一种基于深度学习的涡振响应预测方法与流程

1.本发明属于桥梁风工程技术领域，涉及机器学习、桥梁风工程以及非线性动力学技术，特别是涉及一种基于深度学习的涡振响应预测方法。


背景技术：

2.桥梁是交通体系的重要组成部分，随着桥梁长度的逐渐变大，结构越来越柔，风致振动现象越来越明显。涡振是一种典型的气动自激振动现象，涡振一般在风速较低时发生，其发生会让桥上过往人员感到不适，也会使得桥梁结构发生疲劳损伤从而降低桥梁的使用寿命。
3.许多年来，人们对涡振响应的预测建模大都只是停留在经验知识的基础上，通过经验的方式假定气动力参数并通过这些参数进行响应预测建模，由于过多的依赖于先验知识，这种建模方式缺乏针对不同桥梁结构的普适性。近些年得益于机器学习方法的广泛应用，尤其是深度学习，涡振响应建模具有了全新的方向，深度学习以神经网络作为黑匣子，使得响应预测效果得到显著提升。


技术实现要素：

4.本发明目的是为了解决现有的技术问题，提出了一种基于深度学习的涡振响应预测方法。本发明所述方法以涡振位移与速度作为数据集进行训练；最终将训练好的网络在仅给定初始状态向量的条件下进行长时响应预测。
5.本发明是通过以下技术方案实现的，本发明提出一种基于深度学习的涡振响应预测方法，所述预测方法具体包括：
6.步骤一：准备数据集，首先通过数值模拟的方式得到训练所需数据；数值模拟中所用钝体结构直接置于流场中，无弹簧悬挂系统；涡振发生的模态为一阶竖向涡振，不考虑扭转模态的参与；
7.步骤二：搭建基于状态方程的融合龙格库塔数值方法的rnn深度神经网络架构，其中速度数据由原始位移数据进行中心差分以后获得，深度神经网络是对龙格库塔中不同项函数的逼近，深度神经网络每一个循环块的输出作为下一个循环块的输入，以此提高网络的长期学习能力；
8.步骤三：将训练好的网络参数仅给定初值状态向量值计算预测曲线并与真实的时程响应进行对比，来验证网络的长期预测能力。
9.进一步地，流体力学数值模拟所使用的求解器为openfoam3.0.1，求解方法为六自由度方法，模拟的钝体结构为矩形断面，高度为200mm,长度为1000mm。
10.进一步地，进行涡振模拟时，保持结构的阻尼比不变，设置结构的自振频率值来改变结构的阻尼，使得结构发生涡振的稳态幅值发生变化。
11.进一步地，在步骤二中，涡振气动力方程表达为以下形式：
12.13.数据的输入形式以及网络的架构分别对应于状态向量以及状态方程的逼近，具体表达式为：
[0014][0015][0016][0017][0018][0019]
其中分别为n 1和n时刻神经网络预测的输出状态向量，δt为时间步长，是神经网络逼近的对应于龙格库塔方法中的泰勒展开函数，i＝1,2,3,4；tn是时刻n。
[0020]
进一步地，深度神经网络的目标函数为带正则化的均方误差：
[0021][0022][0023]
其中l
data
为数据的均方误差，λ为正则化系数，w为网络权重与偏置，i为第i个时刻，j为第j个状态向量分量。
[0024]
进一步地，深度神经网络的训练使用pytorch框架，优化算法使用adams,训练的初始学习率为1e-3。
[0025]
进一步地，在步骤二中，将位移数据通过中心差分的方式得到速度数据，并将位移数据与速度数据组合成为二维的状态向量；将组合好的数据送入深度神经网络进行训练。
[0026]
本发明提出一种基于深度学习的涡振响应预测系统，所述预测系统具体包括：
[0027]
数据集准备模块：准备数据集，首先通过数值模拟的方式得到训练所需数据；数值模拟中所用钝体结构直接置于流场中，无弹簧悬挂系统；涡振发生的模态为一阶竖向涡振，不考虑扭转模态的参与；
[0028]
网络搭建模块：搭建基于状态方程的融合龙格库塔数值方法的rnn深度神经网络架构，其中速度数据由原始位移数据进行中心差分以后获得，深度神经网络是对龙格库塔中不同项函数的逼近，深度神经网络每一个循环块的输出作为下一个循环块的输入，以此提高网络的长期学习能力；
[0029]
预测及验证模块：将训练好的网络参数仅给定初值状态向量值计算预测曲线并与真实的时程响应进行对比，来验证网络的长期预测能力。
[0030]
本发明提出一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述一种基于深度学习的涡振响应预测方法的步骤。
[0031]
本发明提出一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现所述一种基于深度学习的涡振响应预测方法的步骤。
[0032]
本发明的有益效果为：
[0033]
