论文题名: | 基于LSTM模型的斜拉桥风致加速度预测 |
关键词: | 斜拉桥;健康监测;风致振动;加速度预测;长短期记忆网络 |
摘要: | 斜拉桥在桥梁工程中占比不断增大,对风环境作用表现得愈来愈敏感,长期风作用下的结构响应与桥梁的性能评价对桥梁运营维护有重大意义,而此类评价依赖于结构风致响应模型的建立,良好的预测模型能够提高对结构响应估计与性能评价的精度与效率。传统的风致加速度响应建模方法常常建立在较为严格的假设下,对于复杂的结构难以进行准确有效地计算。随着桥梁结构健康监测系统的发展及深度学习算法的广泛应用,基于监测数据和深度学习算法对桥梁结构风致响应进行建模分析具有重要意义。目前许多学者对台风气候条件下的加速度响应预测研究较多而对良态气候条件下的加速度响应预测研究较少,基于桥梁附近的气象数据来建立桥梁结构响应预测模型的研究也较少。本文利用鹤洞大桥已有的健康监测数据,充分分析数据间的关系,结合深度学习算法进行不同工况下桥梁风致加速度响应的预测研究,所研究的方法可以为桥梁风致加速度响应预测建模研究提供一定参考。本文的主要研究内容如下: (1)分析鹤洞大桥健康监测系统的风场数据与加速度数据的失真情况,并运用监测系统中不同点位处传感器数据之间的非线性关系对部分数据进行恢复,通过处理好的数据选择强相关性的风速与加速度响应均值样本(分别考虑10min与30s两种样本时长)建立长短期记忆(Long Short-Term Memory,LSTM)网络来建立加速度响应预测模型对部分样本进行预测验证,大部分结果的平方相关系数 SCC 都大于 0.7,优于文献结果。 (2)基于强相关性的实测风速与同步加速度响应均值样本(样本时长为30min)分别考虑三种工况,即仅输入实测风速、仅输入气象风速、输入气象风速与气象温度,建立相应的加速度响应预测模型,结果表明输入气象风速与温度的预测工况中有一半以上的预测结果精度高于仅输入实测风速的预测工况,说明通过气象数据建立加速度响应预测模型具有可行性。 (3)通过对风振数据处理,运用LSTM神经网络等深度学习算法对处理好的数据进行风致振动回归模型的建立,分别对竖向与横桥向的抖振加速度响应均方根值进行预测分析,同时分别采用LSTM、CNN、DNN和ConvLSTM四种算法及加入贝叶斯参数优化进行模型对比,结果表明经贝叶斯优化的ConvLSTM模型的预测结果较好,所有模型预测结果的平方相关系数SCC都大于0.829,预测响应值与实测响应较为一致,表明了深度学习方法在风致加速度响应预测建模中的有效性。 |
作者: | 谢诚朗 |
专业: | 土木工程 |
导师: | 黄友钦 |
授予学位: | 硕士 |
授予学位单位: | 广州大学 |
学位年度: | 2023 |