[發(fā)明專利]高層建筑長(zhǎng)期風(fēng)壓缺失數(shù)據(jù)補(bǔ)全方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202111026123.9
• 申請(qǐng)日: 2021-09-02
• 公開(kāi)（公告）號(hào): CN113688770A
• 公開(kāi)（公告）日: 2021-11-23
• 發(fā)明（設(shè)計(jì)）人: 陳增順;白杰;許葉萌;劉森云;梅俊;譚樹(shù)清
• 申請(qǐng)（專利權(quán)）人: 重慶大學(xué);四川前沿空間科技有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;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)了一種高層建筑長(zhǎng)期風(fēng)壓缺失數(shù)據(jù)補(bǔ)全方法及裝置，包括采集高層建筑的風(fēng)壓數(shù)據(jù)，確定缺失數(shù)據(jù)測(cè)點(diǎn)、歷史風(fēng)壓數(shù)據(jù)以及周圍風(fēng)壓數(shù)據(jù)，并將歷史風(fēng)壓數(shù)據(jù)及其周圍風(fēng)壓數(shù)據(jù)分別按時(shí)序整合成風(fēng)壓數(shù)據(jù)序列矩陣；采用經(jīng)驗(yàn)?zāi)B(tài)分解算法將所述風(fēng)壓數(shù)據(jù)序列矩陣進(jìn)行分解得到EMD分解數(shù)據(jù)樣本；將EMD分解數(shù)據(jù)樣本和缺失數(shù)據(jù)測(cè)點(diǎn)輸入CNN?BiGRU神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行模型訓(xùn)練；當(dāng)實(shí)時(shí)風(fēng)壓數(shù)據(jù)缺失時(shí)，通過(guò)CNN?BiGRU神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)得到的風(fēng)壓預(yù)測(cè)數(shù)據(jù)對(duì)缺失數(shù)據(jù)進(jìn)行補(bǔ)全；本發(fā)明基于EMD算法與CNN?BiGRU模型實(shí)現(xiàn)，使得風(fēng)壓預(yù)測(cè)數(shù)據(jù)的預(yù)測(cè)精度高，能夠準(zhǔn)確評(píng)估高層建筑的表面風(fēng)壓。

技術(shù)領(lǐng)域

本發(fā)明涉及建筑結(jié)構(gòu)風(fēng)壓預(yù)測(cè)技術(shù)領(lǐng)域，特別是涉及一種高層建筑長(zhǎng)期風(fēng)壓缺失數(shù)據(jù)補(bǔ)全方法及裝置。

背景技術(shù)

風(fēng)壓傳感器對(duì)于評(píng)估建筑物表面壓力具有重要意義，但是，某些風(fēng)壓傳感器在長(zhǎng)期運(yùn)行過(guò)程中會(huì)發(fā)生大規(guī)模的風(fēng)壓數(shù)據(jù)失效或者異常從而導(dǎo)致建筑物表面風(fēng)壓在較長(zhǎng)期間內(nèi)大規(guī)模的數(shù)據(jù)丟失，并且這些數(shù)據(jù)難以恢復(fù)。

目前，基于人工智能方法對(duì)高層建筑缺失風(fēng)壓數(shù)據(jù)預(yù)測(cè)方法主要分為兩種：一種是“淺層”機(jī)器學(xué)習(xí)方法，風(fēng)壓數(shù)據(jù)具有高度非線性和非平穩(wěn)性，“淺層”的模型對(duì)風(fēng)荷載的短期預(yù)測(cè)具有一定的局限性，無(wú)法處理海量的監(jiān)測(cè)數(shù)據(jù)且準(zhǔn)確率較低；另一種方法是傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型，具有普遍性、效率高等特點(diǎn)，但準(zhǔn)確性有待進(jìn)一步的提高。因此，有必要進(jìn)一步提高傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型的精度，開(kāi)展既準(zhǔn)確又實(shí)時(shí)的高層建筑風(fēng)壓預(yù)測(cè)工作。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的在于提供一種高層建筑長(zhǎng)期風(fēng)壓缺失數(shù)據(jù)補(bǔ)全方法及裝置，以解決現(xiàn)有技術(shù)中高層建筑表面風(fēng)壓數(shù)據(jù)大規(guī)模缺失后難以準(zhǔn)確預(yù)測(cè)、補(bǔ)全的問(wèn)題。

