System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于卷积神经网络代理模型与贝叶斯模型的结构损伤识别方法及系统技术方案_技高网

一种基于卷积神经网络代理模型与贝叶斯模型的结构损伤识别方法及系统技术方案

技术编号:43188382 阅读:4 留言:0更新日期:2024-11-01 20:11
一种基于卷积神经网络代理模型与贝叶斯模型的结构损伤识别方法及系统,本发明专利技术涉及结构工程领域,具体涉及结构损伤识别领域。为了解决现有技术无法兼顾计算精度和效率的问题,现有技术无法准确、高效地实现结构损伤识别的不确定性分析和量化的问题,本发明专利技术通过贝叶斯建模,创建损伤参数的先验、似然和后验分布。使用逆采样策略生成样本,进行有限元分析,构建数据集。设计CNN代理模型并训练,结合Metropolis‑Hasting算法形成AdaMH算法模型。利用该模型抽取后验样本,并通过误差增强模型修正偏差。更新贝叶斯模型以定位和量化结构损伤。在主流结构损伤识别中具有良好的应用前景。

【技术实现步骤摘要】

本专利技术涉及结构工程领域,具体涉及结构损伤识别领域。


技术介绍

1、土木工程结构在服役过程中不可避免地产生损伤累积和抗力衰减,及时且准确地识别结构损伤从而避免结构破坏,成为结构工程领域的研究热点。近年来,贝叶斯方法被广泛应用于结构损伤识别的不确定性分析和量化,极大地提高了损伤识别的精度和鲁棒性。然而,对于复杂土木工程结构,贝叶斯方法用于结构损伤识别通常存在似然函数计算花费高和后验概率密度函数求解困难的问题,极大地限制了贝叶斯方法在土木工程领域的应用。因此,似然函数以及后验概率密度函数的高效、精确求解是目前迫切需要研究的科学问题。

2、目前,结构损伤识别贝叶斯算法主要分为解析法和数值法两大类。然而,对于实际复杂土木工程结构,结构参数为高维向量,数值方法计算成本高,而解析方法则在牺牲求解精度的情况下获得相对较高的计算效率。此外,当模型不确定性较大或参数后验概率密度函数呈现复杂分布时,数值方法和解析方法的计算精度均会显著降低,极大地限制了贝叶斯方法在实际工程结构中的应用。因此,利用贝叶斯方法进行复杂结构损伤识别的不确定性分析和量化时,研究兼顾计算精度和效率的似然函数和后验概率密度函数求解方法是目前亟需解决的问题。

3、hinton于2006年提出的深度学习(dl),通过对传统人工神经网络加深层数,使其自学习特征获得更强的非线性表征能力,在土木工程领域得到了广泛应用。王超等针对以往卷积神经网络结构过于复杂、参数冗杂等问题,提出一种基于轻质化cnn的混凝土结构表面裂缝识别模型。通过对时间序列建模,yu等利用深度递归网络(rnn)学习时间相关特征实现结构动态响应预测。xiang等提出了深度强化学习抽样(drl)的结构可靠度分析深度神经网络代理模型方法。近年来,利用dl加速大规模、非线性模型的贝叶斯得到了许多关注。gabbard等基于预先训练好的条件变分自编码器(cvae),相较于传统技术实现近6个数量级的速度提升。wu等在mcmc采样过程中使用dnn代替两步平均场均质化模型,极大降低了不确定分析和量化的计算成本。


技术实现思路

1、为了解决现有技术无法兼顾计算精度和效率的问题,现有技术无法准确、高效地实现结构损伤识别的不确定性分析和量化的问题,本专利技术提出如下方案:

2、一种基于卷积神经网络代理模型与贝叶斯模型的结构损伤识别方法,所述方法包括以下步骤:

3、步骤1:对待测结构的结构损伤参数进行贝叶斯建模,得到贝叶斯模型,通过所述贝叶斯模型构建所述损伤参数的先验分布、似然函数和后验分布,所述损伤参数为损伤深度;

4、步骤2:基于逆采样策略对所述先验分布抽样,获得结构损伤参数样本,对所述结构损伤参数样本进行结构有限元分析,得到结构有限元模型,进而得到结构频率和振型,利用所述结构损伤参数样本以及所述结构频率和振型构建数据集;

5、步骤3:根据损伤参数的特征及相关性,设计cnn代理模型,利用所述数据集训练所述cnn代理模型,得到训练完成的cnn代理模型;

6、步骤4:基于两阶段延迟接受策略,融合metropolis-hasting模型与所述训练完成的cnn代理模型,得到adamh算法模型;

7、步骤5:利用所述adamh算法模型从所述后验分布中抽取损伤参数的后验样本,同时基于误差增强模型,自适应地修正所述cnn代理模型与所述结构有限元模型之间的偏差;

8、步骤6:基于所述结构损伤参数的后验样本对所述贝叶斯模型进行更新,得到新的损伤参数后验样本,进而实现对所述待测结构的结构损伤进行定位与量化。

9、进一步,所述步骤1中,所述先验分布为:

10、

11、其中,θ为结构损伤参数,αi为与损伤参数θi相对应的超参数,i为参数的顺序编号,n为参数的数量;

12、所述似然函数为:

13、

14、其中,λr(θ)为损伤参数θ的第r结构特征值;φr(θ)为损伤参数θ的第r阶振型,超参数βr表示第r阶结构特征值测量误差的不确定性程度;超参数γr表示第r阶振型测量误差的不确定性程度;nm为模态阶数的总数,np为测量自由度;

