申请/专利权人：西华大学

申请日：2024-03-20

公开（公告）日：2024-06-28

公开（公告）号：CN117910120B

主分类号：G06F30/13

分类号：G06F30/13;G06F30/23;G06F30/27;G06F30/28;G06F17/14;G06F17/16;G06F17/18;G06N3/045;G06N3/0464;G06N3/0499;G06N3/084;G06N3/0495;G06N3/082;G06F111/10;G06F113/08;G06F119/12;G06F119/14

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2024.05.07#实质审查的生效;2024.04.19#公开

摘要：本发明涉及桥梁的抗风设计技术领域，公开了一种基于轻量化Transformer的风‑桥系统抖振响应预测方法。根据设定的平均风速选取合适的脉动风速模型，生成脉动风速后叠加平均风速后生成的脉动风速时间序列经过气动力学理论和傅立叶变换计算后转化为抖振力时程数据；然后，建立悬索桥有限元模型，将生成的抖振力时程数据输入到悬索桥模型中，将生成的数据与脉动风速时程数据整合即可得到悬索桥的抖振响应样本；构建一个七层处理序列数据的Transformer结构卷积神经网络模型，捕捉脉动风速与抖振响应的内在特性和动态行为。本发明能够高效地进行抖振响应预测，为桥梁工程的建设和维护提供信息参考，增强桥梁的结构连接件的使用寿命，节约养护成本。

主权项：1.基于轻量化Transformer的风-桥系统抖振响应预测方法，其特征在于，包括以下步骤：步骤1：根据平均风速，选择脉动风速模型，确定与脉动风速模型相关的参数；采用谐波叠加法对脉动风速进行模拟；步骤2：利用所选的脉动风速模型和参数，生成与平均风速叠加的脉动风速时间序列数据，作为脉动风速样本；步骤3：将步骤2生成的脉动风速时间序列数据转化为抖振力时间序列数据，作为桥梁抖振响应样本；步骤4：通过商业有限元软件建立桥梁运动模型，输入抖振力时间序列数据，提取桥梁的竖桥向变形；步骤5：将步骤2生成的脉动风速时间序列数据作为输入集，将步骤4中得到的桥梁的竖桥向变形作为输出集，组成多个不同时间序列长度数据集，并分为训练集和测试集；步骤6：构建Transformer深度学习网络，验证其预测正确性，在训练之前对其进行超参数设置；所述步骤6具体为：基于模拟悬索桥的抖振响应进行预训练，构建一个七层处理序列数据的Transformer结构卷积神经网络模型，其中包含多个TransformerBlock层，每层包含自注意力机制、前馈网络和层归一化；用于捕捉脉动风速与抖振响应的内在特性和动态行为；将步骤2模拟生成的脉动风速样本作为输入数据，将步骤3模拟生成的桥梁抖振响应样本作为输出数据；输入数据经过三个TransformerBlock进行特征提取，接着通过两个全连接层进行特征整合，最终输出预训练的Transformer模型；步骤7：将训练集输入到Transformer深度学习网络中进行预测训练，得到桥梁结构竖向变形的预测模型，然后将训练好的模型保存；所述步骤7具体为：步骤7.1：Transformer深度学习模型的输入层为layers层，在训练时，输入层将作为模型的输入；定义神经网络模型的抖振力时间序列与脉动风速时间序列的形状，允许Transformer模型接收具有设定结构的输入，接受训练数据用于模型的前向传播，以确保Transformer模型能够正常读取数据；步骤7.2：TransformerBlock层中包含自注意力机制、前馈网络和层归一化；其中，自注意力机制选择多头子自注意力，用于在每个TransformerBlock中学习输入序列中的特征联系；在每层中，模型在自注意力的基础上，通过前馈网络进一步学习抖振响应特征关系；针对抖振响应时间序列，TransformerBlock计算其与所有键的相关性，然后使用这些相关性来对值进行加权平均，进行层归一化；参数计算以矩阵形式和层归一化为：Q、K、V＝Xinput·WQ、K、V13； 公式中，Q、K和V分别表示三个参数矩阵，Xinput为输入矩阵，WQ、K、V是三个参数矩阵对应的权重矩阵；Z为输出矩阵；dk为缩放因子；Softmax为被用于计算注意力权重的激活函数；T为转置符号；Attention为自注意力机制运算；前馈网络包括两层全连接层，第一层的激活函数为Relu，第二层不使用激活函数，其结构通过激活函数引入非线性特性；经过多层TransformerBlock的计算后生成编码信息矩阵C，编码信息矩阵C将应用到后续的输出层中；步骤7.3：Transformer深度学习模型的输出层包括一层全连接层和重塑层；其作用是将模型学到的特征映射到输出空间，然后通过重塑操作将输出的形状调整为与目标输出相匹配的形状；在训练时，Transformer深度学习模型的输出被用于计算损失函数，进而进行反向传播和权重更新；采用Transformer深度学习模型对抖振响应样本和脉动风速样本进行数据重塑和归一化：Transformer深度学习模型包括输入层、多个TransformerBlock层和输出层；利用输入层部分将数据的格式调整为合适Transformer模型；Transformer模型由多个TransformerBlock层组成，输出层包含多个层，用于将学到的潜在分布映射到输出，并预测得到桥梁结构竖向变形的预测模型；步骤8：通过Transformer模型得到不同的时间序列长度和不同样本数量级抖振响应预测样本，并以此计算Transformer模型的均值和标准差。

全文数据：

权利要求：

百度查询： 西华大学 基于轻量化Transformer的风-桥系统抖振响应预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD