基于CNN-LSTM混合神经网络的高速铁路地震响应预测.pdf

第 卷 第期湘潭大学学报(自然科学版)V o l N o 年月J o u r n a l o fX i a n g t a nU n i v e r s i t y(N a t u r a l S c i e n c eE d i t i o n)F e b D O I:/j i s s n X 引用格式:张学兵,谢啸楠,王礼,等基于C NN L S TM混合神经网络的高速铁路地震响应预测J湘潭大学学报(自然科学版),():C i t a t i o n:Z HANGX u e b i n g,X I EX i a o n a n,WANGL i,e t a l H i g h s p e e dr a i l w a ys e i s m i c r e s p o n s ep r e d i c t i o nu s i n gC NN L S TMh y b r i dn e u r a l n e t w o r kJJ o u r n a l o fX i a n g t a nU n i v e r s i t y(N a t u r a lS c i e n c eE d i t i o n),():基于C N N L S TM混合神经网络的高速铁路地震响应预测张学兵,谢啸楠,王礼,吴晗(湘潭大学 土木工程学院,湖南 湘潭 )摘要:为了更好地挖掘高速铁路在地震时的响应信息,提高光纤光栅监测的效率及预测精度,该文针对地震响应数据的时序性及非线性的特点,提出卷积神经网络(C NN)和长短期记忆(L S TM)网络的混合神经网络模型预测方法通过在高速铁路简支梁桥上布设准分布式光纤光栅采集地震时轨道板、钢轨、底座板、箱梁的响应数据,在每根光纤上布置个光栅,利用两边光栅的响应数据预测中间点的光栅响应,将采集位置、历史数据及地震波形等信息作为特征图输入利用C NN提取特征,再将提前提取出来的特征数据以时序方式作为L S TM网络的输入数据,最后L S TM网络进行地震应变响应预测实验结果表明,L S TM网络在层时效果最好,C NN L S TM方法具有较高的预测精度,根均平方误差(RRM S E)、平均绝对误差(RMA E)、决定系数(R)分别达到了 、关键词:准分布式光纤光栅;振动台试验;地震响应;卷积神经网络长短期记忆网络混合模型中图分类号:U ;T P 文献标志码:A文章编号:X()H i g h s p e e dr a i l w a ys e i s m i cr e s p o n s ep r e d i c t i o nu s i n gC N N L S TMh y b r i dn e u r a ln e t w o r kZHANGX u e b i n g,X I EX i a o n a n,WANGL i,WU H a n(C o l l e g eo fC i v i lE n g i n e e r i n g,X i a n g t a nU n i v e r s i t y,X i a n g t a n ,C h i n a)A b s t r a c t:T h i sp a p e rp r o p o s e sah y b r i dm o d e lp r e d i c t i o n m e t h o db a s e do nc o n v o l u t i o n a ln e u r a ln e t w o r k(C NN)a n d l o n gs h o r t t e r mm e m o r yn e t w o r k(L S TM)f o r t h e c h a r a c t e r i s t i c so f t i m e s e r i e s a n dn o n l i n e a r i t yo f e a r t h q u a k er e s p o n s ed a t at ob e t t e re x p l o i tt h er e s p o n s ei n f o r m a t i o no fh i g h s p e e dr a i l r o a d sd u r i n gt h ee a r t h q u a k ea n d i m p r o v et h ee f f i c i e n c ya n dp r e d i c t i o na c c u r a c yo ff i b e rg r a t i n gm o n i t o r i n g S e v e ng r a t i n g sa r ea r r a n g e do nt h ef i b e rb yl a y i n gq u a s i d i s t r i b u t e df i b e ro p t i cg r a t i n g so nt h es h a k i n gt a b l eo