CN114894619B - 基于长短期记忆网络的钢管混凝土柱轴压荷载-应变曲线预测方法 - Google Patents
基于长短期记忆网络的钢管混凝土柱轴压荷载-应变曲线预测方法 Download PDFInfo
- Publication number
- CN114894619B CN114894619B CN202210500867.8A CN202210500867A CN114894619B CN 114894619 B CN114894619 B CN 114894619B CN 202210500867 A CN202210500867 A CN 202210500867A CN 114894619 B CN114894619 B CN 114894619B
- Authority
- CN
- China
- Prior art keywords
- data
- axial
- long
- strain
- load
- 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 62
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 53
- 239000010959 steel Substances 0.000 title claims abstract description 53
- 239000004567 concrete Substances 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013461 design Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000007787 long-term memory Effects 0.000 claims abstract description 19
- 230000006403 short-term memory Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 8
- 238000007906 compression Methods 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 description 4
- 238000005452 bending Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/08—Investigating strength properties of solid materials by application of mechanical stress by applying steady tensile or compressive forces
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/02—Details
- G01N3/06—Special adaptations of indicating or recording means
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0001—Type of application of the stress
- G01N2203/0003—Steady
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0014—Type of force applied
- G01N2203/0016—Tensile or compressive
- G01N2203/0019—Compressive
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0058—Kind of property studied
- G01N2203/0069—Fatigue, creep, strain-stress relations or elastic constants
- G01N2203/0075—Strain-stress relations or elastic constants
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/06—Indicating or recording means; Sensing means
- G01N2203/067—Parameter measured for estimating the property
- G01N2203/0676—Force, weight, load, energy, speed or acceleration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/06—Indicating or recording means; Sensing means
