本发明涉及桥梁移动荷载识别与计算机科学的交叉领域，尤其涉及一种基于长短时记忆(lstm)神经网络模型的梁式桥移动荷载识别方法。
背景技术：
随着桥梁领域的快速发展，桥梁安全评估越来越受到重视。许多桥梁，特别是老化的桥梁，由于交通流量的增加和严重的超载现象，容易产生安全隐患。为了保证桥梁的安全，提高桥梁的服役能力，移动荷载的精确识别受到越来越多的研究人员的关注。
目前桥面移动车辆荷载主要通过传感器获得车辆荷载激励作用下桥梁的动态响应信号来识别。其中大多数移动荷载识别方法最终都转化为线性方程组的求解，但由于方程组的不适定性等原因，往往造成各识别方法的识别精度不足，识别效果不尽人意。
目前，随着人工神经领域的兴起和研究的不断深入，在土木工程领域已成功解决了许多难以解决的实际问题。其中，长短期记忆人工神经网络(lstm)作为一种时间循环神经网络，适合于处理和预测时间序列中间隔和延迟非常长的重要事件。而移动荷载的数据信息恰好具有很强的时间相关性，因此lstm神经网络在移动荷载识别领域有着很广泛的应用前景。
技术实现要素：
针对现有技术的不足，本发明提供一种基于lstm神经网络模型的梁式桥移动荷载识别方法，利用lstm神经网络对荷载数据信息进行训练，训练完成后，该神经网络就可以通过输入获得的桥梁响应信号同时识别未知的车辆移动荷载速度和大小，识别过程迅速，识别精度高。
本发明的目的通过如下的技术方案来实现：
一种基于lstm神经网络模型的梁式桥移动荷载识别方法，其特征在于，所述的梁式桥移动荷载识别方法具体步骤如下：
s1：构建lstm多层神经网络，由一个blstm层、两个lstm层和一个时间分布的全连通层组成。
s2：数据准备。通过建立桥梁的简化物理力学模型，通过动力响应分析在时域求解梁的振动方程，得到形如bp＝v的系统方程，其中，b为已知的系数矩阵，v为桥梁的动态响应向量，p为移动车辆荷载向量；根据该系统方程，通过数值模拟，得到多组移动荷载的速度、大小及桥梁的动态响应数据，构建样本库。
(3)模型训练。基于步骤(1)建立的lstm多层神经网络，通过样本库训练多层lstm神经网络模型。
(4)模型验证。将实验测得的桥梁响应作为验证集输入到训练好的lstm神经网络模型中，输出识别出的移动载荷速度和大小。
进一步地，其输入的桥梁响应可以是：桥梁的位移、应变、加速度。
进一步地，所述的s2中的系统方程通过如下的方法构建：
s2.1：首先建立桥梁的简化物理力学模型，取桥梁长度为l，桥面移动车辆荷载p(t),以均匀速度v沿着桥面移动，桥梁线密度为ρa,桥梁抗弯刚度为ei，得到梁的运动方程如式(1)所示：
其中w(x,t)表示梁在t时刻，x位置处的位移，δ(t)表示狄拉克函数。
s2.2：根据模态叠加法，w(x,t)表示为：
s2.3：通过模态叠加法在时域内求解ηn(t)，得到梁位移w(x,t)为
s2.4：根据梁的位移与应变的关系
s2.5：由离散形式得到bp＝v的系统方程
bp＝v(5)
本发明的有益效果是：
本发明克服了传统移动荷载识别中无法同时识别荷载移动速度和荷载大小的缺点，实现了桥梁移动荷载的多参数高效、高精度识别，所提方法用于梁式桥移动荷载的识别具有较好的精度和适用性。本发明将有望推动基于数据驱动的土木工程结构运营状态监测技术的发展。
附图说明
图1为本发明具体步骤(1)中多层lstm神经网络的架构图；
图2为本发明具体步骤(1)中单层lstm模型的原理图；
图3为本发明具体步骤(4)实验验证的装置图；
图4为本发明具体步骤(4)实验验证的动态响应信号图；
图5为移动荷载识别效果图；其中图5a表示移动荷载速度识别效果图，图5b表示移动荷载大小识别效果图。
具体实施方式
下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供了一种基于长短时记忆(lstm)神经网络模型的梁式桥移动荷载识别方法，具体步骤如下：
(1)构建lstm多层神经网络模型，如图1所示，由一个blstm层3、两个lstm层2和一个时间分布的全连通层1组成，其中，一个lstm层模型的原理图如图2所示。图中，1表示双曲正切函数，2表示逻辑s型函数3表示点态运算，lstm单元的前向传播可以表示为
