[发明专利]基于深度学习模型的斜拉桥主梁异常挠度监测方法

权利要求书

1.基于深度学习模型的斜拉桥主梁异常挠度监测方法，其特征在于，包括以下具体步骤：

将斜拉桥的温度场数据被转化为包括n种温度变量的时序数据，基于温度的时频特性，提取主梁挠度变化中的温致挠度时序数据；

根据温度的时序相关特性，将温度→温致挠度的输入输出映射模式设定为输入具有i个数据点的温度时程数据，输出当前时刻单点温致挠度数据，固化输入数据规格；

构建去黑箱深度神经网络映射模型，该模型的输入层后加入具有n个卷积核的第一卷积神经网络层，卷积神经网络层的输出传入堆栈长短时记忆神经网络层，堆栈长短时记忆神经网络的输出经过第二卷积神经网络层，第二卷积神经网络层的输出经过线性激活函数，得到归一化回归值；

对去黑箱深度神经网络映射模型进行训练，得到温度→温致挠度映射模型；

将上述温度→温致挠度映射模型输出的归一化回归值进行反归一化处理，得到温致挠度回归值；

利用温致挠度回归值与温致挠度实测值的残差作为异常挠度的数值，完成斜拉桥主梁异常挠度监测。

2.根据权利要求1所述的方法，其特征在于，温度变量包括主梁平均温度、主梁竖向温差和索塔温度。

3.根据权利要求1所述的方法，其特征在于，堆栈长短时记忆神经网络层与第二卷积神经网络层具有相同尺寸。

4.根据权利要求1所述的方法，其特征在于，输入数据为n×i温度数据矩阵，输出数据为当前时刻单点温致挠度，同时随时间演进构造时移数据集，用于去黑箱深度神经网络映射模型的训练和测试。

5.根据权利要求4所述的方法，其特征在于，根据数据规格与改良需求设定去黑箱深度神经网络映射模型的核心层，为了加强局部温度信息的提取性能，第一核心层为具有n个卷积核的第一卷积神经网络层，每个卷积核的大小均为n×m，每一个卷积核沿着时间维度遍历一次温度数据矩阵，将n×i温度数据矩阵卷积运算为n×(i-m+1)的矩阵；第二核心层为具有两层隐藏单元的堆栈长短时记忆神经网络层，用来学习温度数据的时序关联特性，承接第一卷积神经网络层输出的n×(i-m+1)数据矩阵，每层具有p个LSTM单元，堆栈长短时记忆神经网络层的输出为p×(i-m+1)的矩阵；第三核心层为具有一个p×(i-m+1)卷积核的第二卷积神经网络层，经过一次卷积运算，将堆栈长短时记忆神经网络层输出的p×(i-m+1)矩阵通过卷积运算整合为单一数值。