[发明专利]一种基于深度学习LSTM网络的桥梁静态位移预测技术

说明书

本发明公开了一种基于深度学习LSTM网络的桥梁静态位移预测技术，包括以下步骤：采集桥梁挠度静态响应监测数据；通过桥梁挠度数据进行预处理；建立LSTM神经网络进行训练；使用训练好的LSTM神经网络模型对桥梁挠度进行预测。上述技术方案基于深度学习人工智能算法LSTM RNN，长短期记忆循环神经网络，从桥梁的挠度监测数据中获得样本数据进行神经网络模型训练，从过去的桥梁挠度信息训练的神经网络模型进行对桥梁挠度预测，最终达到对桥梁挠度进行预测预警的目的，实现对桥梁工作性能的评估和结构安全的准确判断。

技术领域

本发明涉及桥梁结构安全技术领域，尤其涉及一种基于深度学习LSTM网络的桥梁静态位移预测技术。

背景技术

桥梁静态位移是桥梁结构安全监测的重要监测内容，桥梁挠度的变化最能直接反映出桥梁整体的竖向刚度、承载能力的变化。对桥梁结构变形趋势的预测，能够有助于桥梁工作性能评估和结构安全的预警。

有资料显示，常用的预测模型都存在某方面的缺陷，不能较好的满足精度要求，必然会引起误差偏大，而导致预测结果不可信。目前，桥梁挠度的监测数据由于环境干扰的异常值较多，对预测结果会产生较大影响，最终会导致预测结果与实际情况差别较大。

中国专利文献CN102635059B公开了一种“桥梁勘察方法”。采用了以下步骤：1)获取三维地面、地质数据，生成DGSM；2)生成DGESM；3)生成DBSM；4)形成桥梁全局三维实体曲面模型；5)对桥梁全局三维实体曲面模型进行桥梁构造物实体力学分析，进行路线线形方案和桥梁方案选择；6)建立地质实体截面预测模型，优化路线、桥梁方案；7)由桥梁全局三维实体曲面模型生成桥梁构造物的三维钢筋图；8)生成桥梁上部、桥梁下部结构的构造图；9)生成分施工阶段的桥梁下部、上部构造物实体；10)建成后的三维桥梁实体模型，与建成之前的桥梁全局三维实体曲面模型做比较，得到位移、沉降、变形等参数，进行桥梁检测。上述技术方案仅对桥梁现状进行勘察，缺乏对桥梁的预测，难以满足对桥梁安全的预期判断。

发明内容

本发明主要解决原有的技术方案受环境干扰的异常值较多，预测结果偏差较大的技术问题，提供一种基于深度学习LSTM网络的桥梁静态位移预测技术，基于深度学习人工智能算法LSTM RNN，长短期记忆循环神经网络，从桥梁的挠度监测数据中获得样本数据进行神经网络模型训练，从过去的桥梁挠度信息训练的神经网络模型进行对桥梁挠度预测，最终达到对桥梁挠度进行预测预警的目的，实现对桥梁工作性能的评估和结构安全的准确判断。

本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：

(1)采集桥梁挠度静态响应监测数据；

(2)通过桥梁挠度数据进行预处理；

(3)建立LSTM神经网络进行训练；

(4)使用训练好的LSTM神经网络模型对桥梁挠度进行预测。

作为优选，所述的步骤2的预处理采用零均值归一化方法，具体公式如下：

其中，x′_i为第i个时刻归一化的预测数据；x_i为第i个时刻的预测数据，σ为数据标准差，u为数据平均值。

作为优选，所述的步骤3中的LSTM神经网络为改进的RNN网络，通过增加输入门、输出门、遗忘门和单元状态，改变自循环的权重参数。模型参数固定的情况下，可以有效地避免梯度“消失”或者“爆炸”的问题。其中，输入门和输出门控制信息流的流入和流出，遗忘门用来选择上一时刻的单元状态有多少保存到这一时刻

作为优选，所述的遗忘门的输出f^t由上一时刻的隐藏层状态h^t-1和当前时刻的输入x_t共同决定：