本发明属于土木结构工程与计算机视觉的交叉领域，特别涉及一种基于条件生成对抗网络模型的工程结构荷载反演方法。
背景技术：
结构所受荷载直接关系到结构的运营安全，因此工程结构荷载的实时监测具有十分重要的意义。但结构所受荷载往往无法直接测得，需要根据结构响应结合结构形式及材料性质识别得到。尤其服役期的结构，其材料性质随运营过程发生退化，基于初始的物理参数无法准确识别服役阶段荷载信息。因此利用结构响应信息识别结构服役期荷载信息，并考虑结构物理性能退化，对于结构的维护及剩余寿命预测具有重要的工程意义。
传统的荷载反演方法，需要通过建立物理模型并求解结构的控制方程，来得到结构所受的外荷载。但当结构较复杂或结构长期服役后，其内部结构与材料性质都发生了改变，假设的物理模型往往不正确，因而模拟效果也不尽如人意。同时基于物理模型的荷载反演方法，往往只能反演局部位置的荷载，随着反演荷载数量增加，计算量也成倍增加，因而并不能实时反演整个结构物所受的荷载。
随着数据分析手段的进步以及以往大量工程数据的累积，用数据驱动的方式解决工程问题已得到了广泛应用。为解决传统力学方法不能对长期服役结构进行大范围的原位实时荷载反演的问题，本发明应用深度学习实现了根据原位结构响应对服役期结构的荷载反演。
技术实现要素：
为了解决如何高效地利用结构响应信息反演状态未知的结构的外荷载的技术问题，本发明提供一种基于条件生成对抗网络的荷载反演方法，具体步骤如下：
一种基于条件生成对抗网络的荷载反演方法，包括以下步骤：
(1)首先通过有限元计算或现场实测得到不同荷载下结构的结构响应信息，并根据颜色渐变条将结构响应信息及加载情况分别绘制成图像，并进行分类、整理、配对，建立样本库。
(2)基于条件生成对抗网络模型，通过样本库训练两个深度神经网络：生成网络g和判断网络d。
(3)将生成模型输出的荷载信息图像，并通过像素值标定其中的荷载值。
(4)测试阶段，将现场测得的结构响应信息绘制成图像，输入步骤(2)中训练好的生成网络g，得到对应的荷载信息图像，并通过荷载信息图像中的像素值标定其中的荷载值。
进一步地，在基于条件生成对抗网络的荷载反演方法中，结构响应信息具体可以是：应力场、应变场、位移场、内力场。
进一步地，所述的步骤(1)中，得到结构响应信息的方法具体为：
在不知道结构内部情况时，通过布设大量密集的应变片，测得不同荷载条件下的结构响应，通过插值法得到对应的结构响应信息；
在知道结构内部情况时，通过有限元计算得到不同荷载条件下的结构响应，得到对应的结构响应信息。
进一步地，所述的步骤(1)中，根据颜色渐变条将其绘制成图像的方法具体为：根据颜色渐变条jet，将每一个位置的结构响应信息和荷载信息转化为对应的像素值，并进行绘制成图片。
进一步地，所述的步骤(2)中，生成网络g用来根据结构响应信息生成荷载信息，判断网络d用来区分输入的荷载信息是来自生成网络g还是真实的荷载信息，所述的条件生成对抗网络以结构响应信息为条件，其目标函数为：
其中，x来自数据库内的结构荷载图像，y表示包含结构响应信息的图像；v(d,g)表示博弈问题中的价值函数，即需要优化的目标函数；x～pdata(x)表示x服从数据库内结构荷载图像分布pdata，
进一步地，所述的步骤(2)中，采用的生成网络g是一个u型网络，包含encode和decode两部分，encode部分是一个卷积神经网络，通过八个卷积层从结构响应信息的图片中提取出特征，decode部分是一个反卷积神经网络，通过八个反卷积层将encode部分提取出的特征生成出结构荷载信息的图片。
进一步地，所述的步骤(2)中，采用的判断网络d中，首先将结构响应信息的图片及生成的结构荷载信息图片拼接在一起，再通过五个卷积层和一个全连接层的网络，最后得到判断网络d的输出。
进一步地，所述的步骤(3)中，标定g模型生产的结构荷载信息图像中响应信息的方法具体为：根据颜色渐变条jet，将每一个位置的像素值转化为对应的荷载值。
本发明的有益效果是：
