一种基于深度学习LSTM网络的桥梁静态位移预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114926588A(43)申请公布日2022.08.19(21)申请号202210553904.1G06N3/04(2006.01)(22)申请日2022.05.20G06N3/08(2006.01)G01B21/02(2006.01)(71)申请人武汉市华光交通工程有限公司G01B21/32(2006.01)地址430000湖北省武汉市黄陂区盘龙城G01M5/00(2006.01)岱黄高速府河收费站旁武汉华益路桥G06F119/14(2020.01)管理有限公司办公大楼3楼305室(72)发明人张思思蒋序强董峰严振宇张快乐艾义博孙鑫(74)专利代理机构武汉探智知识产权代理事务所(普通合伙)42309专利代理师曹鑫(51)Int.Cl.G06T17/00(2006.01)G06F30/13(2020.01)G06F30/27(2020.01)权利要求书2页说明书6页附图4页(54)发明名称一种基于深度学习LSTM网络的桥梁静态位移预测方法(57)摘要本发明公开了一种基于深度学习LSTM网络的桥梁静态位移预测方法，S1、数据采集：首先利用检测系统中的数据采集模块对桥梁的基本数据进行采集，本发明涉及桥梁结构安全技术领域。该基于深度学习LSTM网络的桥梁静态位移预测方法，通过设置有存储系统和检测系统，利用数据采集模块对所需的桥梁数据进行实时的检测，并且通过模型建立单元和模块训练模块形成训练后的模型，并且对于产生的问题进行实时的检测、预测，同时配合上存储系统进行存储更新，不仅能够有效的检测出桥梁受外界因素影响产生的位移，而且可以提前告知进行问题的解决，以此提高了桥梁建造使用的安全性，同时也提高了人员对于桥梁的勘察完全性。CN114926588ACN114926588A权利要求书1/2页1.一种基于深度学习LSTM网络的桥梁静态位移预测方法，其特征在于：具体包括以下步骤：S1、数据采集：首先利用检测系统中的数据采集模块对桥梁的基本数据进行采集，并且对挠度和结构抗剪承载力数据进行测算，同时将所采集的数据输入到存储系统进行汇总、整理和存储，以及将数据传输到数据处理模块进行分析处理；S2、数据建模：此时对分析处理后的数据传输到三维建模模块中，以此形成三维立体图，通过人员施工实现模型的建立，并通过施加外界因素实现对桥梁静态位移的检测，同时将通过LSTM网络的训练模型进行桥梁检测；S3、预测实验：在实验对象准备完成后，通过人员的实施模拟实现训练后的LSTM网络训练模型对桥梁静态位移进行检测，并且对检测中产生的数据进行实时记录，同时对于出现的问题进行预警和解决，并对于数据进行修改和及时的更新；所述S1‑S3中包括存储系统和检测系统，所述存储系统和检测系统实现双向连接，所述存储系统中包括数据接收模块、数据管理模块、数据存储模块、数据输出模块、实时更新模块和数据显示模块，所述数据接收模块的输出端与数据管理模块的输入端连接，所述数据管理模块的输出端与数据存储模块的输入端连接，所述数据存储模块的输出端与数据输出模块的输入端连接，所述数据存储模块与数据显示模块实现双向连接，所述实时更新模块的的输出端与数据显示模块的输入端连接。2.根据权利要求1所述的一种基于深度学习LSTM网络的桥梁静态位移预测方法，其特征在于：所述数据管理模块中包括数据引入单元、数据整理单元、数据分类单元和数据引出单元，所述数据引入单元的输出端与数据整理单元的输入端连接，所述数据整理单元的输出端数据分类单元的输入端连接，所述数据分类单元的输出端与数据引出单元的输入端连接。3.根据权利要求1所述的一种基于深度学习LSTM网络的桥梁静态位移预测方法，其特征在于：所述检测系统中包括数据采集模块、信息中心处理器、数据处理模块、模型建立单元、数据预测模块、数据传送模块、桥梁检测模块、模块训练模块和预测预警模块，所述数据采集模块的输出端与信息中心处理器的输入端连接。4.根据权利要求3所述的一种基于深度学习LSTM网络的桥梁静态位移预测方法，其特征在于：所述信息中心处理器的输出端与数据处理模块的输入端连接，所述数据处理模块的输出端与模型建立单元的输入端连接，所述模型建立单元的输出端与数据预测模块的输入端连接。5.根据权利要求3所述的一种基于深度学习LSTM网络的桥梁静态位移预测方法，其特征在于：所述数据预测模块的输出端与数据传送模块的输入端连接，所述桥梁检测模块的输出端与模型建立单元的输入端连接，所述模块训练模块的输出端与模型建立单元的输入端连接，所述预测预警模块的输出端与数据预测模块的输入端连接。6.根据权利要求3所述的一种基于深度学习LSTM网络的桥梁静态位移预测方法，其特征在于：所述数据处理模块中包括数据输入单元、数据分析单元、数据