基于SSA-LSTM算法的风车桥系统振动响应预测方法

技术特征：

1.基于ssa-lstm算法的风车桥系统振动响应预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于ssa-lstm算法的风车桥系统振动响应预测方法，其特征在于，所述步骤2中通过风谱获得风速样本，利用三分力系数根据风速样本计算出风荷载的计算公式如下：

3.根据权利要求1所述的基于ssa-lstm算法的风车桥系统振动响应预测方法，其特征在于，所述步骤5中，ssa-lstm模型采用两层lstm网络单元，将两层网络进行串联；需要被寻优的超参数有6个，包括：第一层的隐藏单元数量l1、第二层的隐藏单元数量为l2、模型的正则化参数l2regularization、最大训练次数max-epoch、模型的单元尺寸batchsize和模型的初始学习率initiallearnrate；输入数据和输出数据被送入lstm层，并使用ssa搜索模型的超参数，利用ssa的反捕食机制选择最佳超级参数；当适配函数没有达到最优时，寻找超参数的过程继续进行，直到设定的迭代次数用完。

4.根据权利要求1所述的基于ssa-lstm算法的风车桥系统振动响应预测方法，其特征在于，所述步骤6中对模型进行寻找最佳超参数具体为利用ssa寻找lstm模型中的最佳超参数；

5.根据权利要求2所述的基于ssa-lstm算法的风车桥系统振动响应预测方法，其特征在于，所述步骤8中对风车桥系统响应的智能预测具体为：

技术总结
本发明涉及风车桥耦合系统技术领域，公开了一种基于SSA‑LSTM算法的风车桥系统振动响应预测方法，将麻雀搜索算法与长短时记忆网络进行结合，充分利用SSA的寻优特性和较好的适应性，用SSA来搜索LSTM模型的最优超参数，并建立一个可靠的网络模型；建立神经网络来构建数值模型，由两个功能模块组成：用于超参数搜索的SSA和用于风‑车‑桥系统响应预测的LSTM层；LSTM单元通过引入系统激励和结构参数的随机性作为单元的一部分进行建模，使数值模型能够传达火车‑桥梁‑系统的随机性并获得其随机响应。本发明风‑车‑‑桥梁结构之间的动态相互作用被集成到神经网络模型中，利用SSA缩短建模时间，提高建模精确度，降低了计算成本，对系统响应进行了更精确的预测。

技术研发人员：朱思宇,易瑞,向天宇,杨梦雪,杜斌
受保护的技术使用者：成都理工大学
技术研发日：
技术公布日：2024/1/15