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()
【技术实现步骤摘要】
本专利技术涉及土木结构工程及防灾减灾,特别涉及一种桥梁结构非线性地震破坏力预测方法及装置。
技术介绍
1、桥梁作为现代交通网络中的重要组成部分,其安全性和可靠性直接关系到人们的生命财产安全。为了确保桥梁的安全运行,桥梁结构健康监测成为了一个不可或缺的环节。其中,振动响应预测作为评估桥梁结构状态的关键技术,对于及时发现潜在的结构问题、预防地震破坏等具有重要意义。
2、在桥梁结构地震破坏力预测领域,目前主要存在两类方法:基于物理模型的方法和基于数据驱动的方法。基于物理模型的方法主要依赖于有限元分析等结构力学模型。这类方法通过模拟桥梁在不同载荷和环境条件下的振动行为,来预测其响应。然而,由于桥梁结构的复杂性和多样性,以及实际工况中存在的不确定性因素(如风荷载、温度变化、材料老化等),传统物理模型难以准确捕捉这些复杂的非线性和随机特性,导致预测误差较大。此外,物理模型的建立和求解过程计算量巨大,难以满足实时监测的时效性要求。
3、随着大数据和人工智能技术的飞速发展,数据驱动方法(如人工神经网络、支持向量机等)逐渐应用于桥梁结构地震破坏力预测。这类方法通过收集桥梁运行中的历史数据,训练模型以进行预测。虽然数据驱动模型在处理复杂数据时具备一定优势,但由于桥梁振动的多维非线性特性,现有模型容易陷入局部最优,预测精度和泛化能力不足。此外,在处理大规模数据时,这些方法的训练效率较低,且模型的结构和参数优化过程缺乏有效的控制机制,进一步限制了其在实际应用中的效果。
技术实现思路
2、为解决上述技术问题,本专利技术采用的一个技术方案是:提供一种桥梁结构非线性地震破坏力预测方法,包括以下步骤:
3、采集桥梁的历史地震响应加速度并进行预处理,得到原始振动加速度序列;
4、采用集合经验模态分解法对所述原始振动加速度序列进行分解处理,得到样本数据;
5、采用黑翅鸢算法基于样本数据对bi lstm模型进行训练优化,得到优化后的bilstm模型;
6、将实时采集的加速度数据经集合经验模态分解法分解后输入优化后的bi lstm模型中,输出预测的地震破坏力。
7、进一步的,在所述将实时采集的加速度数据经集合经验模态分解法分解后输入优化后的bi lstm模型中,输出预测的地震破坏力的步骤之后,还包括:
8、将预测的地震破坏力与设定的报警阈值比较,若预测的地震破坏力大于等于报警阈值,则触发警报,否则,不触发警报。
9、进一步的,在所述采集桥梁的历史地震响应加速度并进行预处理,得到原始振动加速度序列的步骤中,包括以下子步骤:
10、利用加速度传感器采集桥梁关键位置的历史地震响应加速度数据,所述历史地震响应加速度数据即历史振动加速度数据;
11、对所述历史振动加速度数据进行滤波处理,去除噪声,同时移除或修正异常数据;
12、采用滑动窗口技术提取振动加速度序列,记为原始振动加速度序列,所述原始振动加速度序列以时间序列的形式呈现,包含了一系列按时间顺序排列的振动加速度。
13、进一步的,在所述采用集合经验模态分解法对所述原始振动加速度序列进行分解处理,得到样本数据的步骤中,具体包括以下子步骤:
14、在原始振动加速度序列中叠加白噪声序列,得到加噪信号;
15、重复上述步骤,叠加不同的白噪声序列,得到若干组加噪信号;
16、分别对每组加噪信号进行经验模态分解,得到若干组i mf分量和残差序列;
17、分别计算分解得到的若干组i mf分量和残差序列的平均值,作为样本数据。
18、进一步的,在所述采用黑翅鸢算法基于样本数据对bi lstm模型进行训练优化,得到优化后的bi lstm模型的步骤中,具体包括以下子步骤:
19、设定种群规模和最大迭代次数,初始化种群中黑翅鸢个体中超参数的搜索范围,所述超参数包括bi lstm模型的学习率、隐藏神经元数以及正则化参数;
20、随机生成若干个黑翅鸢个体,每个个体表示一组候选超参数,初始化每个个体的位置和速度;
21、计算每个个体在当前位置的适应度值,在当前种群中找到适应度值最高的个体并标记为当前的全局最优解;
22、根据黑翅鸢的社会行为和捕食策略更新每个个体的位置和速度;
23、迭代计算每个个体在当前位置的适应度值,直到达到最大迭代次数或达到适应度收敛条件;
24、迭代结束时,将最终的全局最优解的超参数代入bi lstm模型,得到优化后的bilstm模型。
25、进一步的,在所述计算每个个体在当前位置的适应度值的步骤中,具体包括以下子步骤:
26、基于每个个体在当前位置对应的超参数构建bi lstm模型;
27、按一定比例将所述样本数据划分为训练集、验证集以及测试集;