本发明提出了一种基于深度学习的涡振响应预测方法，融合了龙格库塔方法作为网络的深度推进格式；不同于在以往的经验模型中由于涡振为大幅值振动而省略方程右侧显含时间的项，网络将时间以融入导龙格库塔数值格式的方法巧妙的考虑到其影响，将非自治项考虑到了非线性方程中，相比于传统的预测建模方法更加合理且精确；网络在数值模拟cfd生成的一阶涡振数据上进行验证，结果证明该方法具有长时间预测的能力，是对涡振响应进行长时间预测建模的全新方法。
附图说明
[0034]
图1为基于深度学习的结构涡振响应建模流程图；
[0035]
图2为基于深度学习的结构涡振响应建模网络架构图；
[0036]
图3为神经网络节点图；
[0037]
图4为涡振发生时绕流场特征图；
[0038]
图5为网络典型预测图。
具体实施方式
[0039]
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0040]
实施例一：
[0041]
本发明提出一种基于深度学习的涡振响应预测方法，所述预测方法具体包括：
[0042]
步骤一：准备数据集，首先通过数值模拟(cfd)的方式得到训练所需数据；数值模拟中所用钝体结构直接置于流场中，无弹簧悬挂系统；涡振发生的模态为一阶竖向涡振，不考虑扭转模态的参与；
[0043]
步骤二：搭建基于状态方程的融合龙格库塔(runge-kutta)数值方法的rnn(recurrent neural network)深度神经网络架构，其中速度数据由原始位移数据进行中心差分以后获得，深度神经网络是对龙格库塔中不同项函数的逼近，深度神经网络每一个循环块的输出作为下一个循环块的输入，以此提高网络的长期学习能力；
[0044]
步骤三：将训练好的网络参数仅给定初值状态向量值计算预测曲线并与真实的时程响应进行对比，来验证网络的长期预测能力。
[0045]
步骤一中，对该方法进行基于数值模拟数据的实例探究。流体力学数值模拟所使用的求解器为openfoam3.0.1，求解方法为六自由度方法，模拟的钝体结构为矩形断面，高度为200mm,长度为1000mm。进行涡振模拟时，保持结构的阻尼比不变，设置结构的自振频率值来改变结构的阻尼，使得结构发生涡振的稳态幅值发生变化。同时注意钝体结构是直接置于流场中的，无弹簧悬挂系统，不存在弹簧非线性阻尼等非风致非线性项对试验的干扰影响，因此试验误差影响更小。涡振发生的为一阶竖向涡振，不考虑扭转的参与。
[0046]
在步骤二中，根据scanlan的研究，涡振气动力方程表达为以下形式：
[0047]
[0048]
数据的输入形式以及网络的架构分别对应于状态向量以及状态方程的逼近，具体表达式为：
[0049][0050][0051][0052][0053][0054]
其中分别为n 1和n时刻神经网络预测的输出状态向量，δt为时间步长，是神经网络逼近的对应于龙格库塔方法中的泰勒展开函数，i＝1,2,3,4；tn是时刻n。
[0055]
深度神经网络的目标函数为带正则化的均方误差：
[0056][0057][0058]
其中l
data
为数据的均方误差，λ为正则化系数，w为网络权重与偏置，i为第i个时刻，j为第j个状态向量分量。
[0059]
在步骤二中，将位移数据通过中心差分的方式得到速度数据，并将位移数据与速度数据组合成为二维的状态向量；将组合好的数据送入深度神经网络进行训练。深度神经网络的训练使用pytorch框架，优化算法使用adams,训练的初始学习率为1e-3。
[0060]
在步骤三中，经过网络的训练，将训练好的网络进行仅仅给定真实初始状态的长时预测并与数值模拟得到的响应对比，验证方法的准确性。
[0061]
本发明提出一种基于深度学习的涡振响应预测系统，所述预测系统具体包括：
[0062]
数据集准备模块：准备数据集，首先通过数值模拟的方式得到训练所需数据；数值模拟中所用钝体结构直接置于流场中，无弹簧悬挂系统；涡振发生的模态为一阶竖向涡振，不考虑扭转模态的参与；
[0063]
网络搭建模块：搭建基于状态方程的融合龙格库塔数值方法的rnn深度神经网络架构，其中速度数据由原始位移数据进行中心差分以后获得，深度神经网络是对龙格库塔中不同项函数的逼近，深度神经网络每一个循环块的输出作为下一个循环块的输入，以此提高网络的长期学习能力；
[0064]
预测及验证模块：将训练好的网络参数仅给定初值状态向量值计算预测曲线并与真实的时程响应进行对比，来验证网络的长期预测能力。
[0065]
实施例二：
[0066]
如图1所示，本发明提出一种基于深度学习的融合龙格库塔方法的结构涡振响应预测方法，所述方法具体包括：
[0067]
第一步，准备训练所用的数值模拟数据，首先通过数值模拟的方式得到训练所需
