本發明涉及土木工程結構健康監測，具體涉及一種基于gnn與gru的橋梁結構時變火災響應預測方法及系統。

背景技術：

1、橋梁健康監測技術可以通過監測數據進行橋梁火災安全的快速評估，從而為搶險救災、人員疏散、災后快速評估等工作提供有力支撐。許多重要的橋梁、隧道等也都安裝了溫度傳感器來監測火災溫度變化，但這些溫度傳感器不僅比較稀疏，而且僅能測出空氣中的溫度變化，難以直接得到結構內部的熱傳導和力學響應。因此，在橋梁健康監測工程中，仍需要將傳感器數據作為熱邊界，通過數值分析軟件計算結構在火災持續時間內的熱、力響應，但鑒于時變的邊界溫度非平穩、火災時間長等原因，傳統的數值計算方法需要大量的步進與迭代，進而導致了收斂困難、計算效率低等問題。

2、因此，有必要研發橋梁在非平穩的時變火災中結構響應（溫度、位移、應力）快速預測的方法，使得橋梁結構的時序熱、力響應數據能夠為極端高溫場景下的結構安全性能評估和應急處置提供支撐。基于神經網絡的代理預測模型可以在一定程度上模擬真實結構在火災下的溫度時空分布和力學響應，從而在現場傳感器或仿真模擬得到的火災空氣溫度數據的支持下，快速預測橋梁結構的火災響應。

3、由于熱傳導方程、熱位移公式等都涉及偏微分方程的求解，因此傳統火災響應計算是基于有限單元法（fem）的。傳統計算方法首先利用計算流體力學（cfd）軟件、技術規范中的升溫曲線或溫度傳感器數據得到時變的空氣熱對流、熱輻射溫度，然后將其作為fem熱傳導計算的輸入計算個節點的時序溫度；為了計算指定多個時步上結構應力和位移，需要將這些時步上結構溫度場一一輸入靜力分析模型進行計算。這種fem的熱力先后分別計算的方法被稱為順序熱力耦合方法。雖然數值計算的結果較好地擬合了真實數據，但是涉及到多模型的獨立計算，操作繁瑣，熱傳導的步進迭代和靜力計算的非線性都導致了計算速度緩慢，且需占用大量的存儲空間和計算資源，難以達到在突發火災情況下實時計算、快速預測的監測目標。

4、近年來，隨著人工智能的發展，利用機器學習開發傳統數值計算方法的代理模型成為解決上述困難的一種新穎方法。基于簡單的人工神經網絡（ann）、卷積神經網絡（cnn）以及其他一些簡單的機器學習算法，可以實現在給定某時刻溫度邊界下預測單步的熱應力與熱變形。在火災邊界溫度隨時間變化的情況下，對于結構中的少數關鍵節點的力學響應（如框架結構梁跨中豎向位移），可以將火災曲線作為支持向量機（svm）、隨機森林（rf）和長短期記憶網絡（lstm）等算法的輸入，單獨預測各節點上的時序響應。但這些方法對具有較多節點的復雜大型結構難以起效，訓練需要大量樣本，且缺乏對物理過程的可解釋性。

5、圖神經網絡（gnn）作為近年來新興的網絡架構，由于其能充分利用鄰接節點獲取全局信息，已經在開發結構健康監測代理模型領域有了許多應用，在預測地震響應、混凝土開裂和流體運動上都極大提升了計算效率和精度。但是在預測結構火災響應領域，gnn僅能在非時變的前提下預測結構的熱傳導、熱應力和熱變形，難以在非平穩的時變火災曲線下進行準確的多步響應預測。

技術實現思路

1、為解決現有技術難以分析火災中時變熱邊界下的結構熱、力響應的問題，作為本發明的第一方面，本發明提供一種基于gnn與gru的橋梁結構時變火災響應預測方法，包括以下步驟：

2、s1.?建立待測橋梁結構的fem模型,并隨機生成火災曲線；將火災曲線作為橋梁結構fem熱力耦合模型的輸入，生成數據集；

3、s2.根據fem模型建立圖結構，步驟如下：

4、選定fem模型中受災嚴重區域；

5、將選定的受災嚴重子區域中的fem模型節點映射為圖結構的節點；

6、將fem模型子區域中的邊映射為圖結構的邊；

7、在圖結構節點中嵌入用于溫度預測、應力預測和位移預測的靜態特征以及動態特征；

8、s3.gnn和gru的組合模型構建及訓練：

9、構建消息傳遞層，gnn負責空間信息傳遞，gru負責時間信息傳遞；

10、利用gnn+gru的消息傳遞公式模擬熱傳導公式；

11、接收來自圖結構的包括溫度、應力、位移預測特征的節點輸入向量；

12、根據溫度、應力、位移預測目標，設置輸出層對應的時序數據；

13、采用均方誤差作為損失函數進行反向傳播對溫度、應力、位移預測的gnn+gru網絡分開訓練；

14、s4.待測橋梁結構遭遇火情時，將時變火災溫度數據輸入到著火節點的特征中，并將橋梁幾何與約束信息的特征，一起輸入至訓練好的模型中，獲取待測橋梁結構的火災響應情況。

15、進一步地，s1中所述火災曲線依據現有的技術規范生成，所述火災曲線都有上升段和平穩段，部分曲線有下降段，同時保證所有曲線的平穩段具有一定的波動性；所述火災曲線包含作為fem熱傳導計算的時變輻射溫度和對流溫度，其中。

16、進一步地，s1中所述生成數據集的具體方法為：隨機挑選fem模型中的火災區域，施加輻射溫度和對流溫度作為熱載荷，按照順序熱力耦合的方法批量生成數據集，所述數據集包括：節點溫度、節點位移和等效節點應力。

