本發明專利技術提出涉及沿海環境簡支梁彈性模量預測方法、電子設備及存儲介質，屬于彈性模量預測技術領域。包括：S1.結合沿海地區氣候條件，確定對橋梁彈性模量產生影響的數據參數，并對數據參數和彈性模量進行編碼；S2.獲取各數據參數；S3.構建數據集；S4.構建長短期記憶神經網絡模型；S5.將擾度計算公式作為長短期記憶神經網絡模型的損失函數，并通過誤差反向傳播，修正模型中的參數；S6.基于數據集，采用梯度下降法對長短期記憶神經網絡模型進行訓練；S7.將監測數據輸入長短期記憶神經網絡模型，輸出彈性模量。解決基于大數據處理的方式對橋梁狀態分析時，泛化能力不足，以及未考慮服役環境導致橋梁狀態評價準確度低的問題。服役環境導致橋梁狀態評價準確度低的問題。服役環境導致橋梁狀態評價準確度低的問題。
【技術實現步驟摘要】
沿海環境簡支梁彈性模量預測方法、電子設備及存儲介質
[0001]本專利技術涉及一種彈性模量預測方法，尤其涉及沿海環境簡支梁彈性模量預測方法、電子設備及存儲介質，屬于彈性模量預測
技術介紹
[0002]彈性模量是混凝土力學性能中的一項重要參數，能夠反映混凝土所受應力與所產生應變之間的關系。彈性模量幾乎貫穿于材料力學的全部計算之中，而對于結構力學而言，其計算過程中彈性模量也是必不可少的基本物理量。對于簡支梁橋而言，彈性模量是檢測過程中的重要檢測指標，并采用彈性模量作為反應橋梁損傷程度的指標。而目前，橋梁檢測時，通常是采用回彈儀法測試混凝土的彈性模量，而此種方法存在顯著的問題：對于簡支梁橋而言，跨中位置的撓度是需要重要關注的指標，而跨中撓度受到彈性模量的影響較大，回彈儀僅僅作用于混凝土表面的一點，彈擊點附近混凝土的性能對測量結果影響很大。如果彈擊點剛好位于一個硬度較大的骨料之上，測得的回彈值就會較大。同樣，如果彈擊點剛好打在一個空穴之上，由于該點的硬度較低，因此回彈值就會較小。如果彈擊點剛好打在鋼筋之上且混凝土保護層較薄，此點的硬度會較大，測得的回彈值也會較大。
[0003]另一方面，對于沿海城市而言，橋梁的服役環境復雜，傳統的基于橋梁監檢測技術的參數識別時，忽略了服役環境對橋梁狀態評價和性能演化規律的影響。基于大數據處理的方式對橋梁狀態分析時，可解釋性不強，難以發現數據中存在的問題，由此構建的橋梁狀態評定模型的泛化能力不足。
技術實現思路
[0004]在下文中給出了關于本專利技術的簡要概述，以便提供關于本專利技術的某些方面的基本理解。應當理解，這個概述并不是關于本專利技術的窮舉性概述。它并不是意圖確定本專利技術的關鍵或重要部分，也不是意圖限定本專利技術的范圍。其目的僅僅是以簡化的形式給出某些概念，以此作為稍后論述的更詳細描述的前序。
[0005]鑒于此，為解決現有技術中存在的基于大數據處理的方式對橋梁狀態分析時，可解釋性不強，難以發現數據中存在的問題，由此構建的橋梁狀態評定模型的泛化能力不足，以及未考慮服役環境導致的橋梁狀態評價準確度低的技術問題，本專利技術提供沿海環境簡支梁彈性模量預測方法、電子設備及存儲介質。
[0006]方案一、沿海環境簡支梁彈性模量預測方法，包括以下步驟：S1.結合沿海地區氣候條件，確定對橋梁彈性模量產生影響的數據參數，并對數據參數和彈性模量進行編碼；S2.獲取各數據參數；S3.構建數據集；S4.構建長短期記憶神經網絡模型；S5.將擾度計算公式作為長短期記憶神經網絡模型的損失函數，并通過誤差反向
傳播，修正模型中的參數；S6.基于S3所述數據集，采用梯度下降法對S5所述長短期記憶神經網絡模型進行訓練；S7.將監測數據輸入至S6所述長短期記憶神經網絡模型，輸出彈性模量。
[0007]優選的，S1具體是：數據參數包括：服役時間、溫度、濕度、酸度、鹽度、集中荷載、跨徑、截面慣性矩和撓度；將服役時間、溫度、濕度、酸度、鹽度、集中荷載、跨徑和截面慣性矩依次編碼為A1?
A8；將撓度編碼為D，將彈性模量編碼為A9。
[0008]優選的，S2具體是：服役時間：每日；溫度、濕度、酸度、鹽度：分別設置溫度、濕度、酸度和鹽度傳感器獲取；集中荷載的測量：軸重秤稱取；跨徑、截面慣性矩：依據圖紙設計尺寸獲取；彈性模量：實驗室混凝土彈性模量的方法進行測量獲取；撓度：撓度計獲取。
[0009]優選的，S3具體是：S31.選取同一區域、相同服役環境、相同橋梁結構、相同跨徑的簡支梁橋，選擇10座橋梁，編碼為B1
?
B10；S32.首先選擇橋梁B1；S33.獲取各數據的監測參數；S34.選取10種質量的車輛，且質量存在梯度差，每種質量對應1輛車；S35.每次加載1或2輛車，加載至跨中位置，且車輛方向與橋梁跨徑方向垂直，跨中中心線與車輛中線重合；S36.加載車輛后，依次記錄下A1?
