基于混合输入神经网络模型的桥梁热边界条件预测方法、装置及介质制造方法及图纸

本发明专利技术公开了一种基于混合输入神经网络模型的桥梁热边界条件预测方法、装置、计算机设备和存储介质，所述方法包括：获取样本数据并进行处理，得到数据集；混合输入神经网络模型包括多层感知器和循环神经网络两个分支，多层感知器用于处理数据集中的表面角度数据，识别表面位置；循环神经网络用于对数据集中的气象数据进行操作，并记忆不同时间长度的数值依赖关系；将两个分支输出的数据串联后，通过全连接的多层感知器后，得到模型的输出结果；利用数据集训练模型，将获取的气象数据和表面角度数据输入训练好的模型，得到预测结果，完成所需时间步内桥梁结构热边界条件的预测。本发明专利技术提供的方法，预测精度高，具有很好的工程实用性。用性。用性。

【技术实现步骤摘要】
基于混合输入神经网络模型的桥梁热边界条件预测方法、装置及介质


[0001]本专利技术涉及桥梁结构健康监测
，特别涉及一种基于混合输入神经网络模型的桥梁热边界条件预测方法、装置、计算机设备和存储介质。

技术介绍

[0002]桥梁结构是重要的基础设施，是交通大动脉上的关键节点，数以百万计的桥梁为我国社会和经济的发展做出了重大贡献。温度荷载是一种重要的荷载形式。温度变化可引起桥梁材料属性的变化和体积的热胀冷缩，边界和构件之间的连接约束下将会导致结构变形、应力、应变、支座反力和边界约束变化等温度效应，引起桥梁温度病害的发生。为确保桥梁结构建设和运营的安全性，获取桥梁温度场数据是非常有必要的。
[0003]目前桥梁温度场数据的获取严重依赖现场实测，而基于结构健康监测系统的桥梁温度实时监测又具有成本高、耗时长、分析效率低的特点，不能满足大多数桥梁的工程分析需求。另外，以往通过有限元热分析方法进行桥梁温度场的获取也存在较大不便，其中显著的缺点之一便是由于热边界条件与结构表面温度及外界气象环境二者均相关，各时刻外界气象环境变化又导致热边界条件不断发生改变。传统精细化有限元方法计算过程中，需要有限元软件及编程软件交互调用，结合当前时刻外部气象环境与上一时刻结构表面温度迭代求解热边界条件，程序复杂、运行耗时且内存占用较大。此外，计算过程还要判断该日日照时间范围，使用极为不便。
[0004]热边界条件通过给出桥梁温度分布和热量传递的影响因素，反映了环境与桥梁外界的热交换情况。常用的第三类热边界条件给出己知物体边界与周围流体在各个时刻的对流换热系数h及周围流体的温度T
a
，即：
[0005][0006]式中：k表示结构导热系数，n
x
、n
y
表示结构表面的外法线余弦；h表示综合换热系数，T
a
表示环境温度，T表示结构温度，q表示结构表面接受到的辐射能量。
[0007]根据能量守恒定律，可将(1)边界条件改写为：
[0008][0009]式中，ε为混凝土短波辐射吸收系数，I为混凝土表面受到的太阳辐射总量，包括太阳直接辐射、太阳散射辐射、地面反射三部分。
[0010]为方便有限元建模，简化计算，利用综合气温来反映第三类热边界条件中太阳辐射热交换过程，即把结构表面接受到的辐射能量换算成大气的温度。综合气温T
sa
根据下式进行计算：
[0011][0012]将(3)代入(2)，得到第三类热边界条件简化计算公式：
[0013][0014]通过在有限元模型外表面上赋予热边界条件：综合换热系数h和综合气温T
sa
，即可进行结构温度场求解。

