基于LSTM-SSA-BDLM的桥梁结构变形性能动态预测与预警OA北大核心

掌握桥梁结构预期行为可以提早识别潜在的结构问题或失效模式。提出了一种新型的基于长短期记忆网络(LSTM)的桥梁结构性能动态预测框架。研究采用Block Maxima(BM)方法从每小时监测数据中提取挠度极值,作为评估桥梁安全性能的关键指标。该方法通过对具有周期性的挠度极值序列进行滑动窗口LSTM预测,结合奇异谱分析(SSA)和考虑误差更新的贝叶斯动态线性模型(BDLM),有效地提取了由环境因素引起的长期趋势和周期性挠度变化。这一过程有效降低了噪声的影响,同时保留了车辆荷载效应的关键信息。在实际工程案例中的三组监测数据应用表明,该方法在预测精度上相较于滑动窗口LSTM和BDLM方法有显著提升。此外,还提出了一种基于极值理论的动态预警阈值设定方法,有效避免了静态预警指标的局限性,并利用预测结果的置信区间实现了提前预警。