CN114548375B - 基于双向长短期记忆神经网络的斜拉桥主梁动挠度监测方法 - Google Patents
基于双向长短期记忆神经网络的斜拉桥主梁动挠度监测方法 Download PDFInfo
- Publication number
- CN114548375B CN114548375B CN202210167195.3A CN202210167195A CN114548375B CN 114548375 B CN114548375 B CN 114548375B CN 202210167195 A CN202210167195 A CN 202210167195A CN 114548375 B CN114548375 B CN 114548375B
- Authority
- CN
- China
- Prior art keywords
- data
- short
- input
- layer
- cable
- 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
- 230000015654 memory Effects 0.000 title claims abstract description 82
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims description 26
- 230000002457 bidirectional effect Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000006073 displacement reaction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000012856 packing Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000007480 spreading Effects 0.000 claims description 3
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 17
- 238000003062 neural network model Methods 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- G01M5/005—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by determining deflection or stress by means of external apparatus, e.g. test benches or portable test systems
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Bridges Or Land Bridges (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于双向长短期记忆神经网络的斜拉桥主梁动挠度监测方法,其步骤包括:1、对斜拉桥的斜拉索应变数据以及主梁动挠度进行采集和预处理;2、构建双向长短期记忆神经网络模型;3、将重新获取的斜拉索应变代入建好的模型进行斜拉桥动挠度监测。本发明能利用拉索应变变化值获得对应的主梁动挠度,从而能有效解决监测斜拉桥动挠度难度大、传感器易损坏、耗资大等问题。
Description
技术领域
本发明属于桥梁健康监测领域,具体的说是一种基于双向长短期记忆神经网络的斜拉桥主梁动挠度监测方法。
背景技术
