一种主梁安装标高的确定方法与流程

本发明涉及桥梁建造施工，尤其是涉及到一种主梁安装标高的确定方法。

背景技术：

1、桥梁作为交通运输网络中的关键基础设施，在现代社会中发挥着不可或缺的作用。随着桥梁跨度和规模的不断增大，对桥梁结构安全性和耐久性的要求也日益提高。在桥梁施工过程中，主梁安装是最为关键的环节之一，其施工质量直接影响到桥梁的整体性能和使用寿命。而主梁安装标高的精确控制则是确保主梁安装质量的重要前提。

2、传统的主梁安装标高计算方法主要依赖于理论计算和有限元仿真等手段。例如公开号为cn116306087的公开专利一种主梁安装标高的温度过滤计算方法和系统就公开了一种计算温度影响量，结合有限元模型分析，最终得出待架梁段的实际安装控制标高。现有技术中的方法虽然在一定程度上能够预测主梁的变形行为，但仍然存在一些局限性。首先，理论计算方法通常基于简化的假设和边界条件，难以准确考虑复杂的外部环境因素和结构自身特性的影响。其次，有限元仿真建立的模型计算效率较低，难以实时反映结构状态的变化。此外，无论是理论计算还是有限元仿真，都难以有效融合多种不同的影响因素，导致计算结果与实际情况存在一定的偏差。

3、近年来，信息技术的快速发展为解决复杂施工问题提供了新的思路，例如刘人铭在论文“ｂｐ神经网络在叠合梁斜拉桥施工控制中的应用”中提出了在叠合梁斜拉桥施工控制中应用bp神经网络的方法。通过建立神经网络模型，识别影响桥梁线形和内力的参数，从而提高施工控制精度，克服理论值与实际值之间的偏差。

4、在研究相关技术的过程中，我们发现informer在主梁安装标高计算中展现出独特优势。首先，其优秀的的序列建模能力使其能有效捕捉环境温度、施工载荷、基础沉降量等长期影响因素的动态特征。通过probsparse自注意力机制，informer显著降低了计算复杂度，能够处理更长的输入序列，从而更全面地考虑历史数据对未来标高的影响。其次，informer的自注意力机制天然具备多种数据融合的能力。在主梁安装过程中，涉及温度、载荷、沉降等多种数据源，informer可以自适应地学习不同特征之间的相关性和重要性，实现对这些多源数据的有效整合。这种融合能力使得模型可以综合考虑各种因素对标高的复杂影响，从而提供更准确、更全面的预测结果。此外，informer的自注意力机制还能同时捕捉时间和空间维度上的依赖关系，这对于准确刻画主梁的变形行为至关重要。综上所述，我们认为informer在序列建模和多种数据融合方面的优势使其成为处理主梁安装标高预测这一复杂工程问题的理想选择。

5、鉴于此，我们提出一种了基于informer的主梁安装标高计算模型mf-gei（informer based multi factor main girder elevation model），用来确定主梁安装标高。该模型能够充分考虑包括环境温度、载荷作用、基础沉降等信息在内的多种信息，通过构建时间序列特征，训练了深度神经网络模型，从而实现主梁标高的精准预测。

技术实现思路

1、针对现有的主梁安装标高计算中存在的问题，通过基于informer的主梁安装标高计算模型mf-gei（informer based multi factor main girder elevation model）来完成主梁安装标高的计算。具体地，一种主梁安装标高的确定方法，该方法综合考虑了环境温度、施工载荷、基础沉降等关键影响因素，通过mf-gei实现主梁安装标高的确定：

2、融合关键影响因素的多维特征表示。将环境温度、施工载荷、基础沉降等因素的监测数据构建为时间序列特征矩阵，其中为序列长度，为总特征维度。通过特征注意力机制对不同类型特征进行自适应加权，突出关键信息。对于每一类特征子序列，使用注意力向量来调节其不同维度的重要性：

3、；

4、其中表示广播乘法。注意力向量通过两层前馈神经网络生成，分别代表环境温度、施工载荷、基础沉降关键影响因素和其他辅助辅助因素，为第类因素的维度。

5、采用自适应的encoder-decoder交互机制。在decoder的每一层引入自适应交互矩阵来调节其对encoder输出的关注程度，捕捉影响因素的动态变化，其中，为decoder的序列长度；为decoder每一层的维度。的计算公式为：

6、；

7、其中为decoder上一层的输出，为encoder的最终输出。修改注意力计算公式为：

8、；

9、多尺度时空特征融合：在encoder和decoder中分别使用不同核大小的一维卷积和池化操作提取多尺度特征。

10、因素分解输出：将decoder的最终输出通过三个独立的全连接层映射到温度、载荷、沉降三个隐空间，得到对应的隐空间表示，为decoder的层数。然后通过因素注意力机制进行自适应融合，得到主梁标高的最终预测值：

