(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 202111395183.8 (22)申请日 2021.11.23 (71)申请人 武汉大通工程建 设有限公司 地址 430000 湖北省武汉市汉阳区鹦鹉大 道498号 (72)发明人 张艳君　薛维龙　沈平　丁德平　 高博　杨幼江　郭安辉　朱禧　 邓峰　邵玉刚　华志金　 (74)专利代理 机构 武汉红观 专利代理事务所 (普通合伙) 42247 代理人 曾国辉 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 50/08(2012.01) (54)发明名称 基于优化深度多储 备池ESN模型的桥墩沉降 预测方法及系统 (57)摘要 本发明提供了一种基于优化深度多储备池 ESN模型的桥墩沉降预测方法及系统， 该方法包 括： 利用光纤光栅作为传感器， 采集桥墩沉降变 形数据并作为样本数据集； 建立深度多储备池回 声状态网络预测模型并使用样本数据集进行训 练； 利用阿基米德优化算法对深度多储备池回声 状态网络 预测模型进行超参数优化， 根据超参数 优化结果重新训练， 最终生 成用来预测的深度多 储备池回声状态网络预测模型。 本发 明利用柔性 杆上分布的光纤光栅传感器测量其表 面的应变， 从而获取用于模 型预测的时间序列数据， 其测量 结果准确、 灵敏度高， 实现了桥墩沉降的在线监 测； 避免了传统的深度多储备池ESN算法可能带 来的局部最优的问题， 实现对桥墩沉降的精准预 测。 权利要求书5页 说明书14页 附图8页 CN 114169046 A 2022.03.11 CN 114169046 A 1.一种基于优化深度多储备池ESN模型的桥墩沉降预测方法， 其特征在于， 所述方法包 括： S1， 利用光纤光栅传感器， 采集桥墩沉降变形数据， 将桥墩沉降变形数据归一化作为样 本数据集； S2， 建立深度多储备池回声状态网络预测模型， 使用样本数据集训练深度多储备池回 声状态网络预测模型； S3， 利用阿基米德优化算法对深度多储备池回声状态网络预测模型进行超参数优化， 根据超参数优化结果重新训练， 最终生成用来预测的深度多储备池回声状态网络预测模 型； S4， 通过最终生成的深度多储备池回声状态网络预测模型对桥墩沉降进行预测， 得到 预测结果。 2.如权利要求1所述的一种基于优化深度多储备池ESN模型的桥墩沉降预测方法， 其特 征在于， 步骤S1具体包括： 将五个光纤光栅测量结构均匀埋设在桥墩底部与地面衔接的一 面， 所述光纤光栅测 量结构由一根柔性杆和若干光纤光栅传感器组成， 将若干光纤光栅按 等间隔的距离布置于柔性杆上， 根据柔性杆上分布的光纤光栅传感器测量其表面的应变分 布， 计算出每根 柔性杆沉降量， 取平均值， 即为 桥墩沉降量。 3.如权利要求2所述的一种基于优化深度多储备池ESN模型的桥墩沉降预测方法， 其特 征在于， 所述根据柔性杆上分布的光纤光栅传感器测 量其表面的应变分布， 计算出每根柔 性杆沉降量具体包括： 将柔性杆划分为n个单元梁， 柔性杆的两端固定后作为绝对位置， 将 其中一端作为固定端， 当柔性杆弯曲时， 推导出非固定端的挠度位移与柔性杆表面应变之 间的关系式， 从而计算出柔 性杆的沉降量， 其推导过程包括： 将第一段单元梁作为分析对象， 计算第一段单元梁上距离固定端x处的表面应力σx， 其 表达式为 其中， Mx为单元梁的弯矩， R1为计算点到中性层的距离， Iy为单元梁的惯性矩， F为单元 梁所受到的作用力， L为单元梁的长度， R为单元梁表 面到中性层的距离， 此 处即为柔性杆的 半径； 根据x处的表面应力推导出x处应 变 εx， 其表达式为 其中， E为弹性模量； 计算第一段 单元梁上距离固定端x处的挠度的二阶导ωx”， 其表达式为 对所述挠度的二阶导ωx”进行一次积分， 计算出第一段单元梁上距离固定端x处的转角 θx， 其表达式为权　利　要　求　书 1/5 页 2 CN 114169046 A 2其中， C1为常数； 对所述挠度的二阶导ωx”进行两次积分， 计算出第一段单元梁上距离固定端x处的挠度 ωx， 其表达式为 其中， C2为常数； 当x为固定端即x＝0时， θx＝0， ωx＝0， 代入二者的上述表达式， 可以得出C1＝C2＝0， 可 得出： 将每段单元梁相 对于前一段单元梁的转角称为端部转角， 单元梁的端部转角 θi的表达 式为 根据上述推导计算出每段单元梁相对于水平位置的挠度位移量和转角， 进而计算出柔 性杆前n段单元梁的挠度和， 即为单个柔 性杆的沉降量， 其计算公式为 4.如权利要求1所述的一种基于优化深度多储备池ESN模型， 其特征在于， 步骤S2中建 立深度多储备池回声状态网络预测模型具体包括： 设深度多储备池回声状态网络预测模型 有M个输入神经元、 Z个状态储备池和L个输出神经元， 在每个状态储备池中有相同的N个神 经元， 在时间t时， 该网络的输入层表示为x(t)＝[x1(t),…,xM(t)]T， 输出层表示为y(t)＝ [y1(t),…,yL(t)]T， 而状态储备池表示为n(t)＝[n1(t),…,nZ(t)]， 其中nz(t)＝(nz1, nz2,…,nzM)， z＝1,2, …,Z； 输入层权重、 状态储备池中第z个储备池的内部连接权重、 状态储备池中第1个到第z个 储备池的外 部连接权重分别表示 为： Win∈RN×M、 Wlres∈RN×N、 输出层连接权重存在于一个L ×ZN的矩阵Wout中， 深度多储备池回声状态网络的状态储 备池中的各储备池根据以下公式进行 更新： 上述等式可概 括为：权　利　要　求　书 2/5 页 3 CN 114169046 A 3