桥梁挠度是反应桥梁结构刚度的重要指标,在桥梁工程结构健康监测中起到了重要的作用,动挠度可以用于实时监控桥梁变形状态,及时发现结构损坏位置,并可以用于结构健康状态评估。因此作为大跨径桥梁主力的斜拉桥,其动挠度的实时监测也至关重要。现有的挠度监测主要有三类,第一类是安置位移传感器,例如激光测振仪和线性可变差动测振仪等,但仪器需要安装再固定参考位置,在实际的大跨径桥梁中这种位置较难寻找且安装过后仪器损坏不宜更换;第二类方法是基于视觉类的动挠度测试方法,例如使用高速相机等获取桥梁的动态挠度,但此类方法受天气影响较大且需要合适的观测位置,不适用于山地桥梁;第三类是采用GPS测量桥梁动挠度,但此类方法采样率和分辨率低,且价格昂贵。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种基于双向长短期记忆神经网络的斜拉桥主梁动挠度监测方法,以期能利用拉索应变变化值获得对应的主梁动挠度,并提高监测效率和准确度。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种基于双向长短期记忆神经网络的斜拉桥主梁动挠度监测方法的特点包括:
步骤1、数据采集以及预处理:
步骤1.1、利用应变测试仪和位移传感器共同采集斜拉桥在运营状态下的拉索应变以及桥梁主跨的动态挠度,得到包含n个应变幅值特征的拉索应变训练数据集Sinput以及n个挠度幅值特征的主梁动态挠度训练数据集Sorigin;
步骤1.2、对主梁动态挠度数据集Sorigin和拉索应变训练数据集Sinput分别进行仅保留车辆荷载效应影响的去趋势化处理,再对处理后的主梁动态挠度数据集S′origin以及拉索应变数据集S′input进行归一化处理,从而得到符合arctan函数性质的两个数据集;
步骤1.3、根据车辆过桥时间对具有n个特征幅值的两个数据集分别进行等分切片,相应得到m个子集,记为输入子集和目标输出子集/> 表示第I个输入子集,/>表示第I个输出子集,且每个子集共有p维的幅值特征;
在m个子集中设置窗宽为b的滑窗,依次使滑窗内的b个子集相应合并为新的大小为[b,p]的u=(m-2)个子集,从而得到新的输入子集和新的目标输出子集/>其中,/>表示第i个维度为[b×p]的新输入子集,/>表示第i个维度为[b×p]的新输出子集;
将u个子集按a个批次分为u/a组,并将新的输入子集分批后的一个组的数据作为一次的输入数据x,且输入数据x的维度记为[a,b,p];将新的输出子集分批后的一个组的数据作为一次的目标数据y,且目标数据y的维度记为[a,b,p];
步骤2、建立依次由输入层、Padding层,第一维度转换层,卷积层,第二维度转换层,S个双向长短期记忆层和输出层所组成的双向长短期记忆神经网络,并对结构自身参数进行初始化,设置输入层的维度input_size和隐藏层的维度hidden_size,其中,令input_size=p;
所述输入数据x以及目标数据y输入所述双向长短期记忆神经网络的输入层中,并经过所述Padding层的处理,将输入数据x和目标数据y的每一批次中维度为[b,p]的矩阵左右两侧填充一列数值为0的列向量,从而将每一批次的矩阵维度变换为[b,p+2],得到Padding层输出的新输入数据x′和新目标数据y′,其维度均为[a,b,p+2];
所述第一维度转换层将维度为[a,b,p+2]的新输入数据x′和新目标数据y′相应变换为维度为[a,1,b,p+2]的第一卷积输入数据和第一卷积目标数据/>
所述卷积层对第一卷积输入数据和第一卷积目标数据/>进行数据增强处理,相应得到新卷积输入数据X和新卷积目标数据Y,其维度均为[a,1,b,p];
所述第二维度转换层将维度为[a,1,b,p]的新卷积输入数据X和新卷积目标数据Y相应变换为维度为[a,1,q]的第二卷积输入数据和第二卷积目标数据/>目/> 表示第j批次下的第f个数据值,/> 表示第j批次下的第f个数据值,q表示第j批次下的特征个数,且q=b×p;
当t=1时,将顺序展开后得到/>作为所述第t双向长短期记忆层的前向输入,并由所述第t双向长短期记忆层得到前向输出结果其中,/>表示第a批次下的第q个数据值;/>表示第t双向长短期记忆层的前向输出结果中第a批次下的第e个数据值;e=3×z表示输出数据总个数,z表示隐藏层维度hidden_size,a表示批次数;
将倒序展开后得到/>作为所述第t双向长短期记忆层的后向输入,并由所述第t双向长短期记忆层得到后向输出结果 表示第t双向长短期记忆层的后向输出结果中第a批次下的第e个数据值;
从而得到第t双向长短期记忆层的第t总输出结果 且第t总输出结果的维度为[a,1,e×t],其中,/>表示第t双向长短期记忆层的第t总输出结果中第a批次下的第e个数据值;
当t=2,...,S时,将第t-1总输出结果作为所述第t双向长短期记忆层的前向输入;并由所述第t双向长短期记忆层得到前向输出结果
