基于深度学习的建筑用短粗拉索的索力识别方法及系统

本发明属于数据处理，具体涉及基于深度学习的建筑用短粗拉索的索力识别方法及系统。

背景技术：

1、拉索作为一种高效的柔性受拉构件，被广泛应用于桥梁结构与空间结构当中，拉索索力值变化与桥梁整体结构的稳定和安全息息相关，因此准确识别拉索的索力大小，对评估在役工程的健康状态具有重要意义。目前工程中常用的拉索索力测量方法中，频率振动法因精度较高、操作简单、对结构影响小、设备携带方便以及可重复性使用等优点被广泛应用。

2、例如公开号为cn108132911a的中国专利文件中公开了一种基于比弦模型的两端固接边界拉索索力测量方法，所述方法包括如下步骤：根据拉索振动微分方程在两端固接约束条件下导出了无量纲参数代数约束方程；通过数值方法解得该方程在各频阶的数值解；经非线性回归得到各频阶的无量纲参数的模型参数，建立振动法索力估计方程；将拉索实测固有振动频率代入相应的频阶方程，经数值求解得到索力估计值。该方法给出了实际工程中常见的固有振动频率的前15阶频阶的索力估计方程，适用性强且精度较高。

3、然而，上述现有技术中采用振动法索力估计方程来估计索力的方法，主要适用于长径比大于100的桥梁结构中所用的细长拉索，但对于长径比小于100的建筑结构中使用的短粗拉索，该方法忽略了抗弯刚度、边界条件等各因素的耦合影响，预测出的拉索索力误差较大，因此亟需一种建筑用短粗拉索的索力识别方法。

技术实现思路

1、为解决上述问题，本发明提供了基于深度学习的建筑用短粗拉索的索力识别方法及系统，以解决现有技术中的问题。

2、为了达到上述的发明目的，本发明提出基于深度学习的建筑用短粗拉索的索力识别方法，包括：

3、步骤s1：获取拉索的要素信息，所述要素信息包括拉索类型和拉索几何参量；

4、步骤s2：将所述拉索平均划分为第一区域和第二区域，在所述第一区域内设置振动传感器，在所述第二区域内对所述拉索施加多次激励，在所述激励过程中基于所述振动传感器获取振动信号，将获取到的所述振动信号处理为拉索频谱数据；

5、步骤s3：建立深度学习网络模型，将所述拉索频谱数据、所述拉索几何参量和拉索类型标签输入至所述深度学习网络模型，其中，所述拉索类型标签是用于识别所述拉索类型的数字标签，所述深度学习网络模型通过第一通道、第二通道和第三通道提取出第一特征向量、第二特征向量和第三特征向量；

6、步骤s4：所述深度学习网络模型融合所有特征向量，并输出拉索索力值。

7、进一步地，所述深度学习网络模型通过第一通道提取所述第一特征向量包括以下步骤：

8、所述深度学习网络模型为卷积神经网络模型，所述卷积神经网络模型包括1d卷积层、批标准化层、丢弃层、展平层以及第一全连接层，将所述第一通道中输入的所述拉索频谱数据转换为一维拉索数据集后，所述1d卷积层基于线性整流函数对所述一维拉索数据集进行激活，提取出数据特征，并采用补零填充策略保持所述拉索频谱数据的特征维度在卷积后不发生变化，所述批标准化层对所述数据特征进行分批处理，采用白化操作改变所述数据特征的数据分布，并获得所述第一特征向量，所述丢弃层设置第一概率以控制卷积工作的停止；

9、基于所述展平层将所述第一特征向量展平至一维，并通过所述第一全连接层将所述第一特征向量输出至多通道融合层。

10、进一步地，所述拉索几何参量包括：单根拉索的各钢丝物理弯曲刚度之和、拉索整体物理弯曲刚度、公称直径以及长径比。

11、进一步地，所述深度学习网络模型通过第二通道、第三通道中提取所述第二特征向量和所述第三特征向量包括以下步骤：

12、所述深度学习网络模型设置含有神经元数量为小于第一阈值的第二全连接层，通过所述第二通道和所述第二全连接层提取所述拉索几何参量中的所述第二特征向量，通过所述第三通道和所述第二全连接层提取所述拉索类型标签中的所述第三特征向量。

13、进一步地，所述拉索类型标签为独热编码，所述独热编码包括密闭索和高帆索两种类型。

14、进一步地，所述深度学习网络模型的所述多通道融合层将三种特征向量进行融合获得融合特征向量，将所述融合特征向量经由第三全连接层后，预测出所述拉索索力值，并通过输出层输出。

15、进一步地，所述深度学习网络模型的所述第一全连接层、所述第二全连接层以及所述第三全连接层均使用sigmoid函数作为激活函数。

16、进一步地，在所述深度学习网络模型训练开始之前，还对拉索索力数据进行归一化处理。

17、进一步地，在输入所述深度学习网络模型之前，对所述拉索进行动态响应标定试验，测试所述拉索在不同拉力状态下的所述拉索频谱数据，形成模型扩充数据集。

18、本发明还提供了基于深度学习的建筑用短粗拉索的索力识别系统，该系统用于实现上述所述的方法，该系统主要包括：

19、获取模块，获取拉索的要素信息，所述要素信息包括拉索类型和拉索几何参量；

20、划分模块，将所述拉索平均划分为第一区域和第二区域，在所述第一区域内设置振动传感器，在所述第二区域内对所述拉索施加多次激励，在所述激励过程中基于所述振动传感器获取振动信号，将获取到的所述振动信号处理为拉索频谱数据；

21、模型生成模块，建立深度学习网络模型，将所述拉索频谱数据、所述拉索几何参量和拉索类型标签输入至所述深度学习网络模型，其中，所述拉索类型标签是用于识别所述拉索类型的数字标签，所述深度学习网络模型通过第一通道、第二通道和第三通道提取出第一特征向量、第二特征向量和第三特征向量；

22、输出模块，所述深度学习网络模型融合所有特征向量，并输出拉索索力值。

23、与现有技术相比，本发明的有益效果至少如下所述：

24、本发明通过建立神经网络模型，采用深度学习的方法，针对不同的输入数据分别进行处理，分析复杂的特征映射获得特征向量并进行融合，得到预测拉力索力，相比于传统的振动频率法，即利用拉索索力与基频(即一阶自振频率)间的关系进行理论关系推导或经验公式拟合，从而在工程测量中通过获取基频来识别索力，本发明中的深度学习网络具有的强大特征学习和表征能力可以胜任复杂的计算任务，且本发明以频谱数据代替基频作为其动力响应参量进行学习训练，捕捉更加深层次的数学逻辑关系，进一步提高索力识别精度。

25、同时，本发明中的神经网络模型以1d卷积层为基础搭建，相比二维速度更快，节约了计算成本和时间，识别效率更高；且本发明中需要的计算参量，如公称直径、抗弯刚度、拉索类型等数据可通过测量、计算等途径直接获取，可作为特征参量直接输入至深度学习网络模型中，拉索频谱数据则通过简单的激励即可获取并通过动态采集仪直接记录，无需其他的复杂操作，所有输入至模型的数据进行批量化处理和分析，大大降低了索力识别工作耗费的人力物力，提高了索力识别效率。

26、并且，建筑结构中的短粗用索使用现有的振动频率法将会产生较大的误差，无法精准识别索力，本发明方法在一定程度上弥补了建筑用拉索索力识别的研究空白，可为工程中短粗拉索的快速索力识别提供参考。