一种公共钢结构建筑微应变预测方法及系统

1.本发明属于结构应变预测技术领域，具体涉及一种公共钢结构建筑微应变预测方法及系统。


背景技术：

2.随着我国社会经济高速发展，文娱体育活动的需要，国家基础建设步伐也不断加快，建筑结构的局面发生了巨大变化。钢结构建筑因具有自身具有强度高、重量轻、材料省、应力分布均匀、抗震性能高和施工速度快等优点。因此，被越来越多的钢结构建筑广泛的应用于博物馆、会展中心、体育场馆和机场航站楼。这标志着钢结构建筑发展进入新时期。钢结构建筑分析理论、设计理念的成熟和大众对建筑外观、空间的追求。钢结构建筑的规模越来越庞大、内部结构越来越复杂、造型越来越新颖独特、外观设计感越来越强，它成为了衡量国家建筑科技水平的重要指标之一，甚至成为一个国家在多个领域综合实力的体现。
3.钢结构建筑一般都是城市标志性公共建筑以及国际会议和重要赛事活动举办场地，通常人员密集度打。因此，在其结构设计和安全性能方面备受各方关注。但建筑结构在服役期间，暴露在自然环境中，易受到材料老化、构件锈蚀、复杂荷载、疲劳效应等耦合因素的影响，从而导致结构内部存在缺陷，外部损伤累积，耐久性性能降低。建筑物在不可预知的极端状况下会因不能承受预期的荷载，造成不可逆转的灾难性事故。这不仅会造成重大经济损失，还会危及人员生命安全。因此，针对钢结构建筑的应变问题，建立钢结构应变预测模型，利用有效的预测方法对钢结构建筑的结构耐久性分析和结构剩余寿命预测有重要的实际意义。国内外学者对钢结构建筑应变预测鲜有深入的研究。因此，研究有效的钢结构建筑应变预测方法有很大的必要性，而且有助于公共建筑的持续健康。


技术实现要素：

4.本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种公共钢结构建筑微应变预测方法及系统，解决现有的公共钢结构建筑健康监测中结构微应变预测缺乏有效方法的问题。
5.本发明采用以下技术方案：
6.一种公共钢结构建筑微应变预测方法，包括以下步骤：
7.s1、获取自然环境下公共钢结构建筑应变的历史数据，将历史数据转化成微应变数据；
8.s2、将步骤s1中的微应变数据划分为训练集和测试集，并对训练集和测试集进行数据预处理；
9.s3、利用变分模态分解方法对步骤s2预处理后的训练集进行自适应分解，获得多个不同频率且平稳度高的imf分量；
10.s4、利用步骤s3中训练集的imf分量训练gru预测模型，采用后向误差传播的方法，通过损失函数对权重参数、偏移参数进行调整更新，完成学习，确定gru预测模型的参数，得
到各个imf分量的gru微应变预测子模型；
11.s5、利用步骤s4得到的gru微应变预测子模型对下一时间段的数据进行预测，获得各 imf分量的微应变预测值o
(
'
n)
；将各个imf分量的微应变预测值o
(
'
n)
叠加后与步骤s2的测试集进行误差对比，完成公共钢结构建筑应变的预测。
12.具体的，步骤s2中，将微应变数据前8000个数据划分为训练集，将微应变数据的后200 个数据划分为测试集，然后分别对训练集和测试集进行数据清洗、数据降维和归一化处理。
13.具体的，步骤s3具体为：
14.s301、微应变数据vmd的分解，初始化模态u
k
、中心频率ω和带宽λ；
15.s302、更新初始化模态u
k
、中心频率ω、带宽λ；
16.s303、对于给定的判别精度e>0，若满足且停止迭代，获得多个不同频率且平稳度高的imf分量，否则返回s302，为的傅里叶变换，为的傅里叶变换。
17.进一步的，利用变分模态将微应变数据分解成5个调幅调频子信号，并通过自适应迭代搜寻变分模型最优解确定每个imf分量的频率中心和宽带，输入的参数量为1个，作为自然环境下公共钢结构建筑一年服役期的微应变数据；中间的隐藏层根据vmd确定为5个分量；输出的参数量为1个，即预测的钢结构微应变数值。
18.进一步的，步骤s302中，更新初始化模态u
k
、中心频率ω、带宽λ具体为：
[0019][0020][0021][0022]
其中，和分别代表f(ω)、μ
i
(ω)、λ(ω)和的傅里叶变换，n 代表迭代次数。
[0023]
具体的，步骤s4具体为：利用步骤s3训练集的imf分量训练gru预测模型，采用后向误差传播的方法；通过损失函数对权重参数、偏移参数进行调整更新，确定gru预测模型的参数，得到各个imf分量的gru微应变预测子模型。
[0024]
进一步的，利用损失函数对w
r w
z w
h w
o
求偏导，得到更新的中间参数，再通过中间参数依次迭代计算出样本的损失收敛，实现对gru模型参数的确定。
[0025]
更进一步的，对w
r w
z w
h w
o
求偏导得到更新的中间参数具体为：
[0026]
w
r
＝w
rz
+w
rh
[0027]
w
z
＝w
zz
+w
zh
