[发明专利]基于EEMD-DNN的振动台结构位移响应预测方法及装置

说明书

本发明公开了一种基于EEMD‑DNN的振动台结构位移响应预测方法及装置，采集振动台加速度时程记录，并将该加速度时程记录分为训练集和测试集；对训练集中的加速度时程记录依次进行二次数值积分和集合经验模态分解，获得训练样本集；将训练样本集输入预先构建的深度神经网络模型中，进行迭代训练，优化模型参数，得到优化后的深度神经网络模型；将测试集输入优化后的深度神经网络模型中，预测得到振动台的位移时程曲线，进而还原振动台真实的结构位移响应；本发明基于集合经验模态分解和深度神经网络模型，整个过程具有自适应性，适用范围广，预测精度高。

技术领域

本发明涉及土木结构振动响应技术领域，具体公开了一种基于EEMD-DNN的振动台结构位移响应预测方法及装置。

背景技术

在研究土木结构工程的振动效应时，振动台可以很好的再现地震过程和进行人工地震波的试验，是实验室研究结构地震反应和破坏机理最直接的方法。由于振动台试验采集系统的通道数量有限，无法同时采集大量的加速度和位移数据，因此，在对工程结构的地震位移响应进行研究时，对采集到的加速度数据进行数值积分是得到结构位移响应的主要手段，但由于记录的数据与来自环境振动或仪器本身振动产生的低频噪声混合、操纵误差、换能器迟滞、假定的速度或位移初始值与实际情况不一致等原因，使得加速度在积分时会造成基线漂移，从而导致无法还原真实的结构位移响应。

目前，在加速度积分过程中对基线进行校正的方法主要有两类，一类是采用最小二乘法消除初始速度和位移与实际不一致产生的基线漂移误差，但该方法的校正效果较差且适用范围较窄；另一类是将传统基线校正位移与目标最终位移的偏移量作为指标，调整地震动记录的加速度时程(即对地震动记录的伪静分量进行修正)，最终二次积分得到目标最终位移，达到最终位移与目标最终位移一致，但该方法基于实验人员自主调节参数实现，不具备自适应性，也无法消除或最小化基线漂移时产生的误差，以致于不能重现真实的结构位移响应。

发明内容

有鉴于此，本发明的目的在于提供一种基于EEMD-DNN的振动台结构位移响应预测方法及装置，以解决采用传统方法进行结构位移响应预测时基线校正不具有自适应性、适用范围较窄以及预测精度不高的问题。

为达到上述目的，本发明提供一种基于EEMD-DNN的振动台结构位移响应预测方法，包括以下步骤：

S1：采集振动台加速度时程记录，并将该加速度时程记录分为训练集和测试集；

S2：对所述训练集中所有的加速度时程记录进行二次数值积分得到原始漂移位移时程记录，并采用集合经验模态分解算法对原始漂移位移时程记录进行分解，获得训练样本集；

S3：将训练样本集输入深度神经网络模型中，进行迭代训练，优化模型参数，得到优化后的深度神经网络模型；

S4：将测试集作为实时采集的加速度时程记录输入优化后的深度神经网络模型中，测试输出振动台的位移时程曲线，得到该振动台实际的结构位移响应。

进一步的，所述步骤S2获得训练样本集的具体步骤为：

S201：对训练集中的所有加速度时程记录进行数值积分得到速度时程曲线；

S202：对所述速度时程曲线进行数值积分得到原始漂移位移时程曲线；

S203：采用集合经验模态分解算法将原始漂移位移时程曲线分解为集合经验模态分量以及剩余分量，并以分解得到所有的集合经验模态分量和步骤S202中得到的漂移位移时程曲线作为训练样本集输入所述深度神经网络模型。

进一步的，所述步骤S203中对原始漂移位移时程曲线进行集合经验模态分解得到多个集合经验模态分量和剩余分量的具体步骤为：

S2031：在所述原始漂移位移时程曲线中叠加一组高斯白噪声得到第一漂移位移时程曲线；