17、進一步地，s2中靜態特征包括：節點距離著火中心的三維距離、節點距離最近斜拉索錨固點的二維距離、節點距離最近簡支邊的長方向一維距離、自重作用下的初始應力與位移、區分特殊力學節點和普通節點的多標簽編碼；所述特殊力學節點包括：斜拉索錨固點、橋主梁上下翼緣與腹板相連的節點、位于主梁簡支邊的節點。

18、進一步地，s3中gru構建的方法為：

19、通過公式計算重置門信息：

20、（3）

21、式中，是重置矩陣，是重置門的權重矩陣，是輸入到重置門的權重矩陣,表示前一時刻，即第步的隱狀態，表示一個激活函數（通常是sigmoid函數），表示當前時刻，即第步的輸入向量；

22、通過公式計算更新門信息:

23、(4)

24、式中，是更新矩陣，是更新門的權重矩陣，是輸入到更新門的權重矩陣,表示前一時刻，即第步的隱狀態，表示一個激活函數（通常是sigmoid函數），表示當前時刻，即第步的輸入向量；

25、通過公式計算候選隱藏狀態:

26、(5)

27、式中，是候選隱藏狀態矩陣，表示矩陣的逐元素乘積，即哈達瑪積，是候選隱藏狀態的權重矩陣，是輸入到候選隱藏狀態的權重矩陣；

28、隱狀態更新：第時刻的隱藏狀態可由下式計算得到：

29、(6)

30、式中，為更新門計算得到的更新權重因子，將為前一時刻隱狀態，為候選隱藏狀態進行加權求和，為當前時刻的隱狀態。

31、進一步地，s3中gnn+gru的消息傳遞公式推導方法為：

32、把看作是一個封裝好的函數，前一個時步的隱狀態和當前時步的輸入，則和可由下面二式算得：

33、(7)

34、(8)

35、gnn+gru的消息傳遞公式綜合地寫為：

36、(9)

37、式中，表示第時步的隱狀態，表示第時步的隱狀態，為非線性激活函數relu，為第時步上的gnn消息傳遞權重矩陣，表示的鄰接節節點的隱狀態，表示非線性操作，表示目標節點自身的隱層表示，表示第時步上的輸入；

38、式中，節點隱狀態先經過gnn的空間信息傳遞，再經過gru的時間信息傳遞，最終更新到下一個時步的。

39、進一步地，s3中均方誤差計算方法為：

40、均方誤差作為損失函數來衡量網絡預測結果與真實值之間的差異:

41、??（1）

42、式中，表示均方誤差損失函數，是fem計算出的結果，是gnn+gru網絡預測出的溫度、應力或位移，是圖結構中節點的總數。

43、進一步地，s4中獲取待測橋梁結構的火災響應情況包括：精確的溫度、應力與變形的時序數據。

44、作為本發明的第二方面，還涉及一種基于gnn與gru的橋梁結構時變火災響應預測系統，包括：

45、數據生成單元，用于建立待測橋梁結構的fem模型,并隨機生成火災曲線；將火災曲線與橋梁結構fem模型相耦合，生成數據集；

46、圖結構與特征嵌入單元，用于根據fem模型建立圖結構：選定fem模型中受災嚴重區域；將選定的受災嚴重子區域中的fem模型節點映射為圖結構的節點；將fem模型子區域中的邊映射為圖結構的邊；在圖結構節點中嵌入用于溫度預測、應力預測和位移預測的特征；

47、gnn與gru構建及訓練單元，用于gnn和gru的組合模型構建及訓練：構建消息傳遞層，gnn負責空間信息傳遞，gru負責時間信息傳遞；接收來自圖結構的包括溫度、應力、位移預測特征的節點輸入向量；根據溫度、應力、位移預測目標，設置輸出層對應的時序數據；采用均方誤差作為損失函數進行反向傳播對溫度、應力、位移預測的gnn+gru網絡分開訓練；

48、火災響應預測與效率評估單元，用于待測橋梁結構遭遇火情時，將時變火災溫度數據輸入到著火節點的特征中，并將橋梁幾何與約束信息的特征，一起輸入至訓練好的模型中，獲取待測橋梁結構的火災響應情況。

49、作為本發明的第三方面，還涉及一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執行上述用于基于gnn與gru的橋梁結構時變火災響應預測方法。

50、總體而言，通過本發明所構思的以上技術方案與現有技術相比，能夠取得下列有益效果：

51、1.本發明的橋梁結構時變火災響應快速預測方法，通過引入gru有效解決了傳統gnn代理模型在長序列非平穩時變火災曲線下預測不準確的問題，能夠更加精準地預測橋梁結構在火災中的溫度、應力與變形時序數據，使預測結果更貼合實際情況，為橋梁火災安全評估提供可靠依據。

52、2.本發明的橋梁結構時變火災響應快速預測方法，通過gnn?+?gru?的空間時間雙重消息傳遞公式模擬熱傳導公式，使得網絡的運行邏輯與物理過程緊密相連，相較于傳統的黑箱式機器學習模型，本發明的模型在物理過程可解釋性方面有極大提升，便于專業人員理解與優化模型，也有助于在工程應用中更好地依據模型結果進行決策。

53、3.本發明的橋梁結構時變火災響應快速預測方法，通過在應力預測和位移預測環節，直接采用時變火災溫度數據代替由溫度預測模型計算出的節點溫度作為輸入，成功繞過了因中間計算環節可能產生的一步累積誤差，進一步提高了應力與位移預測的精度，保障了整個預測系統的準確性與可靠性。