通过使用复合深度网络和实时数据与额外的几何信息绘制温度场和电缆张力之间的复杂关系

科学领域:

• 结构工程 结构工程
• 在土木工程中的人工智能.

背景情况:

• 悬挂桥上的电缆损坏可以通过异常的张力变化来表明.
• 建立可靠的电缆张力基准对于结构健康监测至关重要.
• 现有的回归模型需要通过考虑几何兼容性和机械平衡来改进.

研究的目的:

• 开发一个改进的回归模型来估计温度诱导的电缆张力.
• 利用深度学习神经网络,提高电缆张力基准测试的准确性.
• 为了研究桥梁温度场,梁曲率和电缆张力之间的关系.

主要方法:

• 开发了一个复合深度学习模型,集成卷积神经网络 (CNN) 和长短期记忆 (LSTM).
• 作为输入,使用了两个数据组,包括桥梁温度场和温度诱导的主梁偏移.
• 该模型共同考虑了回归分析的几何兼容性和机械平衡.

主要成果:

• 开发的深度学习模型实现了温度诱导的电缆张力回归的R平方值超过0.95.
• 该模型显示出低误差率,回归值小于0.3 kN.
• 该研究发现,温度特征和电缆张力之间的时间滞后不如温度诱导的偏移和张力之间的时间滞后显著.

结论:

• 拟议的深度学习方法有效地为电缆桥梁中的温度诱导的电缆张力建立了基准.
• 该模型的高精度 (R2>0.95,误差<0.3 kN) 强调了其用于结构健康监测的潜力.
• 未来的研究应该解决非线性和数据复杂性,以进一步提高模型稳定性.