技术特征：
1.一种基于混合输入神经网络模型的桥梁热边界条件预测方法，其特征在于，所述方法包括：获取样本数据，所述样本数据包括气象数据和表面角度数据和第三类热边界条件；对所述样本数据进行处理，得到数据集；构建混合输入神经网络模型，所述混合输入神经网络模型为具有两个分支的多输入神经网络，第一个分支是多层感知器，用于处理所述数据集中的表面角度数据，识别表面位置；第二个分支是循环神经网络，用于对所述数据集中的气象数据进行操作，并记忆不同时间长度的数值依赖关系；将两个分支输出的数据串联后，通过全连接的多层感知器后，得到模型的输出结果；根据所述输出结果和所述第三类热边界条件，对所述混合输入神经网络模型调整参数和优化，得到训练好的混合输入神经网络模型；将获取的气象数据和表面角度数据输入所述训练好的混合输入神经网络模型，得到预测结果，完成所需时间步内桥梁结构第三类热边界条件的预测。2.根据权利要求1所述的桥梁热边界条件预测方法，其特征在于，所述循环神经网络为长短期记忆神经网络，所述多层感知器包括第一隐藏层和第二隐藏层；所述将两个分支输出的数据串联后，通过全连接的多层感知器后，得到模型的输出结果，包括：将所述数据集中的气象数据输入所述长短期记忆神经网络，输出气象数据关系及网络状态；将所述数据集中的表面角度数据输入所述多层感知器的输入层，将输入层的输出结果输入第一隐藏层；将所述长短期记忆神经网络输出的数据与第一个隐藏层输出的数据进行串联，经过多层感知器的全连接层后，将连接层处理后的数据输入第二隐藏层；将第二隐藏层的输出输入所述多层感知器的输出层，输出层输出的结果为所述混合输入神经网络模型的输出值；其中，第一个隐藏层的激活函数为leakyrelu。3.根据权利要求1所述的桥梁热边界条件预测方法，其特征在于，所述数据集分为训练集和测试集；所述混合输入神经网络模型为两个，即第一输入神经网络模型和第二输入神经网络模型；根据所述输出结果和所述第三类热边界条件，混合输入神经网络模型自动调整超参数和优化，得到训练好的混合输入神经网络模型，包括：为了提高混合输入神经网络模型的预测性能，利用与顶板、东西腹板受照部分、东西翼缘外端表面会在日出时段受到太阳直接辐射表面的表面角度数据对应的训练集中的气象数据和表面角度数据输入所述第一输入神经网络模型，得到模型的输出结果；根据对应的训练集中的第三类热边界条件和输出结果，对所述第一输入神经网络模型进行参数调整和优化；同理，利用与底板、东西腹板未受照部分、东西翼缘底面始终不会受到太阳直接辐射表面的表面角度数据对应的训练集对所述第二混合输入神经网络模型进行训练；
采用所述测试集的均方误差作为所述第一、第二混合输入神经网络模型的损失函数；在训练过程中，若连续k个周期内损失函数停止下降，则停止训练，即得到训练好的第一、第二混合输入神经网络模型，其中，k为设定阈值。4.根据权利要求3所述的桥梁热边界条件预测方法，其特征在于，所述将获取的气象数据和表面角度数据输入所述训练好的混合输入神经网络模型，得到预测结果，完成所需时间步内桥梁结构第三类热边界条件的预测，包括：根据获取的表面角度数据，从所述训练好的第一、第二混合输入神经网络模型中选择一个相应的混合输入神经网络模型；将获取的气象数据和表面角度数据输入选择的混合输入神经网络模型中，对混合输入神经网络模型输出的值进行反标准化处理，得到预测结果。5.根据权利要求1所述的桥梁热边界条件预测方法，其特征在于，所述对所述样本数据进行处理，得到数据集，包括：对所述样本数据进行结构转换，得到转换后样本数据；将所述转换后样本数据中的气象数据和第三类热边界条件进行z-score标准化处理，处理后的气象数据和第三类热边界条件，以及转换后样本数据中的表面角度数据构成数据集。6.根据权利要求5所述的桥梁热边界条件预测方法，其特征在于，所述表面角度数据包括顶板、底板、东腹板及西腹板、东翼缘及西翼缘表面的倾角α以及表面方位角β；所述对样本数据进行结构转换，得到转换后样本数据，包括：将所述样本数据的气象数据改造为三维张量格式，得到改造后气象数据；其中，第一个维度为转化后的样本总量，该参数可缺省；第二个维度为神经网络层每个批次时序数据的步长，决定了循环结构在不同时间状态上的展开次数；第三个维度为气象数据的特征数目；将所述样本数据的表面角度数据变换成三维张量格式，得到变换后表面角度数据，包括：求倾角α的余弦与表面方位角β的余弦及正弦；将倾角α的余弦与表面方位角β的余弦及正弦堆叠处理成三维张量格式；所述改造后气象数据、变换后表面角度数据以及第三类热边界条件构成转换后样本数据。7.根据权利要求5所述的桥梁热边界条件预测方法，其特征在于，所述第三类热边界条件包括综合气温和综合换热系数。8.根据权利要求1～7任一项所述的桥梁热边界条件预测方法，其特征在于，所述气象数据包括天顶角、环境温度、降雨量、风速、云层覆盖率和相对湿度。9.一种基于混合输入神经网络模型的桥梁热边界条件预测装置，其特征在于，所述装置包括：数据获取模块，用于获取样本数据，所述样本数据包括气象数据和表面角度数据和第三类热边界条件；数据处理模块，用于对所述样本数据进行处理，得到数据集；模型构建模块，用于构建混合输入神经网络模型，所述混合输入神经网络模型为具有两个分支的多输入神经网络，第一个分支是多层感知器，用于处理所述数据集中的表面角
度数据，识别表面位置；第二个分支是循环神经网络，用于对所述数据集中的气象数据进行操作，并记忆不同时间长度的数值依赖关系；将两个分支输出的数据串联后，通过全连接的多层感知器后，得到模型的输出结果；模型训练模块，用于根据所述输出结果和所述第三类热边界条件，对所述混合输入神经网络模型调整参数和优化，得到训练好的混合输入神经网络模型；结果预测模块，用于将获取的气象数据和表面角度数据输入所述训练好的混合输入神经网络模型，得到预测结果，完成所需时间步内桥梁结构第三类热边界条件的预测。10.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-8任一项所述的桥梁热边界条件预测方法。
技术总结
本发明公开了一种基于混合输入神经网络模型的桥梁热边界条件预测方法、装置、计算机设备和存储介质，所述方法包括：获取样本数据并进行处理，得到数据集；混合输入神经网络模型包括多层感知器和循环神经网络两个分支，多层感知器用于处理数据集中的表面角度数据，识别表面位置；循环神经网络用于对数据集中的气象数据进行操作，并记忆不同时间长度的数值依赖关系；将两个分支输出的数据串联后，通过全连接的多层感知器后，得到模型的输出结果；利用数据集训练模型，将获取的气象数据和表面角度数据输入训练好的模型，得到预测结果，完成所需时间步内桥梁结构热边界条件的预测。本发明提供的方法，预测精度高，具有很好的工程实用性。用性。用性。
技术研发人员：周林仁 陈钰萌 陈兰
受保护的技术使用者：华南理工大学
技术研发日：2022.06.01
技术公布日：2022/9/19