基于CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)的高速鐵路地震響應(yīng)預(yù)測(cè)*

張學(xué)兵，謝嘯楠，王 禮，吳 晗

(湘潭大學(xué) 土木工程學(xué)院，湖南 湘潭 411105)

0 引言

為滿足行車安全性和舒適性，高速鐵路橋梁梁體與橋墩往往具有較大剛度和較高基頻，在地震發(fā)生時(shí)常受到較大的地震作用，甚至在罕遇地震作用下仍表現(xiàn)出較好的抗震性能.無砟軌道為高速鐵路簡支梁橋提供一定的縱向約束，提高了橋梁整體性，使相鄰跨的簡支梁成為存在一定耦合的連續(xù)結(jié)構(gòu)[1].CRTS Ⅱ是中國無砟軌道的一種典型的結(jié)構(gòu)形式，針對(duì)鐵路橋梁比例高、長橋多的特點(diǎn)而設(shè)計(jì)并先后應(yīng)用于京津、滬杭、京滬等鐵路中[2-3].近些年來，中國高速鐵路產(chǎn)業(yè)發(fā)展迅速，在山區(qū)的地震斷層區(qū)、沿海地區(qū)的高地震烈度區(qū)以及西部地震多發(fā)區(qū)的建設(shè)有所增加[4].為保證行車安全，研究其在地震荷載作用下的橋梁反應(yīng)具有重要的理論意義和工程實(shí)用價(jià)值[5-7].

為研究其抗震性能，Yan等[8]建立簡支梁橋和CRTS Ⅱ軌道的三維非線性動(dòng)力學(xué)模型，研究了其在不同地震激勵(lì)強(qiáng)度下的受力和變形特征.結(jié)果表明，鋼軌、軌道板和底板的峰值應(yīng)力均發(fā)生在橋臺(tái)或錨固件處.Montenegro等[9]研究出中等烈度地震可能不會(huì)對(duì)結(jié)構(gòu)造成重大破壞，可以在彈性域分析.Guo等人[10-11]建立了CRTS Ⅱ軌道結(jié)構(gòu)有限元模型以研究各構(gòu)件的地震破壞機(jī)理，并提出了一種有效的簡化橋梁軌道模型模擬軌道結(jié)構(gòu)對(duì)橋梁縱向約束的影響.Li等[12]采用概率密度演化法對(duì)高速鐵路軌橋耦合系統(tǒng)隨機(jī)地震響應(yīng)進(jìn)行了研究，從隨機(jī)角度評(píng)價(jià)軌道結(jié)構(gòu)的抗震性能.

而振動(dòng)臺(tái)試驗(yàn)方法可以在實(shí)驗(yàn)室準(zhǔn)確再現(xiàn)結(jié)構(gòu)相應(yīng)的地震震動(dòng)，是抗震試驗(yàn)方法的重要組成部分[13]，Jiang等[14]通過對(duì)高鐵連續(xù)梁橋進(jìn)行試驗(yàn)，研究了不同地震烈度和加載方向?qū)Y(jié)構(gòu)地震反應(yīng)的影響，并分析其損傷狀況.Yang等[15]在一個(gè)1/6比例的橋梁模型上進(jìn)行了一系列振動(dòng)臺(tái)試驗(yàn)，以研究碰撞對(duì)橋梁模型橫向地震響應(yīng)的影響以及橡膠緩沖器的減震效果.本文也基于振動(dòng)臺(tái)試驗(yàn)研究橋梁地震響應(yīng).