将逆向排序后的第t-1总输出结果作为所述第t双向长短期记忆层的后向输入,并由所述第t双向长短期记忆层得到后向输出结果
从而得到第t双向长短期记忆层的第t总输出结果 进而由第S双向长短期记忆层输出的第S总输出结果并作为双向长短期记忆层最终的输出结果记为/>其中,/>表示第S双向长短期记忆层的第S总输出结果中第a批次下的第e个数据值;
所述输出层利用式(1)得到维度为[a,1,p]的桥梁动挠度的预测结果
式(1)中,W为权重系数矩阵,其维度为[e,p];v为偏置系数向量;
步骤3、利用式(2)建立损失函数Loss,并利用Adam优化器对双向长短期记忆神经网络进行训练,同时计算损失函数Loss,直到损失函数计算值小于所设定的阈值为止,从而得到训练好的斜拉桥动挠度监测模型,用于对未来桥梁动挠度的实时监测:
式(2)中,表示在预测结果/>中第a个批次下的第τ个数值,/>表示第二维度转换层转换后的卷积目标数据/>中第a个批次下的第τ个数值。
与现有技术相比,本发明的有益效果在于:
1、本发明通过布置少量传感器来获取桥梁在运营状态下的斜拉索应变变化值以及斜拉桥主梁挠度变化值,建立通过斜拉索应变变化值监测斜拉桥主梁挠度变化的双向长短期记忆神经网络,精确的监测桥梁动挠度。通过容易获取的桥梁动态响应来监测桥梁不易获取的响应,避免了以往测试主梁挠度难度较大,仪器易损耗,安装设备昂贵,需要多次重复操作,数据处理过程中工作量大的问题。
2、本发明中采用应变测试仪和位移传感器在一段时间内对运营状态下的斜拉桥进行数据获取,该处理方式相较于基于视觉类的动挠度测试方法可以处理在恶劣天气下数据测试不准确的问题,以及相较于采用GPS测量桥梁动挠度处理了采样率和分辨率低的问题。
3、本发明通过双向长短期神经网络很好的利用了斜拉桥上拉索索力与桥梁动挠度之间的时空变化关系,经过对两组数据突变峰值之间的潜在时空关系进行学习拟合,最终可以通过斜拉索应变变化值精确的监测到斜拉桥主梁挠度变化,处理了位移传感器寿命短且损坏不宜更换等问题。
4、本发明中模型建立成功后期使用采用应变测试仪可以通过斜拉桥主梁动挠度监测模型方便的监测斜拉桥主梁动挠度,该方法操作简单便于安装和维修,处理了位移传感器安装困难且不宜维修更换的问题。
附图说明
图1为本发明中双向长短期记忆神经网络及其计算原理图;
图2为本发明中长短期记忆神经网络细胞示意图;
图3为本发明中实例部分数值模拟斜拉桥;
图4为本发明中车辆激励下等截面斜拉桥的拉索29的时程应变变化(局部)图;
图5为本发明中斜拉桥29位置处在第一种工况下主梁动挠度估计结果对比图;
图6为本发明中斜拉桥29位置处在第二种工况下主梁动挠度估计结果对比图;
图7为本发明中斜拉桥29位置处在第三种工况下主梁动挠度估计结果对比图;
图8为本发明中斜拉桥19位置处在第一种工况下主梁动挠度估计结果对比图;
图9为本发明中斜拉桥19位置处在第二种工况下主梁动挠度估计结果对比图;
图10为本发明中斜拉桥19位置处在第三种工况下主梁动挠度估计结果对比图。
具体实施方式
本实施例中,一种基于双向长短期记忆神经网络的斜拉桥主梁动挠度监测方法,分为两个部分,第一部分是关系模型的建立,通过一段时间内在斜拉索上布置应变测试仪以及在主梁上布置位移传感器,获得在桥梁运营状态下的斜拉索应变变化值以及主梁动挠度,最后通过双向长短期记忆神经网络建立拉索应变变化与其连接处主梁动挠度的关系;第二部分是监测的过程,通过此方法所建立模型,只需测得拉索应变变化值,就可以获得对应的桥梁主梁的相对于桥梁正常状态下的挠度变化。具体的说,以如图2所示的三跨斜拉桥为例说明,桥梁总长为192m,每跨有34米长,每跨上有四面共28根拉索,使用ansys进行有限元法模拟。该斜拉桥主梁动挠度监测方法具体包括如下步骤:
步骤1、数据的采集和预处理:
步骤1.1、本步骤中对如图3所示拉索29处靠主梁方向上的3/8处安装应变测试仪以及斜拉桥主梁19处安装位移传感器,采样频率均为100Hz,利用应变测试仪和位移传感器共同采集斜拉桥在运营状态下的拉索应变以及桥梁主跨的动态挠度,得到包含n个应变幅值特征的拉索应变训练数据集Sinput以及n个挠度幅值特征的主梁动态挠度训练数据集Sorigin,如图4所示为单次车辆过桥拉索应变变化图;
