CN101586996A - 一种基于人工神经网络的斜拉桥索力预测方法 - Google Patents
一种基于人工神经网络的斜拉桥索力预测方法 Download PDFInfo
- Publication number
- CN101586996A CN101586996A CN 200910303727 CN200910303727A CN101586996A CN 101586996 A CN101586996 A CN 101586996A CN 200910303727 CN200910303727 CN 200910303727 CN 200910303727 A CN200910303727 A CN 200910303727A CN 101586996 A CN101586996 A CN 101586996A
- Authority
- CN
- China
- Prior art keywords
- cable
- suo
- cable force
- stayed bridge
- neural network
- 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
Links
Images
Landscapes
- Bridges Or Land Bridges (AREA)
Abstract
本发明公开了一种基于人工神经网络的斜拉桥索力预测方法，它通过实时监测斜拉桥部分拉索的索力值并利用该索力值建立斜拉桥的索力预测人工神经网络模型，然后训练索力预测人工神经网络模型，建立已知拉索索力与未知拉索索力变化之间的映射模型，再根据被实时监测的斜拉桥部分拉索的索力值即可计算出未受监测的其他拉索的索力值，从而计算出全部拉索的索力。本发明解决了目前斜拉桥在拉索索力监测方面的难题，大大节省了测量索力的时间与人力、物力成本，为确保大桥的安全运行提供了良好的技术保障，具有良好的经济和社会效益。
Description
技术领域
本发明涉及一种斜拉桥的拉索索力预测方法，特别是一种基于人工神经网络的斜拉桥索力预测方法。
背景技术
在大跨度斜拉桥的生命周期中，斜拉索索力是很重要的监测项目。定期实测所有斜拉索的索力可以及时分析桥梁的运行状态，为大桥的安全运行提供必要的前提条件。由于大跨度斜拉桥拉索数据量众多，同时测量斜拉桥的所有斜拉索的索力是相当费时费力的工作。实际上，在桥梁健康监测过程中很少监测一座斜拉桥所有斜拉索的索力变化，而是仅仅监测少量的几根关键斜拉索。当斜拉桥的某根拉索的索力发生变化时，其余拉索的索力也会相应发生改变。由于桥梁结构***的复杂性，各拉索索力的相互影响关系很难用传统的模型来表达。
发明内容
本发明所要解决的技术问题在于提供一种基于人工神经网络的斜拉桥索力预测方法，它可由少量被监测拉索的索力预测出其余拉索的索力值，大大节省索力测量的时间和人力成本，具有较好的转化应用前景。
为解决上述技术问题，本发明的技术方案：基于人工神经网络的斜拉桥索力预测方法。该方法包括如下步骤，
(1)实时监测斜拉桥部分拉索的索力值；并利用该索力值建立斜拉桥的索力预测人工神经网络模型；
(2)训练上述的索力预测人工神经网络模型，建立已知拉索索力与未知拉索索力变化之间的映射模型；
(3)根据被实时监测的斜拉桥部分拉索的索力值计算出未受监测的其他拉索的索力值，从而计算出全部拉索的索力。
上述的基于人工神经网络的斜拉桥索力预测方法中，所述的索力预测人工神经网络模型采用三层结构，包括输入层、隐含层和输出层；输入层和输出层采用purelin作用函数，隐含层采用log-sigmoid作用函数。
前述的基于人工神经网络的斜拉桥索力预测方法中，步骤(2)中所述索力预测人工神经网络模型的训练过程采用误差反向传播算法。
本发明的有益效果：与现有技术相比，本发明可以在少量已知索力的基础上，利用人工神经网络模型快速预测出其它未知索力的大小，实时监测整个斜拉桥所有拉索的索力变化，解决了目前斜拉桥在拉索索力监测方面的难题，大大节省了测量索力的时间与人力、物力成本，为确保大桥的安全运行提供了良好的技术保障，有利于斜拉桥的监测、养护及安全评估，具有良好的经济和社会效益。
附图说明
图1是本发明的索力预测人工神经网络模型的结构示意图；
图2是本发明的算法程序框图。
下面结合附图和具体实施方式对本发明作进一步的说明。
具体实施方式
实施例1。设定斜拉桥已知的索力有8根，需预测余下的80根拉索的索力。
如图1所示，本发明的索力预测人工神经网络模型采用三层结构，含输入层、隐含层和输出层，其中输入层采用purelin作用函数，隐含层采用log-sigmoid作用函数，输出层采用purelin作用函数。输入层节点点数为有限的已知索力的受实时监测的斜拉索数目，在本实施例中设置为8；输出层节点点数为余下的要预测索力的斜拉索的数目，在本实施例中，设置为80；隐含层节点点数采用训练时收敛速度较快及使同一训练样本误差最小时的节点数，在本实施例中，设置为256。初始权值矩阵采用足够小的初始权值，即abs(初始权值)＜0。在本实施例中，采用符合条件的伪随机数发生器产生的数据。索力预测人工神经网络模型训练的样本集为尽可能多的全部斜拉索实测索力数据。训练过程采用误差反向传播算法。检验样本为全部斜拉索的实测索力数据。
在需要预测斜拉桥的索力时，先实时监测斜拉桥8根拉索的索力值；并利用该索力值建立斜拉桥的索力预测人工神经网络模型；然后训练上述的索力预测人工神经网络模型，建立已知的8根拉索索力与未知的余下80根拉索索力变化之间的映射模型；再根据被实时监测的8根拉索的索力值计算出未受监测的余下80根拉索的索力值，从而计算出全部拉索的索力。
