[发明专利]一种基于深度学习LSTM网络的桥梁静态位移预测方法

权利要求书

1.一种基于深度学习LSTM网络的桥梁静态位移预测方法，其特征在于：具体包括以下步骤：

S1、数据采集：首先利用检测系统中的数据采集模块对桥梁的基本数据进行采集，并且对挠度和结构抗剪承载力数据进行测算，同时将所采集的数据输入到存储系统进行汇总、整理和存储，以及将数据传输到数据处理模块进行分析处理；

S2、数据建模：此时对分析处理后的数据传输到三维建模模块中，以此形成三维立体图，通过人员施工实现模型的建立，并通过施加外界因素实现对桥梁静态位移的检测，同时将通过LSTM网络的训练模型进行桥梁检测；

S3、预测实验：在实验对象准备完成后，通过人员的实施模拟实现训练后的LSTM网络训练模型对桥梁静态位移进行检测，并且对检测中产生的数据进行实时记录，同时对于出现的问题进行预警和解决，并对于数据进行修改和及时的更新；

所述S1-S3中包括存储系统和检测系统，所述存储系统和检测系统实现双向连接，所述存储系统中包括数据接收模块、数据管理模块、数据存储模块、数据输出模块、实时更新模块和数据显示模块，所述数据接收模块的输出端与数据管理模块的输入端连接，所述数据管理模块的输出端与数据存储模块的输入端连接，所述数据存储模块的输出端与数据输出模块的输入端连接，所述数据存储模块与数据显示模块实现双向连接，所述实时更新模块的的输出端与数据显示模块的输入端连接。

2.根据权利要求1所述的一种基于深度学习LSTM网络的桥梁静态位移预测方法，其特征在于：所述数据管理模块中包括数据引入单元、数据整理单元、数据分类单元和数据引出单元，所述数据引入单元的输出端与数据整理单元的输入端连接，所述数据整理单元的输出端数据分类单元的输入端连接，所述数据分类单元的输出端与数据引出单元的输入端连接。

3.根据权利要求1所述的一种基于深度学习LSTM网络的桥梁静态位移预测方法，其特征在于：所述检测系统中包括数据采集模块、信息中心处理器、数据处理模块、模型建立单元、数据预测模块、数据传送模块、桥梁检测模块、模块训练模块和预测预警模块，所述数据采集模块的输出端与信息中心处理器的输入端连接。

4.根据权利要求3所述的一种基于深度学习LSTM网络的桥梁静态位移预测方法，其特征在于：所述信息中心处理器的输出端与数据处理模块的输入端连接，所述数据处理模块的输出端与模型建立单元的输入端连接，所述模型建立单元的输出端与数据预测模块的输入端连接。

5.根据权利要求3所述的一种基于深度学习LSTM网络的桥梁静态位移预测方法，其特征在于：所述数据预测模块的输出端与数据传送模块的输入端连接，所述桥梁检测模块的输出端与模型建立单元的输入端连接，所述模块训练模块的输出端与模型建立单元的输入端连接，所述预测预警模块的输出端与数据预测模块的输入端连接。

6.根据权利要求3所述的一种基于深度学习LSTM网络的桥梁静态位移预测方法，其特征在于：所述数据处理模块中包括数据输入单元、数据分析单元、数据计算单元和数据输出单元，所述数据输入单元的输出端与数据分析单元的输入端连接，所述数据分析单元的输出端与数据计算单元的输入端连接，所述数据计算单元的输出端与数据输出单元的输入端连接。

7.根据权利要求3所述的一种基于深度学习LSTM网络的桥梁静态位移预测方法，其特征在于：所述预测预警模块中包括蜂鸣预警单元、信号灯警示单元和问题显现单元。

8.根据权利要求6所述的一种基于深度学习LSTM网络的桥梁静态位移预测方法，其特征在于：所述数据计算单元中对于挠度位移量的计算公式为：其中为虚拟状态下由虚拟单元P_k＝1时产生的弯矩，M_p为实际状态中由荷载产生的弯矩，EI为常数，ds为所测量的一段距离；而结构抗剪承载力的计算公式为：其中fcu为混凝土极限抗压强度，b、d—构件截面宽度、有效高度。