(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110807813.1 (22)申请日 2021.07.16 (65)同一申请的已公布的文献号 申请公布号 CN 113836783 A (43)申请公布日 2021.12.24 (73)专利权人 东南大学 地址 211189 江苏省南京市玄武区四牌楼 2 号 (72)发明人 岳子翔　丁幼亮　赵瀚玮　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 孟丽娜 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/13(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/08(2020.01) G06F 119/14(2020.01) (56)对比文件 US 2021117796 A1,2021.04.2 2 CN 112784336 A,2021.0 5.11 WO 2021098472 A1,2021.0 5.27 AU 2020102461 A4,2020.1 1.12 赵岩等.基 于深度学习算法的粮 堆温度预测 研究. 《粮食科技与经济》 .2019,(第1 1期), 审查员 李祖布 (54)发明名称 斜拉桥主梁温致挠度监测基准值的数字回 归模型建模方法 (57)摘要 本发明公开了一种斜拉桥主梁温致挠度监 测基准值的数字回归模型建模 方法， 首先获取温 度特征时序数据和温致挠度时序数据； 之后对数 据进行归一化处理， 并建立训练集和测试集； 然 后搭建长短时记忆神经网络驱动的数字回归模 型， 该模型的层数为2层， 最后检验数字回归模型 的有效性。 本方法将力学机理与 深度学习技术的 非线性性能进行了结合， 搭建的神经网络具备了 可解释性， 实施有章可循， 可以获取高精度的斜 拉桥温致 挠度基准 值。 权利要求书3页 说明书9页 附图2页 CN 113836783 B 2022.11.18 CN 113836783 B 1.一种斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法， 其特征在于， 包括 如下步骤： (1)获取温度特 征时序数据和温致 挠度时序数据： 将斜拉桥的温度场数据转化为三种影响斜拉桥挠度的温度特征， 包括主梁平均温度、 主梁竖向温差和索塔温度， 并获取每 个温度特 征对应的温度特 征时序数据， 提取主梁挠度时序数据中的温度效应， 从而获得温致 挠度时序数据； (2)对数据进行归一 化处理， 并建立训练集和 测试集； 将温度特征时序 数据与温致挠度时序 数据转化为监督学习 模式， 然后按照 一定比例将 数据集划分为训练集和 测试集； (3)搭建长短时记 忆神经网络驱动的数字回归 模型： 运用堆栈LSTM网络， 堆栈LSTM的层数固化为两层， 以达到最优精度与最优训练成本的 平衡； 将训练集中的数据带入堆栈LSTM， 进行既定 Epoch次数的正反向传播迭代训练； (4)采用归一 化后的测试集检验数字回归 模型的有效性： 将测试集输入训练后模型， 输出温致挠度预测值； 之后对输出的温致挠度预测值进行 反归一化， 得到温致 挠度回归值； 检查温致挠度回归值与测试集的均方误差与平均误差， 若两误差指标均达到预设数 值， 则该堆栈LSTM网络可投入使用， 反之则调整网络参数和训练参数对数字回归模型再次 训练和验证。 2.根据权利要求1所述的斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法， 其特征在于所述 步骤(1)中包括： 采用小波多尺度 数字信号处理 的方式， 对主梁挠度时序 数据中的温致挠度部分进行提 取， 获取温致 挠度的时序数据集。 3.根据权利要求1所述的斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法， 其特征在于所述 步骤(2)中包括： (2.1)对温度特征时序数据和温致挠度时序数据进行归一化处理； 其中， 输入温度数据 的时间段长度为五小时， 输出当前时刻的温致 挠度数据， 数据采集间隔为十分钟采集 一次； (2.2)将归一 化完毕的数据集 转化为监督学习标记模式： 每一种温度特征输入五小时数据， 输入神经网络前， 同时刻将三种温度特征组合为一 个向量， 将数据集按照一定比例划分为训练集和 测试集。 4.根据权利要求1所述的斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法， 其特征在于： 所述 步骤(3)中包括： (3.1)对堆栈LSTM网络的层 数和结构进行优化： 其 中， LSTM隐藏层层数为2层， 且每层的 LSTM神经单元数量为64； 隐藏层后设置全连接函数将输出的64维数据运算并叠加为1个数 值， Batch_size设置为10， 学习率(Ir)设置为0.0 001； (3.2)堆栈LSTM神经网络中的数据运 算流程如下： 输入t时刻的温度特征向量Xt， 首先将Xt和来自上一时刻的记忆数据ht‑1， 与第一层LSTM 单元中的权重矩阵W与偏置b进行组合， 构造ft， it， 三个内部 参数， 三个参 数的构造方程如 下： ft＝σ(Wf[ht‑1， Xt]+b；权　利　要　求　书 1/3 页 2 CN 113836783 B 2it＝σ(Wi[ht‑1， Xt]+bi)； 式中： Wf， Wi， WC为权重矩阵； bf， bi， bC为偏置； 然后将上述三个参数ft， it， 进行融合， 获得当前层LSTM单元的当前内部信息Ct如下 式： 式中： Ct‑1为上一时刻的内部信息； Xt和ht与LSTM单 元中的权 重矩阵与偏置进行组合， 计算内部参数ot如下： ot＝σ(Wo[ht‑1， Xt]+bo)； 式中： Wo为权重矩阵； bo为偏置； 则当前层当与前时刻的输出向量ht可由下式计算： ht＝ot·tanh(Ct)； 上述公式 中的σ 为Sigmo id函数， tanh为双曲正切函数， 两种函数的表达式如下： 式中： z为函数自变量； 每个时刻从LSTM单元输出的ht在本层中传递到下一时刻与Xt+1组合输入， 同时将被保 存， 作为下一层LSTM中， 当前时刻的输入数据； 当本层运行 结束后， 下一层的运行流 程如下： 输入t时刻的温度特征向量ht， ht作为第二层的输入数据， 与当层来自上一时刻的长期 记忆数据h′t‑1组合输入， 与第二层LSTM单 元中的权 重矩阵W′与偏置b′进行运算， 构造f ′t， i′t， 三个内部参数， 三个参数的构造方程如下： ft′＝σ(W′f[h′t‑1， ht]+b′； i′t＝σ(W′i[h′t‑1， ht]+b′i)； 式中： W′f， W′i， W′C为权重矩阵； b ′f， b′i， b′C为偏置； 然后将上述三个参数 f′t， i′t， 进行融合， 获得当前层LSTM单元的当前内部信息C ′t如 下式： 式中： C′t‑1为上一时刻的内部信息； ht和h′t与LSTM单 元中的权 重矩阵与偏置进行组合， 计算内部参数ot如下： o′t＝σ(W′o[h′t‑1， ht]+b′o)； 则当前层当与前时刻的输出向量h ′t可由下式计算： h′t＝o′t·tanh(C′t)； 对于第二层LS TM单元， 若t时刻为最后一个时刻， 则此时的神经网络输 出量ht′经由线性权　利　要　求　书 2/3 页 3 CN 113836783 B 3