非线性结构地震响应的神经网络算法

提出一种基于长短期记忆(long short-term memory, LSTM)神经网络模型计算非线性结构地震响应的新方法,采用单向多层堆叠式LSTM架构,并借助滑动时间窗实现递推计算。改进了模型预测效果的评价指标,可考虑响应在不同幅值区间的敏感性差异,避免了传统评价指标的相位敏感问题。利用实测地震动和多层框架结构进行了新方法的验证,给出了网络超参数的取值原则,并讨论了不同工况下模型的泛化能力。结果表明,LSTM模型的计算精度较好、对地震动类型具有鲁棒性。由于神经网络模型便于分布式、云部署的特点,该方法可在城市区域地震响应快速模拟等传统数值方法受限的应用场景发挥作用。     

基于长短时记忆神经网络的大跨拱桥温度-位移相关模型建立方法

建立温度-位移相关模型是开展基于位移响应的大跨桥梁性能评估的关键步骤.该文提出一种基于长短时记忆(LSTM)神经网络的多元温度-位移相关模型建立方法.充分利用LSTM神经网络能够考虑位移时滞效应和适合处理超长数据序列的优势,采用自适应矩估计方法对LSTM神经网络进行优化,并引入丢弃正则化技术提升模型的预测能力.在此基础...     

基于MSCNN-LSTM的滚动轴承剩余寿命预测方法

针对现有卷积神经网络(convolutional neural network, CNN)与长短时记忆网络(long short-term memory,LSTM)堆叠的寿命预测方法忽略低层次信息的问题,引入多尺度技术,提出一种多尺度卷积长短时记忆网络模型(multi-scale CNN-LSTM, MSCNN-LSTM)。将CNN的输出由单一尺度转换为多尺度,以充分学习CNN模块提取到的不同层次退化特征。首先采用小波变换获取退化信号的时频信息,并根据初始时刻标准差划分健康阶段;而后利用退化阶段监测数据训练所构建的多尺度网络;最后使用该网络预测旋转机械剩余寿命。在PHM 2012轴承数据集上的验证结果表明,所提MSCNN-LSTM模型能够同时学习退化数据中的低层次和高层次信息,有效提高轴承的剩余寿命预测精度。     

基于CEEMDAN-SVM-LSTM的高炉煤气利用率组合预测

煤气利用率是高炉炉况稳定和耗能的重要指标之一。为提高煤气利用率的预测精度,提出一种基于CEEMDAN-SVM-LSTM的组合模型对其进行预测。首先利用CEEMDAN(自适应噪声完备集合经验模态分解)将煤气利用率时间序列分解成6个模态量和一个趋势分量,对煤气流利用率的发展进行解耦;然后用LSTM(长短时间记忆人工神经网络)和SVM(支持向量机)分别对分解的高频模态和低频模态进行预测,最后将模型组合建立原始煤气利用率的组合预测模型。结果表明该组合模型的MAE(平均绝对误差)、MAPE(平均绝对百分比误差)、RMSE(均方根误差)和MSE(均方误差)分别为0.14、3.5%、0.18、0.032。与单一的SVM模型和LSTM预测模型对比,组合模型的精度更高。     

考虑法向载荷变化的微滑摩擦系统振动分析

工程结构中,常采用干摩擦阻尼器来降低系统的动力响应幅值。振动环境中,连接界面间存在着复杂的接触和摩擦行为,这些行为具有跨尺度、迟滞非线性和切法向耦合等特点。建立了一种能同时考虑法向载荷变化和切向微滑摩擦行为的接触力学模型,推导了模型恢复力和相对位移间关系的表达式,利用不同模型间的比较验证了模型的有效性。将该模型应用于简化的摩擦阻尼器系统,求解了简谐激励下系统的迟滞回线、单位周期的能量耗散和频率响应曲线,并对不同模型的特性进行了比较分析。结果表明:是否考虑法向载荷变化对系统动力学响应预测有很大影响;考虑法向载荷变化的微滑摩擦模型能够更加完善、准确地模拟接触界面间的力学行为。     

基于多尺度模型的复合材料厚板G_(13)剪切失效分析

针对复合材料厚板强度分析问题,通过对子层压板的刚度等效和应力/应变分解建立了一种多尺度分析模型,并引入了剪切非线性本构关系。实现了复合材料厚板结构在子层压板水平的有限元计算和铺层水平的失效判断。采用FORTRAN语言编写了适用于Abaqus/Explicit求解器的VUMAT子程序,用于模拟复合材料厚板剪切非线性响应以及面内失效,子层压板之间采用内聚力模型来模拟分层损伤。分别采用多尺度线性模型和非线性模型对厚层压板G_(13)剪切试验进行了数值预测,并与试验结果进行了对比。分析结果表明:线性计算模型在预测结构承载能力方面有较高的精度,但在预测整体载荷-位移响应时与试验值偏差较大;由多尺度非线性计算模型得到的破坏模式以及载荷-位移曲线均与试验结果吻合较好。     

