原文传递
基于LSTM深度神经网络的斜拉桥风振位移预测
| 论文题名： | 基于LSTM深度神经网络的斜拉桥风振位移预测 |
| 关键词： | 斜拉桥;健康监测;风致振动;位移预测;小波包分析;长短时记忆神经网络;贝叶斯优化 |
| 摘要： | 斜拉桥以其合理的受力性能和较大的跨越能力受到了桥梁设计师们的青睐。然而，较大的跨度导致结构柔性也越大，对风荷载较为敏感，风致振动可能引起过大的结构变形甚至桥梁结构破坏，因此有必要对结构构件的状态信息进行长期监测。风致位移响应能够较好地反映出主梁等重要构件在风荷载作用下的受力变形，据此判断斜拉桥结构的损伤情况，以便及时对结构进行维护处理。本文基于广州市跨越珠江的斜拉桥——鹤洞大桥的健康监测数据，建立长短时记忆神经网络模型（Long Short-Term Memory Neural Network，LSTM）预测风致位移响应时序。本文的主要研究工作和相关研究结论如下： （1）将健康监测系统采集的风速和GPS（Global Positioning System）电信号换算为风速和位移的时程序列并剔除异常值，进一步采用小波包系数互相关分析法对风致位移序列进行降噪。风速数据来源于安装在主梁跨中位置的螺旋桨风速仪，位移数据包括主梁跨中的横桥向与竖向位移。计算结果表明，风速和位移监测数据在低频段的相关系数相对较高，可以通过重构小波包低频分量得到合理的风速和风致位移序列作为LSTM预测的样本集。 （2）建立了基于LSTM深度神经网络模型的桥梁风致位移预测模型，采用指定超参数设置的模型，研究了风速和横向风致位移序列的输入输出数据集构造对预测结果精度的影响，确定了合理的数据集构造（1min 平均）。基于 1min 平均输入输出数据集对LSTM神经网络的超参数进行细致分析，确定了合理的LSTM模型超参数设置。 （3）进一步建立了一种基于贝叶斯优化的LSTM模型方法，对神经元数量和学习率等参数进行自动调优，风致横桥向位移的预测结果与实测结果之间的均方根误差、平均绝对误差和决定系数分别为0.29mm、0.22mm、和0.98，风致竖向位移的预测结果与实测之间的均方根误差、平均绝对误差和决定系数分别为4.82mm、3.37mm和0.91mm，竖向位移的预测精度略低于横向位移，横向位移的预测精度高于文献结果、随机森林和支持向量回归模型的预测结果。进一步基于贝叶斯优化LSTM模型拟合了气象风速和风致位移之间的非线性关系，说明通过气象数据建立位移响应预测具有可行性。因此，应用本文建立的方法可较为准确地预测斜拉桥的风致位移时程，为桥梁工程的抗风安全评价提供重要技术手段。 |
| 作者： | 杨炳华 |
| 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 |
检索历史
应用推荐
