温度作用对工程结构频率影响分离方法、装置、设备与流程
本发明属于土木工程技术领域，尤其涉及温度作用对工程结构频率影响分离方法、装置、设备及可存储介质。
背景技术：
随着基础设施建设的高速发展，在役土木工程结构的数量不断增多，然而，土木工程结构的承载能力会随着使用年限的增加而呈现逐年下降的趋势。因此，土木工程结构在长期温度作用下的健康状态评估越来越受到重视，其中，结构整体性能参数(如频率、振型等)是反映结构性能的直接指标，因此其广泛地应用于工程结构性能状态评估中。然而，这些参数对温度作用的影响十分敏感，导致大大降低了评估结果的准确性。
目前，为了去除温度因素对工程结构性能状态评估结果的影响，大量的研究集中于如何建立温度作用和结构整体参数的数学模型，例如多元线性回归法，主成分分析法、协整分析等，但这些方法只考虑长期温度场对结构整体性能参数之间的影响，仅建立了温度场与结构整体性能参数之间的黑箱模型，无法揭示数学模型的物理内涵，且所获得的温度作用对结构整体性能参数的影响结果精确性有限，不能在工程结构性能状态评估结果中完全去除温度因素的影响。
技术实现要素：
本发明实施例的目的在于提供一种温度作用对工程结构频率影响分离方法，旨在解决现有技术仅建立了长期温度场与结构整体性能参数之间的黑箱模型，存在所获得的温度作用对结构整体性能参数的影响结果精确性有限，不能在工程结构性能状态评估结果中完全去除温度因素的影响的问题。
本发明实施例是这样实现的，一种温度作用对工程结构频率影响分离方法，包括：
获取预设时间范围内的温度场，所述温度场包括多个时间尺度对应的温度场，每个所述时间尺度对应的温度场包括多个空间尺度对应的温度场；
根据所述温度场以及预设的基于ga-bp神经网络建立的时空间温度场-频率模型确定每个空间尺度对应的温度场引起的结构频率变化率；所述基于ga-bp神经网络建立的时空间温度场-频率模型为通过预先采集的多个空间尺度对应的温度场样本集经过ga-bp神经网络训练生成；
根据所述每个空间尺度对应的温度场对应的结构频率变化率，分离温度作用对工程结构频率影响，得到分离温度作用影响后的工程结构频率。
本发明实施例的另一目的在于一种温度作用对工程结构频率影响分离装置，包括：
温度场获取单元，用于获取预设时间范围内的温度场，所述温度场包括多个时间尺度对应的温度场，每个所述时间尺度对应的温度场包括多个空间尺度对应的温度场；
结构频率变化率确定单元，用于根据所述温度场以及预设的基于ga-bp神经网络建立的时空间温度场-频率模型确定每个空间尺度对应的温度场引起的结构频率变化率；所述基于ga-bp神经网络建立的时空间温度场-频率模型为通过预先采集的多个空间尺度对应的温度场样本集经过ga-bp神经网络训练生成；以及
温度作用影响分离单元，用于根据所述每个空间尺度对应的温度场对应的结构频率变化率，分离温度作用对工程结构频率影响，得到分离温度作用影响后的工程结构频率。
本发明实施例的另一目的在于一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述温度作用对工程结构频率影响分离方法的步骤。
本发明实施例的另一目的在于一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述温度作用对工程结构频率影响分离方法的步骤。
本发明实施例提供的温度作用对工程结构频率影响分离方法，由于获取预设时间范围的温度场包括多个时间尺度对应的温度场，且每个所述时间尺度对应的温度场包括多个空间尺度对应的温度场，同时，由于预设的基于ga-bp神经网络建立的时空间温度场-频率模型是通过预先采集的多个空间尺度对应的温度场样本集经过ga-bp神经网络训练得到，可以用于表述是空间温度场与工程结构频率之间的一种隐含关系，因此在接收温度场后，利用所述预设的基于ga-bp神经网络建立的时空间温度场-频率模型即可获得每个空间尺度对应的温度场引起的结构频率变化率，再根据所述每个空间尺度对应的温度场对应的结构频率变化率对工程结构频率的温度作用影响进行去除，得到分离温度作用影响后的工程结构频率。本发明充分考虑了温度场的不同时间和空间特性对结构整体性能参数影响，利用了根据深度神经网络以及大量的样本数据建立的时空间温度场-频率模型，使得可以直接通过时空间温度场确定与之对应的结构频率变化率，所获得的温度作用对结构整体性能参数的影响结果精确性高，足以实现在工程结构性能状态评估结果中完全去除温度因素的影响。
