本發(fā)明涉及橋梁索力計算的，具體而言，尤其涉及一種用機器學習預測橋梁索力的方法。

背景技術：

1、現(xiàn)有規(guī)范中，以頻率法為基礎的，通過索力計算公式來識別索力的方法，存在對拉索計算長度取值不確定和對拉索邊界條件定義不準確的缺陷。本發(fā)明摒棄傳統(tǒng)的索力計算公式中計算索長難以準確確定的缺點，采用實測數(shù)據(jù)對神經(jīng)網(wǎng)絡進行訓練，并結合其他另一種智能算法進行參數(shù)優(yōu)化，可以高效準確的得到索力預測數(shù)據(jù)。

技術實現(xiàn)思路

1、根據(jù)上述背景技術中提到的技術問題，而提供一種用機器學習預測橋梁索力的方法。

2、本發(fā)明采用的技術手段如下：

3、一種用機器學習預測橋梁索力的方法，包括以下步驟：

4、步驟1：建立bp神經(jīng)網(wǎng)絡模型，根據(jù)頻率法測試橋梁拉索索力的方法流程，確定bp神經(jīng)網(wǎng)絡的輸入值和輸出值，并確定bp神經(jīng)網(wǎng)絡各隱含層和輸入、輸出層之間的函數(shù)；

5、步驟2：通過使用粒子群智能算法，對bp神經(jīng)網(wǎng)絡進行優(yōu)化，對神經(jīng)網(wǎng)絡的初始權重和偏置值進行優(yōu)化；

6、步驟3：將現(xiàn)場實測大橋拉索索力數(shù)據(jù)，分為訓練組和測試組，應用訓練組數(shù)據(jù)對模型進行訓練，在訓練過程中調(diào)整模型的超參數(shù)，設置bp神經(jīng)網(wǎng)絡的學習率、訓練迭代次數(shù)、目標和梯度，以及神經(jīng)元個數(shù)和隱含層層數(shù)；

7、步驟4：應用現(xiàn)場實測大橋測試組數(shù)據(jù)，進行測試，其中拉索的特性參數(shù)作為神經(jīng)網(wǎng)絡輸入值導入輸入層。

8、進一步地，對于所述步驟1中，所述bp神經(jīng)網(wǎng)絡，當輸入待預測數(shù)據(jù)后，需要先對待預測數(shù)據(jù)進行歸一化處理。

9、進一步地，所述歸一化處理是指在輸入層和隱含層以及隱含層和隱含層之間選用非線性激活函數(shù)tanh函數(shù)，將數(shù)據(jù)范圍限制在[-1,1]。

10、進一步地，所述步驟2中，對于bp神經(jīng)網(wǎng)絡進行優(yōu)化包括以下步驟：

11、步驟21：初始化每個粒子的位置和速度；設置每個粒子的個體最佳位置pi和群體最佳位置pg；

12、步驟22：對粒子進行更新優(yōu)化；

13、步驟23：bp神經(jīng)網(wǎng)絡通過前向傳播計算輸出，計算誤差e；

14、步驟24：判斷誤差e是否符合；

15、若誤差e大于等于目標誤差時，通過梯度下降算法更新權重，對隱藏層到輸出層的連接權重；若誤差e小于設置的目標誤差，或到達設定的迭代次數(shù)時，執(zhí)行步驟25；

16、步驟25：進行數(shù)據(jù)預測，將得到的數(shù)據(jù)通過反歸一化，輸出到事先設定的excel表格中。

17、進一步地，所述步驟21中，每個粒子i的位置表示為：

18、xi＝(xi1,xi2,...,xid)；

19、其中，d表示問題的維度；xid表示粒子i在第d個維度上的位置坐標，即粒子位置xi向量中的一個分量；

20、所述每個粒子的速度表示為：

21、vi＝(vi1,vi2,...,vid)。

22、其中，vi1表示粒子i在第d個維度上的位置坐標，即粒子速度向量vi中的一個分量。

23、進一步地，所述步驟22中，粒子更新的過程為：

24、vi(t+1)＝w·c1·rand1·pi(t)-xi(t)+c2·rand2·pg(t)-xi(t)；

25、xi(t+1)＝xi(t)+vi(t+1)；

26、其中，w表示慣性權重，c1和c2均表示加速系數(shù)，rand1和rand2均表示隨機數(shù)；pi(t)表示t時刻粒子個體最佳位置，pg(t)表示t時刻粒子全局最佳位置。

