[發(fā)明專(zhuān)利]基于EMD-DNN的振動(dòng)臺(tái)結(jié)構(gòu)位移響應(yīng)預(yù)測(cè)方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202110927658.7
• 申請(qǐng)日: 2021-08-13
• 公開(kāi)（公告）號(hào): CN113465732B
• 公開(kāi)（公告）日: 2022-04-05
• 發(fā)明（設(shè)計(jì)）人: 陳增順;張利凱;付軍;袁晨峰;王思宇;高霖
• 申請(qǐng)（專(zhuān)利權(quán)）人: 重慶大學(xué)
• 主分類(lèi)號(hào): G01H17/00
• 分類(lèi)號(hào): G01H17/00;G01M7/02;G06N3/04;G06N3/08
• 代理公司: 重慶樂(lè)泰知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 50221
• 代理人: 雷鈔

本發(fā)明公開(kāi)了一種基于EMD?DNN的振動(dòng)臺(tái)結(jié)構(gòu)位移響應(yīng)預(yù)測(cè)方法及裝置，采集振動(dòng)臺(tái)加速度時(shí)程記錄，并將該加速度時(shí)程記錄分為訓(xùn)練集和測(cè)試集；對(duì)訓(xùn)練集中的加速度時(shí)程記錄依次進(jìn)行二次數(shù)值積分和經(jīng)驗(yàn)?zāi)B(tài)分解，獲得訓(xùn)練樣本集；將訓(xùn)練樣本集輸入預(yù)先構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)模型中，進(jìn)行迭代訓(xùn)練，優(yōu)化模型參數(shù)，得到優(yōu)化后的深度神經(jīng)網(wǎng)絡(luò)模型；將測(cè)試集輸入優(yōu)化后的深度神經(jīng)網(wǎng)絡(luò)模型中，預(yù)測(cè)得到振動(dòng)臺(tái)的位移時(shí)程曲線，進(jìn)而還原振動(dòng)臺(tái)真實(shí)的結(jié)構(gòu)位移響應(yīng)；本發(fā)明基于經(jīng)驗(yàn)?zāi)B(tài)分解和深度神經(jīng)網(wǎng)絡(luò)模型，整個(gè)過(guò)程具有自適應(yīng)性，適用范圍廣，預(yù)測(cè)精度高。

技術(shù)領(lǐng)域

本發(fā)明涉及土木結(jié)構(gòu)振動(dòng)響應(yīng)技術(shù)領(lǐng)域，具體公開(kāi)了一種基于EMD-DNN的振動(dòng)臺(tái)結(jié)構(gòu)位移響應(yīng)預(yù)測(cè)方法及裝置。

背景技術(shù)

在研究土木結(jié)構(gòu)工程的振動(dòng)效應(yīng)時(shí)，振動(dòng)臺(tái)可以很好的再現(xiàn)地震過(guò)程和進(jìn)行人工地震波的試驗(yàn)，是實(shí)驗(yàn)室研究結(jié)構(gòu)地震反應(yīng)和破壞機(jī)理最直接的方法。由于振動(dòng)臺(tái)試驗(yàn)采集系統(tǒng)的通道數(shù)量有限，無(wú)法同時(shí)采集大量的加速度和位移數(shù)據(jù)，因此，在對(duì)工程結(jié)構(gòu)的地震位移響應(yīng)進(jìn)行研究時(shí)，對(duì)采集到的加速度數(shù)據(jù)進(jìn)行數(shù)值積分是得到結(jié)構(gòu)位移響應(yīng)的主要手段，但由于記錄的數(shù)據(jù)與來(lái)自環(huán)境振動(dòng)或儀器本身振動(dòng)產(chǎn)生的低頻噪聲混合、操縱誤差、換能器遲滯、假定的速度或位移初始值與實(shí)際情況不一致等原因，使得加速度在積分時(shí)會(huì)造成基線漂移，從而導(dǎo)致無(wú)法還原真實(shí)的結(jié)構(gòu)位移響應(yīng)。