附图说明
图1为本发明实施例提供的温度作用对工程结构频率影响分离方法的实现流程图；
图2为本发明实施例提供的不同时空间尺度温度场与频率的ga-bp神经网络建立的基本原理图；
图3为本发明实施例提供的不同代数对应的适应度变化曲线图；
图4为本发明实施例提供的不同代数对应的误差变化曲线图；
图5为本发明实施例提供的另一种温度作用对工程结构频率影响分离方法的实现流程图；
图6为本发明实施例提供的一种优化的温度作用对工程结构频率影响分离方法的实现流程图；
图7为本发明实施例提供的拱桥在长期监测下的温度场示意图；
图8为本发明实施例提供的长期监测下的拱温度场和抽取的长周期温度场示意图；
图9为本发明实施例提供的拱短周期温度场示意图；
图10为本发明实施例提供的长期监测下的主梁温度场和抽取的长周期温度场示意图；
图11为本发明实施例提供的主梁短周期温度场示意图；
图12为本发明实施例提供的拱温度场和主梁结构频率的相关性示意图；
图13为本发明实施例提供的主梁温度场和主梁结构频率的相关性示意图；
图14为本发明实施例提供的又一种温度作用对工程结构频率影响分离方法的实现流程图；
图15为本发明实施例提供的第一时间尺度的第一空间尺度对应的温度场引起的结构频率变化率确定的实现流程图；
图16为本发明实施例提供的短周期温度场下不同空间温度场引起的结构频率变化率示意图；
图17为本发明实施例提供的长周期温度场下不同空间温度场引起的结构频率变化率示意图；
图18为本发明实施例中预设的基于ga-bp神经网络建立的时空间温度场-频率模型的实现流程图；
图19为本发明实施例提供的一种温度作用对工程结构频率影响分离装置的结构示意图；
图20为本发明实施例提供的另一种温度作用对工程结构频率影响分离装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例为解决现有技术仅建立了长期温度场与结构整体性能参数之间的黑箱模型，存在所获得的温度作用对结构整体性能参数的影响结果精确性有限，不能在工程结构性能状态评估结果中完全去除温度因素的影响的问题，本发明充分考虑了温度场的不同时间和空间特性对结构整体性能参数影响，通过利用大量样本数据以及ga-bp神经网络模型建立的时空间温度场-频率模型，使得可以直接通过时空间温度场确定与之对应的结构频率变化率，所获得的温度作用对结构整体性能参数的影响结果精确性高，足以实现在工程结构性能状态评估结果中完全去除温度因素的影响。
图1为本发明实施例提供的温度作用对工程结构频率影响分离方法的实现流程图，详述如下。
步骤s101，获取预设时间范围内的温度场。
在本发明实施例中，温度场是物质系统内各个点上温度的集合，是时间和空间坐标的函数，所述温度场包括多个时间尺度对应的温度场，即在不同时间存在不同的温度变化(如季节性温度变化和每天温度变化)，而每个所述时间尺度对应的温度场包括多个空间尺度对应的温度场，即根据空间特性在不同空间位置上存在不同的温度变化(如拱桥结构的主梁温度变化和拱温度变化)。
步骤s102，根据所述温度场以及预设的基于ga-bp神经网络建立的时空间温度场-频率模型确定每个空间尺度对应的温度场引起的结构频率变化率。
在本发明实施例中，结构频率作为工程结构整体性能参数之一，可用于反映工程结构性能指标，其被广泛应用于结构性能状态评估中，但结构频率参数值往往对温度作用影响敏感，对实际工程结构性能评估结果的准确性有所影响。本发明在研究工作中对不同时间、空间尺度的温度场对工程结构整体性能的影响进行了相关性分析，以某拱桥的长期监测的温度场为例，发现拱的短周期温度场与结构频率的相关性较高，而主梁的长周期温度场与结构频率的相关性较高，因此，不同时间、空间尺度的温度场对工程结构整体性能的影响作用大，为获得更精确的工程结构频率，需要充分考虑了温度场的不同时间和空间特性对结构整体性能参数影响。
