一种大跨度钢结构建筑微应变的短期预测方法

摘要

本发明公开了一种大跨度钢结构建筑微应变的短期预测方法，获取大跨度钢结构建筑微应变的历史数据并分成训练集和测试集；利用变分模态分解方法对训练集和测试集进行自适应分解，得到训练集和测试集各模态分量子序列；利用训练集各模态分量子序列作为训练样本对门控循环单元中的各模态分量子序列进行训练，建立训练集各模态分量子序列的门控循环单元钢结构建筑微应变的短期预测子模型；利用训练集各模态分量子序列的门控循环单元钢结构建筑微应变的短期预测子模型对测试集各模态分量子序列进行预测，将预测的测试集各模态分量子序列进行累加得到预测集；利用预测集与历史数据中的测试集进行对比分析。本发明提高了钢结构建筑微应变的短期预测精度。

说明书

技术领域

本发明属于大跨度钢结构研究中的钢结构建筑微应变的短期预测技术领域，具体涉及一种大跨度钢结构建筑微应变的短期预测方法。

背景技术

国家基础设施的建设极大推动了建筑行业的迅速崛起。一大批大跨度钢结构建筑如雨后春笋般出现在全国各地，它们外观新颖、工艺精巧、结构复杂、科技感强并且具有重量轻、刚度强、抗震性能高和应力分布均匀等特点，通常它们被广泛的应用于各个领域，成为城市或区域的地标性建筑。但是由于这些建筑长期暴露在自然环境之中，受到风霜雨雪等各种因素综合作用下易导致结构疲劳和损伤累积，为避免极端情况下灾难性事故的发生，需要对服役的大跨度钢结构建筑进行结构健康监测。因此，针对大跨度钢结构建筑的结构监测问题，建立钢结构建筑微应变的短期预测模型，对于钢结构耐久性分析和短期结构预测有重要的实际意义。

随着国家经济和科技的高速发展，大跨度钢结构建筑的数量迅速增加。在钢结构建筑的整个服役周期内，他们的形状都在发生着不同程度的形变，只是肉眼很难观察到这种。对于钢结构建筑微应变的短期预测可以评估预测钢结构材质损伤程度，因此钢结构建筑微应变短期预测对钢结构建筑来说是十分有必要的。合理有效的对钢结构建筑微应变的短期预测有重要的实际意义。国内外学者对钢结构建筑微应变预测研究主要针对的是大框架的强度研究，未对实际细节的微应变细节的情况进行深入的研究，预测精度与实际有一定的出入。因此，研究有效的钢结构建筑微应变的短期预测方法有很大的必要，而且有助于钢结构建筑业的持续健康发展。

发明内容

针对现有技术中存在的技术问题，本发明提供了一种大跨度钢结构建筑微应变的短期预测方法，解决现有的大跨度钢结构建筑微应变的短期预测缺乏有效方法的问题，能更细致掌握钢结构建筑微应变时间序列的特征，大大提高了钢结构建筑微应变的短期预测的精度。

为了解决上述技术问题，本发明通过以下技术方案予以实现：

一种大跨度钢结构建筑微应变的短期预测方法，包括以下步骤：

步骤1、获取大跨度钢结构建筑微应变的历史数据，然后将历史数据分成训练集和测试集；

步骤2、利用变分模态分解方法对步骤1中的训练集和测试集进行自适应分解，提取历史数据中分解的各模态分量数据，再利用相空间重构对分解的各模态分量数据进行加工处理优化，得到训练集各模态分量子序列和测试集各模态分量子序列；

步骤3、利用步骤2中得到的训练集各模态分量子序列作为训练样本，采用反向误差传播方法对门控循环单元中的各模态分量子序列进行训练，利用损失函数对权重参数和偏移参数进行调整更新，完成深度网络学习，建立训练集各模态分量子序列的门控循环单元钢结构建筑微应变的短期预测子模型；

步骤4、利用步骤3得到的训练集各模态分量子序列的门控循环单元钢结构建筑微应变的短期预测子模型对步骤2中的测试集各模态分量子序列进行预测，得到预测的测试集各模态分量子序列o′