目前，在加速度積分過(guò)程中對(duì)基線進(jìn)行校正的方法主要有兩類(lèi)，一類(lèi)是采用最小二乘法消除初始速度和位移與實(shí)際不一致產(chǎn)生的基線漂移誤差，但該方法的校正效果較差且適用范圍較窄；另一類(lèi)是將傳統(tǒng)基線校正位移與目標(biāo)最終位移的偏移量作為指標(biāo)，調(diào)整地震動(dòng)記錄的加速度時(shí)程(即對(duì)地震動(dòng)記錄的偽靜分量進(jìn)行修正)，最終二次積分得到目標(biāo)最終位移，達(dá)到最終位移與目標(biāo)最終位移一致，但該方法基于實(shí)驗(yàn)人員自主調(diào)節(jié)參數(shù)實(shí)現(xiàn)，不具備自適應(yīng)性，也無(wú)法消除或最小化基線漂移時(shí)產(chǎn)生的誤差，以致于不能重現(xiàn)真實(shí)的結(jié)構(gòu)位移響應(yīng)。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的在于提供一種基于EMD-DNN的振動(dòng)臺(tái)結(jié)構(gòu)位移響應(yīng)預(yù)測(cè)方法及裝置，以解決采用傳統(tǒng)方法進(jìn)行結(jié)構(gòu)位移響應(yīng)預(yù)測(cè)時(shí)基線校正不具有自適應(yīng)性、適用范圍較窄以及預(yù)測(cè)精度不高的問(wèn)題。

為達(dá)到上述目的，本發(fā)明提供一種基于EMD-DNN的振動(dòng)臺(tái)結(jié)構(gòu)位移響應(yīng)預(yù)測(cè)方法，包括以下步驟：

S1：采集振動(dòng)臺(tái)加速度時(shí)程記錄，并將該加速度時(shí)程記錄分為訓(xùn)練集和測(cè)試集；

S2：對(duì)訓(xùn)練集中的加速度時(shí)程記錄依次進(jìn)行二次數(shù)值積分和經(jīng)驗(yàn)?zāi)B(tài)分解，獲得訓(xùn)練樣本集；

S3：將訓(xùn)練樣本集輸入深度神經(jīng)網(wǎng)絡(luò)模型中，進(jìn)行迭代訓(xùn)練，優(yōu)化模型參數(shù)，得到優(yōu)化后的深度神經(jīng)網(wǎng)絡(luò)模型；

S4：將測(cè)試集作為實(shí)時(shí)采集的加速度時(shí)程記錄輸入優(yōu)化后的深度神經(jīng)網(wǎng)絡(luò)模型中，預(yù)測(cè)所述振動(dòng)臺(tái)的位移時(shí)程曲線，得到該振動(dòng)臺(tái)實(shí)際的結(jié)構(gòu)位移響應(yīng)。

進(jìn)一步的，所述步驟S2獲得訓(xùn)練樣本集的具體步驟為：

S201：對(duì)訓(xùn)練集中的所有加速度時(shí)程記錄進(jìn)行數(shù)值積分得到速度時(shí)程曲線；

S202：對(duì)所述速度時(shí)程曲線進(jìn)行數(shù)值積分得到漂移位移時(shí)程曲線；

S203：采用經(jīng)驗(yàn)?zāi)B(tài)分解將所述漂移位移時(shí)程曲線分解為多個(gè)imf分量以及剩余分量，并以分解得到所有的imf分量和步驟S202中得到的漂移位移時(shí)程曲線作為訓(xùn)練樣本集輸入所述深度神經(jīng)網(wǎng)絡(luò)模型。

進(jìn)一步的，所述步驟S203中對(duì)漂移位移時(shí)程曲線進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解得到多個(gè)imf分量和剩余分量的具體步驟為：

S2031：篩選出漂移位移時(shí)程曲線中所有的極大值點(diǎn)和極小值點(diǎn)，對(duì)所述極大值點(diǎn)和極小值點(diǎn)分別進(jìn)行擬合得到所述漂移位移時(shí)程曲線的上包絡(luò)線和下包絡(luò)線；