谐波激励下多尺度粘滑干摩擦系统混沌

针对振动环境下结合面存在复杂多尺度粘滑摩擦现象对系统非线性动力学行为有重要影响,而干摩擦系统动力学研究中采用较多的库仑摩擦模型不能准确反映结合面非线性机理等问题,以典型的含结合面干摩擦振动系统为研究对象,采用关于滑动位移的迟滞本构关系描述结合面多尺度粘滑摩擦现象,建立含结合面多尺度粘滑干摩擦系统动力学方程,用中心差分法获得谐波激励下非线性系统数值解。研究系统在1:1及1:2共振条件下系统稳态动力响应规律,获得系统在激励参数变化下的分岔形态。发现在1:1共振下因存在横截异宿点,运动具有极端敏感性,随参数变化出现倍周期分岔及混沌等多种运动形态的复杂动力学行为;1:2共振下因存在无穷个同宿分支点,小扰动亦可能出现混沌运动。     

基于图卷积网络的乘客打车需求预测

乘客打车需求具有非线性和动态性的特点。为了提高乘客需求预测的准确性,需要充分考虑城市区域间的时空特性。针对城市中乘客的打车需求预测问题,利用图卷积网络(graph convolutional network, GCN)和长短期记忆单元(long short-term memory, LSTM)建立GCN-LSTM预测模型。在分析城市区域间时空特性的基础上,基于动态时间规整算法(dynamic time warping, DTW),将具有相似时空特性的区域重组并构建乘客打车需求图,利用图卷积网络提取需求图的空间特征;运用基于LSTM的编码器捕捉区域的时间特性;运用基于LSTM的解码器实现乘客打车需求的多区域同时、多时间步长预测。通过与传统模型的对比实验表明,本文提出的GCN-LSTM预测模型的均方根误差、平均绝对百分比误差和平均绝对误差最小,验证了所提出模型的预测准确性。     

ICEEMDAN-ISSA-LSTM短期电力负荷预测

针对传统短期负荷预测方法误差大的问题,提出一种基于改进型自适应白噪声的完全集合经验模态分解(ICEEMDAN)和改进的麻雀搜索算法(ISSA)优化长短期记忆网络(LSTM)的短期负荷预测方法。首先,针对负荷序列波动性大,导致直接使用负荷数据进行预测难以获取内在特征的问题,运用ICEEMDAN方法将原始负荷序列进行分解,得到时间尺度各异的IMF分量;其次,针对LSTM模型参数较难选取的问题,采用ISSA对LSTM的超参数寻优,利用Fuch混沌映射、反向学习策略和自适应t变异改进麻雀算法,减小SSA陷入局部最优的风险,提高麻雀算法的寻优能力和收敛速度;最后,依据分解得到的各组数据特征,建立ISSA-LSTM模型并进行预测,再将各组分量的预测值进行叠加,得到最终的电力负荷预测结果。仿真结果表明：与其他预测模型相比,ICEEMDAN-ISSALSTM模型具有更高的短期电力负荷预测精度,其预测平均绝对误差为9.39 kW,均方根误差为11.47 kW,平均绝对百分比误差为0.19%。     

基于长短期记忆网络的风电机组齿轮箱故障预测

针对风电齿轮箱状态监测数据的多变量动态时空关联性特点,提出了一种基于长短期记忆(long short-term memory,LSTM)网络的齿轮箱故障预测方法,主要包括离线建模和在线监测两个阶段。首先,以齿轮箱油温为目标预测变量,充分考虑其与其它相关输入变量之间在时空维度上的重要关联信息,对历史监测数据进行训练学习,建立齿轮箱正常运行时的油温监测LSTM模型,通过对预测残差进行评估计算设定相应的检测阈值;然后,将训练好的油温监测LSTM模型用于在线测试,通过模型残差分析和阈值比较实现齿轮箱故障状态的检测和预测;最后,通过风电场测试数据对所提出的方法进行验证。结果表明,相比于其它传统方法,该方法表现出更好的预测性能,能够较早预测故障的发生。     

基于EMD和时序注意力机制的明渠流量预测模型

为了预防煤矿水害事故的发生,本文提出将经验模态分解(EMD)算法与时序注意力机制(TA-LSTM)结合的明渠流量预测模型,通过对明渠流量的实时预测来反映矿井涌水量的变化情况.模型首先通过EMD将明渠流量分解为多维子分量,充分提取明渠流量本身的波动特征和趋势特征;然后以长短时记忆网络(LSTM)为基础,融入注意力机制增强...     

圆筒形FPSO干拖运动特性计算研究

该文针对圆筒形浮式生产储油卸油平台（FPSO）在干拖过程中的运动特性进行了计算研究。通过MOSES软件建立了FPSO与驳船的整体模型,并在时域中对其运动响应进行了数值模拟,进而得到了运动响应极值。通过将不同谱峰周期的波浪下的运动响应及加速度变化进行对比,研究了其对谱峰周期的敏感性。最后将相同海况下干拖方案与湿拖方案的运动性能进行了对比和分析。     

改进型LSTM网络光伏发电功率预测研究

针对现有光伏发电功率预测技术存在的未能充分考虑气象因素、提取特征不充分等导致预测精度较低的问题,基于深度学习理论,提出一种基于改进型LSTM网络的光伏发电功率预测方法。根据长短期记忆神经网络的特点,从循环神经网络(RNN)推导出其一般计算过程,阐述该预测方法的优越性和可行性。提出基于改进型长短期记忆(LSTM)网络的光伏发电率预测模型,该模型充分考虑并优化神经网络带来的过拟合问题,且引入RMSProp算法获取模型最佳的损失函数值,确保得到最佳的预测结果。综合考虑对光伏发电功率产生影响的多种气象因素,并将气象因素做标准化处理后作为模型的初始输入量,在Spyder软件上对预测模型进行仿真验证。最后将上述模型与单一输入因素进行比较,结果显示充分考虑气象因素的预测结果明显优于单一因素,仿真结果证明该模型具有较好的预测精度。     

基于GA-LSTM的高层建筑结构地震响应的分散控制研究

高层建筑结构复杂,自由度数庞大,采用主动抗震控制方法时结构的精确模型无法建立,整体控制目标也难以获取。为此,将长短时记忆(LSTM)网络理论和大系统分散控制理论结合,提出一种基于LSTM的智能分散控制方法;利用LSTM深度学习框架构建不同类型的分散控制器,并根据Lyapunov稳定性理论推导分散控制器稳定的充分条件,运用遗传算法(GA)对LSTM框架的初始学习率进行优化,提高分散控制器的收敛速度和预测精度。以20层Benchmark模型作为被控对象,研究GA-LSTM分散控制方法的控制性能,并与集中控制效果进行对比分析。结果表明,基于GA-LSTM的智能分散控制方法可以简化控制器结构,对比集中控制可能产生的整体失效现象,具有更高的可靠性和更好的控制效果。     

基于GRU神经网络的结构异常监测数据修复方法EI北大核心CSCD

结构健康监测系统中通常存在大量的异常监测数据,为保证数据的完整性和可用性,有必要对异常监测数据进行修复。大多数基于深度学习对异常数据进行修复的研究通常使用单输入维度和单向预测的方法搭建模型。提出一种基于门控循环(gated recurrent unit,GRU)神经网络的结构异常监测数据修复方法,该方法充分利用深度学习神经网络适合处理复杂非线性映射问题的优势,并对GRU神经网络进行了优化与重构。利用结构温度、时序先后相关性优化神经网络的输入和输出构造,并提出了利用异常数据前后时间段的信息进行双向序列预测的方法提升数据预测和修复精度。最后,利用某古城墙的应变、裂缝与温度监测数据进行方法验证,采用重构后的GRU神经网络模型对异常数据序列进行修复,并与长短时记忆(long and short-term memory,LSTM)神经网络和反向传播(back propagation,BP)神经网络的修复精度进行比较。结果表明,相比单输入维度、单向预测的网络模型,重构后的GRU神经网络的预测精度大幅提高,且显著优于LSTM神经网络和BP神经网络。异常数据序列修复后,应变和裂缝宽度等结构响应与结构温度的线性相关性大幅增强。该方法对具有温度相关性的结构监测数据具有良好的修复能力。     

创建层次化材料表象以实现分子间耦合的可迁移预测（英文）

发现和优化纳米复合材料可以通过融合从头算方法和机器学习(ML)来实现,目前的瓶颈在于缺乏原子尺度上描述单体间相互作用的ML模型.我们开发了名为双区域网络(DRN)的深度学习算法,通过训练学习原子之间的多尺度交互作用,预测了由337种不同分子组成的分子对在随机构型中的电子耦合强度,平均绝对误差低至2.8 meV.基于两种截止半径的层次化材料表象被证明对DRN模型的高迁移性和鲁棒性至关重要,这种材料表征方式不仅捕获了共轭片段的局部特征,而且在模型训练之前编码了重要的分子片段间相互作用.本研究建立的ML模型为描述单体间相互作用提供了普适的建模框架,为复杂纳米复合材料的逆向设计打下了基础.     