在本发明实施例中，所述基于ga-bp神经网络建立的时空间温度场-频率模型为通过预先采集的多个空间尺度对应的温度场样本集经过ga-bp神经网络训练生成。
在本发明实施例中，神经网络是一种建立输入与输出之间数学关系的方法，神经网络通过不断修正输入-隐藏层，隐藏层-输出之间的权重拟合输入变量和输出变量之间的非线性关系，然而由于该算法是一种梯度递减的算法，因此训练得到的网络很容易陷入局部最优，因此本发明通过遗传算法(ga)优化初值和阈值，避免网络陷入局部最优；神经网络建立的基本原理如图2所示：(a)基于遗传算法(ga)确定神经网络初值、权值、阈值：1.将数据分为三组：训练组、测试组和模拟组。对训练组和测试组的数据进行打乱、归一化处理；2.应用遗传算法分别计算时间温度场与结构整体性能参数、空间温度场与结构性能参数两种工况的适应度曲线；3.基于适应度曲线与计算误差，当适应度和误差分别达到最大值和最小值时，获取对应时刻的初值、权值、阈值，即为最优值。(b)神经网络的训练程序：1.确定神经网络的训练函数，最小代数，学习率，目标误差、隐藏层数量等基本参数；2.计算训练组和测试组的训练残差，并获取残差的分布图，当训练组和测试组的误差分布的均值和方差的误差不超过0.01与0.05，则训练结束，否则返回上一个步骤，改变训练函数的基本参数，继续训练。应用上述技术分析发现，当代数达到20代以后，适应度达到最大值，总误差达到最小值，如图3-4所示。选取此时的初值、阈值，建立不同时间空间尺度的温度场与频率的最优模型。
在本发明实施例中，所述通过预先采集的多个空间尺度对应的温度场样本集经过ga-bp神经网络训练建立时空间温度场-频率模型的步骤请参阅图18。
步骤s103，根据所述每个空间尺度对应的温度场对应的结构频率变化率，分离温度作用对工程结构频率影响，得到分离温度作用影响后的工程结构频率。
在本发明实施例中，根据所述每个空间尺度对应的温度场对应的结构频率变化率，可以实现不同时间、空间尺度温度场对结构整体性能参数影响的分离，即在工程结构频率中彻底去除温度因素的影响。
本发明实施例提供的温度作用对工程结构频率影响分离方法，由于获取预设时间范围的温度场包括多个时间尺度对应的温度场，且每个所述时间尺度对应的温度场包括多个空间尺度对应的温度场，同时，由于预设的基于ga-bp神经网络建立的时空间温度场-频率模型是通过预先采集的多个空间尺度对应的温度场样本集经过ga-bp神经网络训练得到，可以用于表述是空间温度场与工程结构频率之间的一种隐含关系，因此在接收温度场后，利用所述预设的基于ga-bp神经网络建立的时空间温度场-频率模型即可获得每个空间尺度对应的温度场引起的结构频率变化率，再根据所述每个空间尺度对应的温度场对应的结构频率变化率对工程结构频率的温度作用影响进行去除，得到分离温度作用影响后的工程结构频率。本发明充分考虑了温度场的不同时间和空间特性对结构整体性能参数影响，利用了根据深度神经网络以及大量的样本数据建立的时空间温度场-频率模型，使得可以直接通过时空间温度场确定与之对应的结构频率变化率，所获得的温度作用对结构整体性能参数的影响结果精确性高，足以实现在工程结构性能状态评估结果中完全去除温度因素的影响。
图5为本发明实施例提供的另一种温度作用对工程结构频率影响分离方法的实现流程图，其与上述实施例类似，不同之处在于，所述步骤s101，包括：
步骤s501，获取预设时间范围内的温度信号。
步骤s502，将所述温度信号按照预设时间划分成若干个温度区间。
在本发明实施例中，划分温度区间的预设时间可以在具体实现时，根据温度变化情况和/或实现需求等自行设定，本发明实施例对上述预设时间的大小不作具体限定，比如举例来说，上述预设时间可以为5分钟、10分钟、20分钟等，一般取10分钟的温度信号作为一个温度区间。