[0028][0029]
其中，w
rz
、w
rh
为w
r
的拼接权重，w
zz
、w
zh
为w
z
的拼接权重，为w
h
的拼接权重， w
o
为gru的输出权重，是gru中隐藏层的权重。
[0030]
具体的，步骤s5中，最终的预测值o'为各个iimf分量的门控循环网络微应变深度预测子模型预测值之和：
[0031]
o’＝o’(1)
+o’(2)
+
…
+o’(n)
[0032]
其中，o’(n)
为每个imf分量的门控循环网络微应变深度预测子模型的预测值。
[0033]
本发明的另一技术方案是，一种公共钢结构建筑微应变预测系统，包括：
[0034]
数据模块，获取自然环境下公共钢结构建筑应变的历史数据，利用相应公式将历史数据转化成微应变数据；
[0035]
划分模块，将数据模块中的微应变数据划分为训练集和测试集，并对训练集和测试集进行数据预处理；
[0036]
分解模块，利用变分模态分解方法对划分模块预处理后的训练集进行自适应分解，获得多个不同频率且平稳度高的imf分量；
[0037]
学习模块，利用分解模块中训练集的imf分量训练gru预测模型，采用门控循环网络的后向误差传播方法，通过损失函数对权重参数、偏移参数进行调整更新，完成学习，确定gru 预测模型的参数，得到各个imf分量的gru微应变预测子模型；
[0038]
预测模块，利用学习模块得到的gru微应变预测子模型对下一时间段的数据进行预测，获得各imf分量的微应变预测值o’(n)
；将各个imf分量的微应变预测值o’(n)
叠加后与与划分模块的测试集进行误差对比分析，完成公共钢结构建筑应变的预测。
[0039]
与现有技术相比，本发明至少具有以下有益效果：
[0040]
本发明一种公共钢结构建筑微应变预测方法，首先通过实际工程中采集的自然条件下的历史应变数据，获得公共钢结构建筑的应变历史记录；其次，利用相应公式将应变转换成微应变，使之具有更好的可视化效果，更好的捕捉数据随时间变化的关系；然后，对微应变数据进行预处理，通过数据清洗、数据降维和归一化处理，消除不良数据对建模的影响，提高网络训练速度，使得训练易于收敛；再引入变分模态分解(vmd)方法将数据序列分解为k(1,2,
…
n)个imf 变量，降低数据的波动性和不平稳性，更好的深入挖掘微应变imf分量时间序列的内嵌特征；再通过门控循环单元gru的损失函数和后向传播不断的优化更新权重参数和偏移参数，学习自然条件下内嵌的深度应变规律，确定模型参数，建立微应变预测应变子模型，克服了循环神经网络(rnn)存在梯度消失和梯度爆炸问题等缺点。
[0041]
进一步的，步骤s3中训练集和测试集的划分，利用历史微应变数据的测试集能更好的挖掘学习数据中的有用信息，而且通过真实的测试集数据验证利用训练集训练得到的模型准确性，使其具有更强的说服力。
[0042]
进一步的，步骤s3中变分模态分解(vmd)方法可以根据数据实际情况确定模态分解个数，并且在搜索和求解过程中可以自适应地匹配每个模态的最佳中心频率和带宽，并且可以实现固有模态分量(imf)的有效分离、信号的频域划分、进而得到实际数据复杂度低的、非强线性的时间序列的有效分解成分。
[0043]
进一步的，初始化各个参数的目的是设置好各个参数的初始值，更新模态中心
频率和拉格朗日乘数λ是为了得到多个具有不同中心频率的有限带宽的imf，将原时间序列进行信号频域的划分，并除去无用的噪声。
[0044]
进一步的，步骤s5中训练集用来训练微应变预测子模型，确定模型中的参数，如权重参数和偏移参数；训练集得到预测子模型后，使用测试集数据进行模型预测，性能评价；采用门控循环网络gru的方法训练微应变预测模型，是因为该方法具有较少的参数，所需样本较少，训练速度更快，且避免了传统循环神经网络rnn存在的长时记忆梯度消散的问题，它们能够保存长期序列中的信息，且不会随时间而清除或与预测不相关而移除，有利于处理时间序列延迟非常长的事件。
[0045]
进一步的，门控循环网络gru的后向传播，可使得它可以在误差允许的范围内，通过损失函数不断的优化更新权重参数和偏移参数，精确的学习自然条件下钢结构建筑应变预测方面的相关知识，并且后向传播在处理较多数据计算时在时耗方面更具优势。
[0046]
进一步的，对w
r w
z w
h w
o
权重参数求偏导得到更新中间参数，再通过中间参数依次迭代计算出样本的损失收敛，通过计算输出值和输入值之间的误差来不断调整网络中参数，进而使模型的预测效果，更好预测精度更准确。
[0047]
进一步的，将各个imf分量的预测值进行叠加后得到最终的预测值，然后将其与测试集进行对比，这比把测试集利用vmd分解后再与各个imf分量的预测值进行对比更加的快速省时。
[0048]