- G01N2203/067—Parameter measured for estimating the property
- G01N2203/0682—Spatial dimension, e.g. length, area, angle
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明提出了基于长短期记忆网络的钢管混凝土柱轴压荷载‑应变曲线预测方法。对于设计参数、轴压荷载和轴向应变数据,设计数据预处理和数据构成方法,用于长短期记忆网络离线模型训练;构造轴向应变数据序列,并将其与设计参数输入到训练好的离线模型中,得到模型输出的轴压荷载数据;用轴向应变数据和轴压荷载数据还原轴压荷载‑应变曲线,实现***轴压荷载‑应变曲线预测。
Description
技术领域
本发明涉及建筑与土木工程领域,具体是基于长短期记忆网络的钢管混凝土柱轴压荷载-应变曲线预测方法。
背景技术
钢管混凝土柱作为承受压缩和弯曲的结构构件,被公认为有希望成为高层建筑和城市高架梁桥施工中传统钢筋混凝土和钢柱的替代品。与传统结构柱相比,钢管混凝土柱具有更高的弯曲、轴向承载力和抗震能力。此外,钢管和填充混凝土的相互保护使钢管混凝土柱具有更好的耐火性、抗冲击性和耐腐蚀性。
轴压荷载-应变曲线是结构柱安全设计中最基本、最重要的特征之一。一旦知道荷载-应变曲线,就可以很容易地获得关键的设计参数,包括柱的弹性模量、极限承载力和延性。因此在过去三十年中,轴压荷载-应变曲线一直是钢管混凝土柱的基本研究目标。利用经验参数进行理论推导和有限元模型分析是当前计算钢管混凝土柱荷载-应变曲线的两种主要方法。在基于理论方法的研究中,通常先假设外钢管和内填混凝土的应力-应变关系,然后根据平衡条件和预定的相互作用关系逐步推导出柱的荷载-应变曲线。然而随着材料的更新,这种方法的适用性逐渐降低,而且基于经验参数的理论方法不可避免地局限于当时的材料强度与设计理念。
有限元模型分析是获得钢管混凝土柱轴向荷载-应变曲线的另一种方法。在有限元分析中,混凝土和钢管应采用适当的单元类型进行模拟,通常为混凝土实体单元和钢管壳单元,同时需要使用接触模型或弹簧模型来定义混凝土和钢表面之间的相互作用。通过合理采用本构关系和适当的网格,可以得到钢管混凝土柱的轴压荷载-应变曲线。
近年来,软计算方法和智能技术在土木工程中得到了显著的发展和广泛的应用。然而机器学习算法在钢管混凝土柱研究中的应用仍处于起步和探索阶段。大多数现有研究都集中在基于收集的实验数据库的性能指标(如轴向承载力和刚度)预测上。目前缺少关于使用机器学习方法计算钢管混凝土构件的完整轴压荷载-应变曲线的研究。
长短期记忆网络是循环神经网络的一种,常用来处理时间序列。长短期记忆网络的特点是它考虑数据的长短期依赖关系。为解决上述存在的问题,有必要提出一种能够将轴压荷载-应变曲线中的点视作具有长短期依赖关系的时间序列,并通过设计数据构成方法用长短期记忆网络来实现曲线预测的技术方案。
发明内容
针对上述提到的钢管混凝土柱轴压荷载-应变曲线预测问题,本发明提出了基于长短期记忆网络的钢管混凝土柱轴压荷载-应变曲线预测方法,能够将轴压荷载-应变曲线中的点视作具有长短期依赖关系的时间序列,并通过设计数据构成方法用长短期记忆网络来实现曲线预测。
为实现上述目的,本发明采取的技术方案是:
基于长短期记忆网络的钢管混凝土柱轴压荷载-应变曲线预测方法,其特征在于:包括有如下步骤:
S1:实验数据采集;
采集不同材料、尺寸的钢管混凝土柱的轴压荷载-应变曲线实验数据,建立荷载-应变曲线与五个设计参数,五个设计参数分别为:钢管直径D、钢管壁厚ts、柱高度H、钢材强度fs,以及混凝土强度fc对应的***数据库,通过设计参数构建荷载-应变曲线预测训练样本;
S2:数据预处理;
对于所有钢管混凝土柱轴压荷载-应变曲线实验数据,设定25000με为采集轴向应变的限值,若实验数据曲线较短,未达到25000με的轴向应变限值,将执行补偿操作,根据荷载-应变曲线最终斜率将轴压荷载-应变曲线延伸至设定轴向应变限值;若实验数据曲线较长,将执行截断操作,丢弃超过设定限值的数据,再经过上述数据预处理后,所有的轴向载荷-应变曲线数据具有统一的轴向应变长度;
S3:数据构成;
每一组设计参数和对应的轴压荷载-应变曲线作为一个数据样本;将经过数据预处理的钢管混凝土柱轴压荷载-应变曲线的实验数据按应变值平均分成m个点,每个点包含轴压荷载值N和轴向应变值ε;用轴向应变值和设计参数搭建长短期记忆单元神经网络的输入数据构成;再用轴压荷载值搭建长短期记忆单元神经网络的输出数据构成;
S4:离线模型训练;
所有样本经过S3中输入和输出数据构成后,采用长短期记忆单元神经网络对所有样本进行离线模型训练,得到符合收敛性的长短期记忆单元神经网络模型;
S5:轴压荷载-应变曲线预测;