ft h eh i g h s p e e dr a i l r o a ds i m p l eb e a mt oc o l l e c t t h e r e s p o n s ed a t ao f t h e t r a c kp l a t e,r a i l,b a s ep l a t e,a n db e a md u r i n gt h ee a r t h q u a k e,a n d t h e r e s p o n s ed a t ao f t h e t w os i d eg r a t i n g s a r eu s e d t op r e d i c t t h eg r a t i n g r e s p o n s e o f t h em i d d l ep o i n t,a n dt h ec o n t i n u o u s f e a t u r em a p i sc o n s t r u c t e da s t h e i n p u tb yt h et i m e s l i d i n gw i n d o wo f t h e收稿日期:基金项目:湖南省教育厅重点项目(K );高铁联合基金项目(U )通信作者:张学兵(),男,湖南长沙人,博士,副教授,E m a i l:z h a n g x b c o ma c q u i s i t i o n l o c a t i o n,h i s t o r i c a ld a t a,a n ds e i s m i c T h eC NNi su t i l i z e df i r s tt oe x t r a c tt h ef e a t u r ev e c t o r,w h i c h i s t h e np r o d u c e da n du s e da s t h e i n p u t d a t ao f t h eL S TMn e t w o r k i na t i m e s e r i e s s e q u e n c e,a n du l t i m a t e l y,t h eL S TMn e t w o r k i su s e d f o r p r e d i c t i o n T h e e x p e r i m e n t a l f i n d i n g s r e v e a l t h a t t h eL S TMn e t w o r kp e r f o r m sb e s t a tt h r e el a y e r s,a n dt h eC NN L S TMa p p r o a c hh a sag o o dp r e d i c t i o na c c u r a c yw i t hRRM S E,RMA E,Ra t ,a n d ,r e s p e c t i v e l y K e yw o r d s:q u a s i d i s t r i b u t e df i b e rB r a g gg r a t i n g;t h es h a k e rt e s t;s e i s m i cr e s p o n s e;C NN L S TM h y b r i dn e t w o r km o d e l引言为满足行车安全性和舒适性,高速铁路桥梁梁体与桥墩往往具有较大刚度和较高基频,在地震发生时常受到较大的地震作用,甚至在罕遇地震作用下仍表现出较好的抗震性能无砟轨道为高速铁路简支梁桥提供一定的纵向约束,提高了桥梁整体性,使相邻跨的简支梁成为存在一定耦合的连续结构 C R T S是中国无砟轨道的一种典型的结构形式,针对铁路桥梁比例高、长桥多的特点而设计并先后应用于京津、沪杭、京沪等铁路中 近些年来,中国高速铁路产业发展迅速,在山区的地震断层区、沿海地区的高地震烈度区以及西部地震多发区的建设有所增加为保证行车安全,研究其在地震荷载作用下的桥梁反应具有重要的理论意义和工程实用价值 为研究其抗震性能,Y a n等建立简支梁桥和C R T S 轨道的三维非线性动力学模型,研究了其在不同地震激励强度下的受力和变形特征结果表明,钢轨、轨道板和底板的峰值应力均发生在桥台或锚固件处M o n t e n e g r o等研究出中等烈度地震可能不会对结构造成重大破坏,可以在弹性域分析G u o等人 建立了C R T S轨道结构有限元模型以研究各构件的地震破坏机理,并提出了一种有效的简化桥梁轨道模型模拟轨道结构对桥梁纵向约束的影响L i等 采用概率密度演化法对高速铁路轨桥耦合系统随机地震响应进行了研究,从随机角度评价轨道结构的抗震性能而振动台试验方法可以在实验室准确再现结构相应的地震震动,是抗震试验方法的重要组成部分,J i a n g等 通过对高铁连续梁桥进行试验,研究了不同地震烈度和加载方向对结构地震反应的影响,并分析其损伤状况Y a n g等 