基于数据驱动泛化增强的构件性能预测方法及相关装置

摘要

基于数据驱动泛化增强的构件性能预测方法及相关装置，包括确定预测构件性能的原始模型输入特征；将原始模型输入特征按经验公式的结构转换为经验公式的基础因式形式；收集结构构件性能预测的实测数据集，并将其转换为经验公式的基础因式形式，建立起实测数据的数据集；选择代表性的抽样策略生成有代表性的数据集；基于有代表性的数据集，在经典的数据驱动模型上进行模型训练，得到预训练模型；将实测数据集引入预训练模型，使用增量学习对模型再次进行训练，得到基于数据驱动泛化增强的结构构件性能预测模型，进行预测。本发明所提出的方法可用来辅助进行结构性能评估、剩余使用寿命预测、耐久性分析和结构管养工作。

说明书

技术领域

本发明涉及结构构件性能预测领域，具体是基于数据驱动泛化增强的构件性能预测方法及相关装置。

背景技术

土木工程是随着人类社会的发展而发展起来的，目的在于建成人类生产或生活所需要的各型各类空间。土木工程产生的结构需要能够抵挡各种自然或人为产生的作用力，为人类的生产生活提供可靠的遮蔽空间，因而土木工程的安全性至关重要。

近年来基于机器学习建立的数据驱动模型在结构性能预测中越发普遍。它可以方便快捷的基于既有数据学习到数据的内在规律，并表现出良好的性能。但基于机器学习的模型通常只能在所使用的训练数据库范围内保证精度，而当待预测点落于数据库范围以外时，其精度可能会大幅下降。这对机器学习在土木工程中的应用是很不利的，因为收集的数据取值范围与目标预测的数据取值范围之间总会存在差距。具体来说，大多数可收集到的试验数据都是在缩尺模型上得到的，比工程实际所使用的要小的多。

发明内容

本发明的目的在于提供基于数据驱动泛化增强的构件性能预测方法及相关装置，以解决基于机器学习的模型通常只能在所使用的训练数据库范围内保证精度，而当待预测点落于数据库范围以外时，其精度可能会大幅下降的问题。

为实现上述目的，本发明采用以下技术方案：

基于数据驱动泛化增强的构件性能预测方法，包括

确定预测构件性能的原始模型输入特征；

选定一个经验公式模型，将原始模型输入特征按经验公式的结构转换为经验公式的基础因式形式；

收集结构构件性能预测的实测数据集，并将其转换为经验公式的基础因式形式，建立起实测数据的数据集；其中以经验公式的基础因式作为模型的输入项，以实测结构性能指标作为模型的输出项；

选择代表性的抽样策略生成有代表性的数据集；其输入特征为经验公式的基础因式形式，输出为经验公式的计算值；

基于有代表性的数据集，在经典的数据驱动模型上进行模型训练，得到预训练模型；

将实测数据集引入预训练模型，使用增量学习对模型再次进行训练，得到基于数据驱动泛化增强的结构构件性能预测模型，进行预测。

进一步的，原始模型输入特征包括：混凝土抗压强度、拉区、受压区钢筋抗拉强度及抗压强度、受拉区预应力筋抗拉强度、受拉区、受压区纵向普通钢筋的截面面积、受拉区纵向预应力筋的截面面积、截面宽度、截面高度、受压区纵向普通钢筋合力点至截面受压边缘的距离和受压区混凝土简化等效矩形应力图时的系数；经验公式的多项式组成包括如下基础因式：常数项或指数项。

进一步的，对于收集到的结构构件性能的实测数据集，不要求其覆盖所有的潜在数据取值范围。

进一步的，基于经验公式先验知识的进行抽样时，抽样空间应覆盖所有潜在的数据取值范围，使用的抽样策略包括sobol抽样和拉丁超立方抽样。

进一步的，在进行数据驱动模型的超参数优化及训练时，使用随机搜索，网格搜索以及贝叶斯优化算法进行。

进一步的，在对所建立的模型进行增量训练时，同时考虑模型在数据集D

进一步的，预训练模型

进一步的，基于数据驱动泛化增强的构件性能预测系统，包括：

特征确定模块，用于确定预测构件性能的原始模型输入特征；

转换模块，用于选定一个经验公式模型，将原始模型输入特征按经验公式的结构转换为经验公式的基础因式形式；

数据集建立模块，用于收集结构构件性能预测的实测数据集，并将其转换为经验公式的基础因式形式，建立起实测数据的数据集；其中以经验公式的基础因式作为模型的输入项，以实测结构性能指标作为模型的输出项；

输入模块，用于选择代表性的抽样策略生成有代表性的数据集；其输入特征为经验公式的基础因式形式，输出为经验公式的计算值；

预测模块，用于基于有代表性的数据集，在经典的数据驱动模型上进行模型训练，得到预训练模型；将实测数据集引入预训练模型，使用增量学习对模型再次进行训练，得到基于数据驱动泛化增强的结构构件性能预测模型，进行预测。

进一步的，一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现基于数据驱动泛化增强的构件性能预测方法的步骤。

进一步的，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现基于数据驱动泛化增强的构件性能预测方法的步骤。

与现有技术相比，本发明有以下技术效果：

本发明所提出的基于数据驱动泛化增强的结构构件性能预测方法，由于使用了基于经验公式建立的数据集进行模型训练得到预训练模型，因而可充分利用已有经验公式中的物理知识。在对经验公式中的物理知识进行学习的过程中，使用了机器学习算法，实现了将已掌握的物理知识与基于数据驱动的预测框架结合起来。本发明所提出的方法可以用于获得精确的构件性能预测模型。本方法使用了机器学习算法，其训练效果良好，因而具有优秀的内插能力；此外，由于本方法在训练阶段首先使用了基于经验公式所建立的数据集，其覆盖范围极广，因而保证了算法具有优秀的外推能力，故本发明所提方法的性能可以超出传统的经验公式和典型机器学习算法。