步骤1.2、由于双向长短期记忆神经网络中神经元存在arctan函数,只允许通过-1到+1之间的数值,因此需要将数据转化在-1到+1之间。故对主梁动态挠度数据集Sorigin进行去趋势化处理,保留车辆荷载效应影响,再对处理后的主梁动态挠度数据集S′origin以及拉索应变数据集S′input进行归一化处理,从而得到符合arctan函数性质的数据集;
步骤1.3、根据车辆过桥时间对具有n个特征幅值的两个数据集别进行等分切片,得到m个子集,分别记为输入子集和目标输出子集/> 表示第I个输入子集,/>表示第I个输出子集,且每个子集共有p维的幅值特征;
由于车辆上桥前桥梁会有一定的挠度且车辆过桥后桥梁自振会产生一定的挠度波动,因此在m个子集中设置窗宽为b=3的滑窗,保证神经网络建模时记录到车辆过桥前后的影响,依次使滑窗内的b个子集合并为新的大小为[b,p]的u=(m-2)个子集,分别记为新的输入子集和新的目标输出子集/>其中,/>表示第i个维度为[b×p]的新输入子集,/>表示第i个维度为[b×p]的新输出子集;
将u个子集按a个批次分为u/a组,并将新的输入子集分批后的一个组的数据作为一次的输入数据x,且输入数据x的维度记为[a,b,p];将新的输出子集分批后的一个组的数据作为一次的目标数据y,且目标数据y的维度记为[a,b,p];
步骤2、建立依次由输入层,Padding层,第一维度转换层,卷积层,第一维度转换层,第一双向长短期记忆层,第二双向长短期记忆层,第三双向长短期记忆层,输出层所组成的双向长短期记忆神经网络,并对结构自身参数进行初始化,设置输入层的维度input_size和隐藏层的维度hidden_size,其中,令input_size=p,双向长短期记忆神经网络结构图如图1所示;
为使神经网络模型更好学习到车辆上桥前桥梁本身挠度以及车辆离桥后对桥梁自振所产生的挠度对车辆在桥梁上行驶过程中桥梁产生的动挠度的影响,因此设置Padding层,第一维度转换层,卷积层,第一维度转换层来进行特征值的增强提取和数据集的维度变换。
输入层将处理好的输入数据x以及目标数据y输入神经网络模型。
Padding层将输入数据x和目标数据y的每一批次中维度为[b,p]的矩阵左右两侧填充一列数值为0的列向量,将每一批次的矩阵维度变换为[b,p+2],故记Padding层输出的新输入数据记为x′和新目标数据记为y′,其维度记为[a,b,p+2],单个长短期记忆神经元计算过程如图2所示;
第一维度转换层将维度为[a,b,p+2]的Padding层输出的新输入数据x′和新目标数据y′变换维度为[a,1,b,p+2]的数据集,并分别将记为在第一维度转换层转换后的卷积输入数据,将/>记为在第一维度转换层转换后的卷积目标数据;
将第一维度转换层输出的卷积输入数据和卷积目标数据/>分别作为卷积层的输入,为增强每一批次数据集的局部特征,设置卷积核大小为1×3,经过卷积层计算后将输出的新卷积输入数据记为X和新卷积目标数据记为Y,其维度均为[a,1,b,p];
由于模型本质是使用车辆上桥前,车辆在桥行驶中以及车辆离桥后三组桥梁挠度变化去监测车辆在桥梁上行驶过程中的动挠度,因此第二维度转换层将维度为[a,1,3,p]的卷积层输出的新卷积输入数据X和新卷积目标数据Y变换维度为[a,1,q]的数据集,并分别将记为在第二维度转换层转换后的卷积输入数据,且/> 表示第j批次下的第f个数据值,将/>记为在第二维度转换层转换后的卷积目标数据,且 表示第j批次下的第f个数据值,q表示第j批次下的特征个数,且q=3×p;
当t=1时,将顺序展开后得到/>作为第一双向长短期记忆层的前向输入,并由第一双向长短期记忆层得到前向输出结果其中,/>表示第a批次下的第g个数据值;/>表示第一双向长短期记忆层的前向输出结果中第a批次下的第e个数据值;e=3×z表示输出数据总个数,z表示隐藏层维度hidden_size,
将倒序展开后得到/>作为第一双向长短期记忆层的后向输入,并由第一双向长短期记忆层得到后向输出结果 表示第一双向长短期记忆层的后向输出结果中第a批次下的第e个数据值;
最终得到第一双向长短期记忆层的第一总输出结果 且第一总输出结果的维度为[a,1,e],其中,/>表示第一双向长短期记忆层的第一总输出结果中第a批次下的第e个数据值;
当t=2时,将第一总输出结果作为第二双向长短期记忆层的前向输入;并由第二双向长短期记忆层得到前向输出结果/>其中,a表示批次数,e表示输出数据总个数,/>表示第二双向长短期记忆层的前向输出结果中第a批次下的第e个数据值;