综上所述，本发明对钢结构建筑微应变过程中内部的力学和物理反应进行精确分析，克服已有的应变预测模型精度不高，易受各因素影响的不足，能够快速准确的预测钢结构应变结果； vmd模型根据实际情况确定微应变数据的imf个数、实现固有模态的有效分离，进行自适应分解，有效提取原始序列的细节特征，可以更细致掌握公共钢结构建筑的微应变时间序列的特征，大大提高了应变预测的精度。
[0049]
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0050]
图1为本发明的实现流程图；
[0051]
图2为vmd
‑
gru微应变预测模型的流程图；
[0052]
图3为gru模型原理图；
[0053]
图4为自然条件下钢结构微应变历史数据vmd分解后的imf1
‑
imf5模态分量；
[0054]
图5为四种钢结构微应变预测方法结果对比图。
[0055]
图6各预测模型的误差评价指标对比图。
具体实施方式
[0056]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0057]
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整
体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0058]
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0059]
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0060]
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
[0061]
请参阅图1，本发明一种公共钢结构建筑微应变预测方法，包括以下步骤：
[0062]
s1、获取自然环境下公共钢结构建筑应变的历史数据，利用相应公式将历史数据转化成微应变数据，使之具有更好的可视化效果，能更好的捕捉数据随时间变化的关系；
[0063]
s2、将步骤s1中的微应变数据划分成两部分，分别是训练集(前8000个数据)和测试集 (后200个数据)；对训练集和测试集进行数据预处理，通过数据清洗、数据降维和归一化处理，有效提高微应变数据质量；
[0064]
数据预处理，具体为：
[0065]
s201、对数据进行清洗，剔除异常数据并视为缺失项，利用插值法将缺失项和异常项补齐；
[0066]
s202、对数据集进行降维，在保证原数据信息量完整的情况下，尽可能减少无效、冗余和错误数据对建模训练的影响，提高模型的精准度，降低建模所需时间，达到高效分析的目的；
[0067]
s203、对微应变数据进行归一化处理，利用归一化公式将微应变数据映射到(0,1)区间，消除量纲单位不同造成的影响，同时提高网络训练速度，使得训练易于收敛。
[0068]
s3、利用变分模态分解方法对步骤s2中的训练集进行自适应分解，获得多个不同频率且平稳度高的imf分量；有效提取原始序列的细节特征，降低原始信号的不平稳度，提高预测精度；
[0069]
变分模态分解(variational mode decomposition)是一种自适应的模态变分和信号处理的方法，能够根据实际情况的确定所给信号和数据的模态分解个数、实现固有模态的有效分离。
[0070]
vmd采用二次惩罚和lagrange乘数将上述约束问题转化为非约束问题，并用交替方向乘子法求解这个非约束问题，通过迭代搜寻变分模型来确定模态u
k
(t)及其对应的中心频率和带宽自适应地将信号分解为若干个imf分量。
[0071]
s301、原始数据vmd的分解，初始化模态u
k
、中心频率ω和带宽λ；
[0072]
请参阅图4，将微应变历史数据用变分模态分解成5个调幅调频子信号，并通过迭代搜寻 vmd最优解确定每个imf的频率中心和宽带，实现各分量的有效分离。
[0073]
输入的参数量为1个，为自然环境下公共钢结构建筑各阶段服役期的原始微应变数据；中间的隐藏层根据变分模态分解确定为5个分量；输出的参数量为1个，即预测的钢结
构建筑应变数值。
[0074]
s302、根据式(1)、(2)和(3)，更新参数u
k
、ω和λ；
[0075][0076][0077][0078]
其中，和分别代表f(ω)、μ
i
(ω)、λ(ω)和的傅里叶变换，n 代表迭代次数。
[0079]
s303、对于给定的判别精度e>0，若不满足且停止迭代，输出多个不同频率且平稳度高的imf分量，否则返回s302。
[0080]
s4、利用步骤s3中变分模态分解训练集的imf分量训练gru预测模型的参数，采用后向误差传播方法，通过损失函数对权重参数、偏移参数进行调整更新，完成深度网络学习，建立各个imf分量的门控循环网络微应变深度预测子模型；
[0081]