本发明所提出的方法可直接进行结构性能的预测(如梁体抗弯、抗剪承载力等)，同时辅以对结构的监测以及检测数据，使得本方法可用来辅助进行结构性能评估、剩余使用寿命预测、耐久性分析和结构管养等工作。

附图说明

图1是本发明的基于数据驱动泛化增强的结构构件性能预测方法的步骤流程示意图；

图2是预训练模型G的具体训练流程示意图；

图3是在预训练模型G上进行增量学习的具体训练流程示意图；

图4是本发明在完成模型训练后进行结构构件性能预测时的模型使用流程；

图5以梁正截面受弯承载力预测为例，预训练模型G进行增量学习时在训练集及测试集上的表现示意图；

图6以梁正截面受弯承载力预测为例，绘制出本发明所提方法，经验公式以及经典机器学习算法三种预测方法的结果图。

具体实施方式

以下结合附图对本发明进一步说明：

请参阅图1至图6，

S1：确定预测构件性能的原始模型输入特征x＝[x

S2：选定一个经验公式模型，将初始输入特征x＝[x

S3：收集结构构件性能预测的实测数据集，并将其转换为经验公式的基础因式形式，进而建立起实测数据的数据集D

S4：为了将相应经验公式的先验知识充分嵌入到数据驱动模型中，基于经验公式选择代表性的抽样策略生成一个有代表性的数据集D

S5：基于数据集D

S6：将实测数据集引入预训练模型G，使用增量学习对模型再次进行训练，得到一种基于数据驱动泛化增强的结构构件性能预测模型。

在步骤S2中，经验公式的多项式组成可能包括但不限于如下基础因式：常数项，指数项等。

在步骤S3中，对于收集到的结构构件性能的实测数据集，不要求其覆盖所有的潜在数据取值范围。

在步骤S4中，基于经验公式先验知识的进行抽样时，抽样空间应覆盖所有潜在的数据取值范围，可使用的抽样策略包括但不限于sobol抽样，拉丁超立方抽样等。

在步骤S5及S6中，在进行数据驱动模型的超参数优化及训练时，可使用随机搜索，网格搜索以及贝叶斯优化算法等方法进行。

在步骤S6中，在对所建立的模型进行增量训练时，应同时考虑模型在数据集D

实施例：

如图1所示，本发明具体步骤如下：

S1：根据当前较为成熟的梁正截面受弯承载力预测方法，确定出梁正截面受弯承载力预测相关参数x＝[f

其中，f

S2：《GB50010-2010混凝土结构设计规范》中规定梁正截面受弯承载力预测公式如下：

α

其中，M为梁正截面受弯承载力预测值，x为等效矩形应力图的混凝土受压区高度。

以上式为基准，将选定的初始特征x＝[f

S3：收集梁正截面受弯承载力实测缩尺数据174组，将梁各特性值按公式(3)转换，进而建立起实测数据的数据集D

S4：为了将GB50010-2010中关于梁正截面受弯承载力预测的先验知识充分嵌入到数据驱动模型中，以所有潜在的数据取值范围形成抽样空间，选择sobol抽样策略，在其中抽样200组，生成有代表性的数据集D

S5：如图2所示，选择神经网络作为原始数据驱动模型，基于数据集2

S6：如图3所示将实测数据集D

S7：收集梁正截面受弯承载力实测足尺数据12组，使用S6所得到的预测模型对其承载力进行预测，流程如图4所示。同时使用公式(1)和(2)进行经验公式预测值的计算。此外在数据集D

本发明可适用于多种结构构件的性能预测，包括但不限于板、梁、柱以及墙等结构构件的抗弯、抗剪以及抗扭等性能预测。在使用时只需要保证结构性能已有经验公式可进行计算，同时可收集到一定量的结构性能实测数据集。通过本方法，可以对结构构件性能进行更准确的预测。相比于经典机器学习算法及经验公式的预测值，本方法的预测精度均可获得显著提升。同时，本发明专利所提出的方法可用来辅助进行结构性能评估、剩余使用寿命预测、耐久性分析和结构管养工作。在未来，基于此发明专利所建立的基于数据驱动的结构构件性能预测方法可以成为开发数据驱动模型的一种新方法，并促进土木工程的新发展。

本发明再一实施例中，提供一种基于数据驱动泛化增强的构件性能预测系统，能够用于实现上述的基于数据驱动泛化增强的构件性能预测方法，具体的，该系统包括：

特征确定模块，用于确定预测构件性能的原始模型输入特征；

转换模块，用于选定一个经验公式模型，将原始模型输入特征按经验公式的结构转换为经验公式的基础因式形式；

数据集建立模块，用于收集结构构件性能预测的实测数据集，并将其转换为经验公式的基础因式形式，建立起实测数据的数据集；其中以经验公式的基础因式作为模型的输入项，以实测结构性能指标作为模型的输出项；

输入模块，用于选择代表性的抽样策略生成有代表性的数据集；其输入特征为经验公式的基础因式形式，输出为经验公式的计算值；

预测模块，用于基于有代表性的数据集，在经典的数据驱动模型上进行模型训练，得到预训练模型；将实测数据集引入预训练模型，使用增量学习对模型再次进行训练，得到基于数据驱动泛化增强的结构构件性能预测模型，进行预测。

本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本发明各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于基于数据驱动泛化增强的构件性能预测方法的操作。

本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关基于数据驱动泛化增强的构件性能预测方法的相应步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。