整理需要预测轴压荷载-应变曲线的钢管混凝土柱的设计参数;构造轴向应变数据序列,取最大值为25000με包含m个平均分布的数据值的向量作为轴向应变数据序列;利用S3所述输入数据构成搭建方法将需要进行轴压荷载-应变曲线预测的钢管混凝土样本数据转变成可以用于长短期记忆网络的输入数据构成;将输入数据数输入至S4所得到的离线模型中,得到对应的轴压荷载输出;取输入数据每一个行中所有轴向应变的平均值与输出数据对应行中的轴压荷载值作为轴压荷载-应变平面的一个点,依次计算所有轴压荷载-应变点从而还原完整的轴压荷载-应变曲线,完成轴压荷载-应变曲线预测。
作为本发明的优选方案:
在S3中,
S31:所述输入数据构成包括:取k个轴向应变作为一组,将其与该样本的五个设计参数构成一个数据样本中的第一行;之后采用滑动窗口方法取另外一组k个轴向应变,将其与五个设计参数构成一个数据样本中的另一行;以此类推直到取完所有的轴向应变,此时每一个数据样本的输入数据构成包含m+1-k行和5+k列;
S32:所述输出数据构成包括:取一组k个轴压荷载值得到每个对应的轴压荷载值,将这组压荷载值取平均得到输入数据这一行对应的轴压荷载将其作为神经网络的输出数据,此时每一个数据样本的输出数据构成包含m+1-k行和1列。
作为本发明的优选方案:
在S4中,
S41:所述长短期记忆单元神经网络依次包括:输入层、长短期记忆单元层、全连接层、随机丢弃层、全连接层以及数据回归层;其中所述长短期记忆单元层包括G个长短期记忆单元,即输入的时间序列长度为G,输入数据特征数量为C;其中所述长短期记忆单元包括:
当前为t-1时刻,需要通过长短期记忆单元计算t时刻的输出,输入数据为xt,ht和ct分别表示在t时刻的输出和单元状态;该长短期记忆单元使用当前状态ht-1和ct-1来计算输出ht和更新后的单元状态ct;使用输入门it、遗忘门ft、候选单元gt和输出门ot来控制长短期记忆单元的更新,计算公式如下:
it=σ(Wixt+Riht-1+bi)
ft=σ(Wfxt+Rfht-1+bf)
gt=σ(Wgxt+Rght-1+bg)
ct=ft⊙ct-1+it⊙gt
ot=σ(Woxt+Roht-1+bo)
ht=ot⊙tanh(ct)
其中Wi,Wf,Wg,Wo是输入权重矩阵,Ri,Rf,Rg,Ro是循环权重矩阵,bi,bf,bg,bo是偏置矩阵,通过模型训练调整上述矩阵;σ是sigmoid激活函数,⊙是点乘运算;直接将输出状态ht作为长短期记忆单元的输出;
S42:在S4中所述离线模型训练具体包括:
将S3所述长短期记忆单元神经网络输入数据每一行中的5+k个数据作为S41中所述的输入数据特征输入到每一个长短期记忆单元中,即特征数量C=5+k;将S3中所述的m+1-k行分别输入S41中所述长短期记忆单元层的G个长短期记忆单元中,即长短期记忆单元数量G=m+1-k,采用后向误差传播算法来训练网络。
作为本发明的优选方案:
在S5中,
利用S31的输入数据构成搭建方法将需要进行轴压荷载-应变曲线预测的钢管混凝土样本数据转变成可以用于长短期记忆网络的输入数据构成。
与现有技术相比,本发明的有益效果为:
本发明通过设计参数、轴压荷载和轴向应变数据,设计数据预处理和数据构成方法,用于长短期记忆网络离线模型训练;构造轴向应变数据序列,并将其与设计参数输入到训练好的离线模型中,得到模型输出的轴压荷载数据;用轴向应变数据和轴压荷载数据还原轴压荷载-应变曲线,实现***轴压荷载-应变曲线预测。
附图说明
图1是曲线预测原理流程。
图2是输入输出数据构成。
图3是长短期记忆单元层。
图4是长短期记忆单元。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提出了基于长短期记忆网络的钢管混凝土柱轴压荷载-应变曲线预测方法。对于设计参数、轴压荷载和轴向应变数据,设计数据预处理和数据构成方法,用于长短期记忆网络离线模型训练;构造轴向应变数据序列,并将其与设计参数输入到训练好的离线模型中,得到模型输出的轴压荷载数据;用轴向应变数据和轴压荷载数据还原轴压荷载-应变曲线,实现***轴压荷载-应变曲线预测。
本发明的曲线预测原理流程如图1所示。
本发明通过以下技术方案实现:
S1:实验数据采集。
采集不同材料、尺寸的钢管混凝土柱的轴压荷载-应变曲线实验数据,建立荷载-应变曲线与五个设计参数,分别为:钢管直径D、钢管壁厚ts、柱高度H、钢材强度fs,以及混凝土强度fc对应的***数据库,构建荷载-应变曲线预测训练样本。
S2:数据预处理。
对于所有钢管混凝土柱轴压荷载-应变曲线实验数据,设定25000με为采集轴向应变的限值,以确保所有的荷载-应变曲线捕捉到峰值荷载点和峰后曲线特征。如果实验数据曲线较短,没有达到25000με的轴向应变限值,将执行补偿操作,根据曲线最终斜率将轴压荷载-应变曲线延伸至设定轴向应变限值。如果实验数据曲线较长,将执行截断操作,以丢弃超过设定限值的数据,经过上述数据预处理后,所有的轴向载荷-应变曲线数据具有统一的轴向应变长度。
S3:数据构成。
