[发明专利]一种基于决策树和循环神经网络的桥梁涡激振动幅值预测方法

权利要求书

1.一种基于决策树和循环神经网络的桥梁涡激振动幅值预测方法，其特征在于，方法步骤如下：

步骤一，基于现场实测的桥梁涡激振动数据：包括风和主梁振动，运用决策树方法，建立涡激振动模态预测方法，实现仅通过监测风速条件预测涡振模态，样本特征向量和类别标签如下式所示：

Ω_j＝f_classifier(U₁,U₂,U₃,...,U_n；θ₁,θ₂,θ₃,...,θ_n) (1)

式中，U和θ分别为不同测点平均风速和风向；Ω_j为某阶涡振模态；

f_classifier表示自由场风速和风向对桥梁涡振模态的影响函数，

桥梁涡激振动模态决策树模型中样本不纯度为：

式中，I(N)表示节点N的不纯度，

P(Ω_i)表示涡振模态为Ω_i的样本占该样本集总数的比例；

步骤二，基于原型桥梁涡振位移幅值微分方程一般表达式和监测数据，运用循环神经网络算法直接建立风速和风向与各阶模态涡振响应幅值之间的映射关系，自然风作用下，桥梁涡振位移幅值微分方程一般表达式表示为：

建立表征桥梁涡振位移幅值微分方程的深度前馈神经网络，将公式(3)右侧A_k和U_k作为网络输入，将公式(3)左侧的位移幅值时间导数作为网络输出，从而获得微分方程中的模型函数f的估计，基于深度前馈神经网络进一步建立原型桥梁涡振幅值预测循环神经网络，将当前深度前馈神经网络的输出作为下一时刻网络的输入，让神经网络同时学习映射关系和“递归”动力行为。

2.根据权利要求1所述的一种基于决策树和循环神经网络的桥梁涡激振动幅值预测方法，其特征在于：对模型函数f首先用一个简单收敛的单步深度前馈神经网络进行训练，训练收敛后，将其迁移到一个更长时间的循环神经网络进行进一步的训练，提高涡振幅值预测循环神经网络训练的鲁棒性。