将逆向排序后的第一总输出结果作为第二双向长短期记忆层的后向输入,并由第二双向长短期记忆层得到后向输出结果/>其中,/>表示第二双向长短期记忆层的后向输出结果中第a批次下的第e个数据值;
最终得到第二双向长短期记忆层的第二总输出结果 且第二总输出结果维度记为[a,1,e×2],/>表示第二双向长短期记忆层的最终输出结果中第a批次下的第e个数据值;
当t=3时,将第二总输出结果作为第三双向长短期记忆层的前向输入;并由第三双向长短期记忆层得到前向输出结果/>其中,/>表示第三双向长短期记忆层的前向输出结果中第a批次下的第e个数据值;
将逆向排序后的第二总输出结果作为第三双向长短期记忆层的后向输入,由第三双向长短期记忆层得到后向输出结果/>其中,/>表示第三双向长短期记忆层的后向输出结果中第a批次下的第e个数据值;
最终得到第三双向长短期记忆层的第三总输出结果 且第三总输出结果维度记为[a,1,e×3],/>表示第三双向长短期记忆层的最终输出结果中第a批次下的第e个数据值;
输出层利用式(1)得到维度为[a,1,p]的桥梁动挠度的预测结果
式(1)中,W为权重系数矩阵,其维度为[e,p];v为偏置系数向量;
步骤3、利用式(2)建立损失函数Loss,并利用Adam优化器对双向长短期记忆神经网络进行训练,同时计算损失函数Loss,直到损失函数计算值小于1e-3为止,从而得到训练好的斜拉桥挠度监测模型,用于对未来桥梁动挠度的实时监测:
式(2)中,τ表示在预测结果和原始数据y中同一批次下的第τ个数值。
步骤4、对模拟斜拉桥施加如下不同三种工况:
工况1:车速为3m/s到6m/s的不同车速随机重量车辆在斜拉桥上行驶,将所得斜拉索应变代入斜拉桥挠度监测模型,所得桥梁动挠度的实时监测如图5,监测结果较为精确。
工况2:车速为10m/s到12m/s的不同车速随机重量车辆在斜拉桥上行驶,将所得斜拉索应变代入斜拉桥挠度监测模型,所得桥梁动挠度的实时监测如图6,监测结果较为精确。
工况3:车速为6m/s到9m/s的不同车速随机重量车辆在斜拉桥上行驶,将所得斜拉索应变代入斜拉桥挠度监测模型,所得桥梁动挠度的实时监测如图7,监测结果较为精确。
算例2:图3所示的三跨斜拉桥,桥梁总长为192m,每跨有34米长,每跨上有四面共28根拉索,使用ansys进行有限元法模拟。
步骤1.1、本步骤中对如图3所示拉索29处靠主梁方向上的3/8处安装应变测试仪以及斜拉桥主梁29处安装位移传感器,采样频率均为100Hz,利用应变测试仪和位移传感器共同采集斜拉桥在运营状态下的拉索应变以及桥梁主跨的动态挠度,得到包含n个应变幅值特征的拉索应变训练数据集Sinput以及n个挠度幅值特征的主梁动态挠度训练数据集Sorigin;
步骤1.2、同算例一步骤1.2;
步骤1.3、同算例一步骤1.3;
步骤2、同算例一步骤2;
步骤3、同算例一步骤3;
步骤4、对模拟斜拉桥施加如下不同三种工况:
工况1:车速为17m/s到21m/s的不同车速随机重量车辆在斜拉桥上行驶,将所得斜拉索应变代入斜拉桥挠度监测模型,所得桥梁动挠度的实时监测如图8,监测结果较为精确。
工况2:车速为16m/s到19m/s的不同车速随机重量车辆在斜拉桥上行驶,将所得斜拉索应变代入斜拉桥挠度监测模型,所得桥梁动挠度的实时监测如图9,监测结果较为精确。
工况3:车速为7m/s到13m/s的不同车速随机重量车辆在斜拉桥上行驶,将所得斜拉索应变代入斜拉桥挠度监测模型,所得桥梁动挠度的实时监测如图10,监测结果较为精确。
Claims (1)
1.一种基于双向长短期记忆神经网络的斜拉桥主梁动挠度监测方法,其特征包括:
步骤1、数据采集以及预处理:
步骤1.1、利用应变测试仪和位移传感器共同采集斜拉桥在运营状态下的拉索应变以及桥梁主跨的动态挠度,得到包含n个应变幅值特征的拉索应变训练数据集Sinput以及n个挠度幅值特征的主梁动态挠度训练数据集Sorigin;
步骤1.2、对主梁动态挠度数据集Sorigin和拉索应变训练数据集Sinput分别进行仅保留车辆荷载效应影响的去趋势化处理,再对处理后的主梁动态挠度数据集S′origin以及拉索应变数据集S′input进行归一化处理,从而得到符合arctan函数性质的两个数据集;
步骤1.3、根据车辆过桥时间对具有n个特征幅值的两个数据集分别进行等分切片,相应得到m个子集,记为输入子集和目标输出子集/> 表示第I个输入子集,/>表示第I个输出子集,且每个子集共有p维的幅值特征;