远场水下爆炸作用下舰船设备冲击响应一体化动力学模型

提出了一种远场水下爆炸作用下舰船设备冲击响应一体化动力学模型。该模型将动态设计分析方法(DDAM)与Taylor平板理论相结合,使得对舰船设备冲击响应分析更为高效。将船体外壳看做平板,将船体各层甲板和设备看做附加在平板上的多个质量,将水下爆炸冲击波看做指数衰减波,形成了一维分析模型。能够根据水下爆炸当量、爆距、舰艇吨位、总尺度、结构和设备质量与支撑刚度等参数预测舰船与设备的冲击响应。预测结果与舰船缩比模型水下爆炸试验结果进行了对比。从总体上看,船体冲击响应谱的趋势和量级一致。     

跨断层独塔斜拉桥的非线性地震响应特性研究

提出了一种基于层叠式残差长短时记忆神经网络(residual long short-term memory neural network, ResLSTM)的数据驱动建模方法,实现桥梁非线性地震响应预测。该方法利用长短时记忆(long short-term memory, LSTM)网络在长序列回归中的优势,并采用残差连接结构降低深度神经网络中的梯度回传难度,提高了有限数据下的深度网络预测性能。同时,通过采用层叠式序列结构,降低深度神经网络隐藏层节点数目,进一步提升深度神经网络的预测精度。随后,通过两跨预应力混凝土连续梁桥与组合梁斜拉桥的数值算例对该方法进行验证。神经网络的训练样本与测试样本均源自桥梁有限元模型的增量动力分析结果。此外,采用该方法成功预测了美国Meloland Overpass桥的地震响应,并与历史监测数据进行对比验证。结果表明：ResLSTM网络是一种鲁棒性良好、计算效率高的非线性地震响应预测方法,能够利用少量数据快速准确地预测桥梁结构在地震作用下的动力响应,在桥梁抗震性能评价中具有重要的应用潜力。

     

基于卷积自编码器和时间卷积网络的轴承性能退化趋势预测EI北大核心CSCD

针对现有的退化预测研究在构建健康指标时面临信息损失,在建立预测模型时并行计算性能差、感受野不大等不足,结合监测对象性能退化的时序特性,提出基于卷积自编码器(convolutional auto-encoder,CAE)和时间卷积网络(temporal convolutional network,TCN)的性能退化趋势预测方法。构建振动信号多域高维特征集,并采用综合评价指标初步筛选敏感性好、趋势性强的性能退化指标;采用核主成分分析(kernel principal component analysis,KPCA)方法消除多域特征之间的冗余信息,并实现基于CAE网络的健康指标构建;在此基础上,构建基于TCN的性能退化预测模型,采用直接多步预测实现退化趋势预测,并利用轴承公用数据集验证方法的有效性。结果表明:采用KPCA可以将特征集从14维降至4维,且保留了原优选特征集97.63%的信息;基于CAE网络构建健康指标的方法是有效的,所构建的健康指标随时间的变化历程能真实反映轴承性能的退化过程,且该方法相较于自编码网络(auto-encoding,AE)和高斯混合模型(Gaussian mixure model,GMM)两种常用的健康指标构建方法具有明显优势;基于TCN算法构建的模型能准确预测轴承的性能退化,该模型相较于基于长短时记忆(long short-term memory,LSTM)网络和基于门控循环单元(gated recurrent unit,GRU)等构建的预测模型性能更好,预测精度更高,预测步长为3时的均方根误差和平均绝对误差分别为0.0257和0.0187;该方法具有普遍意义,可推广应用于其它机械装备/零部件的性能退化趋势预测。     

基于变量选择的电站燃煤锅炉NO_(x)排放浓度预估北大核心CSCD

针对电站燃煤锅炉NOx排放浓度存在测量迟延的情况,提出了基于互信息和长短期记忆神经网络相结合的电站燃煤锅炉NO_(x)排放浓度预测模型。首先,利用互信息计算出候选输入变量与输出变量NO_(x)浓度之间的延迟时间,并引入最大相关最小冗余算法,筛选出最优特征子集,将最优特征子集作为LSTM模型的输入,建立了锅炉NO_(x)排放浓度预测模型。仿真结果表明,所建模型的测试集均方根误差为4.626 mg/m^(3),平均绝对误差为3.836 mg/m^(3),与未经变量选择和未考虑时延的LSTM模型相比,预测精度显著提高。