步骤5、利用步骤4中得到的预测集o'与步骤1历史数据中的测试集进行对比分析，完成大跨度钢结构建筑微应变的短期预测评价。

进一步地，步骤1中，将历史数据按9：1的比例分成训练集和测试集。

进一步地，步骤2具体为：

步骤201、分解历史数据，初始化各模态

步骤202、更新参数

步骤203、对于给定的判别精度ε＞0，若满足

步骤204、利用相空间重构对分解得到的各模态分量数据进行加工处理优化，得到高维特征空间的各模态分量子序列。

进一步地，步骤3具体为：

步骤301、采用步骤204中得到的高维特征空间的各模态分量子序列作为训练样本代入门控循环单元中进行学习训练；

步骤302、使用训练样本中各模态分量子序列从门控循环单元的反向误差传播更新公式中学习更多的钢结构建筑微应变的短期预测相关的信息。

进一步地，步骤201中，将历史数据利用变分模态分解方法分解成5个调幅调频子信号，并通过迭代搜寻各模态分量子序列最优解，进而确定各分解模态分量子序列的中心频率，实现各模态分量子序列的有效分离。

进一步地，步骤201中，输入的参数量为1个，即大跨度钢结构建筑微应变一定时间的历史数据；中间的隐藏层根据变分模态分解方法确定为5个分量；输出的参数量为1个，即历史数据各模态分量子序列。

进一步地，步骤202中，具体更新如下：

其中，

进一步地，步骤204中，采用相空间重构构造高维特征空间的各模态分量子序列，对于变分模态所分解的历史数据各模态分量子序列X＝{x

其中，L＝N-(d-1)·τ-h；N为历史数据的样本总数；τ和d分别是延迟时间和嵌入维数；X

进一步地，步骤302中，所述门控循环单元的反向误差传播更新公式为：

z

r

o

其中，z

进一步地，步骤4中，预测集o'为：

o'＝o′

与现有技术相比，本发明至少具有以下有益效果：

本发明提供的一种大跨度钢结构建筑微应变的短期预测方法，首先通过实际工程中采集的钢结构建筑微应变的历史数据，获得钢结构建筑微应变历史记录，引入变分模态分解方法 (VMD)将历史数据进行自适应分解，提取历史数据中分解的各模态分量数据，并利用相空间重构对分解得到的各模态分量数据进行加工处理优化，使得重构的训练样本更好的反映钢结构建筑微应变的变化；再通过门控循环单元(GRU)的损失函数和反向误差传播方法不断的调整更新权重参数和偏移参数，学习钢结构建筑微应变方面的信息，建立钢结构建筑微应变的短期预测子模型，克服了循环神经网络(RNN)存在梯度消失和梯度爆炸问题，以及学习速度慢且很难训练和不能全面利用各时刻的信息等缺点。

利用门控循环单元(GRU)方法训练基于数据驱动的预测模型，不对钢结构建筑微应变过程内部的物理化学反应进行精确分析，克服已有的钢结构建筑微应变预测模型精度不高，易受各因素影响的不足，能够快速准确的预测钢结构建筑微应变短期的结果；同时利用变分模态分解方法(VMD)根据数据的实际情况确定数据的模态分解个数、实现固有模态的有效分离，并进行自适应分解，有效提取历史数据中原始序列的细节特征后，可以更细致掌握钢结构建筑微应变时间序列的特征，实现原始序列平稳化，大大提高了钢结构建筑微应变短期预测的精度。

步骤1训练集用来训练钢结构建筑微应变预测模型，确定模型中的参数，如权重参数和偏移参数。训练集得到预测模型后，使用测试集进行模型预测，性能评价。

步骤2相空间重构对分解得到的各模态分量数据进行加工处理优化，使得重构的样本更好的反映钢结构建筑微应变的短期变化。

步骤3采用门控循环单元(GRU)的方法训练钢结构建筑微应变的短期预测模型，是因为该方法具有较少的参数，所需样本较少，训练速度更快，且避免了传统循环神经网络存在的长时记忆梯度消散的问题，门控循环单元(GRU)能够保存长期序列中的信息，且不会随时间而清除或与预测不相关而移除，有利于处理时间序列延迟非常长的事件。门控循环单元 (GRU)的反向传播方法可以使它可以在误差允许的范围内，通过损失函数不断地调整更新权重参数和偏移参数，精确的学习钢结构建筑微应变的短期预测方面的相关知识，使得预测集与测试集之间的误差最小。

步骤201变分模态分解方法(VMD)可以根据数据实际情况确定模态分解个数，并且在搜索和求解过程中可以自适应地匹配每个模态的最佳中心频率和带宽，并且可以实现固有模态分量(IMFs)的有效分离、信号的频域划分、进而得到实际数据复杂度低的、非强线性的时间序列的有效分解成分。

综上所述，本发明不对钢结构建筑微应变过程内部的物化反应进行精确分析，克服已有的钢结构建筑微应变预测模型精度不高，易受各因素影响的不足，能够快速准确的预测钢结构建筑微应变短期的结果；变分模态分解方法根据实际情况确定钢结构建筑微应变数据的模态分解个数、实现固有模态的有效分离，进行自适应分解，有效提取原始序列的细节特征，可以更细致掌握钢结构建筑微应变的特征，大大提高了钢结构建筑微应变预测的精度。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式中的技术方案，下面将对具体实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的实现流程图；

图2为钢结构建筑微应变VMD分解重构图；

图3为BP模型原理图；

图4为GRU模型原理图；

图5为BP/GRU单一模型钢结构建筑微应变预测的流程图；

图6为VMD-GRU组合模型钢结构建筑微应变预测的流程图；

图7为钢结构建筑微应变的历史数据VMD分解后的IMF1-IMF5模态分量；

图8为BP模型在训练集上的预测结果；

图9为GRU模型在训练集上的预测结果；

图10为VMD-GRU模型在训练集上的预测结果。

具体实施方式

请参阅图1，本发明一种大跨度钢结构建筑微应变的短期预测方法，包括以下步骤：

步骤1、获取大跨度钢结构建筑微应变的历史数据，并将它们按相关比例分为训练集和测试集，此处比例取9：1。

步骤2、利用变分模态分解(VMD)方法将步骤1中的训练集和测试集进行自适应分解，有效提取历史数据中分解的各模态分量数据，降低历史数据的不平稳度，提高预测精度；再利用相空间重构对分解得到的各模态分量数据进行加工处理优化，得到训练集各模态分量子序列和测试集各模态分量子序列，使得重构的样本更好的反映钢结构建筑微应变的变化，如图2 所示；

变分模态分解(VMD)是一种自适应的模态变分和信号处理的方法，能够根据实际情况的确定所给信号和数据的模态分解个数、实现固有模态的有效分离。

变分模态分解(VMD)采用二次惩罚和拉格朗日乘数将上述约束问题转化为非约束问题，并用交替方向乘子法求解这个非约束问题，通过迭代搜寻变分模态模型来确定模态及其对应的中心频率和带宽自适应地将信号分解为若干个固有模态分量(IMFs)。

步骤2具体如下：

步骤201、分解历史数据，初始化各模态

步骤202、根据式(1)、(2)和(3)，更新参数

其中，

步骤203、对于给定的判别精度ε＞0，若满足

具体变分模态分解(VMD)步骤如表1所示；

步骤204、利用相空间重构对分解得到的各模态分量数据进行加工处理优化，得到高维特征空间的各模态分量子序列；具体的说，采用相空间重构构造高维特征空间的各模态分量子序列，对于变分模态所分解的历史数据各模态分量子序列X＝{x

其中，L＝N-(d-1)·τ-h；N为历史数据的样本总数；τ和d分别是延迟时间和嵌入维数；X

步骤3、利用步骤2中得到的训练集各模态分量子序列作为训练样本，采用反向误差传播方法对门控循环网络中的各模态分量子序列进行训练，利用损失函数对权重参数和偏移参数进行调整更新，完成深度网络学习，建立训练集各模态分量子序列的门控循环网络钢结构建筑微应变的短期预测子模型；

门控循环单元结构(GRU)由更新门、重置门和隐藏层组成，重置门和更新门为sigmoid 函数。它也是长短期记忆(LSTM)的变体，缓解梯度消失或爆炸现象，同时它的结构和计算更简单快速。

使用门控循环单元(GRU)来建立钢结构建筑微应变短期预测模型以提高预测的准确性和速度，因为门控循环单元(GRU)训练速度稍快并且需要少量的数据来泛化，能够很大程度上提高训练的效率和迭代的速度，若数据量足够其强大的表达能力能产生更好的预测结果。其优化过程包括变分模态分解(VMD)的分解、参数更新、迭代精度判别、分解变量重构和变分模态分解-门控循环单元(VMD-GRU)模型的建立；

步骤3具体如下：

步骤301、采用步骤204中得到的高维特征空间的各模态分量子序列作为训练样本代入门控循环网络中进行学习训练；

步骤302、使用训练样本中各模态分量子序列从门控循环网络的反向误差传播更新公式中学习更多的钢结构建筑微应变的短期预测相关的信息，门控循环网络的反向误差传播更新公式 (5)：

其中，z

步骤4、利用步骤3得到的训练集各模态分量子序列的门控循环网络钢结构建筑微应变的短期预测子模型对步骤2中的测试集各模态分量子序列进行预测，得到预测的测试集各模态分量子序列o

o'＝o′

步骤5、利用步骤4中得到的变分模态分解-门控循环单元(VMD-GRU)模型预测出的预测集o'与步骤1历史数据中的测试集进行对比分析，完成大跨度钢结构建筑微应变的短期预测评价。