近些年，在現(xiàn)有的基礎(chǔ)設(shè)施上，使用光纖布拉格光柵(FBG)傳感器進(jìn)行結(jié)構(gòu)健康監(jiān)測(cè)的情況正在逐漸增加.Wang等人[16-18]將光纖傳感技術(shù)應(yīng)用在瀝青路面全尺寸以及多層瀝青路面結(jié)構(gòu)性能現(xiàn)場(chǎng)監(jiān)測(cè)中，驗(yàn)證了其良好性能并且基于應(yīng)變傳遞分析提高了光纖傳感器的耐久性.Zhang等[19]利用光纖光柵傳感器對(duì)非對(duì)稱鋼筋混凝土剪力墻結(jié)構(gòu)在漸進(jìn)地震荷載作用下的損傷響應(yīng)進(jìn)行監(jiān)測(cè).在橋梁方面，Lu等[20]采用外貼光纖光柵應(yīng)變傳遞器研究車輛荷載作用下大跨度剛構(gòu)橋長標(biāo)距應(yīng)變計(jì)的動(dòng)、靜態(tài)應(yīng)變分離方法，并從動(dòng)態(tài)應(yīng)變信號(hào)中提取有效的準(zhǔn)靜態(tài)應(yīng)變分量.Zhao等[21]基于光纖溫度傳感器監(jiān)測(cè)數(shù)據(jù)構(gòu)建了列車-橋梁動(dòng)力學(xué)模型，分析了主梁的溫度變形對(duì)列車引起的梁撓度的影響.基于已有在工程上運(yùn)用光纖光柵檢測(cè)的實(shí)例，本文基于光纖光柵波分復(fù)用技術(shù)[22]在單根光纖上串聯(lián)多個(gè)FBG傳感器從而實(shí)現(xiàn)準(zhǔn)分布式光纖光柵傳感系統(tǒng)[23-24]，將串聯(lián)好的光纖光柵貼在縮尺CRTS Ⅱ軌道模型上，從而實(shí)現(xiàn)長距離多點(diǎn)采集.

大數(shù)據(jù)、機(jī)器學(xué)習(xí)以及人工智能等新興技術(shù)興起，已運(yùn)用至多領(lǐng)域中.例如，徐博文等[25]提出一種深度學(xué)習(xí)算法模型，用以對(duì)麥穗進(jìn)行識(shí)別監(jiān)測(cè).王虎等[26]建立了一種神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，輔助人汽車駕駛.趙星宇等[27]提出一種混合神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)對(duì)文本情感的實(shí)時(shí)分析.機(jī)器深度學(xué)習(xí)為橋梁抗震減震理論與技術(shù)研究提供了新思路和新途徑.近年來，人工神經(jīng)網(wǎng)絡(luò)(ANN)已被證明具有卓越的非線性函數(shù)建模能力[28]而被廣泛用于預(yù)測(cè)結(jié)構(gòu)地震反應(yīng)[29-31]、損傷狀態(tài)[32-33]、失效模式[34]等，并在預(yù)測(cè)結(jié)構(gòu)地震反應(yīng)方面評(píng)估結(jié)構(gòu)抗震性能[35]、損傷狀態(tài)[36]等.隨著對(duì)神經(jīng)網(wǎng)絡(luò)的深入研究，有學(xué)者開發(fā)了一維卷積神經(jīng)網(wǎng)絡(luò)(1D-CNN)與長短期記憶(LSTM)網(wǎng)絡(luò)來預(yù)測(cè)地面結(jié)構(gòu)地震反應(yīng)的時(shí)間序列[37-38].為了提高神經(jīng)網(wǎng)絡(luò)地震應(yīng)變響應(yīng)預(yù)測(cè)精度，本文提出了一種CNN-LSTM 網(wǎng)絡(luò)混合模型.它結(jié)合了CNN和LSTM網(wǎng)絡(luò)的各自特點(diǎn)，利用準(zhǔn)分布式光纖光柵采集地震作用下簡支梁橋的應(yīng)變，將所測(cè)光柵位置、地震方向、峰值加速度按時(shí)間滑動(dòng)窗口構(gòu)造連續(xù)特征圖作為輸入，因所測(cè)光柵處于同一根光纖中，所在地震時(shí)程曲線相同的條件下，利用其余6個(gè)光柵點(diǎn)所測(cè)得應(yīng)變響應(yīng)進(jìn)行深度學(xué)習(xí)從而預(yù)測(cè)跨中應(yīng)變.該深度學(xué)習(xí)模型使用CNN提取特征圖中連續(xù)和非連續(xù)數(shù)據(jù)之間的關(guān)系，形成特征向量.然后將特征向量構(gòu)造成時(shí)序序列并輸入到LSTM網(wǎng)絡(luò)中進(jìn)行響應(yīng)預(yù)測(cè).相較于僅使用LSTM網(wǎng)絡(luò)模型，CNN-LSTM混合模型在提高預(yù)測(cè)準(zhǔn)確率方面具有優(yōu)勢(shì).因?yàn)樵撃Ｐ褪褂肅NN模型提取時(shí)序數(shù)據(jù)的潛在特征，并將其作為LSTM網(wǎng)絡(luò)的輸入數(shù)據(jù)，從而提供大量的有效輸入數(shù)據(jù).