28、利用训练集训练bi lstm模型,确保模型能捕捉数据的时间依赖性与特征关系;
29、训练完成后,在验证集上评估模型性能,计算准确率;
30、定义适应度值为准确率。
31、进一步的,在所述根据黑翅鸢的社会行为和捕食策略更新每个个体的位置和速度的步骤中:若个体更新后的位置对应的超参数超过了搜索范围,则将所述超参数的值设为搜索范围的边界值。
32、进一步的,所述bi lstm模型包括输入层、隐藏层和全连接层;
33、输入层,用于接收输入的数据;
34、隐藏层,包括用于捕捉前向依赖关系的前向lstm和用于捕捉后向依赖关系的反向lstm,将前向lstm和反向lstm的输出拼接形成包含完整上下文信息的新特征;
35、全连接层,包括一个或多个神经元,用于将隐藏层的输出转换为地震破坏力。
36、为解决上述技术问题,本专利技术采用的另一个技术方案是:提供一种桥梁结构非线性地震破坏力预测装置,包括:
37、数据采集模块,用于采集桥梁的历史地震响应加速度并进行预处理,得到原始振动加速度序列;
38、分解模块,用于采用集合经验模态分解法对所述原始振动加速度序列进行分解处理,得到样本数据;
39、优化训练模块,用于采用黑翅鸢算法基于样本数据对bi lstm模型进行训练优化,得到优化后的bi lstm模型;
40、预测模块,用于将实时采集的加速度数据经集合经验模态分解法分解后输入优化后的b i lstm模型中,输出预测的地震破坏力。
41、进一步的,还包括:
42、报警模块,用于将所述预测模块预测的地震破坏力与设定的报警阈值比较,当预测的地震破坏力大于等于报警阈值时,触发警报,当预测的地震破坏力小于报警阈值时,不触发警报。
43、本专利技术的桥梁结构非线性地震破坏本文档来自技高网...
【技术保护点】
1.一种桥梁结构非线性地震破坏力预测方法,其特征在于,包括以下步骤:
2.如权利要求1所述的桥梁结构非线性地震破坏力预测方法,其特征在于,在所述将实时采集的加速度数据经集合经验模态分解法分解后输入优化后的BiLSTM模型中,输出预测的地震破坏力的步骤之后,还包括:
3.如权利要求1所述的桥梁结构非线性地震破坏力预测方法,其特征在于,在所述采集桥梁的历史地震响应加速度并进行预处理,得到原始振动加速度序列的步骤中,包括以下子步骤:
4.如权利要求3所述的桥梁结构非线性地震破坏力预测方法,其特征在于,在所述采用集合经验模态分解法对所述原始振动加速度序列进行分解处理,得到样本数据的步骤中,具体包括以下子步骤:
5.如权利要求1所述的桥梁结构非线性地震破坏力预测方法,其特征在于,在所述采用黑翅鸢算法基于样本数据对BiLSTM模型进行训练优化,得到优化后的BiLSTM模型的步骤中,具体包括以下子步骤:
6.如权利要求5所述的桥梁结构非线性地震破坏力预测方法,其特征在于,在所述计算每个个体在当前位置的适应度值的步骤中,具体包括以下子步
7.如权利要求5所述的桥梁结构非线性地震破坏力预测方法,其特征在于,在所述根据黑翅鸢的社会行为和捕食策略更新每个个体的位置和速度的步骤中:若个体更新后的位置对应的超参数超过了搜索范围,则将所述超参数的值设为搜索范围的边界值。
8.如权利要求1所述的桥梁结构非线性地震破坏力预测方法,其特征在于:所述BiLSTM模型包括输入层、隐藏层和全连接层;
9.一种桥梁结构非线性地震破坏力预测装置,其特征在于,包括:
10.如权利要求9所述的桥梁结构非线性地震破坏力预测装置,其特征在于,还包括:
...【技术特征摘要】
1.一种桥梁结构非线性地震破坏力预测方法,其特征在于,包括以下步骤:
2.如权利要求1所述的桥梁结构非线性地震破坏力预测方法,其特征在于,在所述将实时采集的加速度数据经集合经验模态分解法分解后输入优化后的bilstm模型中,输出预测的地震破坏力的步骤之后,还包括:
3.如权利要求1所述的桥梁结构非线性地震破坏力预测方法,其特征在于,在所述采集桥梁的历史地震响应加速度并进行预处理,得到原始振动加速度序列的步骤中,包括以下子步骤:
4.如权利要求3所述的桥梁结构非线性地震破坏力预测方法,其特征在于,在所述采用集合经验模态分解法对所述原始振动加速度序列进行分解处理,得到样本数据的步骤中,具体包括以下子步骤:
5.如权利要求1所述的桥梁结构非线性地震破坏力预测方法,其特征在于,在所述采用黑翅鸢算法基于样本数据对bils...
【专利技术属性】
技术研发人员:何盈盈,陈滢生,张利凯,李国庆,刘蝶,王飞雪,
申请(专利权)人:重庆人文科技学院,
类型:发明
国别省市:
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。