在一个/比例的桥梁模型上进行了一系列振动台试验,以研究碰撞对桥梁模型横向地震响应的影响以及橡胶缓冲器的减震效果本文也基于振动台试验研究桥梁地震响应近些年,在现有的基础设施上,使用光纤布拉格光栅(F B G)传感器进行结构健康监测的情况正在逐渐增加W a n g等人 将光纤传感技术应用在沥青路面全尺寸以及多层沥青路面结构性能现场监测中,验证了其良好性能并且基于应变传递分析提高了光纤传感器的耐久性Z h a n g等 利用光纤光栅传感器对非对称钢筋混凝土剪力墙结构在渐进地震荷载作用下的损伤响应进行监测在桥梁方面,L u等 采用外贴光纤光栅应变传递器研究车辆荷载作用下大跨度刚构桥长标距应变计的动、静态应变分离方法,并从动态应变信号中提取有效的准静态应变分量 Z h a o等 基于光纤温度传感器监测数据构建了列车桥梁动力学模型,分析了主梁的温度变形对列车引起的梁挠度的影响基于已有在工程上运用光纤光栅检测的实例,本文基于光纤光栅波分复用技术 在单根光纤上串联多个F B G传感器从而实现准分布式光纤光栅传感系统 ,将串联好的光纤光栅贴在缩尺C R T S轨道模型上,从而实现长距离多点采集湘潭大学学报(自然科学版)年大数据、机器学习以及人工智能等新兴技术兴起,已运用至多领域中例如,徐博文等 提出一种深度学习算法模型,用以对麦穗进行识别监测王虎等 建立了一种神经网络预测模型,辅助人汽车驾驶赵星宇等 提出一种混合神经网络模型,实现对文本情感的实时分析机器深度学习为桥梁抗震减震理论与技术研究提供了新思路和新途径近年来,人工神经网络(ANN)已被证明具有卓越的非线性函数建模能力 而被广泛用于预测结构地震反应 、损伤状态 、失效模式 等,并在预测结构地震反应方面评估结构抗震性能、损伤状态 等随着对神经网络的深入研究,有学者开发了一维卷积神经网络(D C NN)与长短期记忆(L S TM)网络来预测地面结构地震反应的时间序列 为了提高神经网络地震应变响应预测精度,本文提出了一种C NN L S TM网络混合模型它结合了C NN和L S TM网络的各自特点,利用准分布式光纤光栅采集地震作用下简支梁桥的应变,将所测光栅位置、地震方向、峰值加速度按时间滑动窗口构造连续特征图作为输入,因所测光栅处于同一根光纤中,所在地震时程曲线相同的条件下,利用其余个光栅点所测得应变响应进行深度学习从而预测跨中应变该深度学习模型使用C NN提取特征图中连续和非连续数据之间的关系,形成特征向量然后将特征向量构造成时序序列并输入到L S TM网络中进行响应预测相较于仅使用L S TM网络模型,C NN L S TM混合模型在提高预测准确率方面具有优势因为该模型使用C NN模型提取时序数据的潜在特征,并将其作为L S TM网络的输入数据,从而提供大量的有效输入数据数据采集与处理通过在振动台系统上搭建缩尺简支梁桥,分别在缩尺桥梁跨中段的轨道板布设准分布式光纤光栅,用以监测同一直线不同方位的应变响应 地震台实验装置本文以C R T SI I板式无砟轨道系统的多跨简支梁为研究对象,以 的相似比建立桥梁的缩尺模型,构建基于列震动台的桥上运行试验平台原型以中国高速铁路简支箱梁实桥为研究对象,跨度为 m的混凝土简支箱梁桥,桥墩为圆柱形实心桥墩,高度范围为 m 高度小于 m的桥墩为等截面桥墩,高度大于 m的桥墩为变截面桥墩,坡度为 防落梁装置的触发间距为 c m 使用盆式橡胶支座,其最大垂直和水平承载力分别为 k N和 k N 聚四氟乙烯板具有低摩擦系数,可用于实现屋顶和底盆之间的相对运动橡胶在三维应力作用下具有流动性,可用于实现主梁的转动密封圈用于将橡胶与空气分离,以延缓老化该轨道为C R T SI I板式无砟轨道系统箱梁与底板之间铺设滑动层以释放轨道结构的温度应力,而底板与轨道板之间铺设C A砂浆层作为缓冲层钢轨与轨道板采用紧固件连接;在固定支座上方的箱梁表面设置剪切槽,以限制底板的移动;在梁缝两端底板与轨道板之间设置抗剪钢筋,以减小梁角对轨道变形的影响;在底板和履带板两侧设置横向挡块,以限制其横向移动紧固件和挡块的布置间距分别为 m和 m 模型装置如图所示缩尺桥梁为钢结构桥梁,缩尺比例为,每跨长 m,共 跨表列举了模型相似系数试验选取两种正弦波地震激励,参数见表所示地震频率为 H z,峰值加速度分别为 g、g 为了便于安装,全桥材料采用钢材;扣件使用钢板;钢轨、轨道板、底座板、梁和桥墩基于等效弯曲刚度制作;剪切钢筋、剪力齿槽、侧向挡块和支座根据等效力和位移原理,对不同尺寸的试件进行实验,根据实验结果选择最合适的尺第期张学兵,等基于C NN L S TM混合神经网络的高速铁路地震响应预测寸;滑动层材料与原型相同;C A砂浆层用聚氨酯代替振动台试验系统由个mm六自由度固定台和个mm六自由度移动台所组成,台阵间距可在 m之间调整振动台减速区缩尺模型护栏振动台加速区图模型装置图F i g D e v i c em o d e l d i a g r a m表缩尺模型相似系数T a b S c a l e d d o w nm o d e l s i m i l a r i t yc o e f f i c i e n