[发明专利]斜拉索索力与主梁竖向位移时空相关深度学习建模方法

权利要求书

1.一种斜拉索索力与主梁竖向位移时空相关深度学习建模方法，其特征在于，步骤如下：

步骤一、对实测索力及主梁竖向位移进行预处理，首先进行去趋势项处理，根据数据特点去除温度影响，获得车致索力与主梁竖向位移响应，然后对数据进行归一化处理；

步骤二、搭建整体双向长短时记忆网络模型，选取所有可用的主梁竖向位移与索力通道分别作为网络输入与输出；为了保证模型在部分数据通道缺失的情况下仍然能够工作，搭建局部双向长短时记忆网络模型，选取某一索力通道作为输出，根据灵敏度分析选出需要的竖向位移通道组合作为输入；

步骤三、从经过步骤一处理的数据中选取一部分构成训练集，根据需求选取整体模型或局部模型，将训练集输入至相应的双向长短时记忆网络模型中进行训练，训练过程中使用的损失函数为带权重项的最小相对均方误差函数，优化算法为带动量的随机梯度下降算法，并使用默认的初始化学习速率、动量参数和权重参数；

步骤四、根据需求选取整体或局部双向长短时记忆网络模型，将测试集中的主梁竖向位移时程输入至经过训练的深度双向长短时记忆网络中，得到索力时程数据。

2.根据权利要求1所述的斜拉索索力与主梁竖向位移时空相关深度学习建模方法，其特征在于，步骤一具体包括：

步骤一一、根据索力数据和主梁竖向位移时程数据特点，挑选出极值点，其中包含噪音引起的极值点和车致极值点；然后，用每小时数据分别计算标准差，与每小时均值相差大于1倍标准差的极值点认为是车致极值点，剔除这些极值点，保留噪音引起的极值点；

步骤一二、对噪音极值点进行中值滤波，根据采样频率选择窗宽，再根据滤波后极值点再对其它时间点进行线性插值；

步骤一三、对插值后数据进行光滑处理作为趋势项，再从原始数据中减去趋势项，作为经过预处理的车致竖向位移响应和拉索索力；

步骤一四、对去趋势项数据进行归一化处理，使各通道数值保持在[-1,1]范围内。

3.根据权利要求1或2所述的斜拉索索力与主梁竖向位移时空相关深度学习建模方法，其特征在于，步骤二在建立整体网络模型时，选取所有可用的31个主梁竖向位移与28个索力通道分别作为网络输入与输出；在建立局部网络模型时，先选取1个目标索力通道作为输出，然后用基于方差的Sobol’s灵敏度分析方法，由少至多依次选出需要的竖向位移通道组合作为输入。

4.根据权利要求3所述的斜拉索索力与主梁竖向位移时空相关深度学习建模方法，其特征在于，步骤二具体包括：

步骤二一、计算各个竖向位移通道与目标索力通道的Sobol’s灵敏度S(j)，从中选取Sobol’s灵敏度达最大值AS(1)的竖向位移通道为第一个选取的输入通道NS(1)；

步骤二二、固定第一个选取的通道NS(1)，计算其余各个竖向位移通道和第一个选取的输入通道的组合与目标索力通道的Sobol’s灵敏度S([NS(1),j])，从中选取Sobol’s灵敏度达最大值AS(2)的组合为前两个选取的输入通道[NS(1),NS(2)]；

步骤二三、固定前2个选取的通道[NS(1),NS(2)]，计算其余各个竖向位移通道和前2个选取的输入通道的组合与目标索力通道的Sobol’s灵敏度S([NS(1),NS(2),j])，从中选取Sobol’s灵敏度达最大值AS(3)的组合为前3个选取的输入通道[NS(1),NS(2),NS(3)]；

步骤二四、按以上步骤，固定之前选取的输入通道[NS(1),……,NS(i-1)]，选取下一个通道NS(i)，直至增加一个输入通道引起的组合灵敏度提升小于0.01时终止选取。