[发明专利]一种基于深度学习理论的不确定性结构频响动力学模型修正方法

说明书

本发明公开一种基于深度学习理论的不确定性结构频响动力学模型修正方法。包括不确定性参数影响下的结构频率响应不确定性分析，通过深度卷积神经网络构建不确定性逆向传递关系，利用深度学习原理实现不确定性参数的概率分布估计。本发明结合深度学习原理在复杂输入特征分析方面的优势，利用深度卷积神经网络对含有不确定性分布特征的频响数据进行特征分析和特征提取。此外，本发明利用不确定性频响数据条件分布概率和待修正参数的先验概率，求解待修正参数的条件概率分布，最终得到了不确定性参数的分布，避免了人工进行频响不确定性量化和特征提取带来的误差，提高了考虑不确定性的频响动力学模型修正的准确度。

技术领域

本发明属于结构动频响动力学模型修正领域，涉及考虑不确定性的结构频率响应动力学模型修正与深度学习理论，具体涉及一种基于深度学习理论的不确定性结构频响动力学模型修正方法。

背景技术

技术背景：

精确的仿真模型分析结果是进行结构设计、评估、优化等的基础。然而在实际工程中的结构施工工艺繁琐，工作环境多变，存在着多种不确定性因素影响着结构的工作性能^[1]。实际中许多输入及测量参数均具有一定的不确定性，从而导致试验数据及仿真结果的差异，响应输出也具有不确定性。因此，需要提高在不确定性音响下的有限元仿真 (物理模型)对客观规律的表征能力，并对在仿真模型及客观试验中存在的不确定性进行量化。不确定性来源和类型日趋复杂，这给考虑不确定性的模型修正给结构响应特征的提取带来了更大的难度。在传统不确定性模型修正方法中，不确定性度量指标如欧氏距离^[2]、马氏距离^[2]、巴氏距离^[3]和区间重合度^[4]等，以统计或区间特征衡量和描述试验结果和仿真数据之间的差异。然而这种方法通过人工提取的一些低维度统计特征及人为制定的量化准则，将变化复杂的不确定性频响数据的信号特征和不确定分布特征进行了较高程度的降维和压缩，这样提取到的特征往往比较浅显，很难精准表征频响数据的不确定性特点^[5-7]。因此结构频率响应和设计参数都需要更准确的描述方式，充分利用数据中的隐藏特征，从响应推测出设计参数的变化规律。对于频响模型修正，不确定性分析需要的实验样本多，计算里消耗大，通过人工提取的不确定性传递关系往往难以对真实样本分布状态进行精确化描述和量化，其数学模型往往难以满足高精确度要求。此外，传统的特征提取方法往往由研究者根据经验对特定的样本分布状态进行研究，针对不同分布的不确定性适应能力差，因此急需一种解决方法能够针对复杂特征进行智能化提取。

近年来，利用深度学习理论解决复杂系统特征识别问题成为热点。深度卷积神经网络(DCNN)具有深层网络结构，能够学习的传递关系类型更为广泛^[8-10]。理论上讲，利用DCNN可以映射到大部分复杂的线性、非线性函数，能够解决的问题覆盖范围更多^[11]。对于频响模型修正问题而言，构建逆问题的求解过程较为复杂，传统方法往往采用优化逼近的方法去解决，而通过DCNN就能够直接求解频响数据到待修正参数的复杂逆向映射^[12]。尤其是考虑不确定性和非线性的频响模型修正问题中，DCNN能够直接求解出复杂的逆向传递关系，避免了人工不确定性和非线性量化带来的误差。

发明内容

本发明要解决的技术问题为：克服传统方法中对不确定性频响模型修正方法的局限性和人工提取特征方法的不足，利用深度学习原理和深度卷积神经网络对考虑不确定性的结构频率响应数据进行特征提取并将其特征映射到相似的特征空间内，建立不确定性频响数据到待修正参数的逆向映射，实现对逆问题的求解。

本发明解决上述技术问题采用的技术方案为：一种基于深度学习理论的不确定性结构频响动力学模型修正方法。包括以下步骤，其路线图见图1：

步骤1：生成频响模型修正所需要的不确定性待修正参数样本，并统计待修正参数的概率分布特点，并将其作为训练标签(或真值)。