為達(dá)到上述目的，本發(fā)明的一方面提供一種高層建筑長(zhǎng)期風(fēng)壓缺失數(shù)據(jù)補(bǔ)全方法，具體包括以下步驟：

S1：采集高層建筑的風(fēng)壓數(shù)據(jù)，確定缺失數(shù)據(jù)測(cè)點(diǎn)，選擇缺失數(shù)據(jù)測(cè)點(diǎn)的歷史風(fēng)壓數(shù)據(jù)以及每一缺失數(shù)據(jù)測(cè)點(diǎn)對(duì)應(yīng)的周圍數(shù)據(jù)測(cè)點(diǎn)的測(cè)得的周圍風(fēng)壓數(shù)據(jù)，并將所述歷史風(fēng)壓數(shù)據(jù)及其周圍風(fēng)壓數(shù)據(jù)分別按時(shí)序整合成風(fēng)壓數(shù)據(jù)序列矩陣；

S2：采用經(jīng)驗(yàn)?zāi)B(tài)分解算法將所述風(fēng)壓數(shù)據(jù)序列矩陣進(jìn)行分解為IMF分量和RES分量，得到EMD分解數(shù)據(jù)樣本；

S3：將EMD分解數(shù)據(jù)樣本和缺失數(shù)據(jù)測(cè)點(diǎn)測(cè)得的歷史風(fēng)壓數(shù)據(jù)輸入CNN-BiGRU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)，得到訓(xùn)練好的CNN-BiGRU神經(jīng)網(wǎng)絡(luò)模型；

S4：采集高層建筑的實(shí)時(shí)風(fēng)壓數(shù)據(jù)，當(dāng)實(shí)時(shí)風(fēng)壓數(shù)據(jù)缺失時(shí)，將數(shù)據(jù)缺失之前的風(fēng)壓數(shù)據(jù)及其周圍風(fēng)壓數(shù)據(jù)輸入訓(xùn)練好的CNN-BiGRU神經(jīng)網(wǎng)絡(luò)模型中，通過(guò)CNN-BiGRU神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)得到風(fēng)壓預(yù)測(cè)數(shù)據(jù)，利用該風(fēng)壓預(yù)測(cè)數(shù)據(jù)對(duì)缺失數(shù)據(jù)進(jìn)行補(bǔ)全。

進(jìn)一步的，在所述步驟S2中，所述風(fēng)壓數(shù)據(jù)序列矩陣中包括有歷史風(fēng)壓數(shù)據(jù)序列及其周圍風(fēng)壓數(shù)據(jù)序列，所述歷史風(fēng)壓數(shù)據(jù)序列及其周圍風(fēng)壓數(shù)據(jù)序列記為原始風(fēng)壓數(shù)據(jù)序列，分別對(duì)各原始風(fēng)壓數(shù)據(jù)序列矩陣進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，其具體步驟為：

S201：篩選出原始風(fēng)壓數(shù)據(jù)序列中所有的極大值點(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)行擬合得到原始風(fēng)壓數(shù)據(jù)序列的上包絡(luò)線和下包絡(luò)線；

S202：根據(jù)所述上包絡(luò)線和下包絡(luò)線計(jì)算所述原始風(fēng)壓數(shù)據(jù)序列的均值包絡(luò)，并計(jì)算所述原始風(fēng)壓數(shù)據(jù)序列與均值包絡(luò)之間的差值得到第一風(fēng)壓數(shù)據(jù)序列；

S203：判斷所述第一風(fēng)壓數(shù)據(jù)序列是否滿足IMF分量成立的條件，若滿足，則執(zhí)行步驟S204，若不滿足，則對(duì)第一風(fēng)壓數(shù)據(jù)序列重復(fù)執(zhí)行步驟S201-S202，直至重復(fù)m次后得到的第i個(gè)風(fēng)壓數(shù)據(jù)序列滿足IMF分量成立的條件為止；

S204：將第i個(gè)風(fēng)壓數(shù)據(jù)序列作為所述原始風(fēng)壓數(shù)據(jù)序列的第一個(gè)IMF分量，并將該第一個(gè)IMF分量從原始風(fēng)壓數(shù)據(jù)序列中分離得到第一剩余風(fēng)壓數(shù)據(jù)序列；