(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 202210678109.5 (22)申请日 2022.06.16 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路２ 号 (72)发明人 杨东辉　管泽鑫　伊廷华　李宏男　 (74)专利代理 机构 辽宁鸿文知识产权代理有限 公司 21102 专利代理师 许明章　王海波 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/08(2006.01) G06F 111/08(2020.01)G06F 119/08(2020.01) (54)发明名称 一种基于长期历史气象数据的桥梁温度梯 度代表值估计方法 (57)摘要 一种基于长期历史气象数据的桥梁温度梯 度代表值估计方法， 步骤如下： 构建基于聚类方 法的12种气象参数与结构温度梯度数据的局部 化训练数据样本集合； 建立基于神经网络模型的 结构温度梯度监测指标与气象参数相关模型； 基 于长期历史气象数据的温度梯度数据样本扩充； 基于扩充后结构梯度温度数据的桥梁结构温度 梯度代表 值估计。 该方法有效扩展结构温度梯度 的数据长度， 解决结构温度监测数据样本不足， 难以合理推算50年以上重现期温度作用代表值 的问题。 该方法充分利用现有监测数据， 使得各 种气象情况均能被有效训练， 提高了训练、 预测 和泛化精度。 该方法适用于不同地域各类型桥梁 结构的温度梯度代表值估计， 具有广泛的适用性 和较大的工程应用潜力。 权利要求书3页 说明书5页 附图3页 CN 115130176 A 2022.09.30 CN 115130176 A 1.一种基于长期历史气象数据的桥梁温度梯度代表值估计方法， 其特征在于， 步骤如 下： 步骤1.构建基于两阶段聚类方法的12种气象参数与结构温度梯度数据的局部化训练 数据样本集 合 (1.1)气象参数数据样本构建； 气象参数包括直接获得的参数和推导获得的参数， 直接 获得的参数： 气温AT、 气压AP、 湿度AH、 风速WS、 云量CF、 日总太阳辐射SR和是否下雨Rain； 推 导获得的参数： 日最高温度Tdmax、 日最低温度Tdmin、 日最大温差ATDd、 与前一天的最大温差 ATDP和日照时长S D； 其中数据精度均为1h， 有效日照时长的计算公式如下： 其中， δ是赤纬角； 是纬度角； ω是太阳时角； d是一年内的第d天； hSD是有效日照时长； t是当地太阳时， 单位是小时； CFi为第i小时的云量监测值， 反映了天空被云遮 蔽的程度， 取 值为0～10的整数； (1.2)温度梯度样本构 建； 当多个监测点时， 结构相邻监测点之间的差形成一个温度梯 度向量， 两个相邻监测点间的结构温差由以下公式给 出： STDHI＝TH‑TI 其中， STDHI为两个监测点H与I之间的温差； TH、 TI分别为测点H和I的温度； (1.3)基于两阶段聚类方法的气象参数局部化训练数据样本构建； 将12类气象参数作 为输入， 温度梯度向量作为输出， 通过神经网络建立上述气象参数输入与温度梯度输出之 间的关系模型； 根据两阶段聚类方法将12类气象参数和结构温度梯度向量形成的数据集合划分训练 集和测试集， 选取12类气象参数中的Tdmax、 Tdmin、 ATDd、 日总太阳辐射、 是否下雨5类气象参数 作为聚类指标； 定义N天中上述5类气象参数形成 的样本集合为X＝{x1,x2,...,xN}， 其中每 天的数据对象中x中有n1个连续型气象参数变量， n2个分类型气象参数变量； 通过对上述气 象参数样本集合进行聚类， 形成j个气象参 数聚类簇构成的集合， Cj＝{c1,c2,…ci,…cj}； 其 中， 任意簇 ci和簇cj之间的距离 定义为： D(ci,cj)＝ λi+λj‑λ{i,j} 其中， {i,j}代表气象参数簇ci和簇cj合并后形成的气象参数样本集合； λi通过下列公 式进行计算： 权　利　要　求　书 1/3 页 2 CN 115130176 A 2其中， Ni是气象参数簇ci中的样本数； 是气象参数形成的样本集合X中所有数据点估 计出的第k个连续型气象参数变量的估计方差； 是根据气象参数簇i中数据点估计出的 第k个连续型气象参数变量的估计方差； L为第p个分类型气象参数变量的类别 数； Nipl是气 象参数簇 ci中属于第p个分类型气象参数变量的第l类的样本数； 此外， λi和 λ{i,j}的计算方式与 λi相同； 该方法分为两步， 第一步是基于贝叶斯信息准则初步确定气象参数簇数的粗略估计 值， 即当随着气象参数簇数的增加， B IC的下降幅度显著减小时， 确定初 步的簇数； 聚类簇Cj ＝{c1,c2,…ci,…cj}的BIC的计算公式为： 其中， N为气象参数聚类X中包 含的样本总数； 在第二步中， 以第一步得到的预聚类结果Cj＝{c1,c2,…ci,…cj}为对象， 选取其中距离 最小的两个聚类簇进行合并， 形成新的聚类簇集 合Cj‑1； 最小距离的计算公式为： dmin(Cj)＝min{D(cm,cn):m≠n,m∈1～j,n∈1～j} 然后， 以相邻合并的最小距离之比作为指标来确定最终的聚类数， 相邻合并的最小距 离之比公式为： 以此类推， 依次计算 合并后相邻聚类簇集 合的最小距离比； 当rS＝max{rs:s≥2}时， 确定对应的簇号s为最优气象参数簇号； 第二步基于最大 的比 例通常发生在最后两个气象数据集群合并时； 以每次合并时距离的比值变化作为判定标 准， 确定最佳簇数； 合并从第一步得到的粗估计气象数据簇开始， 在距离比值变化最大时得 到气象参数簇数的精估计， 从而确定气象参数聚类数据集； 根据两阶段聚类法得到气象参数聚类数据集后， 分别在每个气象参数聚类数据集中随 机取80％的气象参数和温度梯度数据作为训练集， 20％的气象参数和温度梯度数据作为测 试集， 用于气象参数与温度梯度建模； 步骤2.建立基于神经网络的结构温度梯度监测指标与气象参数模型 将结构健康监测系统监测时长的12种气象参数作为输入， 监测时长的温度梯度 数据作 为输出， 对步骤(1.3)划分的训练集和测试集使用BP神经网络进 行建模； 气象参数与温度梯 度关系建模的神经网络， 由多种气象参数作为一个输入层、 一个或多个隐含层和多个温度 梯度作为一个输出层组成， 每一层又包含若干个人工神经元； 基于气象参数与温度梯度关 系的网络训练过程是通过前向传播逐层传输输出值， 通过后向反馈对权值和偏置值进 行后 向调整， 一 直迭代， 直到满足迭代条件； 步骤3.基于 长期历史气象数据的温度梯度数据样本扩充 通过从气象站获取某区的AT、 AP、 AH、 WS、 CF、 Rain、 SR长期历史气象数据， 同时计算Tdmax、 Tdmin、 ATDd、 ATDp、 SD气象参数； 进而将12种气象参数代入步骤2的方法建立的基于神经网络 的结构温度梯度监测指标与气象参数模型中， 获取相应气象条件下的温度梯度数据预测权　利　要　求　书 2/3 页 3 CN 115130176 A 3