基于残差自适应采样物理信息图神经网络的索力识别方法

本发明涉及桥梁健康监测，特别涉及一种基于残差自适应采样物理信息图神经网络的索力识别方法。

背景技术：

1、拉索是缆索承重桥梁的主要受力构件，其受力状态是评估桥梁健康状态的重要指标。准确测量拉索的索力对于保障桥梁在施工阶段和运营期间的结构安全至关重要。

2、目前，工程中常用的索力测量方法包括油压表法、压力传感器法、磁通量法和频率法。虽然这些方法在实际工程得到了应用，但它们各自存在一定的局限性。油压表法和压力传感器法虽然能够提供较为准确的索力测量，但其高昂的成本和复杂的安装工艺，使其主要适用于施工阶段的索力测量。磁通量法通过索力与磁通量变化之间的关系来估算索力，具有较高的精度和稳定性，然而该方法的应用受到校准过程复杂、需要根据拉索直径定制电磁传感器等因素的限制。频率法因其低成本和操作简单，已在实际工程中得到广泛应用，但其精度容易受到边界条件、抗弯刚度以及有效长度等因素的影响，从而限制了其在复杂工况中的适用性。

3、近年来，物理信息神经网络(physics-informed neural network，pinn)的快速发展为拉索索力识别提供了新途径。该方法将拉索振动控制微分方程作为物理约束嵌入神经网络，并将索力设置为可训练参数，通过优化网络权重和拉索索力，使神经网络在拟合实测振动位移的同时满足拉索振动的物理规律。然而，现有基于pinn的拉索索力计算方法通常在训练前采用均匀或随机方式设置采样点，并在训练过程中保持采样点的位置和数量不变，未能充分考虑不同区域对拉索索力计算的敏感性差异，从而限制了拉索索力的计算精度。

技术实现思路

1、本发明的目的在于提供一种基于残差自适应采样物理信息图神经网络的索力识别方法，以解决上述的问题。

2、1、为实现上述目的，本发明提供如下技术方案：基于残差自适应采样物理信息图神经网络的索力识别方法，具体步骤如下：

3、s1、获取拉索的振动视频并对视频图像进行预处理；

4、s2、基于奇异值分解增强相位光流法从视频中提取拉索的像素位移，利用比例因子法将像素位移转化为物理位移，通过预处理获取拉索不同位置处的横向振动位移，并利用拉索的横向振动位移建立训练数据集，作为s3中pi-gnn模型的训练输入；

5、s3、根据拉索振动控制微分方程构建嵌入待计算拉索索力的pi-gnn模型，以s2中利用拉索的横向振动位移建立训练数据集为输入，输入至pi-gnn模型输出拉索各节点的横向振动位移预测值；

6、s4、计算各采样点的物理方程残差，并通过自动微分求解物理方程残差关于拉索索力的偏导数，将物理方程残差的绝对值与拉索索力敏感度的乘积定义为拉索索力敏感残差评价指标；

7、s5、基于pi-gnn模型的全部可训练参数和拉索索力，依次计算各候选采样点对应的拉索索力敏感残差评价指标，并按照由大到小排序；选取排序靠前的个候选采样点作为新增采样点，同时，按照预设比例剔除训练集中较小的采样点，剔除比例的取值范围为5%～10%，且以控制训练集规模持续增加，以完成采样点的自动更新与剔除；

8、完成采样点的自动更新与剔除后，根据更新后的节点集合重新构建图结构，并同步更新节点之间的边集合和邻接关系，使各自适应采样周期内的图拓扑与采样点分布相匹配。

9、在pi-gnn模型每完成个训练轮次后触发一次上述自适应采样更新过程，更新直至pi-gnn模型满足预设的收敛条件；

10、s6、构建pi-gnn模型的总损失函数，并进行协同优化，直至总损失趋于收敛；

11、s7、采用多指标协同收敛判定机制判断pi-gnn模型是否满足训练终止条件，并对计算的拉索索力进行量纲还原和可信度校验，最终输出拉索索力计算结果。

12、优选的，s1中对视频图像进行预处理包括裁剪、旋转和缩放，并通过上述预处理对图像序列中噪声进行初步剔除，以排除噪声对拉索振动位移识别的影响。

13、优选的，s2中基于奇异值分解增强相位光流法从视频中提取拉索的振动位移的具体步骤如下：

14、s21、目标区域选取与图像梯度计算：

15、在拉索振动视频的第1帧图像中，沿拉索表面选取包含清晰边缘或纹理特征的矩形区域作为感兴趣区域(region of interest，roi)，对roi的图像灰度函数求横向振动方向的2阶梯度，以增强图像的边缘像素、并抑制图像的背景干扰；

