(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 202210553904.1 (22)申请日 2022.05.20 (71)申请人 武汉市华 光交通工程有限公司 地址 430000 湖北省武汉市黄陂区盘龙城 岱黄高速府河收费站旁武汉华益路桥 管理有限公司办公大楼3楼3 05室 (72)发明人 张思思　蒋序强　董峰　严振宇　 张快乐　艾义博　孙鑫　 (74)专利代理 机构 武汉探智知识产权代理事务 所(普通合伙) 42309 专利代理师 曹鑫 (51)Int.Cl. G06T 17/00(2006.01) G06F 30/13(2020.01) G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G01B 21/02(2006.01) G01B 21/32(2006.01) G01M 5/00(2006.01) G06F 119/14(2020.01) (54)发明名称 一种基于深度学习LSTM网络的桥梁静态位 移预测方法 (57)摘要 本发明公开了一种基于深度学习LSTM网络 的桥梁静态位移预测方法， S1、 数据采集： 首先利 用检测系统中的数据采集模块对桥梁的基本数 据进行采集， 本发明涉及桥梁结构安全技术领 域。 该基于深度学习LS TM网络的桥梁静态位移预 测方法， 通过设置有存储系统和检测系统， 利用 数据采集模块对所需的桥梁数据进行实时的检 测， 并且通过模 型建立单元和模块训练模块形成 训练后的模 型， 并且对于产生的问题进行实时的 检测、 预测， 同时配合上存储系统进行存储更新， 不仅能够有效的检测出桥梁受外界因素影响产 生的位移， 而且可 以提前告知进行问题的解决， 以此提高了桥梁建造使用的安全性， 同时也提高 了人员对于桥梁的勘察完全性。 权利要求书2页 说明书6页 附图4页 CN 114926588 A 2022.08.19 CN 114926588 A 1.一种基于深度学习LSTM网络的桥梁静态位移预测方法， 其特征在于： 具体包括以下 步骤： S1、 数据采集： 首先利用检测系统中的数据采集模块对桥梁的基本数据进行采集， 并且 对挠度和结构抗剪承载力数据进行测算， 同时将所采集的数据输入到存储系统进行汇总、 整理和存 储， 以及将数据传输 到数据处 理模块进行分析处 理； S2、 数据建模： 此时对分析处理后的数据传输到三维建模模块中， 以此形成三维立体 图， 通过人员施工实现模型的建立， 并通过施加外界因素实现对桥梁静态位移的检测， 同时 将通过LSTM网络的训练模型进行桥梁检测； S3、 预测实验： 在实验对象准备完成后， 通过人员的实施模拟实现训练后的LSTM 网络训 练模型对桥梁静态位移进行检测， 并且对检测中产生的数据进行实时记录， 同时对于出现 的问题进行 预警和解决， 并对于数据进行修改和及时的更新； 所述S1‑S3中包括存储系统和检测系统， 所述存储系统和检测系统实现双向连接， 所述 存储系统中包括数据接收模块、 数据管理模块、 数据存储模块、 数据输出模块、 实时更新模 块和数据显示模块， 所述数据接收模块的输出端与数据管理模块的输入端连接， 所述数据 管理模块的输出端与数据存储模块的输入端连接， 所述数据存储模块的输出端与数据输出 模块的输入端连接， 所述数据存储模块与数据显示模块实现双向连接， 所述实时更新模块 的的输出端与数据显示模块的输入端连接 。 2.根据权利要求1所述的一种基于深度学习LSTM网络的桥梁静态位移预测方法， 其特 征在于： 所述数据管理模块中包括数据引入单元、 数据整理单元、 数据分类单元和数据引出 单元， 所述数据引入单元 的输出端与数据整理单元 的输入端连接， 所述数据整理单元 的输 出端数据分类单元的输入端连接， 所述数据分类单元的输出端与数据引出单元的输入端连 接。 3.根据权利要求1所述的一种基于深度学习LSTM网络的桥梁静态位移预测方法， 其特 征在于： 所述检测系统中包括数据采集模块、 信息中心处理器、 数据 处理模块、 模型建立单 元、 数据预测模块、 数据传送模块、 桥梁检测模块、 模块训练模块和预测预警模块， 所述数据 采集模块的输出端与信息中心处 理器的输入端连接 。 4.根据权利要求3所述的一种基于深度学习LSTM网络的桥梁静态位移预测方法， 其特 征在于： 所述信息中心处理器的输出端与数据 处理模块的输入端连接， 所述数据 处理模块 的输出端与模型建立单元的输入端连接， 所述模型建立单元的输出端与数据预测模块的输 入端连接 。 5.根据权利要求3所述的一种基于深度学习LSTM网络的桥梁静态位移预测方法， 其特 征在于： 所述数据预测模块的输出端与数据传送模块的输入端连接， 所述桥梁检测模块的 输出端与模型建立单元的输入端连接， 所述模块训练模块的输出端与模型建立单元的输入 端连接， 所述预测预警模块的输出端与数据预测模块的输入端连接 。 6.根据权利要求3所述的一种基于深度学习LSTM网络的桥梁静态位移预测方法， 其特 征在于： 所述数据处理模块中包括数据输入单元、 数据分析单元、 数据计算单元和数据输出 单元， 所述数据输入单元 的输出端与数据分析单元 的输入端连接， 所述数据分析单元 的输 出端与数据计算单元的输入端连接， 所述数据计算单元的输出端与数据输出单元的输入端 连接。权　利　要　求　书 1/2 页 2 CN 114926588 A 27.根据权利要求3所述的一种基于深度学习LSTM网络的桥梁静态位移预测方法， 其特 征在于： 所述预测预警模块中包括蜂鸣预警单 元、 信号灯警示单 元和问题显现单 元。 8.根据权利要求6所述的一种基于深度学习LSTM网络的桥梁静态位移预测方法， 其特 征在于： 所述数据计 算单元中对于 挠度位移量的计算公式为： 其中 为 虚拟状态下由虚拟单元Pk＝1时产生的弯矩， Mp为实际状态中由荷载产生的弯矩， EI为常数， ds为所测量的一段距离； 而结构抗剪承载力的计算公式为： 其中fcu为混凝土极限抗压强度， b、 d—构件截 面宽度、 有效高度。权　利　要　求　书 2/2 页 3 CN 114926588 A 3