-
公开(公告)号：CN115345367A
公开(公告)日：2022-11-15
申请号：CN202210978845.2
申请日：2022-08-16
Applicant: 哈尔滨工业大学 , 中交公规土木大数据信息技术(北京)有限公司
Abstract: 本发明提出一种基于实时去噪的大跨度桥梁风速预测方法。其涉及截断实时分解、形成多分辨率数据输入、构造预测模型三个步骤。在截断实时分解步骤中，使用奇异谱分析提取现有数据的趋势项，并结合奇异谱分析的参数设置截去受端部效应影响的部分；在形成多分辨率数据输入步骤中，引入高分辨率数据来补充由于进行截断实时分解所造成的信息损失；在构造预测模型步骤中，使用两个门限循环单元神经网络分别提取原始分辨率数据以及高分辨率数据中的风速特征，并使用多层感知机来将风速特征作为输入并给出风速趋势的预测。本发明为结合实时去噪的数据驱动模型，其可以有效消除实时分解所带来的端部效应，并结合深度学习模型充分提取时序数据中的特征。
-
公开(公告)号：CN115345367B
公开(公告)日：2023-04-18
申请号：CN202210978845.2
申请日：2022-08-16
Applicant: 哈尔滨工业大学 , 中交公规土木大数据信息技术(北京)有限公司
Abstract: 本发明提出一种基于实时去噪的大跨度桥梁风速预测方法。其涉及截断实时分解、形成多分辨率数据输入、构造预测模型三个步骤。在截断实时分解步骤中，使用奇异谱分析提取现有数据的趋势项，并结合奇异谱分析的参数设置截去受端部效应影响的部分；在形成多分辨率数据输入步骤中，引入高分辨率数据来补充由于进行截断实时分解所造成的信息损失；在构造预测模型步骤中，使用两个门限循环单元神经网络分别提取原始分辨率数据以及高分辨率数据中的风速特征，并使用多层感知机来将风速特征作为输入并给出风速趋势的预测。本发明为结合实时去噪的数据驱动模型，其可以有效消除实时分解所带来的端部效应，并结合深度学习模型充分提取时序数据中的特征。
-
公开(公告)号：CN115292780B
公开(公告)日：2023-06-30
申请号：CN202210826212.X
申请日：2022-07-14
Applicant: 哈尔滨工业大学
IPC: G06F30/13 , G06F30/27 , G06F30/28 , G06N3/0442 , G06N3/045 , G06N3/08 , G06F113/08 , G06F119/06 , G06F119/14
Abstract: 本发明提出基于深度学习的大跨度桥梁抖振响应预测方法。所述方法具体包括：步骤一、数据集构造：计算风速特征以及桥梁响应特征，形成模型的数据集；步骤二、模型搭建与训练：以门限循环单元GRU神经网络作为基本网络建立结合频域响应计算公式的深度神经网络模型；步骤三、响应预测：模型训练完成后用来进行预测，对于给定的风环境，确定风速特征后即可利用所述深度神经网络模型预测得到对应的响应特征。本发明无需有限元模型以及风洞试验结果的先验知识，通过数据挖掘技术对隐含在海量监测数据中的结构行为特征进行提取。本发明一经训练完成即可进行快捷预测，其为大跨度桥梁抖振响应预测提供了解决方案。
-
公开(公告)号：CN115292780A
公开(公告)日：2022-11-04
申请号：CN202210826212.X
申请日：2022-07-14
Applicant: 哈尔滨工业大学
IPC: G06F30/13 , G06F30/27 , G06F30/28 , G06N3/04 , G06N3/08 , G06F113/08 , G06F119/06 , G06F119/14
Abstract: 本发明提出基于深度学习的大跨度桥梁抖振响应预测方法。所述方法具体包括：步骤一、数据集构造：计算风速特征以及桥梁响应特征，形成模型的数据集；步骤二、模型搭建与训练：以门限循环单元GRU神经网络作为基本网络建立结合频域响应计算公式的深度神经网络模型；步骤三、响应预测：模型训练完成后用来进行预测，对于给定的风环境，确定风速特征后即可利用所述深度神经网络模型预测得到对应的响应特征。本发明无需有限元模型以及风洞试验结果的先验知识，通过数据挖掘技术对隐含在海量监测数据中的结构行为特征进行提取。本发明一经训练完成即可进行快捷预测，其为大跨度桥梁抖振响应预测提供了解决方案。
-
-
-
Search Results
4
records
(took 0.059 seconds)