步骤s503，将每个所述温度区间的温度平均值进行组合，得到所述预设时间范围内的温度场。
在本发明实施例中，如图6所示，所述步骤s503之后，还包括：
步骤s601，对所述温度场进行经验模态分解处理，得到所述温度场的若干固有模态分量。
在本发明实施例中，经验模态分解(emd)处理方法可以给予信号本身的时间尺度特征，把复杂信号分解为有限个固有模态分量(intrinsicmodefunction，imf)和一个余项，是一种自适应的信号处理方方法。
步骤s602，根据所述温度场的采样率以及每个所述固有模态分量的频谱主峰对应的频率，将所述温度场划分为多个时间尺度对应的温度场。
在本发明实施例中，假设温度场的采样率为144hz，分别对各imf分量进行快速傅里叶变换(fft)，判断每一个imf分量的频谱主峰对应的频率是否大于1hz，将imf频谱主峰对应的频率大于1hz进行求和设为短周期温度场，将imf频谱主峰对应的频率小于1hz进行求和定义为长周期温度场。
步骤s603，根据空间位置特性，将每个所述时间尺度对应的温度场划分为多个空间尺度对应的温度场。
在本发明实施例中，根据空间位置的不同，将短周期温度场和长周期温度场分别划分为不同的空间位置组。以拱桥为例(拱桥的空间位置包括主梁以及拱)，因此可划分为四组：主梁短周期温度作用，主梁长周期温度作用，拱短周期温度作用，拱长周期温度作用。本发明在研究工作中对不同时间、空间尺度的温度场对工程结构整体性能的影响进行了相关性分析，即根据式
本发明实施例提供的一种温度作用对工程结构频率影响分离方法，充分考虑了温度场的不同时间和空间特性对结构整体性能参数影响，对不同时间尺度的温度场对结构整体性能参数的影响进行相关性分析，为后续根据深度神经网络以及大量的样本数据建立的时空间温度场-频率模型确定不同时空间温度场对应的结构频率变化率奠定基础。
图14为本发明实施例提供的又一种温度作用对工程结构频率影响分离方法的实现流程图，其与上述实施例类似，不同之处在于，所述温度场至少包括第一时间尺度对应的温度场以及第二时间尺度对应的温度场；所述第一时间尺度对应的温度场至少包括第一时间尺度的第一空间尺度对应的温度场以及第一时间尺度的第二空间尺度对应的温度场；所述第二时间尺度对应的温度场至少包括第二时间尺度的第一空间尺度对应的温度场以及第二时间尺度的第二空间尺度对应的温度场。
所述步骤s102，包括：
步骤s1401，根据所述温度场以及预设的基于ga-bp神经网络建立的时空间温度场-频率模型分别确定所述第一时间尺度的第一空间尺度对应的温度场引起的结构频率变化率、所述第一时间尺度的第二空间尺度对应的温度场引起的结构频率变化率、所述第二时间尺度的第一空间尺度对应的温度场引起的结构频率变化率以及所述第二时间尺度的第二空间尺度对应的温度场引起的结构频率变化率。
在本发明实施例中，根据时间尺度的分布情况，建立k(k＝1…,i…,k)个不同时间尺度的空间温度场矩阵t1…,ti…,tk，根据空间位置特性将每一个温度场矩阵ti分为p个(p＝1…,j…,p)子块，ti,j是第i个时间尺度下，第j个子温度场矩阵。以拱桥为例，存在两个时间尺度的空间温度场矩阵：短期温度场(第一时间尺度对应的温度场)，长期温度场(第二时间尺度对应的温度场)，即k＝2；同时存在两个空间温度场：主梁温度场(第一空间尺度对应的温度场)，拱温度场(第二空间尺度对应的温度场)，即p＝2；因此共有2×2＝4个温度场矩阵，即短期的主梁温度场(第一时间尺度的第一空间尺度对应的温度场)矩阵、短期的拱温度场(第一时间尺度的第二空间尺度对应的温度场)矩阵、长期的主梁温度场(第二时间尺度的第一空间尺度对应的温度场)矩阵以及长期的主梁温度场(第二时间尺度的第二空间尺度对应的温度场)矩阵；进而根据所要获得某一温度场引起的结构频率变化率，结合上述温度场矩阵确定出用于输入预设的基于ga-bp神经网络建立的时空间温度场-频率模型的参考向量以及模型输入矩阵，以获得该温度场对应的参考结构频率以及模型输出结构频率，以此进一步获得该温度场引起的结构频率变化率；各温度场通过基于ga-bp神经网络建立的时空间温度场-频率模型确定其所引起的结构频率变化率的方式类似，仅在于所输入预设的基于ga-bp神经网络建立的时空间温度场-频率模型的参考向量以及模型输入矩阵有所不同。