本发明应用深度学习最新算法条件生成对抗网络cgan，通过数据驱动的方式实现了根据原位结构响应对服役期结构的荷载反演，将有效解决长期服役后的工程结构物因结构、材料状态不确定而荷载反演不准确的问题。同时，本发明基于计算图像处理方法，通过卷积提取结构响应信息中的特征并生成荷载信息，其反演荷载的速度远远快于传统方法中通过迭代求解控制方程的方式反演荷载。此外，本发明相较于传统的荷载反演方法，不会因为反演的荷载数量变多而计算量增加，可以直接反演出整个结构的荷载，因此更符合土木工程结构实时荷载反演的需求。本发明主要从反演精度及计算速度两方面，提高了土木工程结构的荷载反演效果。
附图说明
图1是条件生成对抗网络整体结构示意图；
图2是生成网络g网络结构图；
图3是判断网络d网络结构图；
图4是包含结构响应信息的样本图片；
图5是包含结构荷载信息的样本图片；
图6是输入结构响应信息后反演荷载的效果图，其中图6(a)是结构应变云图，图6(b)是深度学习反演的荷载结果，图6(c)是真实结构所受的荷载。
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。
本发明提供一种基于条件生成对抗网络的荷载反演方法，应用了深度学习领域中的最新算法条件生成对抗网络，条件生成对抗网络被证明能高效地处理图像并生成图像。本发明应用深度学习领域中最新算法，能根据原位监测数据对反演服役期间状态未知的结构进行高效的荷载反演。
具体步骤如下：
(1)首先通过有限元计算或现场实测得到不同荷载下结构的结构响应信息，并根据颜色渐变条jet将结构响应信息和荷载信息转化为对应的像素值并进行绘制成图片，并根据案例进行分类、整理、配对，建立样本库。
得到结构响应信息的方法具体为：
在不知道结构内部情况时，通过布设大量密集的应变片，测得不同荷载条件下的结构响应，通过插值法得到对应的结构响应信息；
在知道结构内部情况时，通过有限元计算得到不同荷载条件下的结构响应，得到对应的结构响应信息。
通过有限元计算得到3000组训练样本，如图4，图5所示，并通过薄板加载实验得到含100个应变信息的验证样本50组。根据颜色渐变条jet，将每一个位置的结构响应信息及加载情况转化为对应的像素值，并进行绘制成图片，并对图片进行归一化处理。
(2)基于条件生成对抗网络模型，通过样本库训练两个深度神经网络：生成网络g和判断网络d；生成对抗网络(gan)由g和d两个深度神经网络构成。生成网络g用来根据结构响应信息生成荷载信息，判断网络d用来区分输入的荷载信息是来自生成网络g还是真实的荷载信息，所述的条件生成对抗网络以结构响应信息为条件。两个网的优化转化为一个博弈问题，利用一个极大极小目标函数来优化两个网络。其目标函数为：
其中，x来自数据库内的结构荷载图像，y表示包含结构响应信息的图像；v(d,g)表示博弈问题中的价值函数，即需要优化的目标函数；x～pdata(x)表示x服从数据库内结构荷载图像分布pdata，
采用的生成网络g是一个u型网络，包含encode和decode两部分，encode部分是一个卷积神经网络，通过八个卷积层从结构响应信息的图片中提取出特征，decode部分是一个反卷积神经网络，通过八个反卷积层将encode部分提取出的特征生成出结构荷载信息的图片。
采用的判断网络d中，首先将结构响应信息的图片及生成的结构荷载信息图片拼接在一起，再通过五个卷积层和一个全连接层的网络，最后得到判断网络d的输出。
训练整体框架结构示意图，如图1所示，本发明设计的生成网络g和判断网络d分别如图2，图3所示。训练得到的生成网络g能够根据有结构响应信息生成结构荷载信息，判断网络d用来判断生成的结构荷载信息正确与否。
(3)将生成模型输出的荷载信息图像，并通过像素值标定其中的荷载值。标定g模型生产的结构荷载信息图像中荷载信息的方法具体为：根据颜色渐变条jet，将每一个位置的像素值转化为对应的荷载值。
