一种基于LSTM的结构动力响应预测方法与流程

本发明属于土木结构工程与计算机科学的交叉领域，特别涉及一种基于lstm的结构动力响应预测方法。

背景技术：

特殊地区的工程结构不可避免地经历极端荷载(如地震、台风等)，在极端荷载作用下结构应力-应变关系非常复杂，在一定阶段呈现出非线性特征。传统的极端荷载作用下的结构动力响应预测方法，需要知道结构材料当前的物理状态，通过建立物理模型并迭代求解结构的控制方程，计算得到极端荷载作用下的结构动力响应，但当结构较复杂或结构长期服役后，其内部结构与材料性质都发生了改变，因而假设的物理模型往往不正确。

随着数据分析手段的进步以及以往大量工程数据的累积，机器学习在已广泛应用在解决工程问题。本发明应用机器学习，能根据原位实时监测数据预测极端荷载作用下的结构动力响应，并实时更新模型，进一步地可以实现对服役期的结构物的灾害预警。

技术实现要素：

为了通过原位实时的监测数据准确预测服役期结构的塑性阶段动力响应的技术问题，本发明提供了一种基于lstm的结构动力响应预测方法，具体步骤如下：

一种基于lstm的结构动力响应预测方法，包括以下步骤：

(1)首先通过有限元计算或现场实测得到极端荷载作用下的的结构动力响应，并进行分类、整理、排序，建立样本库。其中得到结构极端荷载作用下的结构动力响应的方法具体为：

对于长期服役后的结构，通过布设应变片，测得结构在结构极端荷载作用下的动力响应；

对于全新的结构，知道其物理参数时，可以通过有限元弹塑性本构理论计算得到结构极端荷载作用下的结构响应。

(2)建立lstm的结构动力响应预测模型，并进行训练。

(3)测试阶段，将现场实际加载条件，输入步骤(2)中训练好的lstm网络，得到预测的结构动力响应。

进一步地，所述的基于lstm的极端荷载作用下的的结构动力响应预测方法中，其预测的动力响应具体可以是：结构的位移、应力、应变、内力、结构反力等。其输入的加载条件具体可以是：位移加载、力加载、地震荷载、风荷载等。

进一步地，所述的基于lstm的极端荷载作用下的的结构动力响应预测方法中，其特征在于，所述的步骤(2)中，内置在生成网络g中的长短时记忆法网络，长短时记忆法网络根据结构加载条件预测结构的动力响应。长短时记忆法网络结构如下：

1)输入层：将加载条件作为输入，经过一次权重和偏置的转化，再进入激活函数tanh，再将数据转化为一个三维数组，作为进入隐藏层的输入，x坐标为进入此批训练批次数batch_size，y坐标为一个batch的数据条数，也就是一次进入长短时记忆模型lstm训练的数据数量，z坐标为cell_size，即隐藏层单元数；

2)隐藏层：将处理好的数据，以及上一次lstm单元得到的隐藏层状态输入lstm单元，如果第一次训练，需将隐藏层初始化为0，经过输入门、遗忘门、输出门，得到隐藏层输出数据以及此时的隐藏层状态；

3)输出层：将隐藏层得到的输出进行再变形，并经过输出层权重和偏置的转化，预测得到下一个时刻动力响应的特征。

4)其他：训练期间的反响传播中，权重、偏置、隐藏层状态的调整都由loss损失函数来确定，通过构造损失函数并进行梯度下降处理，反向传播修正各个参数。

进一步地，所述的基于lstm的极端荷载作用下的的结构动力响应预测方法，其特征在于，所述的步骤(3)中，现场实际加载条件可以根据实际情况测得，或者通过灾害预报估算结构可能遭受到的荷载强度。

本发明的有益效果是：

本发明能高效地根据服役期结构的原位监测数据预测结构在极端荷载作用下的动力响应。在以往的预测结构在极端荷载作用下动力响应的方法中，需要基于结构当前的物理状态建立物理模型并结合弹塑性本构方程预测结构动力响应。区别于以往的预测方法，本发明通过数据驱动的方式，可以避开建立物理模型的过程，通过学习结构的历史响应来预测极端荷载作用下的结构响应。避开建立物理模型的好处在于，减少了因结构性能退化而物理状态不明，进而导致的预测误差，同时也避免了为获得结构物理状态对结构物不可避免的取样测试。此外，本发明可以使用过程中，能通过不断更新样本库实现自更新，满足了土木工程结构运营期结构状态监测的需求。

附图说明

图1是长短时记忆法网络结构图；

图2是有限元计算基于的修正双曲线本构模型的简图；

图3是预测效果图；

具体实施方式

下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明的基于lstm的结构动力响应预测方法，具体步骤如下：

(1)首先通过有限元计算或现场实测得到结构极端荷载作用下结构的动力响应，并进行分类、整理、排序，建立样本库。得到极端荷载作用下的结构物动力响应的方法具体为：1.对于长期服役后的结构，通过布设应变片，测得结构在极端荷载作用下的动力响应；2.对于全新的结构，知道其物理参数时，可以通过通过有限元弹塑性本构理论计算得到结构极端荷载作用下的结构响应。其预测的动力响应具体可以是：结构的位移、应力、应变、内力、结构反力等。其输入的加载条件具体可以是：位移加载、力加载、地震荷载、风荷载等。

具体的实施例中，通过基于修正双曲面本构模型(如图2所示)的有限单元法，计算得到550组随机拉压荷载下钢结构在塑性阶段的动力响应，取其中500组建立训练样本库，取剩下的50组建立验证集。

(2)建立lstm的结构动力响应预测模型，并进行训练。长短时记忆法网络结构如下：

①输入层：将荷载条件作为输入，经过一次权重和偏置的转化，再进入激活函数tanh，再将数据转化为一个三维数组，作为进入隐藏层的输入，x坐标为进入此批训练批次数batch_size，y坐标为一个batch的数据条数，也就是一次进入长短时记忆模型lstm训练的数据数量，z坐标为cell_size，即隐藏层单元数；

②隐藏层：将处理好的数据，以及上一次lstm单元得到的隐藏层状态输入lstm单元，如果第一次训练，需将隐藏层初始化为0，经过输入门、遗忘门、输出门，得到隐藏层输出数据以及此时的隐藏层状态；

③输出层：将隐藏层得到的输出进行再变形，并经过输出层权重和偏置的转化，预测得到下一个时刻动力响应的特征。

④其他：训练期间的反响传播中，权重、偏置、隐藏层状态的调整都由loss损失函数来确定，通过构造损失函数并进行梯度下降处理，反向传播修正各个参数。

本实施例中，网络内参数设置为time_steps＝1；batch_size＝5；input_size＝1；学习率0.006。

(3)测试阶段，将现场实际加载条件，输入步骤2中训练好的lstm网络，得到预测的结构动力响应。现场实际加载条件可以根据实际情况测得，或者通过灾害预报估算结构可能遭受到的荷载强度。

具体的实施例中，将验证集中的50组样本，输入步骤2中训练好的lstm网络，得到预测的塑性阶段的动力响应，并与真实的动力响应进行比对，如图3所示。图3中直线表示在往复位移加载下结构真实的应力响应，虚线表示lstm网络模型计算出的应力响应，可见lstm网络模型能通过学习，较好地预测未知物理状态的结构在极端荷载作用下的动力响应。

本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。