每一组设计参数和对应的轴压荷载-应变曲线作为一个数据样本。将经过数据预处理的钢管混凝土柱轴压荷载-应变曲线实验数据按应变值平均分成m个点,每个点包含轴压荷载值N和轴向应变值ε。用轴向应变值和设计参数搭建长短期记忆单元神经网络的输入数据构成。再用轴压荷载值搭建长短期记忆单元神经网络的输出数据构成。本发明的输入输出数据构成如图2所示,其中符号i表示数据库中的第i个样本。
S31:所述输入数据构成包括:取k个轴向应变作为一组,将其与该样本的五个设计参数构成一个数据样本中的第一行;之后采用滑动窗口方法取另外一组k个轴向应变,将其与五个设计参数构成一个数据样本中的另一行;以此类推直到取完所有的轴向应变,此时每一个数据样本的输入数据构成包含m+1-k行和5+k列。
S32:所述输出数据构成包括:取一组k个轴压荷载值得到每个对应的轴压荷载值,将这组压荷载值取平均得到输入数据这一行对应的轴压荷载将其作为神经网络的输出数据,此时每一个数据样本的输出数据构成包含m+1-k行和1列。
S4:离线模型训练。
所有样本经过S3中输入和输出数据构成后,采用长短期记忆单元神经网络对所有样本进行离线模型训练,得到符合收敛性的长短期记忆单元神经网络模型。
S41:所述长短期记忆单元神经网络依次包括:输入层,长短期记忆单元层,全连接层,随机丢弃(dropout)层,全连接层,数据回归层。其中所述长短期记忆单元层如图3所示,它包括G个长短期记忆单元,即输入的时间序列长度为G,输入数据特征数量为C。其中所述长短期记忆单元如图4所示,它包括:
当前为t-1时刻,需要通过长短期记忆单元计算t时刻的输出,输入数据为xt,ht和ct分别表示在t时刻的输出(也称为隐藏状态)和单元状态。该长短期记忆单元使用当前状态(ht-1和ct-1)来计算输出ht和更新后的单元状态ct。使用输入门it、遗忘门ft、候选单元gt和输出门ot来控制长短期记忆单元的更新。计算公式如下:
it=σ(Wixt+Riht-1+bi)
ft=σ(Wfxt+Rfht-1+bf)
gt=σ(Wgxt+Rght-1+bg)
ct=ft⊙ct-1+it⊙gt
ot=σ(Woxt+Roht-1+bo)
ht=ot⊙tanh(ct)
其中Wi,Wf,Wg,Wo是输入权重矩阵,Ri,Rf,Rg,Ro是循环权重矩阵,bi,bf,bg,bo是偏置矩阵,通过模型训练调整这些矩阵。σ是sigmoid激活函数,⊙是点乘运算。直接将隐藏状态ht作为长短期记忆单元的输出。
S42:S4中所述离线模型训练具体包括:
将S3所述长短期记忆单元神经网络输入数据每一行中的5+k个数据作为S41中所述的输入数据特征输入到每一个长短期记忆单元中,即特征数量C=5+k;将S3中所述的m+1-k行分别输入S41中所述长短期记忆单元层的G个长短期记忆单元中,即长短期记忆单元数量G=m+1-k。采用后向误差传播算法来训练网络,使长短期记忆网络预测的轴压荷载与实验值具有最小的均方根误差。
S5:轴压荷载-应变曲线预测。
整理需要预测轴压荷载-应变曲线的钢管混凝土柱的设计参数。构造轴向应变数据序列,取最大值为25000με包含m个平均分布的数据值的向量作为轴向应变数据序列。利用S31所述输入数据构成搭建方法将需要进行轴压荷载-应变曲线预测的钢管混凝土样本数据转变成可以用于长短期记忆网络的输入数据构成。将输入数据数输入至S4所得到的离线模型中,得到对应的轴压荷载输出。取输入数据每一个行中所有轴向应变的平均值与输出数据对应行中的轴压荷载值作为轴压荷载-应变平面的一个点,依次计算所有轴压荷载-应变点从而还原完整的轴压荷载-应变曲线,完成轴压荷载-应变曲线预测。
本发明通过设计参数、轴压荷载和轴向应变数据,设计数据预处理和数据构成方法,用于长短期记忆网络离线模型训练;构造轴向应变数据序列,并将其与设计参数输入到训练好的离线模型中,得到模型输出的轴压荷载数据;用轴向应变数据和轴压荷载数据还原轴压荷载-应变曲线,实现***轴压荷载-应变曲线预测。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (4)
1.基于长短期记忆网络的钢管混凝土柱轴压荷载-应变曲线预测方法,其特征在于:包括有如下步骤:
S1:实验数据采集;
采集不同材料、尺寸的钢管混凝土柱的轴压荷载-应变曲线实验数据,建立荷载-应变曲线与五个设计参数,五个设计参数分别为:钢管直径D、钢管壁厚ts、柱高度H、钢材强度fs,以及混凝土强度fc对应的***数据库,通过设计参数构建荷载-应变曲线预测训练样本;
S2:数据预处理;
对于所有钢管混凝土柱轴压荷载-应变曲线实验数据,设定25000με为采集轴向应变的限值,若实验数据曲线较短,未达到25000με的轴向应变限值,将执行补偿操作,根据荷载-应变曲线最终斜率将轴压荷载-应变曲线延伸至设定轴向应变限值;若实验数据曲线较长,将执行截断操作,丢弃超过设定限值的数据,再经过上述数据预处理后,所有的轴向载荷-应变曲线数据具有统一的轴向应变长度;
S3:数据构成;