在本发明实施例中，如图15所示的第一时间尺度的第一空间尺度对应的温度场引起的结构频率变化率确定的实现流程图，详述如下：
步骤s1501，根据所述温度场，确定第一时间尺度对应的温度场矩阵、第二时间尺度对应的温度场矩阵。
在本发明实施例中，根据时间尺度的分布情况，建立k(k＝1…,i…,k)个不同时间尺度的空间温度场矩阵t1…,ti…,tk，以拱桥为例，存在两个时间尺度的空间温度场矩阵：短期温度场(第一时间尺度对应的温度场t1)，长期温度场(第二时间尺度对应的温度场t2)，即k＝2；
步骤s1502，根据空间位置特性，将所述第一时间尺度对应的温度场矩阵划分为第一时间尺度的第一空间尺度对应的温度场子矩阵以及第一时间尺度的第二空间尺度对应的温度场子矩阵，以及将所述第二时间尺度对应的温度场矩阵划分为第二时间尺度的第一空间尺度对应的温度场子矩阵以及第一时间尺度的第二空间尺度对应的温度场子矩阵。
在本发明实施例中，根据空间位置特性将每一个温度场矩阵ti分为p个(p＝1…,j…,p)子块，ti,j是第i个时间尺度下，第j个子温度场矩阵。以拱桥为例，其同时存在两个空间温度场：主梁温度场(第一空间尺度对应的温度场)，拱温度场(第二空间尺度对应的温度场)，即p＝2；因此共有2×2＝4个温度场矩阵，即短期的主梁温度场(第一时间尺度的第一空间尺度对应的温度场t11)矩阵、短期的拱温度场(第一时间尺度的第二空间尺度对应的温度场t12)矩阵、长期的主梁温度场(第二时间尺度的第一空间尺度对应的温度场t21)矩阵以及长期的主梁温度场(第二时间尺度的第二空间尺度对应的温度场t22)矩阵。
步骤s1503，将所述第一时间尺度对应的温度场矩阵的第一列元素作为参考向量。
在本发明实施例中，将温度场矩阵ti的第一列作为参考向量tri，tri＝[ti,1,1,...,ti,j,1,...,ti,p,1]；当确定的是第一时间尺度的第一空间尺度对应的温度场引起的结构频率变化率时，此处温度场矩阵ti为第一时间尺度对应的温度场t1，即将第一时间尺度对应的温度场t1的第一列作为参考向量tr1，tr1＝[t1,1,1,...,t1,j,1,...,t1,p,1]。
步骤s1504，保持第一时间尺度的第一空间尺度对应的温度场子矩阵不变，分别将所述第一时间尺度的第二空间尺度对应的温度场子矩阵、第二时间尺度的第一空间尺度对应的温度场子矩阵以及第一时间尺度的第二空间尺度对应的温度场子矩阵内除第一列元素外的所有元素分别替换为各温度场子矩阵对应的第一列的元素，得到模型输入矩阵。
在本发明实施例中，保留温度场矩阵ti中的第j个空间温度场子块ti,j，并将其他的温度场子矩阵ti,1,…,ti,j-1,ti,j+1,…ti,p内除第1列外的所有元素替换为对应温度场子矩阵对应的第1列的元素，即可获得ga-bp神经网络模型的输入矩阵tei,j。当确定的是第一时间尺度的第一空间尺度对应的温度场引起的结构频率变化率时，保留温度场矩阵t1中的第1个空间温度场子块t1,1，并将其他的温度场子矩阵内除第1列外的所有元素替换为对应温度场子矩阵对应的第1列的元素，即可获得ga-bp神经网络模型的输入矩阵te1,1。
步骤s1505，根据所述参考向量、模型输入矩阵以及预设的基于ga-bp神经网络建立的时空间温度场-频率模型，确定参考结构频率以及模型输出结构频率。
在本发明实施例中，将参考向量tr1和模型输入矩阵te1,1分别带入上述已训练完成的最优的基于ga-bp神经网络建立的时空间温度场-频率模型中，计算得到输出为参考结构频率fr1和模型输出结构频率fe1,1。
步骤s1506，根据所述参考结构频率以及模型输出结构频率，确定第一时间尺度的第一空间尺度对应的温度场引起的结构频率变化率。
在本发明实施例中，基于公式
在本发明实施例中，将上述方法应用于拱桥中，可以得到主梁长期温度场，主梁短期温度场，拱长期温度场，拱短期温度作用分别对频率的影响如图16-图17所示。由图16所示的短周期(一天)温度场下，不同空间温度场的引起的结构频率变化率，在短周期温度场作用下，主梁温度场和拱温度场对频率的作用是完全相反的，且拱温度场对频率的效应远大于主梁温度场。由图17所示的长周期(季度)温度场下，不同空间温度场的引起的结构频率变化率，拱温度场和主梁温度场在长周期温度场的作用下对频率的影响相当，而这二者的叠加与实测的长周期温度场下的频率变化率十分吻合，这证明了本发明方法的有效性。
本发明实施例提供的一种温度作用对工程结构频率影响分离方法，在接收温度场后，根据所述温度场，确定第一时间尺度对应的温度场矩阵、第二时间尺度对应的温度场矩阵，以及根据空间位置特性，将所述第一时间尺度对应的温度场矩阵划分为第一时间尺度的第一空间尺度对应的温度场子矩阵以及第一时间尺度的第二空间尺度对应的温度场子矩阵，以及将所述第二时间尺度对应的温度场矩阵划分为第二时间尺度的第一空间尺度对应的温度场子矩阵以及第一时间尺度的第二空间尺度对应的温度场子矩阵，利用所述预设的基于ga-bp神经网络建立的时空间温度场-频率模型即可获得每个空间尺度对应的温度场引起的结构频率变化率。本发明充分考虑了温度场的不同时间和空间特性对结构整体性能参数影响，利用了根据深度神经网络以及大量的样本数据建立的时空间温度场-频率模型，使得可以直接通过时空间温度场确定与之对应的结构频率变化率，实现后续对不同时间空间尺度温度场对结构整体性能参数的影响分离。
图18为本发明实施例中预设的基于ga-bp神经网络建立的时空间温度场-频率模型的实现流程图，详述如下。
步骤s1801，获取多个空间尺度对应的温度场样本。
步骤s1802，获取每个所述空间尺度对应的温度场样本引起的目标结构频率变化率。
步骤s1803，根据第一空间尺度对应的温度场样本以及含有可变参数的ga-bp神经网络模型确定所述第一空间尺度对应的温度场样本引起的第一结构频率变化率。
在本发明实施例中，所述神经网络的结构至少包括输入层、隐藏层以及输出层，其中所述隐藏层中存在可变参数。
在本发明实施例中，当所述隐藏层的可变参数改变时，则对于同样的空间尺度对应的温度场样本输入，输出的结构频率不同。
步骤s1804，计算所述第一结构频率变化率以及与所述第一空间尺度对应的温度场样本对应的第一目标结构频率变化率之间的第一损失差异。
步骤s1805，判断多个空间尺度对应的温度场样本的损失差异是否满足预设的条件。
在本发明实施例中，通过判断所述多个空间尺度对应的温度场样本的损失差异是否满足预设的条件，可以判断出所述建立的时空间温度场-频率模型是否符合要求，例如所述多个空间尺度对应的温度场样本的损失差异小于一定的阈值时，此时表明根据训练出的时空间温度场-频率模型，将某一空间尺度对应的温度场输入，即可得到较为准确的结构频率变化率。
在本发明实施例中，当判断所述多个空间尺度对应的温度场样本的损失差异不满足预设的条件时，表明训练出的时空间温度场-频率模型误差较大，执行步骤s1806；当判断所述多个空间尺度对应的温度场样本的损失差异满足预设的条件时，表明训练出的时空间温度场-频率模型较为稳定，执行步骤s1807。
步骤s1806，调整所述ga-bp神经网络模型中的可变参数。
在本发明实施例中，调整所述ga-bp神经网络模型中的可变参数后，返回至步骤s1803，重新计算损失差异。
步骤s1807，将当前所述含有可变参数的ga-bp神经网络模型确定为预设的基于ga-bp神经网络建立的时空间温度场-频率模型。
在本发明实施例中，为获取时空间温度场-频率模型，即获取时间-空间尺度对应的温度场与结构频率之间的隐含关系，需要将空间尺度对应的温度场及其对应的引起的结构频率变化率当做样本，此时输入的结构频率变化率即为我们需求的目标结构频率变化率，并计算在当前时空间温度场-频率模型下，与输入的空间尺度对应的温度场引起的结构频率变化率与目标结构频率变化率之间的差异，不断反馈调整时空间温度场-频率模型中的可变参数，直到在某个时空间温度场-频率模型下，与输入的空间尺度对应的温度场引起的结构频率变化率与目标结构频率变化率之间的差异满足预设的条件，此时，所述时空间温度场-频率模型即为所需的预设的基于ga-bp神经网络建立的时空间温度场-频率模型。
