[发明专利]一种基于通道注意力BiLSTM模型的桥梁温度效应预测方法

说明书

本发明公开了一种基于通道注意力BiLSTM模型的桥梁温度效应预测方法，采用序列到序列的深度学习方法，直接从桥梁的监测数据中提取温度场与温度应变的非线性映射关系，替代了传统数值仿真的建模过程。引入时间序列的通道注意力机制对BiLSTM模型进行改进，使其在温度效应预测上具有良好的泛化性能与预测精度。克服了桥梁热力学仿真分析的计算耗时问题，有助于分析大型桥梁长期服役条件下的热力学行为；根据桥梁监测数据直接构建温度场与温度效应的映射关系，提高了桥梁监测数据的利用率，符合桥梁监测系统大规模推广应用的现状；使用的深度神经网络在温度效应预测上具有良好的泛化能力和适用性，无需大量、完整周期的监测数据进行训练，使用简单、便捷。

技术领域

本发明涉及桥梁温度效应分析和计算机科学的交叉领域，尤其涉及一种基于通道注意力BiLSTM模型的桥梁温度效应预测方法。

背景技术

桥梁作为交通运输的枢纽性工程，保障其运营安全对于确保区域交通畅通和社会经济有序发展具有战略意义。然而，桥梁在运营阶段需要面临往复循环的温度作用，所产生的变形、应力等温度效应甚至超过汽车荷载、风荷载等荷载作用，是混凝土开裂、应力疲劳、支座变位的重要因素之一。因此，为防范桥梁在温度作用下产生显著的性能劣化，需要追踪、评估桥梁的温度场及温度效应。

各国学者已提出一系列基于数值仿真的桥梁温度效应分析方法，涵盖材料热工性能计算、环境-结构热力学耦合分析、日照强度与角度变换追踪模拟等诸多方面，可准确模拟时变、三维温度场下的结构力学行为。但是，数值仿真涉及复杂的建模过程与参数设置，结果可靠性取决于使用者的专业知识和分析经验。不仅如此，大型桥梁的数值模型具有自由度众多、热力学边界条件复杂等特点，导致仿真分析耗时严重。因此，通过数值仿真来评价桥梁结构的长期温度效应仍存在诸多困难与挑战。

快速发展的机器学习与深度学习方法有望从实测数据中直接提取桥梁温度效应与温度场之间的映射关系，可以避免数值仿真的建模误差、参数不确定性等问题，给分析桥梁长期温度效应提供了新的工具。特别是，近些年来国家大力倡导和发展桥梁健康监测系统，监测系统积累的海量数据给这类数据驱动方法带来了广阔的应用前景。

目前，仅有部分学者尝试将深度学习应用于桥梁温度效应的代理建模。已有研究通常采用极为庞大的监测数据(一年以上的完整数据)分析长期温度效应；或者，采用较少监测数据对温度效应进行建模，但训练集数据与测试集数据的温度差异不明显。不仅如此，监测数据常因各类干扰因素存在不少异常值。剔除异常值以后，监测数据缺失了部分温度区间及对应的温度效应，导致深度学习模型可学习的特征也出现丢失。而已有研究通常采用RNN、LSTM等经典的时间序列分析模型，不具备从非完整监测数据中获取温度效应本质特征的能力，造成温度效应建模时的实际预测效果欠佳。

发明内容

技术问题：针对现有技术的不足，本发明提出了一种基于通道注意力BiLSTM模型的桥梁温度效应预测方法，可以利用有限、非完整周期的监测数据直接建立温度场与温度效应之间的映射关系，从而辅助预测桥梁温度效应的长期演变规律，大幅降低桥梁热力学行为的分析耗时。

技术方案：为了实现上述目的，本发明提出一种基于通道注意力BiLSTM模型的桥梁温度效应预测方法，该方法包括如下步骤：

步骤S1，对温度场及结构响应的监测数据进行预处理，所述结构响应包括应力应变、位移；

步骤S2，根据所输入温度场及温度效应数据的通道数量确定深度神经网络的输入、输出维度，并建立通道注意力机制的双向长短期记忆网络；

步骤S3，根据步骤S1的预处理结果建立数据集，所述数据集的组成元素为温度和对应的结构响应；

步骤S4，使用建立的数据集对深度神经网络模型进行训练，训练时，输入神经网络模型中的数据为桥梁结构表面或内部测量得到的温度，输出为指桥梁在温度作用下产生的应力应变、位移；