1.基于深度学习的桥梁冲刷损伤识别方法,其特征在于,包括以下步骤:
步骤S100:采用抽样算法获取桥梁参数、土体参数、多跨桥梁冲刷位置和不均匀冲刷损伤的组合工况,并利用有限元软件计算每个工况下的冲刷损伤识别参数,构建包含桥梁参数、土体参数、多跨桥梁冲刷位置、不均匀冲刷损伤和冲刷损伤识别参数的原始数据集;
步骤S200:对原始数据集中的数据进行预处理,处理后得到用于桥梁冲刷损伤快速识别的输入数据集;
步骤S300:采用双层长短期记忆网络构建编码器-解码器架构的序列到序列多参数模型,并在序列到序列多参数模型中添加Dropout层和LayerNorm层标准化,编码器接收包括固定特征与动态特征的输入序列,利用一层长短期记忆网络对输入序列压缩成一个隐状态和细胞状态后进行处理,输出细胞状态特征至解码器,解码器利用另一层长短期记忆网络生成输出特征,并使用全连接层将编码器输出的细胞状态特征映射为冲刷损伤预测结果;
步骤S400:定义模型训练与优化的损失函数,采用Adam优化算法并添加L2正则化及利用早停法对Seq2Seq多参数模型进行训练与优化,选取验证集损失最小的模型作为最佳预测模型,该最佳预测模型用于对桥梁冲刷损伤进行识别。
2.根据权利要求1所述的基于深度学习的桥梁冲刷损伤识别方法,其特征在于,步骤S100包括以下步骤:步骤S101:桥梁参数包括桥梁跨数、跨径、桥墩剪跨比、桩长细比和下部结构弹性模量,土体参数包括内摩擦角和土体重度,采用抽样算法对桥梁参数及土体参数进行抽样,生成桥梁参数与土体参数样本;
步骤S102:采用与步骤S101相同的抽样算法对具有不同桥梁跨数的桥梁的不均匀冲刷损伤分别进行独立抽样,生成冲刷损伤组合工况,再将桥梁参数与土体参数样本与不同的冲刷损伤组合工况进行组合,生成包括桥梁参数、土体参数、多跨桥梁冲刷位置和冲刷损伤的组合工况;
步骤S103:采用有限元软件建立考虑桩-土相互作用的参数化桥梁数值分析模型,根据参数化桥梁数值分析模型计算步骤S102得到的每个组合工况下的冲刷损伤识别参数,该冲刷损伤识别参数包括桥梁一阶自振频率变化率和墩顶处一阶振型比。
3.根据权利要求2所述的基于深度学习的桥梁冲刷损伤识别方法,其特征在于,桥梁一阶自振频率变化率的计算公式为:;
其中,为冲刷损伤后的桥梁一阶自振频率;为未发生冲刷损伤的桥梁一阶自振频率;
第个桥墩的墩顶处一阶振型比的计算公式为:
;
其中,为第个桥墩墩顶处一阶振型的振动幅值,为桥梁跨数。
4.根据权利要求2所述的基于深度学习的桥梁冲刷损伤识别方法,其特征在于,桥梁跨数的范围为2~5,跨径服从均值为33.325m且变异系数为27.5%的对数正态分布,桥墩剪跨比的范围为2.5~10,桩长细比的范围为20~40,下部结构弹性模量服从均值为26.9GPa且变异系数为9.17%的正态分布,内摩擦角服从均值为30°且变异系数为10%的正态分布,土体重度服从均值为18.8kN/m3且变异系数为2.5%的对数正态分布。
5.根据权利要求2所述的基于深度学习的桥梁冲刷损伤识别方法,其特征在于,所述抽样算法采用拉丁超立方抽样算法,所述有限元软件采用OpenSees有限元软件。
6.根据权利要求1至5任意一项所述的基于深度学习的桥梁冲刷损伤识别方法,其特征在于,步骤S200包括以下步骤:步骤S201:将桥梁参数、土体参数和桥梁一阶自振频率变化率作为固定特征,将墩顶处一阶振型比作为动态特征,针对原始数据集中桥梁跨数最大值所对应的桥梁,生成各个桥墩的动态目标变量冲刷深度;
步骤S202:将原始数据集中存在的不均匀冲刷损伤和墩顶处一阶振型比的维数不同部分的缺失值填充为0;
步骤S203:采用Z-score标准归一化方法将原始数据集中的数据转换为零均值和单位方差的标准正态分布;
步骤S204:将归一化处理后的数据集按照85%和15%的占比划分为用于模型训练的训练集和用于评估模型性能的测试集,再从训练集中划分出20%作为验证集,用于实时监控模型;
步骤S205:将训练集和测试集的特征以及生成的动态目标变量冲刷深度转换为PyTorch张量。
7.根据权利要求1至5任意一项所述的基于深度学习的桥梁冲刷损伤识别方法,其特征在于,编码器接收的输入序列的维度为,其中,为原始数据集中桥梁跨数的最大值;Dropout率设定为0.2。
8.根据权利要求1至5任意一项所述的基于深度学习的桥梁冲刷损伤识别方法,其特征在于,在步骤S400中,采用均方误差作为损失函数;Adam优化算法的学习率设置为0.001;加入L2正则化后的损失函数的计算公式为:;
其中,为原始损失函数;为正则化系数;为模型所有权重的平方和,为模型中需要学习和优化的参数;为模型中参数的数量。
9.根据权利要求1至5任意一项所述的基于深度学习的桥梁冲刷损伤识别方法,其特征在于,在步骤S400之后还包括以下步骤:步骤S500:采用平均绝对误差、均方误差和决定系数三个评价指标对最佳预测模型进行评估。
10.基于深度学习的桥梁冲刷损伤识别系统,其特征在于,包括:
数据采集模块,用于采用抽样算法获取桥梁参数、土体参数、多跨桥梁冲刷位置和不均匀冲刷损伤的组合工况,并利用有限元软件计算每个工况下的冲刷损伤识别参数,构建包含桥梁参数、土体参数、多跨桥梁冲刷位置、不均匀冲刷损伤和冲刷损伤识别参数的原始数据集;
预处理模块,用于对原始数据集中的数据进行预处理,处理后得到用于桥梁冲刷损伤快速识别的输入数据集;
模型构建模块,用于采用双层长短期记忆网络构建编码器-解码器架构的序列到序列多参数模型,并在序列到序列多参数模型中添加Dropout层和LayerNorm层标准化,编码器接收包括固定特征与动态特征的输入序列,利用一层长短期记忆网络对输入序列压缩成一个隐状态和细胞状态后进行处理,输出细胞状态特征至解码器,解码器利用另一层长短期记忆网络生成输出特征,并使用全连接层将编码器输出的细胞状态特征映射为冲刷损伤预测结果;
训练优化模块,用于定义模型训练与优化的损失函数,采用Adam优化算法并添加L2正则化及利用早停法对Seq2Seq多参数模型进行训练与优化,选取验证集损失最小的模型作为最佳预测模型,该最佳预测模型用于对桥梁冲刷损伤进行识别。