在m个子集中设置窗宽为b的滑窗,依次使滑窗内的b个子集相应合并为新的大小为[b,p]的u=(m-2)个子集,从而得到新的输入子集和新的目标输出子集其中,/>表示第i个维度为[b×p]的新输入子集,/>表示第i个维度为[b×p]的新输出子集;
将u个子集按a个批次分为u/a组,并将新的输入子集分批后的一个组的数据作为一次的输入数据x,且输入数据x的维度记为[a,b,p];将新的输出子集分批后的一个组的数据作为一次的目标数据y,且目标数据y的维度记为[a,b,p];
步骤2、建立依次由输入层、Padding层,第一维度转换层,卷积层,第二维度转换层,S个双向长短期记忆层和输出层所组成的双向长短期记忆神经网络,并对结构自身参数进行初始化,设置输入层的维度input_size和隐藏层的维度hidden_size,其中,令input_size=p;
所述输入数据x以及目标数据y输入所述双向长短期记忆神经网络的输入层中,并经过所述Padding层的处理,将输入数据x和目标数据y的每一批次中维度为[b,p]的矩阵左右两侧填充一列数值为0的列向量,从而将每一批次的矩阵维度变换为[b,p+2],得到Padding层输出的新输入数据x′和新目标数据y′,其维度均为[a,b,p+2];
所述第一维度转换层将维度为[a,b,p+2]的新输入数据x′和新目标数据y′相应变换为维度为[a,1,b,p+2]的第一卷积输入数据和第一卷积目标数据/>
所述卷积层对第一卷积输入数据和第一卷积目标数据/>进行数据增强处理,相应得到新卷积输入数据X和新卷积目标数据Y,其维度均为[a,1,b,p];
所述第二维度转换层将维度为[a,1,b,p]的新卷积输入数据X和新卷积目标数据Y相应变换为维度为[a,1,q]的第二卷积输入数据和第二卷积目标数据/>目./> 表示第j批次下的第f个数据值,/> 表示第j批次下的第f个数据值,q表示第j批次下的特征个数,且q=b×p;
当t=1时,将顺序展开后得到/>作为所述第t双向长短期记忆层的前向输入,并由所述第t双向长短期记忆层得到前向输出结果其中,/>表示第a批次下的第q个数据值;/>表示第t双向长短期记忆层的前向输出结果中第a批次下的第e个数据值;e=3×z表示输出数据总个数,z表示隐藏层维度hidden_size,a表示批次数;
将倒序展开后得到/>作为所述第t双向长短期记忆层的后向输入,并由所述第t双向长短期记忆层得到后向输出结果 表示第t双向长短期记忆层的后向输出结果中第a批次下的第e个数据值;
从而得到第t双向长短期记忆层的第t总输出结果 且第t总输出结果的维度为[a,1,e×t],其中,/>表示第t双向长短期记忆层的第t总输出结果中第a批次下的第e个数据值;
当t=2,...,S时,将第t-1总输出结果作为所述第t双向长短期记忆层的前向输入;并由所述第t双向长短期记忆层得到前向输出结果
将逆向排序后的第t-1总输出结果作为所述第t双向长短期记忆层的后向输入,并由所述第t双向长短期记忆层得到后向输出结果
从而得到第t双向长短期记忆层的第t总输出结果 进而由第S双向长短期记忆层输出的第S总输出结果并作为双向长短期记忆层最终的输出结果记为/>其中,/>表示第S双向长短期记忆层的第S总输出结果中第a批次下的第e个数据值;
所述输出层利用式(1)得到维度为[a,1,p]的桥梁动挠度的预测结果
式(1)中,W为权重系数矩阵,其维度为[e,p];v为偏置系数向量;
步骤3、利用式(2)建立损失函数Loss,并利用Adam优化器对双向长短期记忆神经网络进行训练,同时计算损失函数Loss,直到损失函数计算值小于所设定的阈值为止,从而得到训练好的斜拉桥动挠度监测模型,用于对未来桥梁动挠度的实时监测:
式(2)中,表示在预测结果/>中第a个批次下的第τ个数值,/>表示第二维度转换层转换后的卷积目标数据/>中第a个批次下的第τ个数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210167195.3A CN114548375B (zh) | 2022-02-23 | 2022-02-23 | 基于双向长短期记忆神经网络的斜拉桥主梁动挠度监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210167195.3A CN114548375B (zh) | 2022-02-23 | 2022-02-23 | 基于双向长短期记忆神经网络的斜拉桥主梁动挠度监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114548375A CN114548375A (zh) | 2022-05-27 |
