1.一种基于机器学习的冲刷损伤桥梁屈曲荷载预测方法,其特征在于,包括以下步骤:步骤S101:原始数据获取,包括桥梁参数、土体参数、冲刷深度以及临界屈曲荷载变化率结构参数的获取;
桥梁参数包括:桩长细比、桥墩宽度、桥墩高度、桥墩弹性模量、桩弹性模量;
土体参数为土体地基抗力系数的比例系数值;
步骤S102:对步骤S101获取的原始数据进行预处理,包括缺失值填充、异常值剔除、特征标准化,得到预测任务的结构参数输入数据集;
步骤S103:以步骤S102获得的数据集的桥梁参数、土体参数以及冲刷深度为输入特征,以临界屈曲荷载变化率为预测目标,构建LightGBM机器学习模型,建立输入特征与预测目标之间的非线性映射关系;
LightGBM机器学习模型在训练中,通过集成多个回归子树提高对高维结构特征空间的拟合能力,引入折交叉验证策略对数据集的样本数据进行多轮划分与迭代训练,获得最终的回归模型,该回归模型用于实现冲刷损伤桥梁临界屈曲荷载变化率预测;
步骤S104:采用多种性能评价指标对步骤S103获得的回归模型进行评估与验证。
2.根据权利要求1所述的基于机器学习的冲刷损伤桥梁屈曲荷载预测方法,其特征在于,步骤S101中,桥梁参数、土体参数与冲刷深度的获取采用拉丁超立方抽样,并以一定冲刷深度为间隔组合形成考虑不同冲刷深度的样本数据;
临界屈曲荷载变化率的获取采用基于能量法的冲刷损伤后桥墩-承台-桩结构体系屈曲分析方法,利用MATLAB实现抽样样本精确批量计算。
3.根据权利要求2所述的基于机器学习的冲刷损伤桥梁屈曲荷载预测方法,其特征在于,步骤S101中,临界屈曲荷载变化率的获取采用基于能量法的冲刷损伤后桥墩-承台-桩结构体系屈曲分析方法,利用MATLAB实现抽样样本精确批量计算,包含以下步骤:建立桥墩-承台-桩结构体系,根据能量法原理,总势能函数为,公式如下:;
其中,为体系弯曲应变能,为桩-土弹簧势能,为轴力做功,为体力做功;
桥墩-承台-桩结构体系中,为竖向位置坐标,为体系挠曲线函数,体系弯曲应变能表示为:;
其中,为桩长,为桥墩-承台-桩结构体系全长,为桥墩刚度,为桩刚度;为体系挠曲线函数二阶导数;
桩土作用采用m法考虑,并设定层土体,为土体地基抗力系数的比例系数,为单位长度地基土反力,表示为:;
其中,为桩身埋置深度,为承台位置与土体之间的距离,为桩径,则桩-土弹簧势能表示为:;
其中,为第层土体单元节点竖向坐标,,为节点间距, 为第层土体单元节点竖向坐标,为第层土体的值,代表土体层数编号,,,为冲刷深度;
将桥墩-桩整体上部结构荷载与承台简化为作用于桥墩顶与桩顶的轴力,用代表桥墩顶轴力、代表桩顶轴力,则轴力做功为:;
、分别代表桥墩与桩的自重集度,则体力做功为:;
其中,为体系挠曲线函数一阶导数;
假设桥墩-承台-桩-土结构体系服从桩下端铰接、桥墩顶上端自由,选取桥墩-桩整体下部结构的体系挠曲线函数,体系挠曲线函数形式为:;
其中,为待定参数;为试函数编号;
将总势能函数代入势能驻值条件,构造屈曲破坏特征方程,并通过特征值求解获得最小特征值计算临界屈曲荷载值,临界屈曲荷载值的公式为:;
利用MATLAB求解得到临界屈曲荷载变化率,公式如下:;
其中,为在冲刷深度为时的临界屈曲荷载计算值,为冲刷深度为0时的临界屈曲荷载计算值。
4.根据权利要求1所述的基于机器学习的冲刷损伤桥梁屈曲荷载预测方法,其特征在于,步骤S102中:缺失值填充为:对每一结构参数计算该参数在当前数据集中的中位数,并使用该中位数对缺失位置进行填充;
异常值剔除为:计算标准分值,设定标准差阈值,剔除在任一参数维度上Z-score绝对值超过标准差阈值的异常样本,公式如下:;
其中,为标准分数,为结构参数值,和分别为在数据集中的均值和标准差;
特征标准化为:对每一结构参数减去其均值,再除以其标准差,使全部结构参数在同一尺度范围内分布;公式如下:;
其中, 为剔除异常值后的原始结构参数值,为在数据集中的均值,为在数据集中的标准差,为标准化后的参数值。
5.根据权利要求1所述的基于机器学习的冲刷损伤桥梁屈曲荷载预测方法,其特征在于,步骤S103中,LightGBM机器学习模型的预测函数形式定义如下:;
其中,表示对输入样本数据的预测结果,表示第棵回归子树的输出,表示回归子树构成的函数空间,为LightGBM机器学习模型中集成多个回归子树的总数量,为回归子树编号索引;
LightGBM机器学习模型以均方根误差作为优化目标函数,公式如下:;
其中,为样本数,为第个样本的预测值,为第个样本的真实值,为均方误差损失函数值,为样本编号;
采用均方根误差RMSE作为评估指标;RMSE公式如下:;
采用五折交叉验证策略对样本数据进行多轮划分与训练;五折交叉验证的平均损失函数定义为:;
其中,为五折交叉验证过程中各折损失的平均值, 表示第折验证集上的损失值,为交叉验证的折数索引。
6.根据权利要求1所述的基于机器学习的冲刷损伤桥梁屈曲荷载预测方法,其特征在于,步骤S104中,性能评价指标包括:平均绝对误差、均方根误差和决定系数。
7.一种适用于权利要求1-6中任意一项所述的基于机器学习的冲刷损伤桥梁屈曲荷载预测方法的预测系统,其特征在于,包括:数据构建模块(100),用于构建数据集的原始数据获取,包括桥梁参数、土体参数、冲刷深度与临界屈曲荷载变化率结构参数的获取;
数据预处理模块(200),用于对数据构建模块(100)获取的原始数据进行预处理,包括缺失值填充、异常值剔除、特征标准化,得到预测任务的结构参数输入数据集,为后续模型调用提供规范化的数据输入接口;
模型构建及屈曲预测模块(300),用于构建LightGBM机器学习模型,实现冲刷损伤桥梁临界屈曲荷载变化率预测;
结果分析模块(400),用于采用多种性能评价指标对所构建的LightGBM机器学习模型训练后获得的回归模型进行评估与验证。