1 數(shù)據(jù)采集與處理

通過在振動(dòng)臺(tái)系統(tǒng)上搭建縮尺簡支梁橋[5]，分別在縮尺橋梁跨中段的軌道板布設(shè)準(zhǔn)分布式光纖光柵，用以監(jiān)測(cè)同一直線不同方位的應(yīng)變響應(yīng).

1.1 地震臺(tái)實(shí)驗(yàn)裝置

本文以CRTS II板式無砟軌道系統(tǒng)的多跨簡支梁為研究對(duì)象，以1∶10的相似比建立橋梁的縮尺模型，構(gòu)建基于4列震動(dòng)臺(tái)的橋上運(yùn)行試驗(yàn)平臺(tái).

原型以中國高速鐵路簡支箱梁實(shí)橋?yàn)檠芯繉?duì)象，跨度為32.5 m的混凝土簡支箱梁橋，橋墩為圓柱形實(shí)心橋墩，高度范圍為3 ～20 m.高度小于14 m的橋墩為等截面橋墩，高度大于14 m的橋墩為變截面橋墩，坡度為1∶45.防落梁裝置的觸發(fā)間距為20 cm.使用盆式橡膠支座，其最大垂直和水平承載力分別為500 0 kN和100 0 kN.聚四氟乙烯板具有低摩擦系數(shù)，可用于實(shí)現(xiàn)屋頂和底盆之間的相對(duì)運(yùn)動(dòng).橡膠在三維應(yīng)力作用下具有流動(dòng)性，可用于實(shí)現(xiàn)主梁的轉(zhuǎn)動(dòng).密封圈用于將橡膠與空氣分離，以延緩老化.

該軌道為CRTS II板式無砟軌道系統(tǒng).箱梁與底板之間鋪設(shè)滑動(dòng)層以釋放軌道結(jié)構(gòu)的溫度應(yīng)力，而底板與軌道板之間鋪設(shè)CA砂漿層作為緩沖層.鋼軌與軌道板采用緊固件連接；在固定支座上方的箱梁表面設(shè)置剪切槽，以限制底板的移動(dòng)；在梁縫兩端底板與軌道板之間設(shè)置抗剪鋼筋，以減小梁角對(duì)軌道變形的影響；在底板和履帶板兩側(cè)設(shè)置橫向擋塊，以限制其橫向移動(dòng).緊固件和擋塊的布置間距分別為0.65 m和6.5 m.

模型裝置如圖1所示.縮尺橋梁為鋼結(jié)構(gòu)橋梁，縮尺比例為1∶10，每跨長3.25 m，共11跨.表1列舉了模型相似系數(shù).試驗(yàn)選取兩種正弦波地震激勵(lì)，參數(shù)見表2所示.地震頻率為10 Hz，峰值加速度分別為0.1g、0.2g.為了便于安裝，全橋材料采用鋼材；扣件使用鋼板；鋼軌、軌道板、底座板、梁和橋墩基于等效彎曲剛度制作；剪切鋼筋、剪力齒槽、側(cè)向擋塊和支座根據(jù)等效力和位移原理，對(duì)不同尺寸的試件進(jìn)行實(shí)驗(yàn)，根據(jù)實(shí)驗(yàn)結(jié)果選擇最合適的尺寸；滑動(dòng)層材料與原型相同；CA砂漿層用聚氨酯代替.振動(dòng)臺(tái)試驗(yàn)系統(tǒng)由1個(gè)4 m×4 m六自由度固定臺(tái)和3個(gè)4 m×4 m六自由度移動(dòng)臺(tái)所組成，臺(tái)陣間距可在 6～25 m之間調(diào)整.

