基于深度學(xué)習(xí)的橋梁健康監(jiān)測(cè)數(shù)據(jù)分析關(guān)鍵技術(shù)研究.pdf

1、隨著橋梁結(jié)構(gòu)健康監(jiān)測(cè)技術(shù)的廣泛應(yīng)用,基于深度學(xué)習(xí)的結(jié)構(gòu)損傷識(shí)別已經(jīng)成為國(guó)內(nèi)外的研究重點(diǎn)和難點(diǎn)。本文以深度學(xué)習(xí)理論技術(shù)為基礎(chǔ),對(duì)橋梁結(jié)構(gòu)健康監(jiān)測(cè)領(lǐng)域中的數(shù)據(jù)預(yù)處理和損傷識(shí)別關(guān)鍵技術(shù)進(jìn)行深入分析和研究,針對(duì)橋梁結(jié)構(gòu)監(jiān)測(cè)數(shù)據(jù)具有時(shí)序關(guān)聯(lián)性特性,構(gòu)建出基于長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)模型的結(jié)構(gòu)損傷識(shí)別模型,為橋梁結(jié)構(gòu)健康監(jiān)測(cè)分析領(lǐng)域提供了新的思路和方法。主要研究?jī)?nèi)容如下:
　　(1)深入分析和研究橋梁結(jié)構(gòu)健康監(jiān)測(cè)數(shù)據(jù)預(yù)處理關(guān)鍵技術(shù)。設(shè)計(jì)了針

2、對(duì)結(jié)構(gòu)輸出響應(yīng)信息量綱不一致、數(shù)據(jù)體量大導(dǎo)致數(shù)據(jù)分析耗時(shí)嚴(yán)重等問(wèn)題的數(shù)據(jù)預(yù)處理方案。首先對(duì)離散數(shù)據(jù)進(jìn)行One-Hot Encoding歸一化處理以消除各屬性之間的量綱不一致問(wèn)題,然后對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行主成分分析(PCA)降維獲取能夠有效表征結(jié)構(gòu)狀態(tài)演化特性的簡(jiǎn)化特征值,對(duì)海量數(shù)據(jù)進(jìn)行凝練去除冗余特征,提高了監(jiān)測(cè)數(shù)據(jù)分析的時(shí)效性。
　　(2)深入分析傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型進(jìn)行橋梁結(jié)構(gòu)損傷識(shí)別的有效性。一方面設(shè)計(jì)并構(gòu)建了一種基于多層感

3、知器(MLP)神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法,對(duì)比傳統(tǒng)機(jī)器學(xué)習(xí)方法中的支持向量機(jī)(SVM)方法具有更高的準(zhǔn)確率;另一方面,針對(duì)現(xiàn)有橋梁結(jié)構(gòu)損傷識(shí)別方法沒(méi)有充分利用橋梁結(jié)構(gòu)健康監(jiān)測(cè)數(shù)據(jù)時(shí)序關(guān)聯(lián)特性進(jìn)行建模的問(wèn)題,本文借助LSTM神經(jīng)網(wǎng)絡(luò)在處理具有時(shí)序關(guān)聯(lián)性時(shí)間序列數(shù)據(jù)方面的優(yōu)勢(shì),創(chuàng)新性地設(shè)計(jì)并構(gòu)建了一種適用于長(zhǎng)時(shí)間序列監(jiān)測(cè)數(shù)據(jù)特性的基于LSTM神經(jīng)網(wǎng)絡(luò)的橋梁結(jié)構(gòu)損傷識(shí)別模型,相較于在處理離散的、非時(shí)序關(guān)聯(lián)性數(shù)據(jù)方面有優(yōu)勢(shì)的MLP神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率更高

4、;最后本文以北黎大橋仿真實(shí)驗(yàn)數(shù)據(jù)為依托,通過(guò)實(shí)驗(yàn)分析得到:一方面,基于MLP的結(jié)構(gòu)損傷識(shí)別較于基于SVM方法的準(zhǔn)確率提升了15.75％,另一方面,基于LSTM的結(jié)構(gòu)損傷識(shí)別較于基于MLP的方法準(zhǔn)確率提升了8.6％。
　　(3)為了驗(yàn)證本文所提出的基于深度學(xué)習(xí)的橋梁結(jié)構(gòu)損傷識(shí)別模型的有效性,以Bookshelf框架結(jié)構(gòu)數(shù)據(jù)為基準(zhǔn)進(jìn)行對(duì)比實(shí)驗(yàn)分析。結(jié)果表明:一方面基于MLP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷識(shí)別模型相較于傳統(tǒng)機(jī)器學(xué)習(xí)方法SVM的準(zhǔn)確率