15、所述后验分布为:

16、

17、其中,c为证据值。

18、进一步,所述步骤2中,所述结构损伤参数样本为

19、

20、进一步,所述步骤3中,所述cnn代理模型以均方误差作为损失函数;

21、所述均方误差mse通过:

22、

23、获得,其中,r表示所述结构有限元模型的输出,表示所述cnn代理模型的输出,m表示所述结构有限元模型或所述cnn代理模型的输出维度。

24、进一步,所述步骤4中,所述两阶段延迟接受策略包括:

25、步骤401:利用所述cnn代理模型对所述结构损伤参数样本的样本点进行评估,计算第一阶段的接受概率;

26、步骤402:将第一阶段被接受的所述结构损伤参数样本的样本点进入第二阶段,利用结构有限元模型评估该样本点,计算第二阶段的接受概率。

27、进一步,所述步骤5中,所述基于误差增强模型,自适应地修正所述cnn代理模型与所述结构有限元模型之间的偏差为:

28、

29、

30、其中,为结构特征值的模型偏差;振型的模型偏差;为所述cnn代理模型输出的第r阶结构特征值;为所述cnn代理模型输出的第r阶振型;为第r阶结构特征值模型偏差所服从高斯分布的均值;为第r阶结构特征值模型偏差所服从高斯分布的方差;为第r阶振型模型偏差所服从高斯分布的均值;为第r阶振型模型偏差所服从高斯分布的方差。

31、所述步骤6中,所述基于所述结构损伤参数的后验样本对所述贝叶斯模型进行更新为:

32、

33、

34、一种基于卷积神经网络代理模型与贝叶斯模型的结构损伤识别系统,所述系统包括:

35、贝叶斯建模模块,用于对待测结构的结构损伤参数进行贝叶斯建模,得到贝叶斯模型,通过所述贝叶斯模型构建所述损伤参数的先验分布、似然函数和后验分布,所述损伤参数为损伤深度;

36、数据生成模块,用于基于逆采样策略对所述先验分布抽样,获得结构损伤参数样本,对所述结构损伤参数样本进行结构有限元分析,得到结构有限元模型,进而得到结构频率和振型,利用所述结构损伤参数样本以及所述结构频率和振型构建数据集;

37、cnn代理模型设计模块,根据损伤参数的特征及相关性,设计cnn代理模型,利用所述数据集训练所述cnn代理模型,得到训练完成的cnn代理模型;

38、adamh算法构建模块,用于基于两阶段延迟接受策略,融合metropolis-hasting模型与所述训练完成的cnn代理模型,得到adamh算法模型;

39、后验样本抽取与误差修正模块,用于利用所述adamh算法模型从所述后验分布中抽取损伤参数本文档来自技高网...

【技术保护点】

1.一种基于卷积神经网络代理模型与贝叶斯模型的结构损伤识别方法,其特征在于,所述方法包括以下步骤:

2.根据权利要求1所述的一种基于卷积神经网络代理模型与贝叶斯模型的结构损伤识别方法,其特征在于,所述步骤1中,所述先验分布为:

3.根据权利要求1所述的一种基于卷积神经网络代理模型与贝叶斯模型的结构损伤识别方法,其特征在于,所述步骤2中,所述结构损伤参数样本为

4.根据权利要求1所述的一种基于卷积神经网络代理模型与贝叶斯模型的结构损伤识别方法,其特征在于,所述步骤3中,所述CNN代理模型以均方误差作为损失函数;

5.根据权利要求1所述的一种基于卷积神经网络代理模型与贝叶斯模型的结构损伤识别方法,其特征在于,所述步骤4中,所述两阶段延迟接受策略包括:

6.根据权利要求1所述的一种基于卷积神经网络代理模型与贝叶斯模型的结构损伤识别方法,其特征在于,所述步骤5中,所述基于误差增强模型,自适应地修正所述CNN代理模型与所述结构有限元模型之间的偏差为:

7.根据权利要求1所述的一种基于卷积神经网络代理模型与贝叶斯模型的结构损伤识别方法,其特征在于,所述步骤6中,所述基于所述结构损伤参数的后验样本对所述贝叶斯模型进行更新为:

8.一种基于卷积神经网络代理模型与贝叶斯模型的结构损伤识别系统,其特征在于,所述系统包括:

...

【技术特征摘要】

1.一种基于卷积神经网络代理模型与贝叶斯模型的结构损伤识别方法,其特征在于,所述方法包括以下步骤:

2.根据权利要求1所述的一种基于卷积神经网络代理模型与贝叶斯模型的结构损伤识别方法,其特征在于,所述步骤1中,所述先验分布为:

3.根据权利要求1所述的一种基于卷积神经网络代理模型与贝叶斯模型的结构损伤识别方法,其特征在于,所述步骤2中,所述结构损伤参数样本为

4.根据权利要求1所述的一种基于卷积神经网络代理模型与贝叶斯模型的结构损伤识别方法,其特征在于,所述步骤3中,所述cnn代理模型以均方误差作为损失函数;

5.根据权利要求1所述的一种基于卷积神...

【专利技术属性】
技术研发人员:侯榕榕车林望侯佳林鲍跃全夏勇
申请(专利权)人:哈尔滨工业大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1