27、進一步地，所述誤差e的計算公式為：

28、

29、其中，d_k表示期望輸出，y_k表示第k個神經(jīng)元的輸出。

30、進一步地，所述步驟24中，通過梯度下降算法更新權重，對隱藏層到輸出層的連接權重為：

31、

32、其中，w_jk表示隱藏層到輸出層的連接權重，g_j表示隱藏層第j個神經(jīng)元的輸出，f表示激活函數(shù)；

33、對輸入層到隱藏層的連接權重為：

34、

35、其中，v_ij表示輸入層與隱藏層的連接權重，設置j個輸入樣本為x_j；

36、則權重更新為：

37、

38、其中，η表示學習率。

39、進一步地，所述設定的迭代次數(shù)為2000次。

40、較現(xiàn)有技術相比，本發(fā)明具有以下優(yōu)點：

41、本發(fā)明以人工智能算法為基礎，通過處理現(xiàn)場采集的索力振動數(shù)據(jù)，確定一種適合的算法，并對算法參數(shù)進行優(yōu)化，對振動頻率法測試索力的數(shù)據(jù)進行分析處理，使得索力的計算平均絕對百分比誤差不高于5％，并且，獲得的最終算法，計算精度高于《公路橋梁荷載試驗規(guī)程》(jtg/t?j21-01-2015)附錄b中推薦的公式計算方法。

技術特征：

1.一種用機器學習預測橋梁索力的方法，其特征在于，包括以下步驟：

2.根據(jù)權利要求1所述的一種用機器學習預測橋梁索力的方法，其特征在于，對于所述步驟1中，所述bp神經(jīng)網(wǎng)絡，當輸入待預測數(shù)據(jù)后，需要先對待預測數(shù)據(jù)進行歸一化處理。

3.根據(jù)權利要求1所述的一種用機器學習預測橋梁索力的方法，其特征在于，所述歸一化處理是指在輸入層和隱含層以及隱含層和隱含層之間選用非線性激活函數(shù)tanh函數(shù)，將數(shù)據(jù)范圍限制在[-1,1]內(nèi)。

4.根據(jù)權利要求1所述的一種用機器學習預測橋梁索力的方法，其特征在于，所述步驟2中，對于bp神經(jīng)網(wǎng)絡進行優(yōu)化包括以下步驟：

5.根據(jù)權利要求4所述的一種用機器學習預測橋梁索力的方法，其特征在于，所述步驟21中，每個粒子i的位置表示為：

6.根據(jù)權利要求4所述的一種用機器學習預測橋梁索力的方法，其特征在于，所述步驟22中，粒子更新的過程為：

7.根據(jù)權利要求4所述的一種用機器學習預測橋梁索力的方法，其特征在于，所述誤差e的計算公式為：

8.根據(jù)權利要求4所述的一種用機器學習預測橋梁索力的方法，其特征在于，所述步驟24中，通過梯度下降算法更新權重，對隱藏層到輸出層的連接權重為：

9.根據(jù)權利要求4所述的一種用機器學習預測橋梁索力的方法，其特征在于，所述設定的迭代次數(shù)為2000次。

技術總結
本發(fā)明提供一種用機器學習預測橋梁索力的方法，包括以下步驟：建立BP神經(jīng)網(wǎng)絡模型，根據(jù)頻率法測試橋梁拉索索力的方法流程，確定BP神經(jīng)網(wǎng)絡的輸入值和輸出值，并確定BP神經(jīng)網(wǎng)絡各隱含層和輸入、輸出層之間的函數(shù)；通過使用粒子群智能算法，對BP神經(jīng)網(wǎng)絡進行優(yōu)化，對神經(jīng)網(wǎng)絡的初始權重和偏置值進行優(yōu)化；應用訓練組數(shù)據(jù)對模型進行訓練，在訓練過程中調(diào)整模型的超參數(shù)，設置BP神經(jīng)網(wǎng)絡的學習率、訓練迭代次數(shù)、目標和梯度，以及神經(jīng)元個數(shù)和隱含層層數(shù)；應用測試組數(shù)據(jù)，進行測試，其中拉索的特性參數(shù)作為神經(jīng)網(wǎng)絡輸入值導入輸入層。本發(fā)明以人工智能算法為基礎，通過處理現(xiàn)場采集的索力振動數(shù)據(jù)，確定一種適合的算法。

技術研發(fā)人員：張宏斌,胡偉浩,夏春旭,樊成
受保護的技術使用者：大連大學
技術研發(fā)日：
技術公布日：2024/12/30