[发明专利]基于优化深度多储备池ESN模型的桥墩沉降预测方法及系统

说明书

本发明提供了一种基于优化深度多储备池ESN模型的桥墩沉降预测方法及系统，该方法包括：利用光纤光栅作为传感器，采集桥墩沉降变形数据并作为样本数据集；建立深度多储备池回声状态网络预测模型并使用样本数据集进行训练；利用阿基米德优化算法对深度多储备池回声状态网络预测模型进行超参数优化，根据超参数优化结果重新训练，最终生成用来预测的深度多储备池回声状态网络预测模型。本发明利用柔性杆上分布的光纤光栅传感器测量其表面的应变，从而获取用于模型预测的时间序列数据，其测量结果准确、灵敏度高，实现了桥墩沉降的在线监测；避免了传统的深度多储备池ESN算法可能带来的局部最优的问题，实现对桥墩沉降的精准预测。

技术领域

本发明涉及桥墩沉降检测技术领域，尤其涉及一种基于优化深度多储备池ESN模型的桥墩沉降预测方法及系统。

背景技术

为适应现代高速发展的交通行业，桥梁成为了满足交通需要而架设的使通行更加便捷的建筑物。随着高速公路网的建设，跨江海桥梁建设也全面开展，为了给人们提供更加便捷的出行方式，城市交通加快了多层高架的建设，高铁在建设中也优先采用“以桥代路”的方式。桥墩作为桥梁的支撑结构，在桥梁使用过程中，车辆、恶劣天气、桥墩自身材料等因素会给桥墩带来很大的影响，为了避免安全事故的发生，桥墩沉降的预测尤为重要。

常用的桥墩沉降预测方法有BP神经网络模型法、双曲线法、指数曲线法、最小二乘曲线法等，在这些算法的基础上建立模型进行预测，但是桥墩沉降的影响因素非常多，上述模型的预测精度往往达不到预期效果。深度多储备池ESN模型目前已经在动态系统识别、时间序列预测等领域中得到了广泛的应用，深度多储备池ESN中包含了多个神经元，相对于传统的曲线模型来讲，对动态特征解码的能力更强，在深度多储备池ESN模型中，超参数的选取可能会对模型预测性能造成非常大的影响，而预设参数会导致模型缺乏泛化性，对于不同目标所采集的数据，模型的预测精度可能差别很大，传统的深度多储备池ESN算法可能带来的局部最优的问题，影响桥墩沉降的预测精度。

发明内容

有鉴于此，本申请提出了一种基于优化深度多储备池ESN模型的桥墩沉降预测方法及系统，用于解决传统的深度多储备池ESN算法可能带来的局部最优的问题，利用阿基米德优化算法对深度多储备池ESN模型进行超参数寻优，能够实现桥墩沉降的精准预测。

本发明的技术方案是这样实现的：

本发明提供了一种基于优化深度多储备池ESN模型的桥墩沉降预测方法，所述方法包括：

S1，利用光纤光栅传感器，采集桥墩沉降变形数据，将桥墩沉降变形数据归一化作为样本数据集；

S2，建立深度多储备池回声状态网络预测模型，使用样本数据集训练深度多储备池回声状态网络预测模型；

S3，利用阿基米德优化算法对深度多储备池回声状态网络预测模型进行超参数优化，根据超参数优化结果重新训练，最终生成用来预测的深度多储备池回声状态网络预测模型；

S4，通过最终生成的深度多储备池回声状态网络预测模型对桥墩沉降进行预测，得到预测结果。

在以上技术方案的基础上，优选的，步骤S1具体包括：将五个光纤光栅测量结构均匀埋设在桥墩底部与地面衔接的一面，所述光纤光栅测量结构由一根柔性杆和若干光纤光栅传感器组成，将若干光纤光栅按等间隔的距离布置于柔性杆上，根据柔性杆上分布的光纤光栅传感器测量其表面的应变分布，计算出每根柔性杆沉降量，取平均值，即为桥墩沉降量。

在以上技术方案的基础上，优选的，所述根据柔性杆上分布的光纤光栅传感器测量其表面的应变分布，计算出每根柔性杆沉降量具体包括：将柔性杆划分为n个单元梁，柔性杆的两端固定后作为绝对位置，将其中一端作为固定端，当柔性杆弯曲时，推导出非固定端的挠度位移与柔性杆表面应变之间的关系式，从而计算出柔性杆的沉降量，其推导过程包括：