CN114548375B true CN114548375B (zh) | 2024-02-13 |
Family
ID=81677559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210167195.3A Active CN114548375B (zh) | 2022-02-23 | 2022-02-23 | 基于双向长短期记忆神经网络的斜拉桥主梁动挠度监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114548375B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114896672B (zh) * | 2022-06-09 | 2023-03-24 | 合肥工业大学 | 一种基于CSO-BiLSTM网络的桥梁动态位移重构方法 |
CN115993097A (zh) * | 2023-03-23 | 2023-04-21 | 长安大学 | 一种用于斜拉桥拉索断丝的监测及预警方法、*** |
CN116046303B (zh) * | 2023-03-30 | 2023-07-04 | 辽宁省交通规划设计院有限责任公司 | 一种挠度智能检测***、方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784336A (zh) * | 2020-12-31 | 2021-05-11 | 杭州鲁尔物联科技有限公司 | 一种基于深度学习lstm网络的桥梁静态位移预测技术 |
CN113836783A (zh) * | 2021-07-16 | 2021-12-24 | 东南大学 | 斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法 |
CN114037002A (zh) * | 2021-10-12 | 2022-02-11 | 东南大学 | 基于深度学习模型的斜拉桥主梁异常挠度监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200151573A1 (en) * | 2018-11-12 | 2020-05-14 | Advanced Micro Devices, Inc. | Dynamic precision scaling at epoch granularity in neural networks |
-
2022
- 2022-02-23 CN CN202210167195.3A patent/CN114548375B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784336A (zh) * | 2020-12-31 | 2021-05-11 | 杭州鲁尔物联科技有限公司 | 一种基于深度学习lstm网络的桥梁静态位移预测技术 |
CN113836783A (zh) * | 2021-07-16 | 2021-12-24 | 东南大学 | 斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法 |
CN114037002A (zh) * | 2021-10-12 | 2022-02-11 | 东南大学 | 基于深度学习模型的斜拉桥主梁异常挠度监测方法 |
Non-Patent Citations (1)
Title |
---|
基于神经网络的斜拉桥非线性随机静力分析;陈铁冰;谭也平;;重庆建筑大学学报;20060830(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114548375A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114548375B (zh) | 基于双向长短期记忆神经网络的斜拉桥主梁动挠度监测方法 | |