结合图2，索力预测人工神经网络模型的学习过程分两个阶段：第一阶段是下向传播过程：给出输入的拉索索力，通过输入层经隐含层逐层处理并计算每个单元的实际输出值。第二阶段是反向传播过程：若输出层未能得到期望的索力输出值，则逐层递归地计算实际输出索力与期望输出索力之差值(即误差)，以便根据此差调节权值。这两个过程的反复运用，使得误差信号最小。实际上，误差达到所期望的要求时，网络的学习过程就结束了。当索力预测人工神经网络模型训练完毕达到预定目标后，即可利用该模型预测斜拉桥全部斜拉索的索力。
本发明的实施方式不限于上述实施例，在不脱离本发明宗旨的前提下做出的各种变化均属于本发明的保护范围之内。
Claims (3)
1.一种基于人工神经网络的斜拉桥索力预测方法，其特征在于：包括如下步骤，
(1)实时监测斜拉桥部分拉索的索力值；并利用该索力值建立斜拉桥的索力预测人工神经网络模型；
(2)训练上述的索力预测人工神经网络模型，建立已知拉索索力与未知拉索索力变化之间的映射模型；
(3)根据被实时监测的斜拉桥部分拉索的索力值计算出未受监测的其他拉索的索力值，从而计算出全部拉索的索力。
2.根据权利要求1所述的基于人工神经网络的斜拉桥索力预测方法，其特征在于：所述的索力预测人工神经网络模型采用三层结构，包括输入层、隐含层和输出层；输入层和输出层采用purelin作用函数，隐含层采用log-sigmoid作用函数。
3.根据权利要求1所述的基于人工神经网络的斜拉桥索力预测方法，其特征在于：步骤(2)中所述索力预测人工神经网络模型的训练过程采用误差反向传播算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 200910303727 CN101586996A (zh) | 2009-06-26 | 2009-06-26 | 一种基于人工神经网络的斜拉桥索力预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 200910303727 CN101586996A (zh) | 2009-06-26 | 2009-06-26 | 一种基于人工神经网络的斜拉桥索力预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN101586996A true CN101586996A (zh) | 2009-11-25 |
Family
ID=41371339
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 200910303727 Pending CN101586996A (zh) | 2009-06-26 | 2009-06-26 | 一种基于人工神经网络的斜拉桥索力预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101586996A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101937485A (zh) * | 2010-10-11 | 2011-01-05 | 武汉理工大学 | 斜拉桥初始成桥初始索力确定方法 |
| CN102539098A (zh) * | 2011-12-15 | 2012-07-04 | 东南大学 | 基于神经网络技术的桥梁动载测试方法 |
| CN102735386A (zh) * | 2012-07-14 | 2012-10-17 | 福州大学 | 考虑弯曲刚度的斜拉索索力数值计算方法 |
| CN102789547A (zh) * | 2012-07-14 | 2012-11-21 | 福州大学 | 考虑减振阻尼器作用的斜拉索索力计算方法 |
| CN103886374A (zh) * | 2014-04-22 | 2014-06-25 | 武汉大学 | 一种基于rbf神经网络的电缆接头导线温度预测方法 |
| CN111062080A (zh) * | 2019-12-20 | 2020-04-24 | 哈尔滨工业大学 | 斜拉索索力与主梁竖向位移时空相关深度学习建模方法 |
| CN111738996A (zh) * | 2020-06-09 | 2020-10-02 | 交通运输部公路科学研究所 | 基于机器学习的桥梁健康监测预警*** |
| CN112507437A (zh) * | 2020-12-17 | 2021-03-16 | 青岛理工大学 | 一种基于神经网络的桥梁索力振动法多参数识别方法 |
| CN113312834A (zh) * | 2021-04-19 | 2021-08-27 | 桂林理工大学 | 一种基于卷积神经网络的斜拉索索力异常捡拾方法 |
| CN116577313A (zh) * | 2023-07-14 | 2023-08-11 | 中国农业科学院植物保护研究所 | 一种小麦白粉病菌潜伏侵染量的定量方法 |
-
2009
- 2009-06-26 CN CN 200910303727 patent/CN101586996A/zh active Pending
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101937485A (zh) * | 2010-10-11 | 2011-01-05 | 武汉理工大学 | 斜拉桥初始成桥初始索力确定方法 |
| CN102539098A (zh) * | 2011-12-15 | 2012-07-04 | 东南大学 | 基于神经网络技术的桥梁动载测试方法 |