图19为本发明实施例提供的一种温度作用对工程结构频率影响分离装置的结构示意图，为了便于说明，仅示出与本发明实施例相关的部分。
在本发明实施例中，所述温度作用对工程结构频率影响分离装置包括温度场获取单元1901、结构频率变化率确定单元1902以及温度作用影响分离单元1903。
所述温度场获取单元1901，用于获取预设时间范围内的温度场，所述温度场包括多个时间尺度对应的温度场，每个所述时间尺度对应的温度场包括多个空间尺度对应的温度场。
在本发明实施例中，温度场是物质系统内各个点上温度的集合，是时间和空间坐标的函数，所述温度场包括多个时间尺度对应的温度场，即在不同时间存在不同的温度变化(如季节性温度变化和每天温度变化)，而每个所述时间尺度对应的温度场包括多个空间尺度对应的温度场，即根据空间特性在不同空间位置上存在不同的温度变化(如拱桥结构的主梁温度变化和拱温度变化)。
所述结构频率变化率确定单元1902，用于根据所述温度场以及预设的基于ga-bp神经网络建立的时空间温度场-频率模型确定每个空间尺度对应的温度场引起的结构频率变化率；所述基于ga-bp神经网络建立的时空间温度场-频率模型为通过预先采集的多个空间尺度对应的温度场样本集经过ga-bp神经网络训练生成。
在本发明实施例中，结构频率作为工程结构整体性能参数之一，可用于反映工程结构性能指标，其被广泛应用于结构性能状态评估中，但结构频率参数值往往对温度作用影响敏感，对实际工程结构性能评估结果的准确性有所影响。本发明在研究工作中对不同时间、空间尺度的温度场对工程结构整体性能的影响进行了相关性分析，以某拱桥的长期监测的温度场为例，发现拱的短周期温度场与结构频率的相关性较高，而主梁的长周期温度场与结构频率的相关性较高，因此，不同时间、空间尺度的温度场对工程结构整体性能的影响作用大，为获得更精确的工程结构频率，需要充分考虑了温度场的不同时间和空间特性对结构整体性能参数影响。
在本发明实施例中，所述基于ga-bp神经网络建立的时空间温度场-频率模型为通过预先采集的多个空间尺度对应的温度场样本集经过ga-bp神经网络训练生成。
在本发明实施例中，神经网络是一种建立输入与输出之间数学关系的方法，神经网络通过不断修正输入-隐藏层，隐藏层-输出之间的权重拟合输入变量和输出变量之间的非线性关系，然而由于该算法是一种梯度递减的算法，因此训练得到的网络很容易陷入局部最优，因此本发明通过遗传算法(ga)优化初值和阈值，避免网络陷入局部最优；神经网络建立的基本原理如图2所示：(a)基于遗传算法(ga)确定神经网络初值、权值、阈值：1.将数据分为三组：训练组、测试组和模拟组。对训练组和测试组的数据进行打乱、归一化处理；2.应用遗传算法分别计算时间温度场与结构整体性能参数、空间温度场与结构性能参数两种工况的适应度曲线；3.基于适应度曲线与计算误差，当适应度和误差分别达到最大值和最小值时，获取对应时刻的初值、权值、阈值，即为最优值。(b)神经网络的训练程序：1.确定神经网络的训练函数，最小代数，学习率，目标误差、隐藏层数量等基本参数；2.计算训练组和测试组的训练残差，并获取残差的分布图，当训练组和测试组的误差分布的均值和方差的误差不超过0.01与0.05，则训练结束，否则返回上一个步骤，改变训练函数的基本参数，继续训练。应用上述技术分析发现，当代数达到20代以后，适应度达到最大值，总误差达到最小值，如图3-4所示。选取此时的初值、阈值，建立不同时间空间尺度的温度场与频率的最优模型。
所述温度作用影响分离单元1903，用于根据所述每个空间尺度对应的温度场对应的结构频率变化率，分离温度作用对工程结构频率影响，得到分离温度作用影响后的工程结构频率。
