[發明專利]一種基于深度學習的不同外形橋梁自激振動預測建模方法

在審

• 申請號: 202110755728.5
• 申請日: 2021-07-05
• 公開（公告）號: CN113656859A
• 公開（公告）日: 2021-11-16
• 發明（設計）人: 賴馬樹金;李文杰;李惠
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G06F30/13
• 分類號: G06F30/13;G06F30/20;G06N3/04;G06N3/08
• 代理公司: 哈爾濱市哈科專利事務所有限責任公司 23101
• 代理人: 吳振剛

1.一種基于深度學習的不同外形橋梁自激振動預測建模方法，其特征在于，方法步驟如下：

步驟一，對具有不同氣動外形的大跨度橋梁主梁模型開展不同來流風速U下的自激振動試驗，設描述氣動外形的n個參數為S＝(S₁，S₂，...，S_n)，采用激光位移計測量模型自激振動的豎向和扭轉位移(h，α)，采用雙天平測力方法測量模型發生自激振動時所受到的豎向和扭轉氣動自激力(F_se，T_se)，采樣頻率均設為10000Hz，對位移和氣動自激力數據進行降采樣至50Hz，同時以75％重疊率將所有位移和氣動自激力時程分割為4分鐘長的信號樣本；

步驟二，采用2層長短期記憶神經網絡作為氣動自激力模型的基本架構，每層神經元數為32，長短期記憶神經網絡步長設置為40，以來流風速、氣動外形參數、自激振動的豎向和扭轉位移和速度作為神經網絡的輸入，以氣動自激力(F_se，T_se)作為神經網絡的輸出，采用Newmark-β法由上一時間步的長短期記憶神經網絡的輸出計算出下一時間步的長短期記憶神經網絡的輸入；將處理后的信號樣本輸入到改進的長短期記憶神經網絡中采樣Adam梯度下降策略訓練神經網絡，采樣提前終止訓練策略防止長短期記憶神經網絡過擬合。

2.根據權利要求1所述的一種基于深度學習的不同外形橋梁自激振動預測建模方法，其特征在于：步驟一中雙天平測力方法為試驗中采用雙測力天平來測量節段模型所受到的氣動自激力，將兩個測力天平分別布置在主梁模型兩側，即模型僅與測力天平相連、測力天平再與彈簧裝置相連，在這種連接方式下，節段模型所受外力僅包括自身重力、測力天平與模型連接的阻尼力、測力天平對模型的支反力以及空氣對模型作用的氣動自激力，當模型發生振動時，由于測力天平與模型之間通過螺栓固緊，忽略其阻尼力，由達朗貝爾原理，測力天平之間模型部分的力平衡方程為：

式中，F_I和T_I為模型所受到的慣性力，F_R和T_R為測力天平對模型的支反力，與測力天平受到的作用力大小相等，方向相反，其中模型慣性力為：

式(2)中，m_sec和J_sec為兩測力天平之間模型部分的質量和轉動慣量；和分別為模型豎向加速度和扭轉角加速度；

由式(1)和(2)，模型所受到的氣動自激力由下式計算：

3.根據權利要求1或2所述的一種基于深度學習的不同外形橋梁自激振動預測建模方法，其特征在于：步驟二中，第t步長短期記憶神經網絡輸入長短期記憶神經網絡計算公式為：

f_t＝σ(W_f·[y_t-1，x_t]+b_f) (4a)

i_t＝σ(W_i·[y_t-1，x_t]+b_i) (4b)

o_t＝σ(W_o·[y_t-1，x_t]+b_o) (4c)

y_t＝o_t*tanh(C_t) (4f)

y_t即為長短期記憶神經網絡輸出的氣動自激力上標～表示由長短期記憶神經網絡計算得到，以便與測量得到的氣動自激力進行區別；W_f，W_i，W_o，W_c和b_f，b_i，b_o，b_c分為長短期記憶神經網絡的權重和偏置，激活函數σ和tanh為：

采用Newmark-β法來改進長短期記憶神經網絡，第t步長短期記憶神經網絡輸入變更為式中由上一步長短期記憶神經網絡輸出的氣動自激力通過Newmark-β法計算得到；

改進的長短期記憶神經網絡損失函數L為：

式中變量帶Amp下標的表示該變量的瞬時幅值，由該變量時程的外包絡線計算得到；變量帶上標～的表示由長短期記憶神經網絡計算得到，否則為試驗測量量，通過Adam梯度下降策略最小化損失函數L即能夠訓練改進的長短期記憶神經網絡，進而獲得物理融合的長短期記憶神經網絡氣動自激力模型。