[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

说明书

本发明公开了一种基于深度学习模型的斜拉桥主梁异常挠度监测方法，首先凝练温度变量，并提取温致挠度；以多种温度变量形成矩阵作为输入，以温致挠度作为输出，构造输入输出映射关系，利用深度神经网络拟合时序映射模型；所述神经网络的核心为一层具有与温度变量相同个数卷积核的卷积神经网络层、一层堆栈长短时记忆网络层和一层整合输出数据的卷积神经网络层；以模型输出的挠度回归值作为基准值，设定允许误差后，根据实测温致挠度与基准值的残差直接识别异常挠度。本方法针对斜拉桥主梁挠度建模提出了去黑箱化的深度学习模型，搭建的神经网络具备可解释性，精度极高，广泛适用于斜拉桥，可以高灵敏感知斜拉桥主梁异常变形。

技术领域

本发明属于桥梁结构性能监测领域，是一种基于桥梁监测数据的斜拉桥主梁挠度异常值的识别模型，具体来说，涉及一种基于时序建模与深度学习的斜拉桥主梁挠度基准值建模，并利用该基准值进行主梁异常挠度值的直接识别。

背景技术

斜拉桥的主梁挠度是表征斜拉桥刚度性能的最直观表现，受到作用于斜拉桥上的复杂温度场的影响，斜拉桥的主梁会产生显著的挠度变化，既斜拉桥的温致挠度。因此针对斜拉桥温度场与主梁温致挠度间的输入输出关系建立映射模型，则可将温度数据带入模型并输出温致挠度回归值，这一回归值能作为表征斜拉桥线形的基准值，进而以此基准值进行异常挠度识别，从而判断桥梁状态，进行桥梁管养并防止事故。然而作用于斜拉桥的温度场异常复杂，且温度与斜拉桥温致挠度间的关系表现出了很强的非线性与模糊性关系，传统的回归分析与数学建模无法精准表达两者间的映射关系，导致直接识别主梁异常挠度十分困难。

深度学习技术的诞生，为高度非线性问题的建模提供了工具，基于计算机技术的进步，桥梁监测大数据得以积累，为深度神经网络的成熟运用提供了数据驱动基础。然而依托神经网络搭建的映射模型是黑箱化的，缺乏解释性，因此较难保障模型的可靠性。同时，单纯的数据驱动模式导致模型参数设定困难，进一步导致搭建高精度神经网络变的困难。

依靠桥梁监测大数据，深度学习无疑是建立斜拉桥温度与温致挠度之间高度非线性关系的上佳方案，有提供高精度挠度基准值的潜力。但将深度学习技术应用于斜拉桥异常挠度识别尚无成熟先例。深度神经网络虽然性能优异，但作为一种数据驱动的具有复杂超参数与众多神经单元的黑箱模型，搭建具有高精度与高稳定性的温致挠度深度模型比较困难。因此，实现高精度的斜拉桥主梁异常挠度识别，需要针对斜拉桥温致挠度建模任务创建一种具有高精度与高输出稳定性的温度→温致挠度映射模型，然后再对输出数据进行适宜处理，以期实现直接识别异常挠度。因此必须解决两点问题：

(1)单纯依托数据驱动的深度学习神经网络是典型的黑箱模型，参数调试繁琐，达到理想精度难，模型的可解释性与可靠性差；

(3)复杂的异常挠度指标，导致无法直接识别异常值。

发明内容

本发明的目的是为了利用桥梁监测数据识别斜拉桥主梁服役状态，提供一种用于斜拉桥主梁异常挠度监测的深度学习模型，具体来说，涉及一种基于深度学习神经网络的斜拉桥温致挠度建模方案与挠度异常值定量识别。

为实现上述目的，本发明采用的技术方案是：提出一种用于斜拉桥主梁异常挠度监测的深度学习模型，利用该模型获取挠度基准值，完成异常挠度识别，包括如下步骤：

(1)将斜拉桥监测系统采集的温度场数据被转化为主梁平均温度、主梁竖向温差和索塔温度等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；

(2)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点，固化输入数据规格；

(3)对(2)中的输入和输出数据进行归一化处理；