| CN102539098B (zh) * | 2011-12-15 | 2014-01-22 | 东南大学 | 基于神经网络技术的桥梁动载测试方法 |
| CN102735386A (zh) * | 2012-07-14 | 2012-10-17 | 福州大学 | 考虑弯曲刚度的斜拉索索力数值计算方法 |
| CN102789547A (zh) * | 2012-07-14 | 2012-11-21 | 福州大学 | 考虑减振阻尼器作用的斜拉索索力计算方法 |
| CN103886374A (zh) * | 2014-04-22 | 2014-06-25 | 武汉大学 | 一种基于rbf神经网络的电缆接头导线温度预测方法 |
| CN103886374B (zh) * | 2014-04-22 | 2017-08-25 | 武汉大学 | 一种基于rbf神经网络的电缆接头导线温度预测方法 |
| CN111062080B (zh) * | 2019-12-20 | 2022-07-12 | 哈尔滨工业大学 | 斜拉索索力与主梁竖向位移时空相关深度学习建模方法 |
| CN111062080A (zh) * | 2019-12-20 | 2020-04-24 | 哈尔滨工业大学 | 斜拉索索力与主梁竖向位移时空相关深度学习建模方法 |
| CN111738996A (zh) * | 2020-06-09 | 2020-10-02 | 交通运输部公路科学研究所 | 基于机器学习的桥梁健康监测预警*** |
| CN111738996B (zh) * | 2020-06-09 | 2023-04-07 | 交通运输部公路科学研究所 | 基于机器学习的桥梁健康监测预警*** |
| CN112507437A (zh) * | 2020-12-17 | 2021-03-16 | 青岛理工大学 | 一种基于神经网络的桥梁索力振动法多参数识别方法 |
| CN113312834A (zh) * | 2021-04-19 | 2021-08-27 | 桂林理工大学 | 一种基于卷积神经网络的斜拉索索力异常捡拾方法 |
| CN113312834B (zh) * | 2021-04-19 | 2022-04-26 | 桂林理工大学 | 一种基于卷积神经网络的斜拉索索力异常捡拾方法 |
| CN116577313A (zh) * | 2023-07-14 | 2023-08-11 | 中国农业科学院植物保护研究所 | 一种小麦白粉病菌潜伏侵染量的定量方法 |
| CN116577313B (zh) * | 2023-07-14 | 2023-10-27 | 中国农业科学院植物保护研究所 | 一种小麦白粉病菌潜伏侵染量的定量方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101586996A (zh) | 一种基于人工神经网络的斜拉桥索力预测方法 | |
| CN106197970B (zh) | 一种基于优化张紧弦模型的桥索监测方法及*** | |
| CN103886374B (zh) | 一种基于rbf神经网络的电缆接头导线温度预测方法 | |
| CN109214552A (zh) | 基于集成学习光伏预测的智能运维方法 | |
| CN103559648A (zh) | 电网设备状态检测与评价实训*** | |
| CN107886171B (zh) | 一种基于pmu数据的断路器状态在线诊断方法及*** | |
| CN102779230A (zh) | 一种电力变压器***状态分析和维修决策判断方法 | |
| CN113537649B (zh) | 基于神经网络与动态模式分解的电网负荷预测方法及*** | |
| CN105182141A (zh) | 变压器故障检测方法及*** | |
| CN116341796A (zh) | 能耗监测与评估***及方法 | |
| CN109494726A (zh) | 基于dlrnn神经网络的电力***稳定性在线评估方法 | |
| CN107862391A (zh) | 一种基于云计算的设备运行状况测试*** | |
| CN105568732A (zh) | 盘磨机控制方法 | |
| CN102735760A (zh) | 基于极端学习机的变压器油色谱数据预测方法 | |
| CN108647838A (zh) | 一种基于随机矩阵理论和在线序列极限学习机的电网态势感知方法 | |
| CN109165770A (zh) | 基于AFSA-Elman的新型光伏功率预测方法 | |
| CN106056305B (zh) | 一种基于状态聚类的发电***可靠性快速评估方法 | |
| CN101819243A (zh) | 基于广域信息的静态电压失稳预测方法 | |
| CN201429485Y (zh) | 一种斜拉桥的索力实时预测装置 | |
| CN103630785A (zh) | 光伏逆变器复合粒子过程在线剩余寿命评估方法 | |
| CN103617560A (zh) | 一种应用于企业的电力能效监测与评估***及其评价方法 | |
| CN102095953B (zh) | 一种蓄电池充电机性能在线检测方法 | |
| CN110187280A (zh) | 一种基于灰色模型的锂电池剩余寿命概率预测的方法 | |
| CN104578412A (zh) | 一种基于大数据技术的状态检测***及其检测方法 | |
| CN108470699A (zh) | 一种半导体制造设备和工艺的智能控制*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20091125 |