t s物理量符号缩放公式相似比度SASASA长度SLSLSL/压力SSS/弹性模量SESES/压力SFSFSSL/刚度SSSSSSL/时间STST(SlSa)速度SVSL Sa 表正弦波地震激励参数T a b P a r a m e t e r s o f s i n ew a v e地震方向频率/H z地面峰值加速度横向 g横向 g 光纤光栅数据采集装置本节主要详细介绍用以监测振动台下缩尺桥梁地震应变响应的光纤光栅数据采集装置在缩尺桥梁跨中段的轨道板、钢轨、底座板、钢轨上分别使用环氧树脂粘贴根光纤,光纤刻有个光栅点,光纤布置如图所示将刻有个光栅点的光纤按第个光栅点对应桥梁跨中中间位置粘贴在轨道板上,保证光栅点能均匀分布在所监测结构上数据采集图和示意图分别如图和图所示湘潭大学学报(自然科学版)年钢 轨 光 栅轨 道 板 光 栅底 座 板 光 栅FBG箱梁光纤防护栏缩尺桥梁模型列车模型（a）(b)（c）(d)图F B G布置图:(a)光纤粘贴位置;(b)光栅点;(c)箱梁上的光纤;(d)测试模型和解调系统F i g F B Ga r r a n g e m e n td i a g r a m:(a)F i b e ro p t i cp a s t ep o s i t i o n;(b)G r a t i n gp o i n t;(c)F i b e ro p t i co fb e a m;(d)T e s tm o d e l a n dd e m o d u l a t i o ns y s t e m宽带光源波长监测信号处理分析与输出耦合器光纤通道FBG1 FBG2 FBG2FBGn-1 FBGn图数据采集示意图F i g S c h e m a t i cd i a g r a mo fd a t aa c q u i s i t i o n卷积神经网络和长短期记忆网络的响应预测模型C NN L S TM模型组合了C NN和L S TM网络两种模型,先采用C NN提取特征向量,将特征向量以时序序列方式构造并作为L S TM网络输入数据,再采用L S TM网络进行响应预测将C NN模型提取出的深度特征时间序列使用L S TM网络模型进行训练整个过程可以分为数据前处理和模型训练两个阶段 卷积神经网络C NN通过卷积运算和池化操作,减少网络参数数量的同时,保留了多维数据的深层特征,其架构由卷积层、池化层和完全连接的层组成下面介绍有关这些不同层的相关信息)卷积运算卷积层和非线性激活函数通过卷积运算来计算输入和输出,计算过程展示如下:第期张学兵,等基于C NN L S TM混合神经网络的高速铁路地震响应预测yikixbi(),i,K()式中:x为宽度W、高度H和深度D卷积层的输入;ki为第i个卷积滤波器,其尺寸为FFD;bi为卷积滤波器ki的第i个偏差;为非线性激活函数;yi为与第i个卷积滤波器对应的第i个输出矩阵每层有K个卷积滤波器卷积运算在图卷积神经网络的卷积运算进行了演示,该卷积使卷积过程的步幅为S 对于第i个卷积过程yi的输出,宽度为W,高度为H,深度为卷积核的个数K第i个输出矩阵中的每个元素都是由输入矩阵和第i个卷积滤波器ki点积计算得出的WWFPS,HHFPS()通过在输入矩阵周围填充,可以调整输出矩阵的大小通常,当跨度为S时,将每一侧的填充零数设置为PF()/,可以确保输入量和输出量在空间上具有相同的大小在图卷积神经网络的卷积运算中,一层零插入到原始输入矩阵的每一边周围因此,输出的宽度W和高度H可通过上式计算)池化和全连接层池化操作是一个下采样过程,它从相应采样窗口中提取某个属性(例如最大值,平均值和L范数)作为低维输出以最大池化为例,池化层的下采样操作如图卷积神经网络的池化运算所示在池化窗口中取最大值的过程是在输入深度维度上的每个切片上独立进行的,因此输出矩阵的深度尺寸与输入矩阵相同此外,输出矩阵的宽度和高度也可以通过与卷积层中相同的方法来计算,并且步幅通常与池化窗口的宽度或高度相同xki+biyi+b1y1y2+b2D1FFW2H2H2W2FFD1D1H1W1图卷积神经网络的卷积运算F i g C o n v o l u t i o n a l o p e r a t i o no f c o n v o l u t i o n a l n e u r a l n e t w o r k湘潭大学学报(自然科学版)年xy图卷积神经网络的池化运算F i g P o o l i n go p e r a t i o no f c o n v o l u t i o n a ln e u r a l n e t w o r k 长短期记忆网络L S TM网络是一种改进的时间循环神经网络(R NN)它被提出后也进行了改良,增加了额外的遗忘门其网络基本单元如图所示xt图L S T M神经网络基本单元F i g B a s i cu n i t o fL S TMn e u r a l n e t w o r kL S TM网络的基本单元包括个门控单元,分别为遗忘门、输入门和输出门遗忘门中的输入xt与状态记忆单元St 以及中间输入ht 共同作用来决定哪些信息需要遗忘输入门中的xt两个输入分别通过s i g m o i d函数和t a n h函数进行变换,共同作用于状态记忆单元,以确定哪些信息需要被保留中间输出ht是由更新后的状态记忆单元St与输出ot共同作用决定的 C N N L S TM网络混合模型 本文模型结构与参数配置本文提出的C NN L S TM网络混合模型结构如图所示,由 个堆叠的功能层构成,C NN L S TM网络混合模型主要由两部分组成,C NN网络主要负责特征提取,L S TM网络主要负责负荷预测 C NN具体模型参数如表所示模型使用P y t h o n中的s c i k i t l e a r n机器学习库和P y T o r c h框架进行实现该模型是以时间序列特征图作为网络的输入光栅位置信息、地震波类型、监测时间等数据实际上都是相互独立的时间序列为了耦合这些影响负荷的特征信息,本文参考自然语言处理中的词向量表示方法,将某一时刻的负荷值与其相关的特征串联成向量表示,进而形成一个全新的时间序列数据每一时刻的历史负荷均与其相关的特征共同表示然后再使用滑动窗口方式依次将输入的时间序列数据生成特征图,为了方便后续网络计第期张学兵,等基于C NN L S TM混合神经网络的高速铁路地震响应预测算,滑动窗口宽设为 条记录,单位特征图的尺寸为 模型设有层卷积层,各卷积层尺寸及步长等信息如表所示CNNRelu_1Relu_4Relu_2Relu_3LSTMInputOutputFc_2Fc_1Fc_3Fc_4OutputConv_1Conv_2Conv_4Conv_3InputLSTMLSTMLSTMMaxpool_2Maxpool_1图C N N L S T M模型F i g C N N L S T M m o d e l表C N N网络架构详细配置T a b D e t a i l e dc o n f i g u r a t i o no fC N Nn e t w o r ka r c h i t e c t u r e块集层名输入大小过滤器大小滤波器数量步长输出大小块C o n v_ R e L U_ M a x P o o l i n g_ 块C o n v_ R e L U_ 块C o n v_ R e L U_ M a x P o o l i n g_ 块C o n v_ R e L U_ 块F c_ F c_ 注:“”表示未有该数值输入的子序列首先放入B l o c k 中处理 B l o c k 有个功能层,依次包括卷积、R e L U和池化它们在图中分别表示为C o n v_、R e L U_、M a x p o o l i n g_ 第一层C o n v_的输入大小为 ,卷积层由 个卷积核组成,卷积核的大小为 ,滑动窗口的步长为 R e L U层对输出尺寸没有影响池化层尺寸为,步长为 因此,B l o c k 的输出尺寸为 在该模型中,卷积层用于提取输入样本的区别特征选择个卷积层是基于L e N e t 在分类识别方面的成果 实验评价指标预测结 果 评 估 是 为 了 验 证C NN L S TM模 型 的 预 测 精 度,分 别 使 用 根 均 平 方 误 差(RRM S E)、平均绝对误差(RMA E)和决定系数(R)来对模型预测结果进行统计下面进行详细介绍湘潭大学学报(自然科学版)年RRM S ETeTeiFiFi(),()RMA ETeTeiFiFi,()RTeiFiFi()TeiFiFi(),()式中:Fi为地震响应检测值;Fi为地震响应预测值;Fi为Te个检测值的平均值;RRM S E和RMA E两个指标都是用来描述预测值与真实值的误差情况它们之间的区别在于,RRM S E先对偏差做了一次平方,这样的话,如果误差较大,RMA E放大了误差决定系数R用于评价模型的平均预测精度,是总误差的平方和与总偏差的平方和之比RRM S E和RMA E结果越接近,R的结果越接近,模型的预测精度就越高实验结果分析本次实验采用控制变量法逐步进行模型调整,旨在测试增加L S TM网络层数对模型预测效果的影响在固定C NN层提取特征的情况下,通过不断增加L S TM网络的层数,测试了模型深度的影响实验结果如表所示,其中列出了个评价指标的平均值从实验结果可以发现,适当增加L S TM网络层数可以提高模型预测能力然而,当L S TM网络层数增加到层以上时,误差率升高,表明发生了过拟合因此,本次试验选择了层L S TM网络作为最终模型表L S T M网络层数对轨道板预测结果精度的影响T a b M o d e l c o m b i n a t i o ns t r u c t u r e t e s t r e s u l t sL S TM网络层数RRM S ERMA ER 图是中间光栅点算法模型预测值与实际值的比较,从图(a)图(f)中可以看出,对于不同地震激励下的应变响应,在没有给出特定时间点的地震时程曲线谱的情况下,C NN L S