每一组设计参数和对应的轴压荷载-应变曲线作为一个数据样本;将经过数据预处理的钢管混凝土柱轴压荷载-应变曲线的实验数据按应变值平均分成m个点,每个点包含轴压荷载值N和轴向应变值ε;用轴向应变值和设计参数搭建长短期记忆单元神经网络的输入数据构成;再用轴压荷载值搭建长短期记忆单元神经网络的输出数据构成;
S4:离线模型训练;
所有样本经过S3中输入和输出数据构成后,采用长短期记忆单元神经网络对所有样本进行离线模型训练,得到符合收敛性的长短期记忆单元神经网络模型;
S5:轴压荷载-应变曲线预测;
整理需要预测轴压荷载-应变曲线的钢管混凝土柱的设计参数;构造轴向应变数据序列,取最大值为25000με包含m个平均分布的数据值的向量作为轴向应变数据序列;利用S3所述输入数据构成搭建方法将需要进行轴压荷载-应变曲线预测的钢管混凝土样本数据转变成可以用于长短期记忆网络的输入数据构成;将输入数据数输入至S4所得到的离线模型中,得到对应的轴压荷载输出;取输入数据每一个行中所有轴向应变的平均值与输出数据对应行中的轴压荷载值作为轴压荷载-应变平面的一个点,依次计算所有轴压荷载-应变点从而还原完整的轴压荷载-应变曲线,完成轴压荷载-应变曲线预测。
2.根据权利要求1所述的基于长短期记忆网络的钢管混凝土柱轴压荷载-应变曲线预测方法,其特征在于:
在S3中,
S31:所述输入数据构成包括:取k个轴向应变作为一组,将其与该样本的五个设计参数构成一个数据样本中的第一行;之后采用滑动窗口方法取另外一组k个轴向应变,将其与五个设计参数构成一个数据样本中的另一行;以此类推直到取完所有的轴向应变,此时每一个数据样本的输入数据构成包含m+1-k行和5+k列;
S32:所述输出数据构成包括:取一组k个轴压荷载值得到每个对应的轴压荷载值,将这组压荷载值取平均得到输入数据这一行对应的轴压荷载将其作为神经网络的输出数据,此时每一个数据样本的输出数据构成包含m+1-k行和1列。
3.根据权利要求1所述的基于长短期记忆网络的钢管混凝土柱轴压荷载-应变曲线预测方法,其特征在于:
在S4中,
S41:所述长短期记忆单元神经网络依次包括:输入层、长短期记忆单元层、全连接层、随机丢弃层、全连接层以及数据回归层;其中所述长短期记忆单元层包括G个长短期记忆单元,即输入的时间序列长度为G,输入数据特征数量为C;其中所述长短期记忆单元包括:当前为t-1时刻,需要通过长短期记忆单元计算t时刻的输出,输入数据为xt,ht和ct分别表示在t时刻的输出和单元状态;该长短期记忆单元使用当前状态ht-1和ct-1来计算输出ht和更新后的单元状态ct;使用输入门it、遗忘门ft、候选单元gt和输出门ot来控制长短期记忆单元的更新,计算公式如下:
it=σ(Wixt+Riht-1+bi)
ft=σ(Wfxt+Rfht-1+bf)
gt=σ(Wgxt+Rght-1+bg)
ct=ft⊙ct-1+it⊙gt
ot=σ(Woxt+Roht-1+bo)
ht=ot⊙tanh(ct)
其中Wi,Wf,Wg,Wo是输入权重矩阵,Ri,Rf,Rg,Ro是循环权重矩阵,bi,bf,bg,bo是偏置矩阵,通过模型训练调整上述矩阵;σ是sigmoid激活函数,⊙是点乘运算;直接将输出状态ht作为长短期记忆单元的输出;
S42:在S4中所述离线模型训练具体包括:
将S3所述长短期记忆单元神经网络输入数据每一行中的5+k个数据作为S41中所述的输入数据特征输入到每一个长短期记忆单元中,即特征数量C=5+k;将S3中所述的m+1-k行分别输入S41中所述长短期记忆单元层的G个长短期记忆单元中,即长短期记忆单元数量G=m+1-k,采用后向误差传播算法来训练网络。
4.根据权利要求2所述的基于长短期记忆网络的钢管混凝土柱轴压荷载-应变曲线预测方法,其特征在于:
在S5中,
利用S31的输入数据构成搭建方法将需要进行轴压荷载-应变曲线预测的钢管混凝土样本数据转变成可以用于长短期记忆网络的输入数据构成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210500867.8A CN114894619B (zh) | 2022-05-10 | 2022-05-10 | 基于长短期记忆网络的钢管混凝土柱轴压荷载-应变曲线预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210500867.8A CN114894619B (zh) | 2022-05-10 | 2022-05-10 | 基于长短期记忆网络的钢管混凝土柱轴压荷载-应变曲线预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114894619A CN114894619A (zh) | 2022-08-12 |
CN114894619B true CN114894619B (zh) | 2024-04-05 |
Family