A9和D的數據；S37.更換車輛，依次記錄下A1?
A9和D的數據；S38.依次更換橋梁B2
?
B10，重復步驟S33
?
S37；S39.橋梁運營每隔一段時間，重復上述數據采集的工作，獲取時序數據；S310.將上述采集到的全部的A1?
A9和D的數據匯聚至一個數據集。
[0010]優選的，S5具體是：優選的，S5具體是：優選的，S5具體是：優選的，S5具體是：
其中，為神經網絡中輸入值與輸出值間的映射關系函數，為彈性模量的神經網絡輸出值，為彈性模量的試驗測試值，為損失函數，為神經網絡中隱藏層的編號，為隱藏層的權重，為第k層隱藏層的權重，為隱藏層的偏置，為第k層隱藏層的偏置，為隱藏層神經元的輸入，為第k層神經元的輸入，為第k
?
1層神經元的輸出，表示彈性模量神經網絡輸出值與試驗測試值的比值。
[0011]方案二、 一種電子設備，包括存儲器和處理器，存儲器存儲有計算機程序，所述的處理器執行所述計算機程序時實現方案一所述沿海環境簡支梁彈性模量預測方法的步驟。
[0012]方案三、一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現方案一所述沿海環境簡支梁彈性模量預測方法。
[0013]本專利技術的有益效果如下：（1）考慮沿海復雜環境對橋梁性能的影響，構建了深度學習數據集，明確數據集中各參數的獲取和監測方法，為深度學習模型的準確預測提供高質量的數據基礎；（2）將先驗知識和監測數據耦合，提高了彈性模量預測的深度學習網絡模型的可解釋性和預測準確性，可消除監測數據中的錯誤數據；（3）利用長短期記憶神經網絡模型在處理時序數據優勢，使得隨時間變化時，神經網絡模型對彈性模量的預測準確率仍能維持在較高且合理水平。
附圖說明
[0014]此處所說明的附圖用來提供對本專利技術的進一步理解，構成本專利技術的一部分，本專利技術的示意性實施例及其說明用于解釋本專利技術，并不構成對本專利技術的不當限定。在附圖中：圖1為本專利技術沿海環境簡支梁彈性模量預測方法流程示意圖。
具體實施方式
[0015]為了使本專利技術實施例中的技術方案及優點更加清楚明白，以下結合附圖對本專利技術的示例性實施例進行進一步詳細的說明，顯然，所描述的實施例僅是本專利技術的一部分實施例，而不是所有實施例的窮舉。需要說明的是，在不沖突的情況下，本專利技術中的實施例及實施例中的特征可以相互組合。
[0016]實施例1、參照圖1說明本實施方式，沿海環境簡支梁彈性模量預測方法，包括以下步驟：
S1.結合沿海地區氣候條件，確定對橋梁彈性模量產生影響的數據參數，并對數據參數和彈性模量進行編碼；結合沿海地區氣候條件，以及環境、荷載對橋梁材料和結構的影響確定數據參數包括：服役時間、溫度、濕度、酸度、鹽度、集中荷載、跨徑、截面慣性矩和撓度；對數據參數和彈性模量進行編碼：將服役時間、溫度、濕度、酸度、鹽度、集中荷載、跨徑和截面慣性矩依次編碼為A1?
A8；將撓度編碼為D，將彈性模型編碼為A9。
[0017]S2.獲取各數據參數；彈本文檔來自技高網...
【技術保護點】
【技術特征摘要】
1.沿海環境簡支梁彈性模量預測方法，其特征在于，包括以下步驟：S1.結合沿海地區氣候條件，確定對橋梁彈性模量產生影響的數據參數，并對數據參數和彈性模量進行編碼；S2.獲取各數據參數；S3.構建數據集；S4.構建長短期記憶神經網絡模型；S5.將擾度計算公式作為長短期記憶神經網絡模型的損失函數，并通過誤差反向傳播，修正模型中的參數；S6.基于S3所述數據集，采用梯度下降法對S5所述長短期記憶神經網絡模型進行訓練；S7.將監測數據輸入至S6所述長短期記憶神經網絡模型，輸出彈性模量。2.根據權利要求1所述的沿海環境簡支梁彈性模量預測方法，其特征在于，S1具體是：數據參數包括：服役時間、溫度、濕度、酸度、鹽度、集中荷載、跨徑、截面慣性矩和撓度；將服役時間、溫度、濕度、酸度、鹽度、集中荷載、跨徑和截面慣性矩依次編碼為A1?
A8；將撓度編碼為D，將彈性模量編碼為A9。3.根據權利要求2所述的沿海環境簡支梁彈性模量預測方法，其特征在于，S2具體是：服役時間：每日；溫度、濕度、酸度、鹽度：分別設置溫度、濕度、酸度和鹽度傳感器獲取；集中荷載的測量：軸重秤稱取；跨徑、截面慣性矩：依據圖紙設計尺寸獲取；彈性模量：實驗室混凝土彈性模量的方法進行測量獲取；撓度：撓度計獲取。4.根據權利要求3所述的沿海環境簡支梁彈性模量預測方法,其特征在于，S3具體是：S31.選取同一區域、相同服役環境、相同橋梁結構、相同跨徑的簡支梁橋，選擇10座橋梁，編碼為B1
?
B10；S32.首先選擇橋梁B1；S33.獲取各數據的監測參數；S34.選取10種質量的車輛，且質量存在梯度差，每種質量對應1輛車；S3...
【專利技術屬性】
技術研發人員：賈磊，周子益，孟安鑫，吳成龍，孫茂棚，安茹，鐘志鑫，闞倩，辛甜甜，
申請(專利權)人：深圳市交通科學研究院有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。