TM模型仍然可以通过同一时刻其他位置的光栅应变响应而得出另一位置的应变信息,尽管在峰值处的拟合数据相对差异较大,但总体符合地震动的变化趋势,与实际变化趋势基本一致对于图(g)和图(h),可以明显看出本文提出的深度学习模型在轨道板、钢轨、底座板的适用性比箱梁处好,从光栅预设位置猜测可能是箱梁离其余位置较远,该模型依托于轨道板应变数据而搭建的,钢轨、底座板与轨道板距离很近,所以效果比较好,而箱梁距离轨道较远并且是地震激励的主要承受位置,使得与其他地方的应变不同,从而导致箱梁的预测效果较差 C NN L S TM模型优越性的原因可以从两个方面考虑首先,它归因于自动编码器的“降维”对于当前关于地震应变响应的预测问题,由于应变大小应在同一时刻相近位置之间逐渐变化而不是突然变化,因此高维输入特征之间存在多重共线性然而,通过自动编码器,高维输入可以转换为低维的潜在表示这种嵌入向量保留了原始输入的基本特征,同时减轻了特征之间的相关性同时,它的降维有助于减少回归器中未训练参数的数量,这有利于训练过程的第期张学兵,等基于C NN L S TM混合神经网络的高速铁路地震响应预测收敛,节省计算预算,提高运算效率其次,C NN可以通过使用多个小型卷积滤波器从各个位置的应变图中逐步提取局部分布,从而充分利用区域信息同时,池化层每次只保留主要特征,可以减少噪声传输020406080100 120 140 160 180 200预测点-20020406080100 120 140 160 180 200预测点-20020406080100 120 140 160 180 200预测点-20020406080100 120 140 160 180 200预测点-20020406080100 120 140 160 180 200预测点-20020406080100 120 140 160 180 200预测点-20020406080100 120 140 160 180 200预测点-20020406080100 120 140 160 180 200预测点实际值 预测值实际值 预测值实际值 预测值实际值 预测值实际值 预测值实际值 预测值实际值 预测值实际值 预测值12108642086420-2-43.43.23.02.864264203.02.52.01.51.0642(a)(b)(c)(d)(e)(f)(g)(h)应变/着642应变/着应变/着应变/着应变/着应变/着应变/着应变/着图模型预测值与真实值的比较:(a)P G A g,轨道板光栅应变预测结果;(b)P G A g,轨道板光栅应变预测结果;(c)P G A g,钢轨光栅应变预测结果;(d)P G A g,钢轨光栅应变预测结果;(e)P G A g,底座板光栅应变预测结果;(f)P G A g,底座板光栅应变预测结果;(g)P G A g,箱梁应变预测结果;(h)P G A g,箱梁应变预测结果F i g C o m p a r i s o no fm o d e l p r e d i c t e dv a l u e s a n dt r u ev a l u e s:(a)P G A g,t r a c kp l a t eg r a t i n gs t r a i np r e d i c t i o nr e s u l t s;(b)P G A g,t r a c kp l a t eg r a t i n gs t r a i np r e d i c t i o nr e s u l t s;(c)P G A g,r a i l g r a t i n gs t r a i np r e d i c t i o nr e s u l t s;(d)P G A g,r a i l g r a t i n gs t r a i np r e d i c t i o nr e s u l t s;(e)P G A g,b a s ep l a t eg r a t i n gs t r a i np r e d i c t i o nr e s u l t s;(f)P G A g,b a s ep l a t eg r a t i n gs t r a i np r e d i c t i o nr e s u l t s;(g)P G A g,b o xb e a ms t r a i np r e d i c t i o nr e s u l t s;(h)P G A g,b o xb e a ms t r a i np r e d i c t i o nr e s u l t s结论本文针对高速铁路简支梁桥振动台试验模型,在轨道板、底座板、钢轨、箱梁处布置准分布式光纤光栅监测应变,提出了一种基于C NN L S TM模型的地震响应预测方法,该方法利用C NN处理数据,提取有效特征,再通过L S TM网络进行时序数据分析该方法有以下优势:)将多源数据按时间滑动窗口构造连续特征图作为输入,充分发挥C NN模型的特征提取优势,从而挖掘数据中蕴含的更多有效信息将特征向量以时序序列方式构造并作为L S TM湘潭大学学报(自然科学版)年网络模型输入数据,L