桁架节点位移预测方法、设备和存储介质

摘要: 本技术涉及结构工程与人工智能,尤其涉及桁架节点位移预测方法、设备和存储介质。背景技术:1、桁架结构因其自重轻、承载能力强、跨越能力大等优点,被广泛应用于大跨桥梁...
桁架节点位移预测方法、设备和存储介质

本技术涉及结构工程与人工智能,尤其涉及桁架节点位移预测方法、设备和存储介质。

背景技术:

1、桁架结构因其自重轻、承载能力强、跨越能力大等优点,被广泛应用于大跨桥梁、体育馆、会展中心、机场航站楼等大型基础设施中。在桁架结构的设计与优化过程中,节点位移计算是评估结构刚度、验证设计合理性的关键环节,需要一种对桁架结构的节点位移进行预测的方法。因此,图神经网络因其独特的图结构数据能天然保留建筑结构中拓扑连接关系,被逐步引入结构工程领域进行桁架节点位移的分析。

2、目前基于图像神经网络的桁架节点位移预测通常将桁架结构表示为图数据,利用图卷积网络或图注意力网络进行消息传递,实现结构响应的预测。然而,由于传统图神经网络采用逐层邻居聚合的消息传递机制,信息沿边逐层传播,在大跨度桁架中相隔距离遥远的节点之间需要堆叠大量网络层才能建立信息交互,使得深层网络中节点特征趋于一致,丧失区分度,从而影响桁架位移预测的准确度。

技术实现思路

1、本技术的主要目的在于提供一种桁架节点位移预测方法、设备和存储介质,旨在解决目前方法影响桁架位移预测的准确度的技术问题。

2、为实现上述目的,本技术提出一种桁架节点位移预测方法,所述的方法包括:

3、获取待预测桁架的结构信息;

4、基于所述结构信息,将所述待预测桁架转换为以节点和构件为基本单元的图数据;

5、将所述图数据输入到预设的位移预测模型中,得到所述待预测桁架的节点位移,其中,所述位移预测模型包括全局多头自注意力层,所述全局多头自注意力层用于基于节点之间的注意力权重,对所述图数据中的节点信息直接进行加权融合。

6、在一实施例中,所述将所述图数据输入到预设的位移预测模型中,得到所述待预测桁架的节点位移的步骤之前,还包括:

7、对桁架结构进行参数化建模和有限元分析,得到建模后的桁架样本和相应样本的节点位移标签;

8、基于所述桁架结构,将所述桁架样本转换为以节点和构件为基本单元的图数据;

9、将所述图数据输入到预设的待训练模型中,得到节点位移预测值;

10、基于所述节点位移预测值和相应的所述节点位移标签,对所述待训练模型进行训练,得到所述位移预测模型。

11、在一实施例中,所述对桁架结构进行参数化建模和有限元分析,得到建模后的桁架样本和相应样本的节点位移标签的步骤,包括:

12、基于预设的结构参数取值范围,生成桁架的初始参数组合;

13、基于预设的工程约束条件,对所述初始参数组合进行筛选,得到筛选参数组合;

14、对所述筛选参数组合和所述初始参数组合进行采样,得到采样参数组合;

15、对所述采样参数组合进行有限元建模,得到建模后的所述桁架样本;

16、对所述桁架样本进行有限元分析,得到所述节点位移标签。

17、在一实施例中,所述筛选参数组合中的参数包括桁架总跨度和桁架构件的截面类型,工程约束条件包括桁架总跨度约束,所述对所述筛选参数组合和所述初始参数组合进行采样,得到采样参数组合的步骤,包括:

18、从所述筛选参数组合中,对每种所述截面类型分层采样预设第一数量的参数组合,得到第一参数组合;

19、从所述初始参数组合中,在所述桁架总跨度约束外,分层采样预设第二数量的参数组合,得到第二参数组合,其中,所述第二参数组合符合所述工程约束条件中所述桁架总跨度约束之外的约束;

20、综合所述第一参数组合和所述第二参数组合,得到所述采样参数组合。

21、在一实施例中,所述节点位移预测值包括纵向位移预测值和竖向位移预测值,所述将所述图数据输入到预设的待训练模型中,得到节点位移预测值的步骤,包括:

22、基于所述待训练模型中的特征融合模块,将所述节点和所述构件的特征向量进行融合,得到各所述节点的融合特征向量;

23、基于所述全局多头自注意力层和所述融合特征向量,将各所述节点的特征向量直接进行加权融合,得到各所述节点的加权特征向量;

24、分别基于所述待训练模型中的纵向位移解码器和竖向位移解码器,将所述加权特征向量解码为所述纵向位移解码器对应的所述纵向位移预测值,和所述竖向位移解码器对应的所述竖向位移预测值。

25、在一实施例中,所述基于所述待训练模型中的特征融合模块,将所述节点和所述构件的特征向量进行融合,得到各所述节点的融合特征向量的步骤,还包括:

26、对于所述图数据中的每个待融合节点,基于所述特征融合模块,将所述待融合节点的特征向量与所述待融合节点相连的所述构件的特征向量拼接融合,得到各所述节点的初始融合向量;

27、判断所述初始融合向量的维度是否小于预设的最大特征维度;

28、若小于所述最大特征维度,则基于预设填充值,对相应的所述初始融合向量进行填充,直至所述初始融合向量的维度达到所述最大特征维度,得到所述融合特征向量。

29、在一实施例中,所述基于所述全局多头自注意力层和所述融合特征向量,将各所述节点的特征向量直接进行加权融合,得到各所述节点的加权特征向量的步骤,包括:

30、基于所述全局多头自注意力层,将所述融合特征向量映射为各所述节点的查询向量、键向量和值向量;

31、基于所述查询向量、所述键向量和所述值向量,确定各所述节点之间的注意力权重;

32、对于所述图数据中的每个待更新节点,基于各所述节点之间注意力权重,将所述待更新节点的值向量,与所述待更新节点之外节点的值向量直接进行加权融合,得到各所述节点的加权特征向量。

33、在一实施例中,所述基于所述桁架结构,将所述桁架样本转换为以节点和构件为基本单元的图数据的步骤,包括:

34、基于所述桁架结构,确定所述桁架样本的连接点、构件和拓扑连接关系;

35、将所述连接点作为所述图数据的节点,基于所述连接点的连接点参数,确定所述节点的节点特征向量,其中,所述连接点参数包括节间数、跨中深度、上弦杆坡度、跨度、节点坐标、节点等效质量、边界条件和三向荷载;

36、将所述构件作为所述图数据的边,基于所述构件的构件参数,确定所述边的边特征向量,其中,所述构件参数包括构件长度、水平面夹角、z轴惯性矩、截面积和端部约束条件;

37、将所述拓扑连接关系转换为相应的邻接矩阵;

38、基于所述节点、所述节点特征向量、所述边、所述边特征向量和邻接矩阵,确定所述图数据。

39、此外,为实现上述目的,本技术还提出一种桁架节点位移预测设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序配置为实现如上文所述的桁架节点位移预测方法的步骤。

40、此外,为实现上述目的,本技术还提出一种存储介质,所述存储介质为计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上文所述的桁架节点位移预测方法的步骤。

41、本技术提出的一个或多个技术方案,至少具有以下技术效果:

42、由于传统图神经网络采用逐层邻居聚合的消息传递机制,信息沿边逐层传播,在大跨度桁架中相隔距离遥远的节点之间需要堆叠大量网络层才能建立信息交互,使得深层网络中节点特征趋于一致,丧失区分度,影响桁架位移预测的准确度。因此,本技术获取待预测桁架的结构信息,基于所述结构信息,将所述待预测桁架转换为以节点和构件为基本单元的图数据,将所述图数据输入到预设的位移预测模型中,得到所述待预测桁架的节点位移。

43、由于本技术的位移预测模型包括全局多头自注意力层,可以通过全局多头自注意力层直接对所述图数据中的节点信息进行加权融合。也即,本技术通过全局多头自注意力机制替代传统图神经网络的逐层邻居聚合,使得每个节点可与图中所有其他节点直接进行信息交互,从而仅需少量网络层即可捕捉桁架结构中任意远端节点之间的长程依赖关系,避免深层网络中节点特征趋于一致,丧失区分度,从而提升桁架位移预测的准确度。