(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 202210650462.2 (22)申请日 2022.06.09 (71)申请人 合肥工业大 学 地址 230009 安徽省合肥市包河区屯溪路 193号 (72)发明人 贺文宇　高傲　刘鹏　李志东　 (74)专利代理 机构 安徽省合肥新 安专利代理有 限责任公司 34101 专利代理师 陆丽莉　何梅生 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/23(2020.01) G06F 30/27(2020.01) G06N 3/00(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于CSO-BiLSTM网络的桥梁动态位移 重构方法 (57)摘要 本发明公开了一种基于CSO ‑BiLSTM网络的 桥梁动态 位移重构方法， 通过改进双向长短期记 忆网络(BiLS TM)， 使网络模型支持多个时间序列 的输入， 并利用竞争性粒子群优化(CSO)算法对 该网络进行超参数优化， 然后将桥梁在动 荷载作 用下产生的多个应变响应作为输入， 建立数据 集， 通过加载数据集训练网络模型， 不断优化超 参数、 更新网络模型参数， 从而得到最优CSO ‑ BiLSTM网络， 以达到桥梁动态位移重构的目的。 本发明能够通过应变传感器间接测得位移， 有效 解决位移传感器需要固定参考点、 安装困难等问 题， 并能提高桥梁动态位移预测的准确性和鲁棒 性。 权利要求书4页 说明书9页 附图3页 CN 114896672 A 2022.08.12 CN 114896672 A 1.一种基于 CSO‑BiLSTM网络的桥梁动态位移重构方法， 其特 征包含以下步骤： 步骤1： 构建多输入BiLSTM网络， 依次包括： 多输入层、 BiLSTM层、 输出层； 其中， BiLSTM 层有2Y个隐含层， Y表示输入时间序列的个数； 设置多输入BiLSTM网络的超参数并作为CSO算法的优化对象， 包括： BiLSTM层的2Y个隐 含层的神经元数{hy|y＝1， ...2Y}、 时间窗的长度s、 批处理尺寸b、 训练周期次数e； 其 中， hy 表示第y个隐含层的神经 元数； 初始化CS O算法的参数， 包括： 当前迭代次数t， 种群规模N、 最大迭代次数E， 粒子空间维 数D＝2Y+3； 其中N 为偶数； 设置所述超参数的位置和速度的取值范围， 并根据超参数的位置取值范围随机初始化 第t次迭代时各粒子的位置{ X1(t)、 ...、 Xd(t)、 ...、 XN(t)}， 再根据各粒子位置对应的超参 数取值建立第t 次迭代时的多输入BiLSTM网络； 其中， Xd(t)表示第t次迭代时第d个粒子的 位置信息； 且Xd(t)＝(h1d(t)， h2d(t)， ...， hyd(t)， ...， h2Yd(t)， sd(t)， bd(t)， ed(t))， hyd(t) 表示第t次迭代时第d个粒子所对应的BiLSTM网络的第y个隐含层的神经元数， sd(t)表示第 t次迭代时第d个粒子所对应的BiLSTM网络的时间窗， bd(t)表示第t次迭代时第d个粒子所 对应的BiLSTM网络的批处理尺寸， ed(t)表示第t 次迭代时第d个粒子所对应的BiLSTM网络 的训练周期次数； 根据超参数的速度取值范围随机初始化第t次迭代时各粒子的速度{V1(t)、 ...、 Vd (t)、 ...、 VN(t)}， 其中， Vd(t)表示第t次迭代时第d个粒子的速度信息， t∈(1， E)， d∈(1， N)； 步骤2： 构建车桥有限元模型， 包括： 桥梁有限元模型和四自由度半车模型； 将所述桥梁有限元模型划分为n个单元， 并对各单元之间的1个节点依次编号； 其中， n 为偶数； 在所述桥梁有限元模型的跨中位置的节点处设置一个位移传感器； 在所述跨中位置的 左右两侧的节点处各对称设置一个 应变传感器； 步骤3： 通过在车桥有限元模型中添加不确定性 来模拟桥梁的真实结构； 步骤3.1： 在所述桥梁有限元模型的第i个单元的弹性模量上乘以第i个随机因子δi∈ (0， 1)， 从而对每 个单元的弹性模量乘以相应的随机因子以模拟桥梁的材 料误差； 根据每个单元的弹性模量， 