ID=82720826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210500867.8A Active CN114894619B (zh) | 2022-05-10 | 2022-05-10 | 基于长短期记忆网络的钢管混凝土柱轴压荷载-应变曲线预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114894619B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6000277A (en) * | 1998-06-05 | 1999-12-14 | Southwest Research Institute | Method for the prediction of rupture in corroded transmission pipes subjected to combined loads |
CN111027752A (zh) * | 2019-11-19 | 2020-04-17 | 浙江大学 | 一种深度时空特征联合学习的农作物产量估测方法 |
CN111222677A (zh) * | 2019-10-22 | 2020-06-02 | 浙江运达风电股份有限公司 | 一种基于长短期记忆时间神经网络的风速预测方法及*** |
RU2744041C1 (ru) * | 2019-09-10 | 2021-03-02 | Леонид Сергеевич Чернышев | Способ и система для прогнозирования значений временного ряда с использованием искусственной нейронной сети |
CN114254555A (zh) * | 2021-11-18 | 2022-03-29 | 中国空间技术研究院 | 基于深度学习的反作用轮故障检测和健康评估***及方法 |
-
2022
- 2022-05-10 CN CN202210500867.8A patent/CN114894619B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6000277A (en) * | 1998-06-05 | 1999-12-14 | Southwest Research Institute | Method for the prediction of rupture in corroded transmission pipes subjected to combined loads |
RU2744041C1 (ru) * | 2019-09-10 | 2021-03-02 | Леонид Сергеевич Чернышев | Способ и система для прогнозирования значений временного ряда с использованием искусственной нейронной сети |
CN111222677A (zh) * | 2019-10-22 | 2020-06-02 | 浙江运达风电股份有限公司 | 一种基于长短期记忆时间神经网络的风速预测方法及*** |
CN111027752A (zh) * | 2019-11-19 | 2020-04-17 | 浙江大学 | 一种深度时空特征联合学习的农作物产量估测方法 |
CN114254555A (zh) * | 2021-11-18 | 2022-03-29 | 中国空间技术研究院 | 基于深度学习的反作用轮故障检测和健康评估***及方法 |
Non-Patent Citations (3)
Title |
---|
Prediction of Axial Compressive Load–Strain Curves of Circular Concrete-Filled Steel Tube Columns Using Long Short-Term Memory Network;Xinyu Fan 等;materials;20230422;全文 * |
冷弯薄壁钢管混凝土柱轴压性能研究;王莉萍 等;建筑结构学报;20211130;第42卷;全文 * |
热轧H型钢组合柱轴压承载性能研究;谭继可;张海宾;王宇航;胡少伟;罗伟;;建筑结构学报;20200410(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114894619A (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950180B (zh) | 一种缆索承重桥梁结构体系可靠度分析方法及*** | |
CN111353246B (zh) | 一种混凝土构件设计的静动力多目标拓扑演化方法 | |