S TM网络模型能较好地拟合响应数据的时序性和复杂的非线性关系;)本文提出的C NN L S TM模型充分发挥了C NN模型和L S TM网络模型的优点经过全面的分析研究和验证,本文证明了该模型的有效性针对RRM S E、RMA E、R等几个评估指标,本文发现,与单一模型相比,采用两种模型结合的融合模型在特征表达方面更加有效,预测精度更高;)C NN L S TM模型可以很好地实现光纤光栅对桥梁地震响应的预测,所使用的网络模型适用于大部分点位;)光栅因自身材质问题不易存活或出现测量点应变突变等情况,通过本文的研究发现利用深度学习可以通过已测光栅点的应变信息预测其他点的应变从一定程度上可以减少监测成本及避免因光栅不成活而造成的数据损失参考文献F E N GYL,J I AN GLZ,Z HOU WB,e t a l E x p e r i m e n t a l i n v e s t i g a t i o no ns h e a r s t e e l b a r s i nC R T S I I s l a bb a l l a s t l e s st r a c ku n d e rl o w c y c l i cr e c i p r o c a t i n gl o a dJ C o n s t r u c t i o na n db u i l d i n g m a t e r i a l s,:F E N GYL,J I AN GLZ,Z HOU W B,e ta l A na n a l y t i c a l s o l u t i o nt ot h em a p p i n gr e l a t i o n s h i pb e t w e e nb r i d g es t r u c t u r e sv e r t i c a l d e f o r m a t i o na n dr a i ld e f o r m a t i o no fh i g h s p e e dr a i l w a yJS t e e l a n dc o m p o s i t es t r u c t u r e s,():J I AN GLZ,L I ULL,Z HOU WB,e t a l M a p p e dr e l a t i o n s h i p sb e t w e e np i e r s e t t l e m e n t a n dr a i l d e f o r m a t i o no fb r i d g e sw i t hC R T SI I IS B TJS t e e l a n dc o m p o s i t es t r u c t u r e s,():YUJ,J I AN GLZ,Z HOU WB,e t a l S t u d yo nt h ed y n a m i c r e s p o n s ec o r r e c t i o n f a c t o ro f ac o u p l e dh i g h s p e e dt r a i n t r a c k b r i d g e s y s t e mu n d e rn e a r f a u l t e a r t h q u a k e sJ M e c h a n i c sb a s e dd e s i g no f s t r u c t u r e sa n dm a c h i n e s,():YUJ,J I AN GLZ,Z HOU W B,e t a l R u n n i n gt e s to nh i g h s p e e dr a i l w a yt r a c k s i m p l ys u p p o r t e dg i r d e rb r i d g es y s t e m su n d e rs e i s m i ca c t i o nJB u l l e t i no f e a r t h q u a k ee n g i n e e r i n g,():J I AN GLZ,Z HANGYT,F E NGYL,e t a l S i m p l i f i e dc a l c u l a t i o nm o d e l i n gm e t h o do fm u l t i s p a nb r i d g e so nh i g h s p e e dr a i l w a y su n d e r e a r t h q u a k e c o n d i t i o nJB u l l e t i no f e a r t h q u a k e e n g i n e e r i n g,():L I UX,J I AN GL Z,L I UX,e t a l D y n a m i cr e s p o n s e l i m i to fh i g h s p e e dr