在本发明实施例中，根据所述每个空间尺度对应的温度场对应的结构频率变化率，可以实现不同时间、空间尺度温度场对结构整体性能参数影响的分离，即在工程结构频率中彻底去除温度因素的影响。
本发明实施例提供的一种温度作用对工程结构频率影响分离装置，由于获取预设时间范围的温度场包括多个时间尺度对应的温度场，且每个所述时间尺度对应的温度场包括多个空间尺度对应的温度场，同时，由于预设的基于ga-bp神经网络建立的时空间温度场-频率模型是通过预先采集的多个空间尺度对应的温度场样本集经过ga-bp神经网络训练得到，可以用于表述是空间温度场与工程结构频率之间的一种隐含关系，因此在接收温度场后，利用所述预设的基于ga-bp神经网络建立的时空间温度场-频率模型即可获得每个空间尺度对应的温度场引起的结构频率变化率，再根据所述每个空间尺度对应的温度场对应的结构频率变化率对工程结构频率的温度作用影响进行去除，得到分离温度作用影响后的工程结构频率。本发明充分考虑了温度场的不同时间和空间特性对结构整体性能参数影响，利用了根据深度神经网络以及大量的样本数据建立的时空间温度场-频率模型，使得可以直接通过时空间温度场确定与之对应的结构频率变化率，所获得的温度作用对结构整体性能参数的影响结果精确性高，足以实现在工程结构性能状态评估结果中完全去除温度因素的影响。
图20为本发明实施例提供的另一种温度作用对工程结构频率影响分离装置的结构示意图，为了便于说明，仅示出与本发明实施例相关的部分，其与上述实施例类似，不同之处在于：
在本发明实施例中，所述温度作用对工程结构频率影响分离装置还包括模型训练单元2001。
所述模型训练单元2001，用于生成预设的基于ga-bp神经网络建立的时空间温度场-频率模型。
在本发明实施例中，为获取时空间温度场-频率模型，即获取时间-空间尺度对应的温度场与结构频率之间的隐含关系，需要将空间尺度对应的温度场及其对应的引起的结构频率变化率当做样本，此时输入的结构频率变化率即为我们需求的目标结构频率变化率，并计算在当前时空间温度场-频率模型下，与输入的空间尺度对应的温度场引起的结构频率变化率与目标结构频率变化率之间的差异，不断反馈调整时空间温度场-频率模型中的可变参数，直到在某个时空间温度场-频率模型下，与输入的空间尺度对应的温度场引起的结构频率变化率与目标结构频率变化率之间的差异满足预设的条件，此时，所述时空间温度场-频率模型即为所需的预设的基于ga-bp神经网络建立的时空间温度场-频率模型。
在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上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以下步骤：
获取预设时间范围内的温度场，所述温度场包括多个时间尺度对应的温度场，每个所述时间尺度对应的温度场包括多个空间尺度对应的温度场；
根据所述温度场以及预设的基于ga-bp神经网络建立的时空间温度场-频率模型确定每个空间尺度对应的温度场引起的结构频率变化率；所述基于ga-bp神经网络建立的时空间温度场-频率模型为通过预先采集的多个空间尺度对应的温度场样本集经过ga-bp神经网络训练生成；
根据所述每个空间尺度对应的温度场对应的结构频率变化率，分离温度作用对工程结构频率影响。
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
获取预设时间范围内的温度场，所述温度场包括多个时间尺度对应的温度场，每个所述时间尺度对应的温度场包括多个空间尺度对应的温度场；
根据所述温度场以及预设的基于ga-bp神经网络建立的时空间温度场-频率模型确定每个空间尺度对应的温度场引起的结构频率变化率；所述基于ga-bp神经网络建立的时空间温度场-频率模型为通过预先采集的多个空间尺度对应的温度场样本集经过ga-bp神经网络训练生成；
根据所述每个空间尺度对应的温度场对应的结构频率变化率，分离温度作用对工程结构频率影响。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！