申请/专利权人：合肥工业大学

申请日：2024-01-04

公开（公告）日：2024-03-22

公开（公告）号：CN117744231A

主分类号：G06F30/13

分类号：G06F30/13;G06F30/23;G06F30/27;G06N3/006;G06N3/0464;G06N3/08;G06F119/14

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.09#实质审查的生效;2024.03.22#公开

摘要：本发明公开了一种基于改进的AVOA‑GRNN网络的梁桥主梁静载挠度预测方法，包括：1、建立车桥有限元模型并添加车桥不确定性模拟桥梁动静载试验，采集动静载试验数据；2、利用皮尔逊线性相关系数对上述数据进行特征选择；3、利用动静载实验数据训练GRNN神经网络模型，并构建改进的非洲秃鹫算法优化GRNN的参数，得到平均绝对误差最小时对应的光滑因子；4、将预测集的动载试验数据代入改进的AVOA‑GRNN网络模型进行静载挠度预测。本发明能利用梁桥主梁动载试验数据来预测对应的静载挠度，从而能有效解决预测梁桥静载试验成本高，对交通影响大以及容易对桥梁结构造成损伤等诸多问题。

主权项：1.一种基于改进的AVOA-GRNN网络的梁桥主梁静载挠度预测方法，其特征在于，包括如下步骤：步骤1：利用有限元软件对桥梁和车辆进行建模，得到车桥有限元模型，包括：桥梁有限元模型和车辆有限元模型；其中，车辆有限元模型为四自由度的半车模型；步骤2：在车桥有限元模型中添加不确定性来模拟桥梁和车辆的真实结构；步骤2.1：将桥梁有限元模型中每个单元的弹性模量乘以各自的随机数，得到每个单元真实的弹性模量，用于模拟桥梁的材料误差；步骤2.2：将桥梁有限元模型中每个单元的材料容重乘以各自的随机数，得到每个单元真实的材料容重，用于模拟桥梁的质量误差；步骤2.3：将所述半车模型的刚度Kv和阻尼Cv分别设为一定区间内的随机值，从而模拟车辆的不确定性；步骤3：利用Newmark-β法获取动、静载实验数据：模拟动载试验时，获取桥梁有限元模型跨中节点位置的加速度数据X＝x1,x2,···xi,···xNT,其中，N为试验的总次数，xi表示第i次试验时的加速度数xi＝xi,1,xi,2,…,xi,j,…,xi,M，xi,j表示第i次试验的加速度数据xi中的第j个特征数据，M为特征数量；T表示转置；模拟静载试验时，获取桥梁有限元模型的四分之一位置α、四分之三位置β以及跨中节点位置γ的挠度数据并进行标准化处理，得到标准化处理后的四分之一位置α的挠度数据Yα＝yα,1,yα,2,···yα,i,···yα,NT、标准化处理后的四分之三位置β的挠度数据Yβ＝yβ,1,yβ,2,···yβ,i,···yβ,NT、标准化处理后的跨中点位置γ的挠度数据Yγ＝yγ,1,yγ,2,···yγ,i,···yγ,NT，其中，yα,i、yβ,i、yγ,i分别表示在第i次试验时四分之一位置α、四分之三位置β以及跨中节点位置γ的挠度数据；步骤4：特征选择和数据标准化；计算X中每个特征数据分别与三个位置的挠度数据之间的皮尔逊线性相关系数，并对各个相关性系数取绝对值后进行降序排序，再根据所设置的特征选择的个数M′，选择前M′个相关性系数对应的特征数据并进行标准化处理，得到处理后的特征数据，记为X′＝x′1,x′2,…x′i,…,x′NT，其中，x′i表示第i次试验特征选择和数据标准化后的加速度数据；且x′i＝x′i,1,x′i,2,…,x′i,j′,…,x′i,M′，x′i,j′表示第i次试验特征选择和数据标准化后的加速度数据x′i中的第j′个特征数据；利用式1计算X中第m列与第j个位置的挠度数据Yj的相关系数rhom,j： 其中,m∈[1,N]；j＝α,β,γ；xm,i表示X中第m列第i行数据，表示X中第m列数据的均值；yj,i表示Yj的第i行数据；表示第j个位置的挠度数据的均值；步骤5：创建GRNN神经网络模型，包括：输入层、模式层、求和层和输出层；以X′作为GRNN神经网络模型的输入，以Yα、Yβ、Yγ作为GRNN神经网络模型的输出，并对GRNN神经网络模型进行训练，并得到训练后的静载挠度预测模型；步骤6：设置光滑因子的上限ub和下限lb，并利用改进的非洲秃鹫算法优化所述光滑因子σ：步骤6.1：初始化种群并定义中的各个参数，包括：秃鹫种群的数量为Q，最大迭代次数为T，秃鹫的搜索空间维度为1；步骤6.2：使用tent混沌映射初始化第t代秃鹫种群其中，表示第t代秃鹫种群Pt中第q只秃鹫的位置；步骤6.3：根据挠度真实值和预测值的平均绝对误差，得到计算第t代秃鹫种群中每个只秃鹫的适应度；从而根据每只秃鹫的适应度对第t代秃鹫种群进行分组，将最优适应度所对应的秃鹫放在第一组，次优适应度所对应的秃鹫放在第二组，将剩下其余的秃鹫放在第三组；步骤6.4：利用式7得到第t代秃鹫种群中第q只秃鹫移动后的位置 式7中：表示第t代秃鹫种群中最优适应度的秃鹫位置，表示第t代秃鹫种群中次优适应度的秃鹫位置，L1和L2是两个参数，且L1∈[0，1]，L2∈[0，1]，L1+L2＝1，表示第t代秃鹫种群中第q只秃鹫的适应度值；步骤6.5：利用式8计算第t代秃鹫种群的饥饿度Ft： 式8中：z是[-1,1]之间的随机数，h是[-2,2]之间的随机数，k1是[0,1]之间的随机数，w为一固定参数；步骤6.6：当|Ft|≥1时，则表示进行探索阶段，并利用式9得到第t+1代秃鹫种群中第q只秃鹫的位置否则，执行步骤6.7的开发阶段； 式9中：p1∈[0，1]为设置的探索参数；Z表示秃鹫的随机位置，且是[0,2]之间的随机数；kp1，k2和k3均为[0,1]之间的随机数；步骤6.7：当|Ft|∈[0.5,1]时，利用式10得到第t+1代秃鹫种群中第q只秃鹫位置 式10中：p2∈[0，1]为设置的探索参数，k4、k5均为[0,1]的随机数；当|F|∈[0,0.5时，利用式11得到第t+1代秃鹫种群中第n只秃鹫的位置 式11中：λ1、λ2、θ1、θ2表示提前设置的参数，且λ1,λ2∈0,1、λ1+λ2＝0θ1,θ2∈0,1、θ1+θ2＝1；和ξ为[0,1]之间的两个随机数；σt2为第t代秃鹫种群的方差；Gξ,σt2是均值为0，标准差为σt2的高斯函数；levyd代表飞行操作，d表示秃鹫的搜索空间维度；步骤6.8：判断q＝Q是否成立，若成立，则表示得到第t+1代秃鹫种群否则，将q+1赋值给q后，返回步骤6.4顺序执行；步骤6.9：判断t+1≥T是否成立，若成立，则输出第T代秃鹫种群中最优适应度所对应的秃鹰位置，并作为最优光滑因子，否则，返回步骤6.3顺序执行。步骤7：将最优光滑因子带入训练后的静载挠度预测模型中，得到最优静载挠度预测模型，用于实现静载挠度的预测。

全文数据：

权利要求：

百度查询： 合肥工业大学 基于改进的AVOA-GRNN网络的梁桥主梁静载挠度预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD