公开/公告号CN114926588A
专利类型发明专利
公开/公告日2022-08-19
原文格式PDF
申请/专利权人 武汉市华光交通工程有限公司;
申请/专利号CN202210553904.1
申请日2022-05-20
分类号G06T17/00(2006.01);G06F30/13(2020.01);G06F30/27(2020.01);G06N3/04(2006.01);G06N3/08(2006.01);G01B21/02(2006.01);G01B21/32(2006.01);G01M5/00(2006.01);G06F119/14(2020.01);
代理机构武汉探智知识产权代理事务所(普通合伙) 42309;
代理人曹鑫
地址 430000 湖北省武汉市黄陂区盘龙城岱黄高速府河收费站旁武汉华益路桥管理有限公司办公大楼3楼305室
入库时间 2023-06-19 16:26:56
法律状态公告日
法律状态信息
法律状态
2022-12-06
实质审查的生效 IPC(主分类):G06T17/00 专利申请号:2022105539041 申请日:20220520
实质审查的生效
技术领域
本发明涉及桥梁结构安全技术领域,具体为一种基于深度学习LSTM网络的桥梁静态位移预测方法。
背景技术
桥梁静态位移是桥梁结构安全监测的重要监测内容,桥梁挠度的变化最能直接反映出桥梁整体的竖向刚度、承载能力的变化;对桥梁结构变形趋势的预测,能够有助于桥梁工作性能评估和结构安全的预警。
现有的桥梁在进行检测的过程中,多数只是进行单一性的检测,导致桥梁在受到其他一些外界因素影响时,产生较大的拨动和偏移,而问题未检测出对于后期的安全问题造成较大的影响,为此,本发明提供了一种基于深度学习LSTM网络的桥梁静态位移预测方法。
发明内容
针对现有技术的不足,本发明提供了一种基于深度学习LSTM网络的桥梁静态位移预测方法,解决了现有的桥梁在进行检测的过程中,多数只是进行单一性的检测,导致桥梁在受到其他一些外界因素影响时,产生较大的拨动和偏移,而问题未检测出对于后期的安全问题造成较大的影响,的问题。
为实现以上目的,本发明通过以下技术方案予以实现:一种基于深度学习LSTM网络的桥梁静态位移预测方法,具体包括以下步骤:
S1、数据采集:首先利用检测系统中的数据采集模块对桥梁的基本数据进行采集,并且对挠度和结构抗剪承载力数据进行测算,同时将所采集的数据输入到存储系统进行汇总、整理和存储,以及将数据传输到数据处理模块进行分析处理;
S2、数据建模:此时对分析处理后的数据传输到三维建模模块中,以此形成三维立体图,通过人员施工实现模型的建立,并通过施加外界因素实现对桥梁静态位移的检测,同时将通过LSTM网络的训练模型进行桥梁检测;
S3、预测实验:在实验对象准备完成后,通过人员的实施模拟实现训练后的LSTM网络训练模型对桥梁静态位移进行检测,并且对检测中产生的数据进行实时记录,同时对于出现的问题进行预警和解决,并对于数据进行修改和及时的更新;
所述S1-S3中包括存储系统和检测系统,所述存储系统和检测系统实现双向连接;
所述存储系统中包括数据接收模块、数据管理模块、数据存储模块、数据输出模块、实时更新模块和数据显示模块,所述数据接收模块的输出端与数据管理模块的输入端连接,所述数据管理模块的输出端与数据存储模块的输入端连接,所述数据存储模块的输出端与数据输出模块的输入端连接,所述数据存储模块与数据显示模块实现双向连接,所述实时更新模块的的输出端与数据显示模块的输入端连接。
优选的,所述数据管理模块中包括数据引入单元、数据整理单元、数据分类单元和数据引出单元,所述数据引入单元的输出端与数据整理单元的输入端连接,所述数据整理单元的输出端数据分类单元的输入端连接,所述数据分类单元的输出端与数据引出单元的输入端连接。
优选的,所述检测系统中包括数据采集模块、信息中心处理器、数据处理模块、模型建立单元、数据预测模块、数据传送模块、桥梁检测模块、模块训练模块和预测预警模块,所述数据采集模块的输出端与信息中心处理器的输入端连接。
优选的,所述信息中心处理器的输出端与数据处理模块的输入端连接,所述数据处理模块的输出端与模型建立单元的输入端连接,所述模型建立单元的输出端与数据预测模块的输入端连接。
优选的,所述数据预测模块的输出端与数据传送模块的输入端连接,所述桥梁检测模块的输出端与模型建立单元的输入端连接,所述模块训练模块的输出端与模型建立单元的输入端连接,所述预测预警模块的输出端与数据预测模块的输入端连接。
优选的,所述预测预警模块中包括蜂鸣预警单元、信号灯警示单元和问题显现单元。
优选的,所述数据处理模块中包括数据输入单元、数据分析单元、数据计算单元和数据输出单元,所述数据输入单元的输出端与数据分析单元的输入端连接,所述数据分析单元的输出端与数据计算单元的输入端连接,所述数据计算单元的输出端与数据输出单元的输入端连接。
优选的,所述数据计算单元中对于挠度位移量的计算公式为:
有益效果
本发明提供了一种基于深度学习LSTM网络的桥梁静态位移预测方法。与现有技术相比具备以下有益效果:
该基于深度学习LSTM网络的桥梁静态位移预测方法,通过S1、数据采集:首先利用检测系统中的数据采集模块对桥梁的基本数据进行采集,并且对挠度和结构抗剪承载力数据进行测算,同时将所采集的数据输入到存储系统进行汇总、整理和存储,以及将数据传输到数据处理模块进行分析处理;S2、数据建模:此时对分析处理后的数据传输到三维建模模块中,以此形成三维立体图,通过人员施工实现模型的建立,并通过施加外界因素实现对桥梁静态位移的检测,同时将通过LSTM网络的训练模型进行桥梁检测;S3、预测实验:在实验对象准备完成后,通过人员的实施模拟实现训练后的LSTM网络训练模型对桥梁静态位移进行检测,并且对检测中产生的数据进行实时记录,同时对于出现的问题进行预警和解决,并对于数据进行修改和及时的更新,通过设置有存储系统和检测系统,利用数据采集模块对所需的桥梁数据进行实时的检测,并且通过模型建立单元和模块训练模块形成训练后的模型,并且对于产生的问题进行实时的检测、预测,同时配合上存储系统进行存储更新,不仅能够有效的检测出桥梁受外界因素影响产生的位移,而且可以提前告知进行问题的解决,以此提高了桥梁建造使用的安全性,同时也提高了人员对于桥梁的勘察完全性。
附图说明
图1为本发明预测方法的工艺流程图;
图2为本发明预测方法的原理框图;
图3为本发明检测系统的原理框图;
图4为本发明数据处理模块的原理框图;
图5为本发明存储系统的原理框图;
图6为本发明数据管理模块的原理框图;
图7为本发明预测预警模块的原理框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-6,本发明提供三种技术方案:
实施例一
一种基于深度学习LSTM网络的桥梁静态位移预测方法,具体包括以下步骤:
S1、数据采集:首先利用检测系统中的数据采集模块对桥梁的基本数据进行采集,并且对挠度和结构抗剪承载力数据进行测算,同时将所采集的数据输入到存储系统进行汇总、整理和存储,以及将数据传输到数据处理模块进行分析处理;
S2、数据建模:此时对分析处理后的数据传输到三维建模模块中,以此形成三维立体图,通过人员施工实现模型的建立,并通过施加外界因素实现对桥梁静态位移的检测,同时将通过LSTM网络的训练模型进行桥梁检测;
S3、预测实验:在实验对象准备完成后,通过人员的实施模拟实现训练后的LSTM网络训练模型对桥梁静态位移进行检测,并且对检测中产生的数据进行实时记录,同时对于出现的问题进行预警和解决,并对于数据进行修改和及时的更新;
S1-S3中包括存储系统和检测系统,所述存储系统和检测系统实现双向连接;
存储系统中包括数据接收模块、数据管理模块、数据存储模块、数据输出模块、实时更新模块和数据显示模块,所述数据接收模块的输出端与数据管理模块的输入端连接,所述数据管理模块的输出端与数据存储模块的输入端连接,数据存储模块的输出端与数据输出模块的输入端连接,所述数据存储模块与数据显示模块实现双向连接,所述实时更新模块的的输出端与数据显示模块的输入端连接。
本发明实施例中,数据管理模块中包括数据引入单元、数据整理单元、数据分类单元和数据引出单元,所述数据引入单元的输出端与数据整理单元的输入端连接,所述数据整理单元的输出端数据分类单元的输入端连接,所述数据分类单元的输出端与数据引出单元的输入端连接。
实施例二
一种基于深度学习LSTM网络的桥梁静态位移预测方法,具体包括以下步骤:
S1、数据采集:首先利用检测系统中的数据采集模块对桥梁的基本数据进行采集,并且对挠度和结构抗剪承载力数据进行测算,同时将所采集的数据输入到存储系统进行汇总、整理和存储,以及将数据传输到数据处理模块进行分析处理;
S2、数据建模:此时对分析处理后的数据传输到三维建模模块中,以此形成三维立体图,通过人员施工实现模型的建立,并通过施加外界因素实现对桥梁静态位移的检测,同时将通过LSTM网络的训练模型进行桥梁检测;
S3、预测实验:在实验对象准备完成后,通过人员的实施模拟实现训练后的LSTM网络训练模型对桥梁静态位移进行检测,并且对检测中产生的数据进行实时记录,同时对于出现的问题进行预警和解决,并对于数据进行修改和及时的更新;
S1-S3中包括存储系统和检测系统,所述存储系统和检测系统实现双向连接;
存储系统中包括数据接收模块、数据管理模块、数据存储模块、数据输出模块、实时更新模块和数据显示模块,所述数据接收模块的输出端与数据管理模块的输入端连接,所述数据管理模块的输出端与数据存储模块的输入端连接,数据存储模块的输出端与数据输出模块的输入端连接,所述数据存储模块与数据显示模块实现双向连接,所述实时更新模块的的输出端与数据显示模块的输入端连接。
本发明实施例中,检测系统中包括数据采集模块、信息中心处理器、数据处理模块、模型建立单元、数据预测模块、数据传送模块、桥梁检测模块、模块训练模块和预测预警模块,所述数据采集模块的输出端与信息中心处理器的输入端连接。
本发明实施例中,信息中心处理器的输出端与数据处理模块的输入端连接,所述数据处理模块的输出端与模型建立单元的输入端连接,所述模型建立单元的输出端与数据预测模块的输入端连接。
本发明实施例中,数据预测模块的输出端与数据传送模块的输入端连接,所述桥梁检测模块的输出端与模型建立单元的输入端连接,所述模块训练模块的输出端与模型建立单元的输入端连接,所述预测预警模块的输出端与数据预测模块的输入端连接。
本发明实施例中,数据处理模块中包括数据输入单元、数据分析单元、数据计算单元和数据输出单元,所述数据输入单元的输出端与数据分析单元的输入端连接,所述数据分析单元的输出端与数据计算单元的输入端连接,所述数据计算单元的输出端与数据输出单元的输入端连接。
本发明实施例中,预测预警模块中包括蜂鸣预警单元、信号灯警示单元和问题显现单元。
本发明实施例中,数据计算单元中对于挠度位移量的计算公式为:
实施例三
一种基于深度学习LSTM网络的桥梁静态位移预测方法,具体包括以下步骤:
S1、数据采集:首先利用检测系统中的数据采集模块对桥梁的基本数据进行采集,并且对挠度和结构抗剪承载力数据进行测算,同时将所采集的数据输入到存储系统进行汇总、整理和存储,以及将数据传输到数据处理模块进行分析处理;
S2、数据建模:此时对分析处理后的数据传输到三维建模模块中,以此形成三维立体图,通过人员施工实现模型的建立,并通过施加外界因素实现对桥梁静态位移的检测,同时将通过LSTM网络的训练模型进行桥梁检测;
S3、预测实验:在实验对象准备完成后,通过人员的实施模拟实现训练后的LSTM网络训练模型对桥梁静态位移进行检测,并且对检测中产生的数据进行实时记录,同时对于出现的问题进行预警和解决,并对于数据进行修改和及时的更新;
S1-S3中包括存储系统和检测系统,所述存储系统和检测系统实现双向连接;
存储系统中包括数据接收模块、数据管理模块、数据存储模块、数据输出模块、实时更新模块和数据显示模块,所述数据接收模块的输出端与数据管理模块的输入端连接,所述数据管理模块的输出端与数据存储模块的输入端连接,数据存储模块的输出端与数据输出模块的输入端连接,所述数据存储模块与数据显示模块实现双向连接,所述实时更新模块的的输出端与数据显示模块的输入端连接。
本发明实施例中,数据管理模块中包括数据引入单元、数据整理单元、数据分类单元和数据引出单元,所述数据引入单元的输出端与数据整理单元的输入端连接,所述数据整理单元的输出端数据分类单元的输入端连接,所述数据分类单元的输出端与数据引出单元的输入端连接。
本发明实施例中,检测系统中包括数据采集模块、信息中心处理器、数据处理模块、模型建立单元、数据预测模块、数据传送模块、桥梁检测模块、模块训练模块和预测预警模块,所述数据采集模块的输出端与信息中心处理器的输入端连接。
本发明实施例中,信息中心处理器的输出端与数据处理模块的输入端连接,所述数据处理模块的输出端与模型建立单元的输入端连接,所述模型建立单元的输出端与数据预测模块的输入端连接。
本发明实施例中,数据预测模块的输出端与数据传送模块的输入端连接,所述桥梁检测模块的输出端与模型建立单元的输入端连接,所述模块训练模块的输出端与模型建立单元的输入端连接,所述预测预警模块的输出端与数据预测模块的输入端连接。
本发明实施例中,预测预警模块中包括蜂鸣预警单元、信号灯警示单元和问题显现单元,且蜂鸣预警单元、信号灯警示单元和问题显现单元主要用于提醒和告知人员桥梁在进行预测的过程中存在问题,并且能够及时的解决问题。
本发明实施例中,数据处理模块中包括数据输入单元、数据分析单元、数据计算单元和数据输出单元,所述数据输入单元的输出端与数据分析单元的输入端连接,所述数据分析单元的输出端与数据计算单元的输入端连接,所述数据计算单元的输出端与数据输出单元的输入端连接。
本发明实施例中,数据计算单元中对于挠度位移量的计算公式为:
综合实施例1-3,该基于深度学习LSTM网络的桥梁静态位移预测方法通过设置有存储系统和检测系统,利用数据采集模块对所需的桥梁数据进行实时的检测,并且通过模型建立单元和模块训练模块形成训练后的模型,并且对于产生的问题进行实时的检测、预测,同时配合上存储系统进行存储更新,不仅能够有效的检测出桥梁受外界因素影响产生的位移,而且可以提前告知进行问题的解决,以此提高了桥梁建造使用的安全性,同时也提高了人员对于桥梁的勘察完全性。
同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
机译: 基于嵌套LSTM模型的深胶囊网络运输网络速度预测方法
机译: 基于沃尔夫优化LSTM网络的锂离子电池寿命预测方法
机译: 基于递归神经网络的基于深度学习的股票价格预测系统和方法