[发明专利]基于物理驱动自编码器神经网络的结构参数识别方法

说明书

本发明涉及一种基于物理驱动自编码器神经网络的结构参数识别方法，包括以下步骤：步骤S1:获取待识别参数，并预设待识别参数的区间；步骤S2:在预设待识别参数的区间内选出参数样本点，并通过有限元计算对应的频响函数；步骤S3:将频响函数置信准则作为物理驱动项集成到自编码器神经网络的损失函数表达式中，训练该神经网络；步骤S4:提取自编码器神经网络中的编码部分作为全连接神经网络的输入层，并训练全连接神经网络；步骤S5:将实测频响函数先通过自编码器神经网络进行编码降维，再将编码数据带入全连接神经网络即可完成参数识别。本发明能够有效剔除异常解，加快神经网络的收敛速度，提高预测的准确性和合理性。

技术领域

本发明涉及结构设计领域，具体涉及一种基于物理驱动自编码器神经网络的结构参数识别方法。

背景技术

工程研究的所有领域都存在参数识别技术的应用，传统的参数识别问题通常被看作一种最优化问题，通过不同的优化算法进行求解；近年来随着计算机及传感器技术的巨大进步，在人工智能领域涌现出新型的机器学习算法，如各种神经网络算法、遗传算法及群智能算法等。这些算法不仅在原领域发挥了很大作用，同时也给工程领域的优化问题求解提供了新的途径，特别是传统算法难以求解的多目标优化反问题。其中尤其以神经网络的应用最为突出，但基于神经网络的结构参数识别仍无法摆脱黑盒运行的特性，即过于依赖数据进行训练和识别，无法体现与数据来源结构的相关物理知识，如静动力方程、物理定律等，在工程问题的现实表述上存在一定缺陷。

发明内容

有鉴于此，本发明的目的在于提供一种基于物理驱动自编码器神经网络的结构参数识别方法，能够有效剔除异常解，加快神经网络的收敛速度，还提高了预测的准确性和合理性，为结构设计、施工监控、运营状态监测等环节提供了可靠的校核数据

为实现上述目的，本发明采用如下技术方案：

一种基于物理驱动自编码器神经网络的结构参数识别方法，包括以下步骤：

步骤S1:获取待识别参数，并预设待识别参数的区间；

步骤S2:在预设待识别参数的区间内选出参数样本点，并通过有限元计算对应的频响函数；

步骤S3:将频响函数置信准则作为物理驱动项集成到自编码器神经网络的损失函数表达式中，训练该神经网络至精度达到预设要求并保存待用；

步骤S4:提取自编码器神经网络中的编码部分作为全连接神经网络的输入层，训练全连接神经网络至精度合格并保存待用；

步骤S5:将实测频响函数先通过自编码器神经网络进行编码降维，再将编码数据带入全连接神经网络即可完成参数识别。

进一步的，所述步骤S2采用实验设计在选定区间内挑选待识别参数样本点。

进一步的，所述神经网络采用物理驱动自编码器神经网络，步骤S3具体如下：

步骤S31:采用自编码器对其进行编码降维，并在损失函数中添加了频响函数置信准则，以约束训练结果在预设的解空间；

步骤S32:确定损失函数的表达形式后，采用基于反向传播的优化算法最小化损失函数以获取其网络参数；

步骤S33:当物理驱动自编码器神经网络的精度满足要求后终止训练，保存该神经网络待用。

进一步的，所述损失函数设定如下：

                            (1)