[发明专利]基于数据驱动的台风作用下大跨度桥梁振动响应预测方法

说明书

本发明公开了一种基于数据驱动的台风作用下大跨度桥梁振动响应预测方法。该方法包括步骤：S1，计算多个台风特性参数，并从桥梁振动响应监测数据中提取台风引起的桥梁振动响应；S2，将台风特性参数以及台风引起的桥梁振动响应划分为训练集和测试集；S3，将训练集输入至分位数随机森林(QRF)，采用贝叶斯优化算法获取QRF的最优超参数，结合最优QRF比较台风特性各参数的重要性，并确定最终输入特征；S4，根据输入特征比较结果，将测试集中对应的台风特性参数输入至QRF，其输出值即为台风引起响应的概率预测值。本发明预测结果的准确性与效率明显高于其他参数优化方法或有限元模型方法，同时可考虑预测过程的不确定性。

技术领域：

本发明涉及桥梁风工程领域，结合机器学习及贝叶斯优化方法，基于数据驱动对台风作用下大跨度桥梁的振动响应进行概率预测，具体涉及基于数据驱动的台风作用下大跨度桥梁振动响应预测方法。

背景技术：

大跨桥梁的轻柔化使得其对风荷载的敏感性急剧增加，桥梁在强/台风作用下的振动响应问题日益突出，可能会引起桥梁构件的强度或疲劳破坏。研究桥梁风振问题的方法主要有四种：理论分析、风洞实验、数值模拟以及现场实测。经过数十年的发展，目前已可以采用风洞实验、理论分析和数值计算等方法来进行桥梁抗风研究，但是这些理论和方法存在简化和假设，且采用了一些经验公式。因此，通过风洞实验、理论分析和数值计算等研究手段得出的成果最终还是要通过实测结果来进行检验，以便对现有的风振响应分析方法进行改进。

风振响应现场实测研究对桥梁风工程学科的发展具有重要意义，包括检验现有桥梁抖振响应分析理论、确定桥梁抖振计算中的关键影响因素及分析大跨桥梁结构的抖振机理等。大跨桥梁SHMS提供了桥梁结构运营状态下的结构真实响应，其中主要包括加速度、位移时程，为桥梁结构理论验证及模型识别提供了可靠的实测依据。预测桥梁结构台风作用下的响应在结构抗力设计中极其重要。传统的风振响应预测方法主要借助于有限元模型，但建立可反映结构真正力学行为的有限元模型具有一定难度，因而限制了计算结果的准确性。此外，分析方法中存在的假设以及参数的不确定性也会引起相应的误差。

数据驱动的方法近年来在风工程领域得到了广泛关注，然而由于风效应的复杂性及不可控性，风振响应的预测效果欠佳，特别是对于桥址区位于山区或者非平稳性较强的台风。作为人工智能的分支，机器学习算法是从数据角度研究和分析风特性及其效应的有力工具。然而，机器学习方法在桥梁风工程领域的研究尚处于初级阶段，因此亟需机器学习算法从数据驱动的角度研究台风作用下的结构响应，提高预测结果的准确性。

发明内容

针对上述存在的问题，本发明提出一种数据驱动的台风作用下大跨度桥梁振动响应预测方法，采用QRF以及贝叶斯优化算法，以台风特性相关参数为特征变量，以台风引起的振动响应为输出训练QRF模型。在此基础上，根据各参数的重要性程度确定最终输入特征，实现台风引起振动响应的概率预测。本发明所述方法相比于其他参数优化方法或基于有限元模型的预测方法，具有实时性、高精度的优点同时可考虑预测过程的不确定性。

上述的目的通过以下技术方案实现：

一种基于数据驱动的台风作用下大跨度桥梁振动响应预测方法，该方法包括如下步骤：

S1，计算多个台风特性参数，并从桥梁振动响应监测数据中提取台风引起的桥梁振动响应；

S2，将步骤S1中得到的台风特性参数以及台风引起的桥梁振动响应划分为训练集和测试集；

S3，将训练集中的台风特性参数及桥梁振动响应输入至分位数随机森林(QRF)，采用贝叶斯算法优化其超参数θ，结合最优QRF比较台风特性各参数的重要性，并确定最终输入特征；

S4，根据输入特征比较结果，将测试集中对应的台风特性参数输入至QRF，其输出值即为台风引起响应的概率预测值。

所述的基于数据驱动的台风作用下大跨度桥梁振动响应预测方法，步骤S3中所述采用贝叶斯算法优化QRF的超参数，具体步骤为：