(4)测试阶段，将现场测得的结构响应信息绘制成图像，输入步骤(2)中训练好的生成网络g，得到对应的荷载信息图像，并通过荷载信息图像中的像素值标定其中的荷载值：将实验得到50组验证样本绘制成图像，输入步骤(2)中训练好的生成网络g，输出对应的结构荷载信息图像，并通过像素值标定其中的荷载值，效果如图6所示。其中图6(a)是结构应变云图，图6(b)是深度学习反演的荷载结果，图6(c)是真实结构所受的荷载。深度学习反演的荷载值与真实荷载值的对应关系为79.1/81.1，271.2/264.3，402.3/397.1，157.5/155.6。从图中可知，深度学习反演出的荷载位置、荷载大小都与真实损伤信息十分接近，说明该方法具有较高的识别精度。
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。
1.一种基于条件生成对抗网络模型的工程结构荷载反演方法，其特征在于，包括以下步骤：
(1)首先通过有限元计算或现场实测得到不同荷载下结构的结构响应信息，根据颜色渐变条将结构响应信息及加载情况分别绘制成图像，并进行分类、整理、配对，建立样本库。
(2)基于条件生成对抗网络模型，通过样本库训练两个深度神经网络：生成网络g和判断网络d；
(3)将生成模型输出的荷载信息图像，并通过像素值标定其中的荷载值。
(4)测试阶段，将现场测得的结构响应信息绘制成图像，输入步骤2中训练好的生成网络g，得到对应的荷载信息图像，并通过荷载信息图像中的像素值标定其中的荷载值。
2.根据权利要求1所述的基于条件生成对抗网络模型的工程结构荷载反演方法，结构响应信息具体可以是：应力场、应变场、位移场、内力场。
3.根据权利要求1所述的基于条件生成对抗网络模型的工程结构荷载反演方法，其特征在于，所述的步骤(1)中，得到结构响应信息的方法具体为：
在不知道结构内部情况时，通过布设大量密集的应变片，测得不同荷载条件下的结构响应，通过插值法得到对应的完整结构响应信息；
在知道结构内部情况时，通过有限元计算得到不同荷载条件下的结构响应，得到对应的完整结构响应信息。
4.根据权利要求1所述的基于条件生成对抗网络模型的工程结构荷载反演方法，其特征在于，所述的步骤(1)中，根据颜色渐变条将其绘制成图像的方法具体为：根据颜色渐变条jet，将每一个位置的结构响应信息或荷载大小转化为对应的像素值，并进行绘制成图片。
5.根据权利要求1所述的基于条件生成对抗网络模型的工程结构荷载反演方法，其特征在于，所述的步骤(2)中，生成网络g用来根据结构响应信息反演结构荷载，判断网络d用来区分输入的荷载信息是来自生成网络g还是真实的荷载信息，所述的条件生成对抗网络以结构响应信息为条件，其目标函数为：
其中，x来自数据库内的结构荷载图像，y表示包含结构响应信息地图像；v(d,g)表示博弈问题中的价值函数，即需要优化的目标函数；x～pdata(x)表示x服从数据库内结构荷载图像分布pdata，
6.根据权利要求1所述的基于条件生成对抗网络模型的工程结构荷载反演方法，其特征在于，所述的步骤(2)中，采用的生成网络g是一个u型网络，包含encode和decode两部分，encode部分是一个卷积神经网络，通过八个卷积层从结构响应信息的图片中提取出特征，decode部分是一个反卷积神经网络，通过八个反卷积层将encode部分提取出的特征生成出结构荷载信息的图片。
7.根据权利要求1所述的基于条件生成对抗网络模型的工程结构荷载反演方法，其特征在于，所述的步骤(2)中，采用的判断网络d中，首先将结构响应信息的图片及生成的结构荷载信息图片拼接在一起，再通过五个卷积层和一个全连接层的网络，最后得到判断网络d的输出。
8.根据权利要求1所述的基于条件生成对抗网络模型的工程结构荷载反演方法，其特征在于，所述的步骤(3)中，标定g模型生产的结构荷载信息图像中响应信息的方法具体为：根据颜色渐变条jet，将每一个位置的像素值转化为对应的结构荷载信息。
技术总结