门控循环单元结构(gated recurrent unit)由更新门、重置门和隐藏层组成，重置门和更新门为sigmoid函数。它也是长短期记忆lstm的变体，缓解梯度消失或爆炸现象，同时它的结构和计算更简单快速。
[0082]
使用gru建立公共钢结构建筑应变预测模型以提高预测的准确和速度，因为gru训练速度稍快并且需要少量的数据来泛化，能够很大程度上提高训练效率和迭代的速度，若数据量足够大能产生更好的预测结果。
[0083]
请参阅图2和图3，预测模型的建立过程包括vmd的分解、参数更新、迭代精度判别、 vmd
‑
gru模型的建立，具体的：
[0084]
利用步骤s3中训练集的imf分量训练gru预测模型，采用后向误差传播的方法，通过损失函数对权重参数、偏移参数进行调整更新，确定gru预测模型的参数，进而得到各个imf 分量的gru微应变预测子模型；
[0085]
利用损失函数对w
r w
z w
h w
o
(w
r w
z w
h
权重皆是拼接而来)求偏导，并可间接得到更新的δ
y,t
等中间参数，再通过中间参数依次迭代计算出样本的损失收敛，即可实现对gru网络参数的训练；具体过程如下：
[0086]
w
r
＝w
rz
+w
rh
[0087]
w
z
＝w
zz
+w
zh
[0088][0089]
采用后向误差传播算法来训练确定gru模型的参数，先得求e
t
对各参数的偏导，再利用如下公式更新参数，并指导e
t
收敛。
[0090][0091][0092][0093][0094][0095][0096][0097]
s5、利用步骤s4得到的各imf分量的gru微应变预测子模型对下一时间段的200个数据进行预测，获得各分量准确的应变预测模型o’(n)
；将各个子模型的200个预测值相累与步骤 s3中的测试集实际值进行对比分析，验证公共钢结构建筑微应变预测的准确度。
[0098]
最终的预测值o'为各个imf分量的门控循环网络微应变深度预测子模型预测值之和：
[0099]
o’＝o’(1)
+o’(2)
+
…
+o’(n)
[0100]
其中，o’(n)
为每个imf分量的门控循环网络微应变深度预测子模型的预测值。
[0101]
本发明再一个实施例中，提供一种公共钢结构建筑微应变预测系统，该系统能够用于实现上述公共钢结构建筑微应变预测方法，具体的，该公共钢结构建筑微应变预测系统包括数据模块、划分模块、分解模块、学习模块以及预测模块。
[0102]
其中，数据模块，获取自然环境下公共钢结构建筑应变的历史数据，利用相应公式将历史数据转化成微应变数据；
[0103]
划分模块，将数据模块中的微应变数据划分为训练集和测试集，并对训练集和测试集进行数据预处理；
[0104]
分解模块，利用变分模态分解方法对划分模块预处理后的训练集进行自适应分解，获得多个不同频率且平稳度高的imf分量；
[0105]
学习模块，利用分解模块中训练集的imf分量训练gru预测模型，采用门控循环网络的后向误差传播方法，通过损失函数对权重参数、偏移参数进行调整更新，完成学习，确定gru 预测模型的参数，得到各个imf分量的gru微应变预测子模型；
[0106]
预测模块，利用学习模块得到的gru微应变预测子模型对下一时间段的数据进行预测，获得各imf分量的微应变预测值o’(n)
；将各个imf分量的微应变预测值o’(n)
叠加后与与划分模块的测试集进行误差对比分析，完成公共钢结构建筑应变的预测。
[0107]
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行
所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor、dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field
‑
programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于公共钢结构建筑微应变预测方法的操作，包括：
[0108]
获取自然环境下公共钢结构建筑应变的历史数据，利用相应公式将历史数据转化成微应变数据；将微应变数据划分为训练集和测试集，并对训练集和测试集进行数据预处理；利用变分模态分解方法对训练集进行自适应分解，获得多个不同频率且平稳度高的imf分量；利用训练集的imf分量训练gru预测模型，采用后向误差传播的方法，通过损失函数对权重参数、偏移参数进行调整更新，完成学习，确定gru预测模型的参数，得到各个imf分量的gru微应变预测子模型；利用gru微应变预测子模型对下一时间段的数据进行预测，获得各imf分量的微应变预测值o
(
'
n)
；将各个imf分量的微应变预测值o
(
'
n)
叠加后与测试集进行误差对比，完成公共钢结构建筑应变的预测。
[0109]