数据；数值模拟中所用钝体结构直接置于流场中，无弹簧悬挂系统；涡振发生的模态为一阶竖向涡振，不考虑扭转模态的参与；如图4所示发生涡振时矩形体绕流场特征图。
[0068]
第二步，使用第一步中所准备的数据进行网络训练，如图2和图3所示，将位移数据通过有限差分的方式得到速度数据，并将位移数据与速度数据组合成为二维的状态向量；将组装好的数据送入循环神经网络进行训练，所述神经网络实际上是龙格库塔方法中对应项的逼近函数，如公式2-6所示；在每一步的网络输出均作为网络下一步的输入以此来构成循环神经网络同时增强网络的长时学习能力。网络采用非线性激活函数sigmoid，网络采用具有三个隐藏层的前馈网络架构，如图3所示。
[0069]
在第二步中，根据scanlan的研究，涡振气动力方程表达为以下形式：
[0070][0071]
数据的输入形式以及网络的架构分别对应于状态向量以及状态方程的逼近，具体表达式为：
[0072][0073][0074][0075][0076][0077]
其中分别为n 1和n时刻神经网络预测的输出状态向量，δt为时间步长，是神经网络逼近的对应于龙格库塔方法中的泰勒展开函数，i＝1,2,3,4；tn是时刻n。
[0078]
深度神经网络的目标函数为带正则化的均方误差：
[0079][0080][0081]
其中l
data
为数据的均方误差，λ为正则化系数，w为网络权重与偏置，i为第i个时刻，j为第j个状态向量分量。
[0082]
在第二步中，将位移数据通过中心差分的方式得到速度数据，并将位移数据与速度数据组合成为二维的状态向量；将组合好的数据送入深度神经网络进行训练。深度神经网络的训练使用pytorch框架，优化算法使用adams,训练的初始学习率为1e-3。
[0083]
第三步，如图5所示，将网络训练后的最优参数在仅指定初始状态向量条件下使用四级四阶龙格库塔方法做该学习到的方程的响应预测，将得到的时域信息结果与真实的时域信息做对比，验证网络的长期预测能力。
[0084]
本发明使用pytorch框架，发明了一种基于深度学习的涡振响应预测方法，区别于传统的预测方法，可以考虑方程中显含时间的非自治项对网络预测结果的影响，进行涡振
响应的长时预测，同时龙格库塔方法是一种高精度的数值方法，经验证在进行长时预测时其精度很好。
[0085]
本发明提出的一种基于深度学习的涡振响应预测方法，融合了龙格库塔方法作为网络的深度推进格式；不同于在以往的经验模型中由于涡振为大幅值振动而省略方程右侧显含时间的由漩涡脱落而引起的纯力项，网络将时间以融入龙格库塔数值格式的方法巧妙的考虑到其影响，将非自治项考虑到了非线性方程中，相比于传统的预测建模方法更加合理且精确；网络在cfd生成的一阶涡振数据上进行验证，结果证明该方法具有长时间预测的能力，是对涡振响应进行长时间预测建模的全新方法。
[0086]
本发明提出一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述一种基于深度学习的涡振响应预测方法的步骤。
[0087]
本发明提出一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现所述一种基于深度学习的涡振响应预测方法的步骤。
[0088]
本技术实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synchlink dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，drram)。应注意，本发明描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
[0089]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，高密度数字视频光盘(digital video disc，dvd))、或者半导体介质(例如，固态硬盘(solid state disc，ssd))等。
[0090]
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者
软件形式的指令完成。结合本技术实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
[0091]
应注意，本技术实施例中的处理器可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
[0092]
以上对本发明所提出的一种基于深度学习的涡振响应预测方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。