[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

说明书

本发明涉及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，对实测索力及主梁竖向位移监测数据进行预处理和归一化；根据需求构建包括所有位移通道作为输入、所有索力通道作为输出的整体双向长短时记忆网络模型，或者根据Sobol灵敏度选取部分位移通道作为输入、一个目标索力通道作为输出的局部双向长短时记忆网络模型，将训练集输入至相应的网络模型中进行训练，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。本发明提出的整体和局部网络模型均能很好地实现由主梁竖向位移识别索力，且局部网络模型能达到与整体网络模型相近的预测效果。

技术领域

本发明涉及桥梁工程领域，具体涉及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。

背景技术

随着我国国民经济建设的快速发展，越来越多的大跨度斜拉桥发挥着无比重要的作用。长期超限循环荷载、环境侵蚀、材料老化等复杂因素的耦合作用均会导致桥梁结构性能退化，从而对桥梁的服役安全造成影响，导致结构产生抗力衰减或承载力下降，在极端情况下可能引发灾难事故。因此，在大跨度桥梁的服役期内，桥梁管理部门会投入大量的财力在桥梁结构上安装健康监测系统，对各种不同类型桥梁构件的结构响应进行长期实时地监测评估。

结构健康监测系统可以对不同桥梁结构构件的响应(如加速度、应变、位移和索力等)进行监测，同时积累了大跨度斜拉桥在运营期的海量响应数据。随着机器学习、深度学习等人工智能方法在土木工程中的广泛应用，目前已经有一些基于数据驱动的结构健康监测方法。然而，这些方法大多都是针对有限元仿真或实验室条件下的测试数据，往往在实际大跨度桥梁监测数据上无法得到真正有效的应用，原因如下：一方面实际结构本身很复杂且是未知的，另一方面大跨桥梁所处的现场环境非常复杂，响应数据不仅受温度影响明显，而且运营期间的实际荷载大小很难准确获得。传统的基于力学分析的响应关系建模方法需要提供桥梁脉冲响应函数或频响函数，并且需要已知车辆荷载的实时大小、位置信息。因此，传统方法的成功应用需要建立在过多的已知条件下，然而这些条件在实际桥梁结构中往往是很难获得的。以上这些因素均为研究基于实测健康监测数据的桥梁响应关系建模方法带来了巨大困难。

斜拉索作为将主梁自重及车辆荷载等传递到桥塔上的关键构件，起到了极其重要的连接作用；主梁竖向位移则是在桥梁施工及运营期间直接衡量桥梁状态的重要指标。目前的桥梁健康监测数据挖掘研究通常是针对单一变量进行的，对两种或多种变量簇之间的关系建模研究甚少。因此，考虑到斜拉索索力与主梁竖向位移这两种重要监测变量之间的关系更能反映桥梁的整体及局部状态，如何在桥梁结构系统及荷载时空信息均未知的情况下，建立起斜拉桥拉索索力与主梁竖向位移之间的对应关系，实现由主梁竖向位移到拉索索力的预测评估，是一个亟待研究的问题。

发明内容

本发明的目的是为了解决现有基于力学分析的大跨度斜拉桥斜拉索索力与主梁竖向位移关系建模方法需要已知桥梁结构脉冲响应函数或频响函数，以及车辆荷载实时大小和位置的难题，进而提出了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。

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，包括：

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可以工作，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；