式(1)可以简化为
其中t和l分别表示时间和隐含层。σ和tanh是逻辑s型激活函数和双曲正切激活函数。
blstm层是移动荷载反演最关键的部分，它将接收正向和反向的动态响应。blstm层的使用考虑了结构动力学背后的物理性质，因为振动响应是由长期激振力贡献的。
本实施例中，整个多层lstm模型每层有1000个单元，每个lstm单元有128个隐藏的神经元。
(2)数据准备。首先建立桥梁的简化物理力学模型，取桥梁长度为l，桥面移动车辆荷载p(t),以均匀速度v沿着桥面移动，桥梁线密度为ρa,桥梁抗弯刚度为ei
得到梁的运动方程如式(3)所示：
其中w(x,t)表示梁在t时刻，x位置处的位移，δ(t)表示狄拉克函数。
根据模态叠加法，w(x,t)可以表示为：
通过模态叠加法在时域内求解ηn(t)，得到梁位移w(x,t)为
根据梁的位移与应变的关系
由离散形式得到bp＝v的系统方程
bp＝v(7)
根据系统方程，输入多组移动荷载的速度和大小，即可得到多组理论的桥梁动态响应信号数据，然后将响应信号作为lstm神经网络模型的输入，移动荷载的速度和大小作为lstm神经网络模型的输出，即可通过数值模拟构建数据训练集。
本实施例中，简化的物理力学模型中，梁式桥长4.5m,ρa＝10.512kg/m,ei＝14600nm2，基于上述方法，计算得到550组不同的移动荷载作用下桥梁的动态响应信号，建立训练样本库。
(3)模型训练。基于步骤(1)建立的神经网络模型，通过样本库训练多层lstm神经网络模型。
本实施例中，选择均方误差(mse)作为损失函数。优化器选择adam。学习率为0.005。
为了验证本发明的识别方法的精度，采用与识别方法模拟过程中相同的桥梁模型的参数来搭建相应的实验装置，并利用小车模拟车辆荷载作用于梁上，在梁的各跨跨中共布置三个传感器进行感应桥梁的动态响应，如图3所示。将实验测得的50组动态响应信号(如图4所示)作为验证集的50组样本，输入到训练好的lstm神经网络模型中，输出识别出的移动载荷速度和大小，并与实际的结果进行对比，如图5所示。从图中可以看出，本发明的识别方法得到的移动荷载速度和大小与真实的小车的荷载速度和大小非常接近，因此，证明本发明的识别方法识别精度高。
本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。
1.一种基于lstm神经网络模型的梁式桥移动荷载识别方法，其特征在于，所述的梁式桥移动荷载识别方法具体步骤如下：
s1：构建lstm多层神经网络，由一个blstm层、两个lstm层和一个时间分布的全连通层组成。
s2：数据准备：通过建立桥梁的简化物理力学模型，通过动力响应分析在时域求解梁的振动方程，得到形如bp＝v的系统方程，其中，b为已知的系数矩阵，v为桥梁的动态响应向量，p为移动车辆荷载向量；根据该系统方程，通过数值模拟，得到多组移动荷载的速度、大小及桥梁的动态响应数据，构建样本库。
s3：模型训练：基于步骤(1)建立的lstm多层神经网络，通过样本库训练多层lstm神经网络模型。
s4：模型验证：将实验测得的桥梁响应作为验证集输入到训练好的lstm神经网络模型中，输出识别出的移动载荷速度和大小。
2.根据权利要求1所述的基于lstm神经网络模型的梁式桥移动荷载识别方法，其输入的桥梁响应是：桥梁的位移、应变、加速度。
3.根据权利要求1所述的基于lstm神经网络模型的梁式桥移动荷载识别方法，其特征在于：所述的s2中的系统方程通过如下的方法构建：
s2.1：首先建立桥梁的简化物理力学模型，取桥梁长度为l，桥面移动车辆荷载p(t),以均匀速度v沿着桥面移动，桥梁线密度为ρa,桥梁抗弯刚度为ei，得到梁的运动方程如式(1)所示：
其中w(x,t)表示梁在t时刻，x位置处的位移，δ(t)表示狄拉克函数。
s2.2：根据模态叠加法，w(x,t)表示为：
s2.3：通过模态叠加法在时域内求解ηn(t)，得到梁位移w(x,t)为
s2.4：根据梁的位移与应变的关系
s2.5：由离散形式得到bp＝v的系统方程
bp＝v(5)。
技术总结