237009.XA Active CN116975989B (zh) | 2023-09-25 | 2023-09-25 | 基于有限元引导深度学习代理模型评估桥梁运行状态方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116975989B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117475639B (zh) * | 2023-12-26 | 2024-04-30 | 深圳市城市交通规划设计研究中心股份有限公司 | 融合不同频率车辆定位数据的桥梁车辆时空分布识别方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108763763A (zh) * | 2018-05-28 | 2018-11-06 | 东南大学 | 一种桥梁结构应变响应异常预警方法 |
| CN111143932A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种桥梁健康状态的评估方法、装置、系统和设备 |
| CN111144039A (zh) * | 2019-12-04 | 2020-05-12 | 东南大学 | 一种基于深度学习的列车动态称重系统及称重方法 |
| CN111256924A (zh) * | 2020-03-06 | 2020-06-09 | 东南大学 | 一种大跨度高铁桥梁伸缩缝智能监测方法 |
| CN111678771A (zh) * | 2020-07-21 | 2020-09-18 | 深圳大学 | 环境荷载耦合作用下轨道结构模型试验系统及方法 |
| CN111982656A (zh) * | 2020-07-21 | 2020-11-24 | 深圳大学 | 环境荷载耦合作用下工程结构模型试验系统 |
| CN113553749A (zh) * | 2021-09-22 | 2021-10-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种桥梁健康监测方法、系统、计算机及存储介质 |
| CN114021414A (zh) * | 2022-01-05 | 2022-02-08 | 北京科技大学 | 一种基于深度学习的优化有限元迭代过程方法及装置 |
| CN115063017A (zh) * | 2022-07-06 | 2022-09-16 | 河北交通投资集团有限公司 | 一种中小跨径桥梁结构监测和评估系统及方法 |
| CN115311246A (zh) * | 2022-08-23 | 2022-11-08 | 保利长大工程有限公司 | 一种基于大数据的桥梁安全管理方法和系统 |
| CN115659782A (zh) * | 2022-09-27 | 2023-01-31 | 长沙理工大学 | 一种基于pgdnn在移动车辆荷载作用下的桥梁损伤识别方法 |
| CN116257923A (zh) * | 2023-02-27 | 2023-06-13 | 港珠澳大桥管理局 | 桥梁健康监测方法、装置、计算机设备和存储介质 |
-
2023
- 2023-09-25 CN CN202311237009.XA patent/CN116975989B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108763763A (zh) * | 2018-05-28 | 2018-11-06 | 东南大学 | 一种桥梁结构应变响应异常预警方法 |
| CN111144039A (zh) * | 2019-12-04 | 2020-05-12 | 东南大学 | 一种基于深度学习的列车动态称重系统及称重方法 |
| CN111143932A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种桥梁健康状态的评估方法、装置、系统和设备 |
| CN111256924A (zh) * | 2020-03-06 | 2020-06-09 | 东南大学 | 一种大跨度高铁桥梁伸缩缝智能监测方法 |
| CN111678771A (zh) * | 2020-07-21 | 2020-09-18 | 深圳大学 | 环境荷载耦合作用下轨道结构模型试验系统及方法 |
| CN111982656A (zh) * | 2020-07-21 | 2020-11-24 | 深圳大学 | 环境荷载耦合作用下工程结构模型试验系统 |
| CN113553749A (zh) * | 2021-09-22 | 2021-10-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种桥梁健康监测方法、系统、计算机及存储介质 |
| CN114021414A (zh) * | 2022-01-05 | 2022-02-08 | 北京科技大学 | 一种基于深度学习的优化有限元迭代过程方法及装置 |
| CN115063017A (zh) * | 2022-07-06 | 2022-09-16 | 河北交通投资集团有限公司 | 一种中小跨径桥梁结构监测和评估系统及方法 |
| CN115311246A (zh) * | 2022-08-23 | 2022-11-08 | 保利长大工程有限公司 | 一种基于大数据的桥梁安全管理方法和系统 |
| CN115659782A (zh) * | 2022-09-27 | 2023-01-31 | 长沙理工大学 | 一种基于pgdnn在移动车辆荷载作用下的桥梁损伤识别方法 |
| CN116257923A (zh) * | 2023-02-27 | 2023-06-13 | 港珠澳大桥管理局 | 桥梁健康监测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于多元混合的大跨度斜拉桥安全预后方法研究;郑沛娟;《中国博士论文全文数据库工程科技II辑》;第1-131页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116975989A (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886444B (zh) | 一种交通短时客流预测方法、装置、设备和存储介质 | |
| CN116975989B (zh) | 基于有限元引导深度学习代理模型评估桥梁运行状态方法 | |
| CN110781838B (zh) | 一种复杂场景下行人的多模态轨迹预测方法 | |
| EP3926582B1 (en) | Model generating apparatus, method, and program, and prediction apparatus | |
| CN110648014A (zh) | 一种基于时空分位数回归的区域风电预测方法及系统 | |
| CN108665093A (zh) | 基于深度学习的高速公路交通事故严重度预测方法 | |
| CN112801236B (zh) | 图像识别模型的迁移方法、装置、设备及存储介质 | |
| CN114162146B (zh) | 行驶策略模型训练方法以及自动驾驶的控制方法 | |
| CN114332749B (zh) | 一种基于深度学习的采砂船采砂监控方法 | |
| CN110852358A (zh) | 一种基于深度学习的车辆类型判别方法 | |
| CN109918687A (zh) | 一种基于机器学习的列车动力学仿真方法及仿真平台 | |
| CN112989334A (zh) | 一种机器学习的数据检测方法及相关设备 | |
| CN112036381A (zh) | 视觉跟踪方法、视频监控方法及终端设备 | |
| Zhang et al. | A two-stage data-driven approach to remaining useful life prediction via long short-term memory networks | |
| CN116881819A (zh) | 一种基于孤立森林的斜拉索工作状态监测方法 | |
| CN117217280A (zh) | 神经网络模型优化方法、装置及计算设备 | |
| CN111738403A (zh) | 一种神经网络的优化方法及相关设备 | |
| Yessoufou et al. | One-class convolutional neural network (OC-CNN) model for rapid bridge damage detection using bridge response data | |
| CN109034192B (zh) | 一种基于深度学习的轨道-车体振动状态预测方法 | |
| Wang et al. | Bridge weigh-in-motion through bidirectional Recurrent Neural Network with long short-term memory and attention mechanism | |
| CN117034430B (zh) | 基于深度学习及数字孪生的闸门健康监测方法、系统及计算机可读存储介质 | |
| CN112377332B (zh) | 一种基于计算机视觉的火箭发动机极性测试方法及系统 | |
| CN109993660A (zh) | 基于海量金融投资数据的量化分析和推送的方法及系统 | |
| CN113962424A (zh) | 基于PCANet-BiGRU的成绩预测方法、处理器、可读存储介质及计算机设备 | |
| CN113449893A (zh) | 虫害预测模型训练的方法、虫害预测的方法及装置 |
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 |