CN112528517B (zh) | 基于两阶段收敛准则的钢箱梁疲劳可靠度分析方法 | |
Jayalekshmi et al. | Empirical approach for determining axial strength of circular concrete filled steel tubular columns | |
Pang et al. | Integrated framework for seismic fragility assessment of cable-stayed bridges using deep learning neural networks | |
CN114894619B (zh) | 基于长短期记忆网络的钢管混凝土柱轴压荷载-应变曲线预测方法 | |
CN115952575A (zh) | 基于参数映射学习算法的钢管混凝土拱桥线形预测方法 | |
Guo et al. | Stiffness degradation-based damage model for RC members and structures using fiber-beam elements | |
CN115343784A (zh) | 一种基于seq2seq-attention模型的局部气温预测方法 | |
Potrzeszcz-Sut | Reliability analysis of shell truss structure by hybrid Monte Carlo method | |
Fan et al. | Investigation of construction vertical deformation and pre-deformation control for three super high-rise buildings | |
Aghamaleki et al. | Compression behavior of the concrete-filled double skin steel tube columns under hydrostatic pressure: Experimental and modeling study | |
Cheng | Serviceability reliability analysis of prestressed concrete bridges | |
CN117252085A (zh) | 基于神经网络与粒子群的斜拉桥索力容差优化方法及*** | |
Kheyroddin et al. | Performance of circular concrete filled steel tube members subjected to axial loading | |
Dauji | Prediction of concrete spall damage under blast: Neural approach with synthetic data | |
CN115935488A (zh) | 一种基于监测数据的高拱坝应力预测模型构建方法 | |
Chaudhary et al. | Neural networks for deflections in continuous composite beams considering concrete cracking | |
Mushchanov et al. | Numerical methods in assessing the reliability of spatial metal structures with a high level of responsibility | |
Pham et al. | A robust approach in prediction of RCFST columns using machine learning algorithm | |
CN113689227A (zh) | 基于纵横交叉算法和深度学习模型的日前电价预测方法 | |
Zuo et al. | Flight attitude simulator control system design based on model-free reinforcement learning method | |
Stangenberg | Reliability-based ageing management of reinforced concrete structures with respect to prognostic material degradations | |
CN117094064B (zh) | 一种构件的布置参数计算方法、装置、设备及存储介质 | |
CN105550479B (zh) | 一种考虑随动强化行为的承载件安定性载荷预测方法 |
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 |