[发明专利]深度神经网络和贝叶斯网络耦合建网的结构安全评估方法

权利要求书

1.深度神经网络和贝叶斯网络耦合建网的结构安全评估方法，用于土木结构，通过深度神经网络DNN和贝叶斯网络HBN耦合建网进行，其特征在于：所述方法包括以下步骤；

步骤S1：对土木结构各DNN-HBN耦合网节点进行编号；首先对外荷载及各构件响应进行编号，其变量类型为连续型；再为各构件响应节点和荷载节点设置离散隐藏节点，并设置离散的BN体系节点，其具有“安全”和“失效”两种状态，状态概率之和为1；

步骤S2：通过有限元模型计算生成样本库；

步骤S3：定义结合DNN和HBN的耦合网拓扑；

步骤S4：同步进行DNN的训练和HBN的参数学习，得到DNN-HBN耦合网；

步骤S5：有监测证据输入耦合网时，对土木结构的体系状态概率进行推理，以推理得到的失效概率作为结构安全评估的依据。

2.根据权利要求1所述的深度神经网络和贝叶斯网络耦合建网的结构安全评估方法，其特征在于：步骤S1中，分别对离散隐藏节点、离散的BN体系节点进行编号，作为后续拓扑定义及数据存储的统一规则，其中DNN的输入输出层神经元为编号共用的HBN的顶层父节点。

3.根据权利要求1所述的深度神经网络和贝叶斯网络耦合建网的结构安全评估方法，其特征在于：步骤S2中，在生成样本库时，结合土木结构的外荷载、构件材料、几何尺寸、边界与连接条件的不确定性来定义相应参数的概率分布，同时预测土木结构的受力工况以提升样本的囊括性，并进行蒙特卡洛抽样，将n组参数样本逐一代入结构有限元模型中计算各样本对应的构件响应，结合此刻体系的安全状态及外荷载，形成包含n组DNN训练及HBN的参数学习样本的样本库。

4.根据权利要求1所述的深度神经网络和贝叶斯网络耦合建网的结构安全评估方法，其特征在于：所述步骤S3包括以下步骤；

步骤S3-1：DNN拓扑定义：首先，将被监测构件节点作为DNN的输入层神经元，其余构件节点及荷载节点作为输出层神经元；随后通过多层隐含层建立输入和输出层间联系，层与层之间的神经元为全连接；隐藏层激活函数采用ReLU函数，输出层激活函数采用Sigmoid函数；所述深层隐藏层加入Dropout机制，随机屏蔽预设数量的神经元，以缓解过拟合现象。

步骤S3-2：HBN拓扑定义：首先将DNN的输入、输出层神经元均作为HBN的顶层父节点；接着，为HBN顶层父节点设置相应的隐藏离散子节点，达到对连续变量离散化的目的；然后提出结合子结构的拓扑优化方法，具体为：根据结构的形式，将各构件进行分组，每组表示一个子结构，并设置一个表示子结构安全性能的节点作为连接节点H_S1,H_S2,…,H_Si,…,H_Sh，将各组中构件节点的离散隐藏节点指向表示子结构的连接节点H_S1,H_S2,…,H_Si,…,H_Sh；最后将所有连接节点指向体系节点，表示结构中所有构件的响应变化均会影响子结构安全性能，进而影响体系的安全性能。

5.根据权利要求1所述的深度神经网络和贝叶斯网络耦合建网的结构安全评估方法，其特征在于：步骤S4中，首先，对荷载及构件响应样本进行归一化，作为DNN的训练样本，随后通过小批量梯度下降算法对DNN进行训练，得到各神经元间的权重和偏置；通过样本中的荷载、构件响应和体系状态来对HBN节点间的条件概率进行参数学习，得到索离散隐藏节点Logistic函数中的参数，以及连接节点和体系节点的条件概率表，最终得到DNN-HBN耦合网。

6.根据权利要求1所述的深度神经网络和贝叶斯网络耦合建网的结构安全评估方法，其特征在于：步骤S5中，当土木结构的结构健康监测系统监测到已知构件响应后，将监测证据归一化后输入DNN的输入层神经元，通过前向传播算法对输出层各神经元进行推理，随后进行反归一化以得到其余构件响应以及荷载的预测值；然后将所得到的DNN的输入输出层神经元变量作为HBN模型的已知证据，对结构体系的状态概率进行推理，以推理得到的失效概率作为结构安全评估的依据。