模拟桥梁的刚度Kb、 质量Mb的不确定性， 并模拟桥梁的阻尼 Cb＝a1×Mb+a2×Kb的不确定性， 其中， a1、 a2是一定区间内的随机参数； 步骤3.2： 令四自由度半车模型的刚度Kv和阻尼Cv为一定区间内的随机值， 从而模拟车 辆的不确定性； 步骤3.3： 利用应变传感器采集桥梁有限元模型的应变响应， 并在所述应变响应 中添加 高斯白噪声来模拟实际测量中环 境噪声的影响， 其中， 所述高斯白噪声的信噪比SN R是一定 区间内的随机值； 步骤4： 数据采集； 分别给定m1个取值不同的车身质量Mv、 m2个取值不同的车速v和m3个取值不同的路面不 平整度a； 在所述车桥有限元模型中添加不确 定性的情况下， 分别对车身质量Mv、 车速v和路面不 平整度a取不同的值， 并使车辆匀速通过桥梁后， 利用Newmark ‑β 方法获取各节点处的位移 响应矩阵[u1，…， uc，…， un‑1]T， 其中， uc为单元间第c个节点处长度为 w的位移响应；权　利　要　求　书 1/4 页 2 CN 114896672 A 2根据应变传感器所在节点相邻的两个单元， 选择其中一个单元的左右两个节点处 的位 移响应以及位移响应与应变响应的积分关系， 得到应变传感器所在节点处的长度均为w的 应变响应， 从而由位移传感器所在节点处长度为w的位移响应和两个应变传感器所在节点 处的应变响应构成一个训练样本， 进而得到m＝m1×m2×m3个训练样本并构成桥梁应变、 位 移响应数据集； 步骤5： 数据预处 理； 步骤5.1： 将桥梁应变、 位移响应数据集进行归一化处理， 并按照比例划分为训练集和 验证集； 分别将归一化后的桥梁应变、 位移响应数据集中的所有应变响应数据记为输入子 集 将所有位移响应数据记为目标输出子集 表 示第I个输入子集， 表示第I个目标输出子集； 步骤5.2： 初始化t＝1； 步骤5.3： 初始化d＝1； 步骤5.4： 设置第t次迭代时第d个粒子的时间窗的长度为st(d)， 并分别对m个输入子集 和目标输出子集进行滑窗处理， 再依次由滑窗内的st(d)个输入子集合并为维度为[st(d)， w]的新输入子集 由滑窗内的st(d)个目标输出子集合并为维度为[st (d)， w]的新目标输出子集 其中， 表示第i个维度为[st(d)×w]的新 输入子集， 表示第i个维度为[st(d)×w]的新目标输出子集； h表示子集的个 数； 且h＝ (m‑2)； 每次从训练集的新输入子集和新目标输出子集中分别选取第t次迭代时第d个粒子的 批数量bt(d)个训练样本， 并作为一个小批次输入到网络中进行训练， 直到将 所有训练集中 所有子集抽取完， 共得到p＝h/bt(d)个批次的训练样本； 其中， 选取的第q批次的输入训练 样本记为 选取的第q批次的目标输出子集 其中， inputq， α表示第q批次的输入训练样中的第α 个输入时间序列， εq， j， α表示第q批次中维 度为[bt(d)， st(d)， w]的第j个输入样本的第α个输入时间序列， Uq， j表示第q批次中维度为 [bt(d)， st(d)， w]的第j个目标输出样本， q∈(1， p)； 步骤6： 训练阶段； 步骤6.1： 将第q批次中的第j个输入样 本{ εq， j， 1＝(aq， j， 1， 1，…， aq， j， 1， l，…， aq， j， 1， w)， ...， εq， j， α＝(aq， j， α， 1，…， aq， j， α， l，…， aq， j， α， w)， ...， εq， j， Y＝(aq， j， Y， 1，…， aq， j， Y， l，…， aq， j， Y， w)}输入 第t迭代时第d个粒子所对应的多输入BiLSTM网络中； aq， j， α， l表示第α 个输入时间序列 εq， j， α 的第l个应变响应值； 所述BiLSTM层将εq， j， α按顺序进行前向LSTM处理， 得到第α个前向输出结果为 其中， 表示在第t迭代时第d个粒 子中的aq， j， α， l所对应的长度为h2α‑1d(t)的前向输出结果中的第l个数据值； 将 εq， j， α按倒序进 行后向LSTM处理， 得到第α个后向输出结果为 其 中， 表示在第t迭代时第d个粒子中的aq， j， α， l所对应的长度为h2αd(t)的后向输出权　利　要　求　书 2/4 页 3 CN 114896672 A 3