[发明专利]一种智能求解车桥系统随机信号的方法

说明书

本发明公开了一种智能求解车桥系统随机信号的方法，采用SPEM‑CNN‑LSTM混合算法，将人工智能算法和随机虚拟激励法进行结合，即随机虚拟激励法‑卷积‑长短时记忆深度学习法；SPEM模块求解出大量的随机系统响应，CNN‑LSTM模块为卷积神经网络‑长短时记忆网络模块完成输入数据的特征提取以及随机响应的预测工作；需要通过SPEM计算得到不确定性车桥系统响应样本，把获得的不确定车桥系统响应样本作为输出数据，通过构造的随机虚拟激励样本作为输出数据，把输出数据和输入数据一同输入到卷积长短时组合神经网络中进行训练与预测。本发明车辆和桥梁结构之间的动态相互作用被集成到具有不确定性的车桥系统模型中，降低了计算成本，对系统响应进行了更精确的预测。

技术领域

本发明涉及车桥耦合系统技术领域，具体为一种智能求解车桥系统随机信号的方法。

背景技术

近些年来，由于国内经济的加速，基建的投入不断加大，各地的桥梁拔地而起，随着桥梁的不断增加，行车效应的问题不得不正视，尤其对于车桥耦合振动响应的研究显得十分必要，对于桥梁行车的舒适性、安全性、稳定性还是桥梁健康的研究都有着重要的作用。就比如列车行车频率增加、随着速度的不断提高列车与轨道冲击加大动能增大，以及施工新的技术、新材料等等。直接影响了桥梁的使用寿命，列车在桥梁上行驶时，会使得桥梁产生振动，也可以说桥梁的振动大部分就是由车辆引起的，速度的提高还会对列车的运行安全和平稳性带来了严峻的挑战，因此车桥耦合振动过程中就需要准确的评估系统的动力性能。计算车桥耦合振动的过程中依然会存在着各种问题，比如计算数量以及模型计算时包括的信息越多就越精确。在运算硬件水平一定的前提下，随着计算模型的不断提高，从二维到三维，再到精细化建模带来的算法上的挑战。

20世纪中叶以来，不确定车桥模型的分析获得长足的发展，在这之前在为模拟车桥相互作用（Vehicle-bridge interaction VBI）系统的行为而建立的数值模型中，通常假定车辆和桥梁的参数是确定性的。时常通过在一定范围内设置一系列预定值来考虑参数的变化，具有确定性，然后结合不同值的参数进行分析。然而，在实际应用中，桥梁和车辆都受到各种不确定性的影响，这些不确定性通常难以预测。因此，这种参数离散值有限的确定性分析不一定代表不确定性VBI系统参数的特性。准确预测车桥系统响应需要合理考虑这些不确定性。目前分析不确定参数的方法有概率法、模糊方法、区间方法、人工神经网络算法。人工神经网络由于其强大的非线性映射能力，预计人工神经网络可以为工程的动态响应分析提供一种有前途的工具。近期越来越多的学者尝试开发深度神经网络模型来预测由风荷载或地震作用产生的结构动态响应。

现有的大多数基于神经网络的研究都是以确定性的方式进行的，这意味着神经网络代理模型只能在给定相应网络输入的情况下产生确定性的动态响应输出。此外，迄今为止，关于基于神经网络模型的桥梁车辆诱发振动预测的文献非常稀少。虽然动态相互作用涉及与车辆和桥梁相关的许多参数和复杂的机械机制，以及大量短时步长上的迭代数值积分，但不断发展的深度学习技术为研究车辆引起桥梁振动的有效方法提供了新工具分析。神经网络模型的参数是不确定性参数，并且随机参数的响应是从训练数据中获得的。

对于近些年来，工程项目的不断推进以及复杂程度的变化，迫切的需要一种简便合理且高效的算法用于解决环境和生产时给结构带来的参数不确定的问题。传统的方法对于计算不确定模型不仅费时费力且计算效率的低下足以让人望而却步，显然无法满足学者的需求。

发明内容