基于深度學(xué)習(xí)的橋梁健康監(jiān)測數(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)損傷識別已經(jīng)成為國內(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),對橋梁結(jié)構(gòu)健康監(jiān)測領(lǐng)域中的數(shù)據(jù)預(yù)處理和損傷識別關(guān)鍵技術(shù)進(jìn)行深入分析和研究,針對橋梁結(jié)構(gòu)監(jiān)測數(shù)據(jù)具有時序關(guān)聯(lián)性特性,構(gòu)建出基于長短期記憶網(wǎng)絡(luò)(LSTM)模型的結(jié)構(gòu)損傷識別模型,為橋梁結(jié)構(gòu)健康監(jiān)測分析領(lǐng)域提供了新的思路和方法。主要研究內(nèi)容如下:
　　(1)深入分析和研究橋梁結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)預(yù)處理關(guān)鍵技術(shù)。設(shè)計了針

2、對結(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)分析耗時嚴(yán)重等問題的數(shù)據(jù)預(yù)處理方案。首先對離散數(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題,然后對監(jiān)測數(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)演化特性的簡化特征值,對海量數(shù)據(jù)進(jìn)行凝練去除冗余特征,提高了監(jiān)測數(shù)據(jù)分析的時效性。
　　(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)損傷識別的有效性。一方面設(shè)計并構(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,針對現(xiàn)有橋梁結(jié)構(gòu)損傷識別方法沒有充分利用橋梁結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)時序關(guān)聯(lián)特性進(jìn)行建模的問題,本文借助LSTM神經(jīng)網(wǎng)絡(luò)在處理具有時序關(guān)聯(lián)性時間序列數(shù)據(jù)方面的優(yōu)勢,創(chuàng)新性地設(shè)計并構(gòu)建了一種適用于長時間序列監(jiān)測數(shù)據(jù)特性的基于LSTM神經(jīng)網(wǎng)絡(luò)的橋梁結(jié)構(gòu)損傷識別模型,相較于在處理離散的、非時序關(guān)聯(lián)性數(shù)據(jù)方面有優(yōu)勢的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)驗數(shù)據(jù)為依托,通過實(shí)驗分析得到:一方面,基于MLP的結(jié)構(gòu)損傷識別較于基于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)損傷識別較于基于MLP的方法準(zhǔn)確率提升了8.6％。
　　(3)為了驗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)行對比實(shí)驗分析。結(jié)果表明:一方面基于MLP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷識別模型相較于傳統(tǒng)機(jī)器學(xué)習(xí)方法SVM的準(zhǔn)確率