[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

说明书

本发明公开了一种基于决策树和循环神经网络的桥梁涡激振动响应幅值预测方法。该方法首先基于现场实测的桥梁涡激振动数据，采用决策树方法，建立了涡激振动模态预测模型，实现仅通过监测风速条件即可预测涡振模态；其次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，设计了一种适用于表征桥梁结构振动动力系统的循环神经网络算法，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，其优点在于可实现时变、不均匀自然风，超高雷诺数下原型桥梁涡振幅值机器学习预测，解决了传统基于风洞试验的半理论半经验模型无法准确预测自然风作用下原型桥梁涡振响应的难题，为桥梁涡振预警、预报，安全评估提供重要的支撑。

技术领域

本发明涉及桥梁风工程领域，具体涉及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。

背景技术

随着桥梁跨度的增加，桥梁变得越来越柔、阻尼也越来越小，桥梁与流场的流固耦合作用越来越强烈，导致风效应异常突出。涡振这种非线性自激振动是桥梁主梁结构最为典型的流固耦合作用效应之一。流体绕过桥梁结构，在其绕流场产生流动分离并伴随旋涡脱落，当旋涡脱落频率与桥梁结构某阶固有频率接近时，激发涡激共振。随着桥梁振动的增强，流固耦合作用增强，振动控制绕流场旋涡脱落频率且增强旋涡的强度，反过来增强的旋涡进一步激发更大的振动。涡激振动虽然是一种限幅自激振动，不会引起桥梁结构的毁坏，但它易于在小风速下发生，诱发频次高，不仅影响行车安全，还可能使桥梁连接构件发生疲劳损伤。近年来，我国大跨度桥梁涡振时有发生，如西堠门大桥、虎门大桥、鹦鹉洲大桥等。2020年5月5日下午，虎门大桥发生长时间大幅度涡振，随后，管理部门对该桥实施双向全封闭，禁止车辆通行。虎门大桥的突发大幅振动事件引起了社会各界对桥梁涡振的广泛关注。

由于涉及超高雷诺数下湍流和流固耦合等强非线性过程以及自然风时变和不均匀特征，原型桥梁的涡振建模和预测极其困难，现有基于风洞试验结果的半理论和半经验方法无法准确预测服役桥梁的涡振。随着机器学习相关技术的飞速发展、其在高维强非线性处理以及复杂系统模拟上体现出极其强的能力，这为桥梁风工非线性流固耦合作用机理和建模研究提供了一种全新的思路和方法。此外，现场监测为原型桥梁积累了大量的珍贵数据，这为桥梁风工程开展机器学习研究创造了前提条件。

发明内容

基于以上不足之处，本发明提供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，解决了传统基于风洞试验的半理论半经验模型无法准确预测自然风作用下原型桥梁涡振响应的难题。

本发明所采用的技术方案如下：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，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；