表1 縮尺模型相似系數(shù)

表2 正弦波地震激勵(lì)參數(shù)

圖1 模型裝置圖Fig.1 Device model diagram

1.2 光纖光柵數(shù)據(jù)采集裝置

本節(jié)主要詳細(xì)介紹用以監(jiān)測(cè)振動(dòng)臺(tái)下縮尺橋梁地震應(yīng)變響應(yīng)的光纖光柵數(shù)據(jù)采集裝置.

在縮尺橋梁跨中段的軌道板、鋼軌、底座板、鋼軌上分別使用環(huán)氧樹脂粘貼1根光纖，光纖刻有7個(gè)光柵點(diǎn)，光纖布置如圖2所示.將刻有7個(gè)光柵點(diǎn)的光纖按第4個(gè)光柵點(diǎn)對(duì)應(yīng)橋梁跨中中間位置粘貼在軌道板上，保證光柵點(diǎn)能均勻分布在所監(jiān)測(cè)結(jié)構(gòu)上.數(shù)據(jù)采集圖和示意圖分別如圖2和圖3所示.

圖2 FBG布置圖：(a) 光纖粘貼位置；(b) 光柵點(diǎn)；(c) 箱梁上的光纖；(d) 測(cè)試模型和解調(diào)系統(tǒng)Fig. 2 FBG arrangement diagram：(a) Fiber optic paste position；(b) Grating point；(c) Fiber optic of beam；(d) Test model and demodulation system

圖3 數(shù)據(jù)采集示意圖Fig.3 Schematic diagram of data acquisition

2 卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)的響應(yīng)預(yù)測(cè)模型

CNN-LSTM模型組合了CNN和LSTM網(wǎng)絡(luò)兩種模型，先采用CNN提取特征向量，將特征向量以時(shí)序序列方式構(gòu)造并作為LSTM網(wǎng)絡(luò)輸入數(shù)據(jù)，再采用LSTM網(wǎng)絡(luò)進(jìn)行響應(yīng)預(yù)測(cè).將CNN模型提取出的深度特征時(shí)間序列使用LSTM網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練.整個(gè)過程可以分為數(shù)據(jù)前處理和模型訓(xùn)練兩個(gè)階段.

2.1 卷積神經(jīng)網(wǎng)絡(luò)

CNN通過卷積運(yùn)算和池化操作，減少網(wǎng)絡(luò)參數(shù)數(shù)量的同時(shí)，保留了多維數(shù)據(jù)的深層特征，其架構(gòu)由卷積層、池化層和完全連接的層組成.下面介紹有關(guān)這些不同層的相關(guān)信息.

1)卷積運(yùn)算

卷積層和非線性激活函數(shù)通過卷積運(yùn)算來計(jì)算輸入和輸出，計(jì)算過程展示如下：

yi=σ(ki×x+bi)，i=1，2，…，K.

(1)

式中：x為寬度W1、高度H1和深度D1卷積層的輸入；ki為第i個(gè)卷積濾波器，其尺寸為F×F×D1；bi為卷積濾波器ki的第i個(gè)偏差；σ為非線性激活函數(shù)；yi為與第i個(gè)卷積濾波器對(duì)應(yīng)的第i個(gè)輸出矩陣.每層有K個(gè)卷積濾波器.卷積運(yùn)算在圖4卷積神經(jīng)網(wǎng)絡(luò)的卷積運(yùn)算進(jìn)行了演示，該卷積使卷積過程的步幅為S=1.對(duì)于第i個(gè)卷積過程yi的輸出，寬度為W2，高度為H2，深度為卷積核的個(gè)數(shù)K.第i個(gè)輸出矩陣中的每個(gè)元素都是由輸入矩陣和第i個(gè)卷積濾波器ki點(diǎn)積計(jì)算得出的.

