基于长短时记忆神经网络的大跨拱桥温度-位移相关模型建立方法.pdf

本文主要探讨了一种利用长短时记忆（LSTM）神经网络来建立大跨拱桥温度-位移相关模型的方法。在结构健康监测领域，精确的温度-位移模型对于大跨桥梁的性能评估至关重要。LSTM神经网络因其能处理时间序列数据的时滞效应和长期依赖性，成为解决这一问题的理想工具。 文章中，作者郑秋怡、周广东和刘定坤首先介绍了LSTM神经网络的基本原理。LSTM是一种特殊的循环神经网络（RNN），特别设计用于捕获时间序列中的长期依赖性。它通过引入“门控”机制来控制信息的流动，从而避免了传统RNN的梯度消失问题。在模型建立过程中，他们采用了自适应矩估计（Adam）算法进行优化，这是一种常用的梯度下降优化方法，能够自动调整学习率，提高训练效率。 接着，研究人员通过一座三跨连续系杆拱桥的长期同步监测数据，分析了影响主梁竖向位移的主要温度变量。他们发现构件的有效温度与主梁竖向位移之间存在明显的非线性关系，而构件间的温差和主拱的温度梯度与位移呈线性相关。此外，主拱的有效温度和主梁与主拱的温差被确定为导致主梁竖向位移的主要因素。 为了验证LSTM模型的效果，作者将之与传统的误差反向传播（BP）神经网络模型进行了对比。BP神经网络虽然广泛应用于数据建模，但在处理复杂时间序列数据时可能会遇到困难。研究结果显示，LSTM模型在温度位移的重构和预测误差上显著优于BP模型，这表明LSTM在捕捉桥梁结构响应的动态特性方面具有更强的能力。 论文的结论强调了LSTM神经网络在大跨拱桥温度-位移相关模型构建中的优越性，为基于位移响应的桥梁性能评估提供了新的思路。这种方法不仅有助于提高监测数据的解释精度，还能为桥梁的健康监测和维护决策提供更可靠的支持。未来的研究可以进一步探索LSTM与其他深度学习模型的结合，以及如何在更广泛的桥梁类型和环境下应用这种模型。