变分模态分解-门控循环单元(VMD-GRU)模型的钢结构建筑微应变预测模型的具体构建方法如图6所示：

1)历史数据进行相关变量的变分模态分解(VMD)以及相空间重构如图7所示：将历史数据分解成5个调幅调频子信号，并通过迭代搜寻变分模型最优解从而确定每个模态分量的频率中心和宽带，实现各分量的有效分离；再利用相空间重构对分解得到的各模态分量数据进行加工处理优化，使得重构的样本更好的反映钢结构建筑微应变的短期变化；

2)确定门控循环单元(GRU)预测模型的结构：门控循环单元(GRU)预测模型由三部分组成，分别是重置门、更新门和隐藏层；其中重置门和更新门为sigmoid函数。

3)变分模态分解-门控循环单元(VMD-GRU)预测模型参数的确定：输入的参数量为1 个，即大跨度钢结构建筑微应变一定时间的历史数据；中间的隐藏层根据变分模态分解(VMD) 分解确定为5个模态分量；输出的参数量为1个，即历史数据各模态分量子序列。

4)将测试集中的各模态分量子序列放到已经利用反向误差传播方法和损失函数训练好各种偏移参数和权重参数的门控循环单元(GRU)最优预测模型中，利用各模态分量预测模型得到测试集的各模态分量的预测集，获得各模态分量准确的钢结构建筑微应变的预测模型o′

为了进一步的说明本发明的优势，下面做更加详细的分析说明。

在对比之前先参阅图3、图4和图5，了解BP和GRU模型原理图和预测模型图。

请参阅图8、图9、图10和表2所示，通过分别使用BP、门控循环单元(GRU)和变分模态分解-门控循环单元(VMD-GRU)预测模型进行对比分析，由图10可知，变分模态分解 -门控循环单元(VMD-GRU)预测模型比其他预测模型用更短的时长就掌握了纲结构建筑微应变的规律，并且预测的结果与真实值的拟合程度更高。

变分模态分解-门控循环单元(VMD-GRU)模型与单一模型BP和门控循环单元(GRU)模型在测试集上的预测效果对比，由图8、图9、图10和表2所示可知，所提的变分模态分解 -门控循环单元(VMD-GRU)组合模型对比单一的BP和门控循环单元(GRU)模型，在预测非平稳性和波动性较强的钢结构微应变时，表现出比较明显的优势，而且单一模型的MAE、 RMSE、MAPE和R等评价指标有一定差别。

表2各模型测试集的预测效果评价表

如图8、图9和表2所示，门控循环单元(GRU)模型优于BP模型的预测效果，得益于门控循环单元(GRU)复杂门控结构有效捕捉时序数据中间间隔较大的依赖关系；同时由表2可知，经过变分模态分解数据预处理和相空间重构得到的变分模态分解-门控循环单元(VMD-GRU)模型的预测性能高于门控循环单元(GRU)模型，验证了预处理数据的高效性。

综上所述，本发明一种大跨度钢结构建筑微应变的短期预测方法具体以下特点：

利用门控循环单元(GRU)网络方法建立基于数据驱动的钢结构建筑微应变预测模型，不对钢结构微应变过程内部的物理化学反应进行精确分析，克服已有的钢结构微应变预测模型精度不高，易受各因素影响的不足，能够快速准确的预测钢结构微应变短期的结果；同时利用分模态分解(VMD)方法能够将历史钢结构建筑微应变数据自适应分解，并分别对各模态分量进行相空间重构，可以更细致掌握钢结构建筑微应变时间序列的特征，实现历史数据平稳化，提高了钢结构建筑微应变预测的精度。再利用最后，利用测试集进行测试将得出的结果预测集o'与测试集进行对比分析。

针对钢结构建筑微应变采集信号过程中受多因素影响且钢结构建筑微应变的时间序列通常是非平稳、非线性的，本发明采用了变分模态分解(VMD)将历史钢结构建筑微应变数据进行自适应分解后再利用相空间重构，可以更细致的掌握钢结构建筑微应变的时间序列特征，实现数据序列平稳化，使得相空间重构后的样本更好反映实际钢结构建筑微应变的变化情况，以便做好门控循环单元(GRU)的输入；结合门控循环单元(GRU)训练所需数据少、训练速度快等特点；变分模态分解-门控循环单元(VMD-GRU)模型钢结构建筑微应变短期的预测模型提高了钢结构建筑微应变预测的准确性和速度。

变分模态分解(VMD)的使用可以避免数据处理过程中发生模态混叠现象，能满足工程实际需求，对大跨度钢结构建筑微应变序列的变化趋势有很大掌握，对于其结构的持久性分析和预测工有重要的实际意义。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。