(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210826212.X (22)申请日 2022.07.14 (71)申请人 哈尔滨工业大 学 地址 150001 黑龙江省哈尔滨市南岗区西 大直街92号 (72)发明人 赖马树金 　李惠　冯辉　 (74)专利代理 机构 哈尔滨市阳光惠远知识产权 代理有限公司 2321 1 专利代理师 孙莉莉 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/27(2020.01) G06F 30/28(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 113/08(2020.01) G06F 119/06(2020.01) G06F 119/14(2020.01) (54)发明名称 基于深度学习的大跨度桥梁抖振响应预测 方法 (57)摘要 本发明提出基于深度学习的大跨度桥梁抖 振响应预测方法。 所述方法具体包括： 步骤一、 数 据集构造： 计算风速特征 以及桥梁响应特征， 形 成模型的数据集； 步骤二、 模型搭建与训练： 以门 限循环单元GRU神经网络作为基本网络建立结合 频域响应计算公式的深度神经网络模型； 步骤 三、 响应预测： 模型训练完成后用来进行预测， 对 于给定的风环 境， 确定风速特征后即可利用所述 深度神经网络模 型预测得到对应的响应特征。 本 发明无需有 限元模型以及风洞试验结果的先验 知识， 通过数据挖掘技术对隐含在海量监测数据 中的结构行为特征进行提取。 本发 明一经训练完 成即可进行快捷预测， 其为大跨度桥梁抖振响应 预测提供了解决方案 。 权利要求书2页 说明书7页 附图2页 CN 115292780 A 2022.11.04 CN 115292780 A 1.基于深度学习的大跨度桥梁抖振响应预测方法， 其特 征在于， 所述方法具体包括： 步骤一、 数据集构造： 计算 风速特征以及桥梁响应特 征， 形成模型的数据集； 步骤二、 模型搭建与训练： 以门限循环单元GRU神经网络作为基本网络建立结合频域响 应计算公式的深度神经网络模型， 输出响应功率谱结果； 利用步骤一建立的数据集对深度 神经网络模型进行训练， 其中风速特 征作为输入， 响应特 征作为输出； 步骤三、 响应预测： 模型训练完成后用来进行预测， 对于给定的风环境， 确定风速特征 后即可利用所述深度神经网络模型 预测得到对应的响应特 征。 2.根据权利要求1所述的方法， 其特 征在于， 以10分钟作为样本 长度划分样本 。 3.根据权利要求2所述的方法， 其特征在于， 对于风速特征数据， 针对布设风速传感器 的截面， 计算各截面来流的平均风速、 风向角、 风攻角以及各方向脉动风频谱； 对于响应特 征数据， 针对布设相关传感器的位置， 计算该位置的响应功 率谱； 结合脉动风频谱特征以及 功率谱特 征对频谱、 功率谱进行截断， 避免高频 车致振动的影响， 形成模型的数据集。 4.根据权利要求3所述的方法， 其特征在于， 所述风速特征和桥梁响应特征的计算公式 如下： ui＝xi cos( θi)+yi sin( θi)‑Ui                      (4) vi＝‑xi sin( θi)+yi cos( θi)                       (5) 式中， xi、 yi、 zi分别为第i个截面的沿桥向、 横桥向以及竖向来流风速； 分别 为第i个截面的10分钟沿桥向、 横桥向以及竖向平均风速； Ui、 θi、 αi分别为第i个截面的来流 10分钟平均风速、 风向角以及风攻角； ui、 vi、 wi分别为第i个截面的顺风向、 横风向以及竖向 脉动风； ui(ω)、 vi(ω)、 wi(ω)为各脉动风对 应的频谱； Rkk( τ )为第k个 位置响应的自相关函 数， sk(ω)、 σk为对应位置响应的功率谱以及均方根。 5.根据权利要求4所述的方法， 其特征在于， 所述深度神经网络模型包括两部分子网 络， 即两个门限循环单元GRU， 分别输出广义频响函数矩阵以及抖振力向量， 并使用线性系 统的频域响应 计算公式连接 两部分子网络， 从而输出响应功率谱结果。权　利　要　求　书 1/2 页 2 CN 115292780 A 26.根据权利要求5所述的方法， 其特 征在于， 所述线性系统的频域响应 计算公式为： S(ω)＝(H(ω)Fb(ω))(H(ω)Fb(ω))*T                   (12) 式中， H(ω)与Fb(ω)分别为子网络输出的广义频响函数矩阵以及抖振力向量； S(ω)为 响应功率谱矩阵； *T为共轭转置； 公式(12)为线性结构在平稳 随机荷载作用下的响应功率 谱计算方法。 7.根据权利要求1所述的方法， 其特征在于， 根据Pytorch深度学习框架搭建深度神经 网络模型。 8.根据权利要求6所述的方法， 其特征在于， 所述深度神经网络模型的损失函数定义 为： 式中， L、 Lre分别为总的损失函数以及正则化惩罚项， 惩罚项使用的形式为二范数正则； skmn、 分别为第k个位置响应在第m个样本的第n个频率点的功率谱密度真实值以及预测 值； K、 M、 N分别为响应 个数、 样本个数以及频率 点个数。 9.一种电子设备， 包括存储器和 处理器， 所述存储器存储有计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现权利要求1 ‑8任一项所述方法的步骤。 10.一种计算机可读存储介质， 用于存储计算机指令， 其特征在于， 所述计算机指令被 处理器执行时实现权利要求1 ‑8任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 115292780 A 3