CN109472110B (zh) | 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法 | |
CN109765053B (zh) | 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法 | |
CN111967185B (zh) | 基于索力和位移分布相关性建模的斜拉桥状态评估方法 | |
CN108873859B (zh) | 基于改进关联规则的桥式抓斗卸船机故障预测模型方法 | |
CN111325403B (zh) | 一种公路隧道机电设备剩余寿命预测方法 | |
CN114896672B (zh) | 一种基于CSO-BiLSTM网络的桥梁动态位移重构方法 | |
CN108846200B (zh) | 一种基于迭代法的准静态桥梁影响线识别方法 | |
CN114444187B (zh) | 一种振动传递大数据与胶囊网络融合的桥梁损伤诊断方法 | |
CN110728089B (zh) | 基于botda技术的大跨桥梁斜拉索结构损伤诊断方法 | |
CN117521512A (zh) | 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法 | |
Fritz et al. | Fault diagnosis in structural health monitoring systems using signal processing and machine learning techniques | |
CN111241658A (zh) | 基于lstm神经网络模型的梁式桥移动荷载识别方法 | |
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 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN115392360B (zh) | 基于Transformer的大型桥梁温度-响应相关模式识别与健康诊断方法 | |
Zhou et al. | Tunnel settlement prediction by transfer learning | |
Wang et al. | Deep learning-based reconstruction of missing long-term girder-end displacement data for suspension bridge health monitoring | |
CN114757096A (zh) | 基于narx神经网络的桥梁温度预测方法、装置、设备和介质 | |
Wang et al. | A small sample piezoelectric impedance-based structural damage identification using Signal Reshaping-based Enhance Attention Transformer | |
CN113973403A (zh) | 基于结构离散测点拓扑的温致应变场重分布智能感知方法 | |
CN114266013A (zh) | 基于深度学习虚拟感知网络的传动***振动解耦方法 | |
CN111291490B (zh) | 一种结构多尺度异类响应的非线性映射智能建模方法 | |
Wang et al. | Deep learning-based prediction of wind-induced lateral displacement response of suspension bridge decks for structural health monitoring | |
Mucha et al. | New Operational Load Monitoring Approach Using Digital Image Correlation and Image Classification Networks |
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 |