11、；

12、其中为各因素的注意力权重。

13、采用多任务损失函数：同时考虑整体预测损失和各因素预测的独立损失，引导模型兼顾整体精度和影响因素的准确刻画：

14、。

15、模型训练时采用early stopping策略控制迭代次数，更新参数。

16、推理时对预测结果进行后处理，包括移动平均平滑、异常值剔除和动态误差补偿。移动平均平滑使用长度为的滑动窗口对预测序列进行平滑，异常值剔除将超出历史数据范围的预测值进行截断，动态误差补偿利用实测值对预测值进行修正：

17、；

18、其中为补偿系数。

19、本发明所提出的主梁安装标高预测方法能够充分挖掘和融合环境温度、施工载荷、基础沉降等关键影响因素的复杂时空特征，建立起从异构监测数据到主梁标高预测值的端到端映射。通过精心设计的深度学习模型架构，包括特征注意力、自适应encoder-decoder交互、多尺度特征融合、因素分解输出等机制，该方法能够准确捕捉主梁标高动态变化规律，并对各影响因素的贡献进行分析和解释。在模型训练和推理环节，采用了参数优化、early stopping、后处理等策略，进一步保证了预测结果的准确性和鲁棒性。本发明可为主梁安装施工提供可靠的标高参考，提高施工自动化和智能化水平，具有工程应用价值。

技术特征：

1.一种主梁安装标高的确定方法，其特征在于，所述方法利用包括环境温度、施工载荷、基础沉降关键影响因素和其他辅助因素，通过mf-gei实现主梁安装标高的确定，所述mf-gei为基于informer的主梁安装标高计算模型，具体包括：融合关键影响因素的多维特征表示；多尺度时空特征融合；因素分解输出；采用多任务损失函数；采用early stopping策略控制迭代次数，更新参数训练mf-gei；利用训练好的mf-gei得到主梁标高的整体预测值以及各关键影响因素的独立预测值；对所述整体预测值进行后处理确定最终的主梁安装标高。

2.如权利要求1所述的主梁安装标高的确定方法，其特征在于，所述融合关键影响因素的多维特征表示具体为：将环境温度、施工载荷、基础沉降因素的监测数据构建为时间序列特征矩阵，其中为序列长度，为总特征维度；通过特征注意力机制对不同类型特征进行自适应加权；对于每一类特征子序列，使用注意力向量来调节其不同维度的重要性：

3.如权利要求2所述的主梁安装标高的确定方法，其特征在于，所述多尺度时空特征融合具体为：在encoder和decoder中分别使用不同核大小的一维卷积和池化操作提取多尺度特征。

4.如权利要求3所述的主梁安装标高的确定方法，其特征在于，所述因素分解输出包括：将decoder的最终输出通过三个独立的全连接层映射到环境温度、施工载荷、基础沉降三个隐空间，得到对应的隐空间表示，通过因素注意力机制进行自适应融合，得到主梁标高值：

5.如权利要求4所述的主梁安装标高的确定方法，其特征在于，所述多任务损失函数为：

6.如权利要求5所述的主梁安装标高的确定方法，其特征在于，所述采用earlystopping策略控制迭代次数，更新参数训练mf-gei具体为：在每个训练轮中，对训练集的每个样本，首先通过me-gei模型的前向计算得到整体预测值以及环境温度、施工载荷、基础沉降因素的独立预测值；然后，根据多任务损失函数计算总损失，并更新模型参数；其中，为学习率，为一阶和二阶矩估计的指数衰减率；

7.如权利要求6所述的主梁安装标高的确定方法，其特征在于，所述利用训练好的mf-gei得到主梁标高的整体预测值以及各关键影响因素的独立预测值具体包括：使用训练好的mf-gei参数对新监测数据进行前向计算，得到主梁标高的整体预测值以及环境温度、施工载荷和基础沉降三个关键影响因素的独立预测值。

8.如权利要求7所述的主梁安装标高的确定方法，其特征在于，所述后处理具体为：

技术总结本发明涉及到桥梁建造施工技术领域，尤其是涉及到一种主梁安装标高的确定方法。该方法通过MF‑GEI考虑了环境温度、施工载荷和基础沉降等关键因素的影响，采用了特征级注意力来自适应调整不同特征的重要性，引入了自适应交互矩阵来动态调节Encoder‑Decoder之间的信息交互，并通过多尺度特征融合捕捉不同时空尺度上的影响模式，提高了确定主梁安装标高的精确性和智能化水平。技术研发人员：孙兵,张凯,刘亮,张晓斌,王克文,何东阳,李青杨,黄清受保护的技术使用者：四川公路桥梁建设集团有限公司技术研发日：技术公布日：2024/9/17