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器(non
‑
volatilememory)，例如至少一个磁盘存储器。
[0110]
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关公共钢结构建筑微应变预测方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
[0111]
获取自然环境下公共钢结构建筑应变的历史数据，利用相应公式将历史数据转化成微应变数据；将微应变数据划分为训练集和测试集，并对训练集和测试集进行数据预处理；利用变分模态分解方法对训练集进行自适应分解，获得多个不同频率且平稳度高的imf分量；利用训练集的imf分量训练gru预测模型，采用后向误差传播的方法，通过损失函数对权重参数、偏移参数进行调整更新，完成学习，确定gru预测模型的参数，得到各个imf分量的gru微应变预测子模型；利用gru微应变预测子模型对下一时间段的数据进行预测，获得各imf分量的微应变预测值o’(n)
；将各个imf分量的微应变预测值o’(n)
叠加后与测试集进行误差对比，完成公共钢结构建筑应变的预测。
[0112]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定
实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0113]
请参阅图6，通过分别使用gru、bp、vmd
‑
lstm网络预测模型与vmd
‑
gru预测模型进行对比分析，由图6可知，vmd
‑
gru预测模型比其他预测模型用更短的时长就掌握了应变的规律，并且预测的结果与真实值的拟合程度更高。
[0114]
vmd
‑
gru模型与单一模型bp和gru模型在测试集上的预测效果对比，由图6和表1 可知，所提的vmd
‑
gru模型对比单一的bp和gru模型，在预测非平稳性和波动性较强的碳化深度时，表现出比较明显的优势。
[0115]
表1是各模型测试集的预测效果评价表
[0116][0117]
如图4、图5和表1所示，gru模型略优于bp模型的预测效果，得益于gru复杂门控结构有效捕捉时序数据中间间隔较大的依赖关系；同时由表1可知，经过变分模态分解数据预处理和相空间重构得到的vmd
‑
gru模型的预测性能远远高于bp模型，验证了预处理数据的高效性。
[0118]
综上所述，本发明一种公共钢结构建筑微应变预测方法及系统，具体以下特点：
[0119]
利用gru网络方法建立基于数据驱动的微应变预测模型，不对钢结构建筑应变过程内部的物理反应和力学进行精确分析，克服已有的应变预测模型精度不高，易受各因素影响的不足，能够快速准确的预测微应变结果；同时利用分模态分解vmd方法能够将原始应变自适应分解，可以更细致掌握公共钢结构建筑微应变时间序列的特征，实现原始序列平稳化，提高了应变预测的精度。再利用最后，将各分量预测模型预测值叠加后得到最终的预测值，利用测试集进行测试并将得出的结果并与实际值进行对比分析。
[0120]
针对自然环境中应变过程受多因素影响且应变的时间序列通常是非平稳、非线性的，本发明采用了变分模态分解(vmd)将微应变数据进行自适应分解，可以更细致的掌握应变的时间序列特征，实现数据序列平稳化，以便做好gru的输入；结合门控循环单元(gru)训练所需数据少、训练速度快等特点；vmd
‑
gru应变预测模型提高了应变预测的精度和速度。
[0121]
vmd的使用可以避免数据处理过程中发生模态混叠现象，能满足工程实际需求，对公共钢结构建筑的健康监测和结构剩余寿命预测有重要的实际意义。
[0122]
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实
施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质 (包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0123]
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/ 或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0124]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0125]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0126]
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。