技术实现思路

[0015]为了解决上述现有技术的不足，本专利技术提供了一种基于混合输入神经网络模型的桥梁热边界条件预测方法、装置、计算机设备和存储介质，该方法通过构建混合输入神经网络模型，结合了MLP处理非线性映射关系和LSTM处理序列数据的优势，可根据外边界方位角度及场地气象条件快速获取热边界条件情况，将预测出的热边界条件施加到有限元模型进行热分析计算，实现箱型桥梁结构内部不同时刻温度分布的实时高精度重建。较传统的基于有限元及编程软件交互程序计算热边界条件的方法，计算时间缩短、内存占用空间减少，计算效率提高；较普通的单输入深度学习模型，考虑的特征更全面，模型通用性及泛化能力较好，可以处理各尺寸箱型桥梁结构，具有很好的工程实用性。
[0016]本专利技术的第一个目的在于提供一种基于混合输入神经网络模型的桥梁热边界条件预测方法。
[0017]本专利技术的第二个目的在于提供一种基于混合输入神经网络模型的桥梁热边界条件预测装置。
[0018]本专利技术的第三个目的在于提供一种计算机设备。
[0019]本专利技术的第四个目的在于提供一种存储介质。
[0020]本专利技术的第一个目的可以通过采取如下技术方案达到：
[0021]一种基于混合输入神经网络模型的桥梁热边界条件预测方法，所述方法包括：
[0022]获取样本数据，所述样本数据包括气象数据和表面角度数据和第三类热边界条件；
[0023]对所述样本数据进行处理，得到数据集；
[0024]构建混合输入神经网络模型，所述混合输入神经网络模型为具有两个分支的多输入神经网络，第一个分支是多层感知器，用于处理所述数据集中的表面角度数据，识别表面位置；第二个分支是循环神经网络，用于对所述数据集中的气象数据进行操作，并记忆不同时间长度的数值依赖关系；将两个分支输出的数据串联后，通过全连接的多层感知器后，得到模型的输出结果；
[0025]根据所述输出结果和所述第三类热边界条件，对所述混合输入神经网络模型调整参数和优化，得到训练好的混合输入神经网络模型；
[0026]将获取的气象数据和表面角度数据输入所述训练好的混合输入神经网络模型，得到预测结果，完成所需时间步内桥梁结构第三类热边界条件的预测。
[0027]进一步的，所述循环神经网络为长短期记忆神经网络，所述多层感知器包括第一隐藏层和第二隐藏层；
[0028]所述将两个分支输出的数据串联后，通过全连接的多层感知器后，得到模型的输出结果，包括：
[0029]将所述数据集中的气象数据输入所述长短期记忆神经网络，输出气象数据关系及网络状态；
[0030]将所述数据集中的表面角度数据输入所述多层感知器的输入层，将输入层的输出结果输入第一隐藏层；
[0031]将所述长短期记忆神经网络输出的数据与第一个隐藏层输出的数据进行串联，经过多层感知器的全连接层后，将连接层处理后的数据输入第二隐藏层；
[0032]将第二隐藏层的输出输入所述多层感知器的输出层，输出层输出的结果为所述混合输入神经网络模型的输出值；
[0033]其中，第一个隐藏层的激活函数为LeakyReLU。
[0034]进一步的，所述数据集分为训练集和测试集；
[0035]所述混合输入神经网络模型为两个，即第一输入神经网络模型和第二输入神经网络模型；
[0036]根据所述输出结果和所述第三类热边界条件，混合输入神经网络模型自动调整超参数和优化，得到训练好的混合输入神经网络模型，包括：
[0037]为了提高混合输入神经网络模型的预测性能，利用与顶板、东西腹板受照部分、东西翼缘外端表面会在日出时段受到太阳直接辐射表面的表面角度数据对应的训练集中的气象数据和表面角度数据输入所述第一输入神经网络模型，得到模型的输出结果；根据对应的训练集中的第三类热边界条件和输出结果，对所述第一输入神经网络模型进行参数调整和优化；
[0038]同理，利用与底板、东西腹板未受照部分、东西翼缘底面始终不会受到太阳直接辐射表面的表面角度数据对应的训练集对所述第二混合输入神经网络模型进行训练；
[0039]采用所述测试集的均方误差作为所述第一、第二混合输入神经网络模型的损失函数；
[0040]在训练过程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合输入神经网络模型的桥梁热边界条件预测方法，其特征在于，所述方法包括：获取样本数据，所述样本数据包括气象数据和表面角度数据和第三类热边界条件；对所述样本数据进行处理，得到数据集；构建混合输入神经网络模型，所述混合输入神经网络模型为具有两个分支的多输入神经网络，第一个分支是多层感知器，用于处理所述数据集中的表面角度数据，识别表面位置；第二个分支是循环神经网络，用于对所述数据集中的气象数据进行操作，并记忆不同时间长度的数值依赖关系；将两个分支输出的数据串联后，通过全连接的多层感知器后，得到模型的输出结果；根据所述输出结果和所述第三类热边界条件，对所述混合输入神经网络模型调整参数和优化，得到训练好的混合输入神经网络模型；将获取的气象数据和表面角度数据输入所述训练好的混合输入神经网络模型，得到预测结果，完成所需时间步内桥梁结构第三类热边界条件的预测。2.根据权利要求1所述的桥梁热边界条件预测方法，其特征在于，所述循环神经网络为长短期记忆神经网络，所述多层感知器包括第一隐藏层和第二隐藏层；所述将两个分支输出的数据串联后，通过全连接的多层感知器后，得到模型的输出结果，包括：将所述数据集中的气象数据输入所述长短期记忆神经网络，输出气象数据关系及网络状态；将所述数据集中的表面角度数据输入所述多层感知器的输入层，将输入层的输出结果输入第一隐藏层；将所述长短期记忆神经网络输出的数据与第一个隐藏层输出的数据进行串联，经过多层感知器的全连接层后，将连接层处理后的数据输入第二隐藏层；将第二隐藏层的输出输入所述多层感知器的输出层，输出层输出的结果为所述混合输入神经网络模型的输出值；其中，第一个隐藏层的激活函数为LeakyReLU。3.根据权利要求1所述的桥梁热边界条件预测方法，其特征在于，所述数据集分为训练集和测试集；所述混合输入神经网络模型为两个，即第一输入神经网络模型和第二输入神经网络模型；根据所述输出结果和所述第三类热边界条件，混合输入神经网络模型自动调整超参数和优化，得到训练好的混合输入神经网络模型，包括：为了提高混合输入神经网络模型的预测性能，利用与顶板、东西腹板受照部分、东西翼缘外端表面会在日出时段受到太阳直接辐射表面的表面角度数据对应的训练集中的气象数据和表面角度数据输入所述第一输入神经网络模型，得到模型的输出结果；根据对应的训练集中的第三类热边界条件和输出结果，对所述第一输入神经网络模型进行参数调整和优化；同理，利用与底板、东西腹板未受照部分、东西翼缘底面始终不会受到太阳直接辐射表面的表面角度数据对应的训练集对所述第二混合输入神经网络模型进行训练；
采用所述测试集的均方误差作为所述第一、第二混合输入神经网络模型的损失函数；在训练过程中，若连续k个周期内损失函数停止下降，则停止训练，即得到训练好的第一、第二混合输入神经网络模型，其中，k为设定阈值。4.根据权利要求3所述的桥梁热边界条件预测方法，其特征在于，所述将获取的气象数据和表面角度数据输入所述训练好的混合输入神经网络模型，得到预测结果，完成所需时间步内桥梁结构第三类热...

【专利技术属性】
技术研发人员：周林仁，陈钰萌，陈兰，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：