一种用于桥梁变形高效且准确预测的深度学习技术制造技术

本发明专利技术公开了一种用于桥梁变形高效且准确预测的深度学习技术，包括递归神经网络编码器、递归神经网络解码器和多尺度信息传递模块，递归神经网络编码器和递归神经网络解码器选用长短期记忆人工神经网络，实现长序列的有效建模，长短期记忆人工神经网络数量为两层，每层32～64个通道。本发明专利技术与现有技术相比的优点在于：可实现桥梁变形实时准确预测，可用于桥梁状态在线评估，为桥梁健康管理提供最有用的实时决策信息。的实时决策信息。的实时决策信息。

【技术实现步骤摘要】
一种用于桥梁变形高效且准确预测的深度学习技术


[0001]本专利技术涉及桥梁安全领域，具体是指一种用于桥梁变形高效且准确预测的深度学习技术。

技术介绍

[0002]先进传感和数据采集技术的快速发展，使桥梁长期、连续健康监测变为可能。例如，利用接触式位移计，对桥梁关键部位变形进行长期监测，根据测量的状态量，判断评估桥梁的健康和安全状况。因此，基于监测数据，对桥梁变形实现实时预测，为决策管理提供信息依据，可有效避免灾害发生。
[0003]近两年，深度学习法作为新兴的人工智能方法，因其在具有空间特性的时序数据建模与挖掘方面有着强大的功能，在土木工程相关领域得到应用(如结构监测)有着巨大的潜力。现有基于深度神经网络技术用于解决桥梁变形预测问题时，无法无法有效地捕捉时间多尺度效应，所以预测精度欠佳。然而，桥梁的变形具有明显的时间多尺度效应，例如监测时序信号在秒、分钟、小时、天、周、月、季度、年等不同的时间尺度上表现出不同的模式和特性。
[0004]因此，一种用于桥梁变形高效且准确预测的深度学习技术亟待研究。

技术实现思路

[0005]本专利技术要解决的技术问题是，针对以上问题提供一种用于桥梁变形高效且准确预测的深度学习技术。
[0006]为解决上述技术问题，本专利技术提供的技术方案为：一种用于桥梁变形高效且准确预测的深度学习技术，包括递归神经网络编码器、递归神经网络解码器和多尺度信息传递模块，递归神经网络编码器和递归神经网络解码器选用长短期记忆人工神经网络，实现长序列的有效建模，长短期记忆人工神经网络数量为两层，每层32～64个通道。
[0007]作为改进，递归神经网络编码器在使用时需要输入前n个时刻的测量值，递归神经网络解码器解码出未来m个时刻的桥梁变形值。
[0008]本专利技术与现有技术相比的优点在于：可实现桥梁变形实时准确预测，可用于桥梁状态在线评估，为桥梁健康管理提供最有用的实时决策信息。
附图说明
[0009]图1是一种用于桥梁变形高效且准确预测的深度学习技术的工作原理图。
具体实施方式
[0010]下面结合附图对本专利技术做进一步的详细说明。
[0011]本专利技术在具体实施时，一种用于桥梁变形高效且准确预测的深度学习技术，包括递归神经网络编码器、递归神经网络解码器和多尺度信息传递模块，递归神经网络编码器
和递归神经网络解码器选用长短期记忆人工神经网络，实现长序列的有效建模，长短期记忆人工神经网络数量为两层，每层32～64个通道。
[0012]作为改进，递归神经网络编码器在使用时需要输入前n个时刻的测量值，递归神经网络解码器解码出未来m个时刻的桥梁变形值。
[0013]本专利技术的工作原理：其核心主要由“编码
‑
解码”形式神经网络结构构成，包含递归神经网络编码器、递归神经网络解码器、多尺度信息传递模块。
[0014]递归神经网络编码器和解码器可选择长短期记忆人工神经网络(LSTM)，实现长序列的有效建模，可选择2层LSTM，每层32～64个通道。多尺度信息传递模块主要作用在网络的隐含变量空间，在时间维度上实现跨越传递，其中跨越传递的长度可取大于2的整数，数值越大，网络捕捉时间多尺度的能力越强。
[0015]假定X为桥梁变形的状态量，在第k时间步，网络的输入则为前n个X变量，输出则为预测未来m个时刻的桥梁变形。可选择历史测量数据作为网络训练的标注数据，为捕捉桥梁变形在秒、分钟、小时、天、周、月、季度、年等不同的时间尺度上的关键特性，训练样本建议选择2年以上的连续监测数据。
[0016]本专利技术的参数设置可根据应用场景进行调整，用于桥梁状态在线评估。
[0017]此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征，在本专利技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0018]在本专利技术中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本专利技术中的具体含义。
[0019]在本专利技术中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
[0020]在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”，“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本专利技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0021]尽管上面已经示出和描述了本专利技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本专利技术的限制，本领域的普通技术人员在不脱离本专利技术的原理和宗旨的情况下在本专利技术的范围内可以对上述实施例进行变化、修改、替换和变型。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于桥梁变形高效且准确预测的深度学习技术，其特征在于：包括递归神经网络编码器、递归神经网络解码器和多尺度信息传递模块，递归神经网络编码器和递归神经网络解码器选用长短期记忆人工神经网络，实现长序列的有效建模，长短期记忆人工神经网...

【专利技术属性】
技术研发人员：孙浩，王楠，
申请(专利权)人：慧城徐州智能科技有限公司，
类型：发明
国别省市：