16、s22、基于奇异值分解的自适应复滤波器构造：

17、对拉索振动视频第1帧图像roi内各像素灰度值横向的2阶梯度矩阵进行奇异值分解；

18、其中，最大奇异值对应的主导奇异向量，代表图像行方向上最强、最可靠的纹理变化特征；将该向量作为滤波器的实部，对其进行希尔伯特变换得到相位正交的虚部，两者共同构成一个数据驱动、自适应匹配拉索表面纹理的一维复滤波器；

19、s23、相位计算与拉索振动位移识别：

20、首先将复滤波器与第1帧图像进行卷积，得到第1帧图像的滤波器响应和相位；然后对后续每一帧图像进行卷积运算，得到图像的相位为；图像的空域平移与频域的相位变化相对应；因此，每一帧图像相对于第1帧图像的相位差为，并将相位差转换为像素位移；

21、后通过设定拉索的振幅阈值，自动筛选出roi内对运动最敏感的有效像素，对所有有效像素的像素位移取平均值，得到该roi中心位置处的像素位移；

22、s24、数据后处理与数据集建立：

23、得到拉索的像素位移后，利用比例因子法将像素位移转化为物理位移，并通过预处理获取拉索不同位置处的横向振动位移，利用拉索的横向振动位移建立训练数据集，作为pi-gnn模型的训练输入。

24、优选的s3中构建嵌入待计算拉索索力的pi-gnn模型的具体过程为：

25、首先，将拉索的时空计算域离散为图结构，将其表示为，其中，为节点集合，为边集合；将各训练采样点设置为图节点，并以相应的空间坐标和时间坐标作为节点特征，根据采样点之间的空间距离或时间间隔确定近邻关系并构建边；随后，通过pi-gnn模型的消息传递机制逐层聚合邻域节点信息并更新各节点的隐状态，最终由读出层输出各节点处的拉索横向振动位移的预测值。

26、优选的，所述s4包括：

27、s41、物理残差计算：将pi-gnn模型输出的拉索横向振动位移预测值,代入拉索振动控制微分方程，计算每个训练采样点处的物理残差；

28、s42、拉索索力敏感度计算：利用深度学习模型的自动微分机制，计算各个采样点处的物理残差关于待计算拉索索力的1阶偏导数的绝对值，并将其定义为该点的索力敏感度系数；

29、s43、建立拉索索力敏感残差评价指标：将物理残差绝对值与拉索索力敏感度相乘，构建拉索索力敏感残差评价指标。

30、优选的，s6具体为：

31、构建pi-gnn模型的总损失函数，包括：

32、s61、数据误差损失：计算拉索横向振动位移预测值与实测值之间的均方误差，以确保pi-gnn模型输出的拉索横向振动位移预测值的精度；

33、s62、物理残差损失：计算各采样点上物理残差的均方误差，以确保pi-gnn模型输出的拉索横向振动位移预测值满足拉索振动控制微分方程。

34、s63、边界及正则约束损失：包含边界条件损失、初始条件损失，以及对拉索索力的取值范围约束，将拉索索力限制在实际工程合理的区间内，避免优化过程收敛到负值等物理上不可能的拉索索力值；

35、总损失函数为，

36、；

37、式中，、和分别为数据误差损失、物理残差损失、边界及正则约束损失；、和分别为数据误差损失、物理残差损失、边界及正则约束损失的权重系数；以数据误差损失为基准损失，设置，的取值范围为0.1~10，的取值范围为1~100；在所述取值范围内，以验证数据集上的拉索横向振动位移均方误差最小为准则确定和。优选的，，，。

38、采用adam或l-bfgs优化器，在每一次迭代中同步更新pi-gnn模型的全部可训练参数和拉索索力，直至总损失函数趋于收敛。

39、本发明的技术效果和优点：

40、1. 通过利用物理残差与拉索索力敏感度乘积构建了拉索索力敏感残差评价指标，用于量化不同采样点对拉索索力计算的贡献程度。

41、2. 利用基于拉索索力敏感残差评价指标排序的自适应采样策略在pi-gnn模型训练过程中自动更新采样点，并根据更新后的采样点重构图结构及邻接关系，使新增采样点优先分布于对拉索索力计算贡献最大的区域。

42、3. 在模型内部，将视觉获得的稀疏时空位移点构造成可动态更新的图结构，并通过消息传递聚合不规则近邻信息；拉索索力作为嵌入振动控制方程的全局可训练物理参数，而非网络普通输入或依赖振型/半波长的后处理量，实现无需提取高阶振型的直接索力反演。

43、4. 将较大的节点加入、将较小的节点剔除，并同步重构图邻接关系，使采样资源配置和图内信息传播路径共同围绕索力辨识目标更新，形成区别于固定拓扑pi-gnn模型及普通残差自适应pinn的闭环计算机制。