(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111665478.2 (22)申请日 2021.12.31 (71)申请人 福州大学 地址 362251 福建省泉州市晋 江市金井镇 水城路1号福州大 学晋江科教园 (72)发明人 方圣恩　谭佳丽　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 代理人 郭东亮　蔡学俊 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06F 30/13(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 111/08(2020.01) G06F 119/02(2020.01) G06F 119/14(2020.01) (54)发明名称 深度神经网络和贝叶斯网络耦合建网的结 构安全评估方法 (57)摘要 本发明提出深度神经网络和贝叶斯网络耦 合建网的结构安全评估方法， 包括以下步骤； 步 骤S1： 对土木结构各DNN ‑HBN耦合网节点进行编 号； 首先对外荷载及各构件响应进行编号， 其变 量类型为连续型； 再为各构 件响应节 点和荷载节 点设置离散隐藏节点， 并设置离散的BN体系节 点， 其具有 “安全”和“失效”两种状态， 状态概率 之和为1； 步骤S2： 通过有限元模型计算生成样本 库； 步骤S3： 定义结合DNN和HBN的耦 合网拓扑； 步 骤S4： 同步进行DNN的训练和HBN的参数学习， 得 到DNN‑HBN耦合网； 步骤S5： 有 监测证据输入耦 合 网时， 对土木结构 的体系状态概率进行推理， 以 推理得到的失效概率作为结构安全评估的依据； 本发明可在不完备监测证据下推理得到复杂结 构体系的失效概 率。 权利要求书2页 说明书5页 附图2页 CN 114330069 A 2022.04.12 CN 114330069 A 1.深度神经网络和贝叶斯网络耦合建网的结构安全评估方法， 用于土木结构， 通过深 度神经网络DN N和贝叶斯网络 HBN耦合建网进行， 其特 征在于： 所述方法包括以下步骤； 步骤S1： 对土木结构各DNN ‑HBN耦合网节点进行编号； 首先对外荷载及各构件响应进行 编号， 其变量类型为连续型； 再为各构件响应节 点和荷载节 点设置离散隐藏节 点， 并设置离 散的BN体系节点， 其具有 “安全”和“失效”两种状态， 状态概 率之和为1； 步骤S2： 通过有限元模型计算 生成样本库； 步骤S3： 定义结合DN N和HBN的耦合网拓扑； 步骤S4： 同步进行DN N的训练和HBN的参数 学习， 得到DN N‑HBN耦合网； 步骤S5： 有监测证据输入耦合网时， 对土木结构的体系状态概率进行推理， 以推理得到 的失效概 率作为结构安全评估的依据。 2.根据权利要求1所述的深度神经网络和贝叶斯网络耦合建网的结构安全评估方法， 其特征在于： 步骤S1中， 分别对离散隐藏节点、 离散的BN体系节点进行编号， 作为后续拓扑 定义及数据存储的统一规则， 其中DNN的输入输出层神经元为编号共用的HBN的顶层父节 点。 3.根据权利要求1所述的深度神经网络和贝叶斯网络耦合建网的结构安全评估方法， 其特征在于： 步骤S2中， 在生成样本库时， 结合土木结构的外荷载、 构件材料、 几何尺寸、 边 界与连接条件的不确定性来定义相应参数的概率分布， 同时预测土木结构的受力工况以提 升样本的囊括性， 并进 行蒙特卡洛抽样， 将n组参数样本逐一代入结构有限元模 型中计算各 样本对应的构件响应， 结合此刻体系的安全状态及外荷载， 形成包含n组DNN训练及HBN的参 数学习样本的样本库。 4.根据权利要求1所述的深度神经网络和贝叶斯网络耦合建网的结构安全评估方法， 其特征在于： 所述 步骤S3包括以下步骤； 步骤S3‑1： DNN拓扑定义： 首先， 将被监测构件节点作为DNN的输入层神经元， 其余构件 节点及荷载节点作为输出层神经元； 随后通过多层隐含层建立输入和输出层 间联系， 层与 层之间的神经元为全 连接； 隐藏层激活函数采用ReLU函数， 输出层激活函数采用Sigmoid函 数； 所述深层隐藏层加入Dropout机制， 随机屏蔽预设数量的神经 元， 以缓解过拟合现象。 步骤S3‑2： HBN拓扑定义： 首先将DNN的输入、 输出层神经元均作为HBN的顶层 父节点； 接 着， 为HBN顶层父节点设置相应的隐藏离散子节点， 达到对连续变量离散化的目的； 然后提 出结合子结构的拓扑优化方法， 具体为： 根据结构的形式， 将各构件进行分组， 每组表示一 个子结构， 并设置一个表示子结构安全性能的节点作 为连接节点HS1,HS2,…,HSi,…,HSh， 将 各组中构件节点的离散隐藏节点指向表示子结构的连接节点HS1,HS2,…,HSi,…,HSh； 最后将 所有连接节点指向体系节点， 表示结构 中所有构件的响应变化均会影响子结构安全性能， 进而影响体系的安全性能。 5.根据权利要求1所述的深度神经网络和贝叶斯网络耦合建网的结构安全评估方法， 其特征在于： 步骤S4中， 首先， 对荷载及构件响应样本进行归一化， 作为DNN的训练样本， 随 后通过小批量梯度下降算法对DNN进 行训练， 得到各神经元间的权重和偏 置； 通过样 本中的 荷载、 构件响应和体系状态来对HBN节点间的条件概率进 行参数学习， 得到索离散隐藏节 点 Logistic函数中的参数， 以及连接节点和体系节点的条件概率表， 最终得到DNN ‑HBN耦合 网。权　利　要　求　书 1/2 页 2 CN 114330069 A 26.根据权利要求1所述的深度神经网络和贝叶斯网络耦合建网的结构安全评估方法， 其特征在于： 步骤S 5中， 当土木结构的结构健康监测系统监测到已知构件响应后， 将监测证 据归一化后输入DNN的输入层神经元， 通过前向传播算法对输出层各神经元进 行推理， 随后 进行反归一化以得到其余构件响应以及荷载的预测值； 然后将所得到的DNN的输入输出层 神经元变量作为HBN模型的已知证据， 对结构体系的状态概率进 行推理， 以推理得到的失效 概率作为结构安全评估的依据。 7.根据权利要求6所述的深度神经网络和贝叶斯网络耦合建网的结构安全评估方法， 其特征在于： 所述DN N的输出层各神经 元在步骤S3中可视同为HBN的顶层父节点。 8.根据权利要求4所述的深度神经网络和贝叶斯网络耦合建网的结构安全评估方法， 其特征在于： 所述步骤S3 ‑1中， 所述深层隐藏层加 入Dropout机制， 并随机屏蔽30％的神经 元以缓解过拟合现象。权　利　要　求　书 2/2 页 3 CN 114330069 A 3