(2)

圖4 卷積神經(jīng)網(wǎng)絡(luò)的卷積運(yùn)算Fig.4 Convolutional operation of convolutional neural network

通過在輸入矩陣周圍填充0，可以調(diào)整輸出矩陣的大小.通常，當(dāng)跨度為S=1時(shí)，將每一側(cè)的填充零數(shù)設(shè)置為P=(F-1)/2，可以確保輸入量和輸出量在空間上具有相同的大小.在圖4卷積神經(jīng)網(wǎng)絡(luò)的卷積運(yùn)算中，一層零插入到原始輸入矩陣的每一邊周圍.因此，輸出的寬度W2和高度H2可通過上式計(jì)算.

2)池化和全連接層

池化操作是一個(gè)下采樣過程，它從相應(yīng)采樣窗口中提取某個(gè)屬性(例如最大值，平均值和L2-范數(shù))作為低維輸出.以最大池化為例，池化層的下采樣操作如圖5卷積神經(jīng)網(wǎng)絡(luò)的池化運(yùn)算所示.在池化窗口中取最大值的過程是在輸入深度維度上的每個(gè)切片上獨(dú)立進(jìn)行的，因此輸出矩陣的深度尺寸與輸入矩陣相同.此外，輸出矩陣的寬度和高度也可以通過與卷積層中相同的方法來計(jì)算，并且步幅通常與池化窗口的寬度或高度相同.

圖5 卷積神經(jīng)網(wǎng)絡(luò)的池化運(yùn)算 Fig.5 Pooling operation of convolutional neural network

2.2 長短期記憶網(wǎng)絡(luò)

LSTM網(wǎng)絡(luò)是一種改進(jìn)的時(shí)間循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN).它被提出后也進(jìn)行了改良，增加了額外的遺忘門.其網(wǎng)絡(luò)基本單元如圖6所示.

圖6 LSTM神經(jīng)網(wǎng)絡(luò)基本單元Fig. 6 Basic unit of LSTM neural network

LSTM網(wǎng)絡(luò)的基本單元包括3個(gè)門控單元，分別為遺忘門、輸入門和輸出門.遺忘門中的輸入xt與狀態(tài)記憶單元St-1以及中間輸入ht-1共同作用來決定哪些信息需要遺忘.輸入門中的xt兩個(gè)輸入分別通過sigmoid函數(shù)和tanh函數(shù)進(jìn)行變換，共同作用于狀態(tài)記憶單元，以確定哪些信息需要被保留.中間輸出ht是由更新后的狀態(tài)記憶單元St與輸出ot共同作用決定的.

2.3 CNN-LSTM網(wǎng)絡(luò)混合模型

2.3.1 本文模型結(jié)構(gòu)與參數(shù)配置

本文提出的CNN-LSTM網(wǎng)絡(luò)混合模型結(jié)構(gòu)如圖7所示，由17個(gè)堆疊的功能層構(gòu)成，CNN-LSTM網(wǎng)絡(luò)混合模型主要由兩部分組成，CNN網(wǎng)絡(luò)主要負(fù)責(zé)特征提取，LSTM網(wǎng)絡(luò)主要負(fù)責(zé)負(fù)荷預(yù)測(cè).CNN具體模型參數(shù)如表3所示.模型使用Python中的scikit-learn機(jī)器學(xué)習(xí)庫和PyTorch框架進(jìn)行實(shí)現(xiàn).該模型是以時(shí)間序列特征圖作為網(wǎng)絡(luò)的輸入.光柵位置信息、地震波類型、監(jiān)測(cè)時(shí)間等數(shù)據(jù)實(shí)際上都是相互獨(dú)立的時(shí)間序列.為了耦合這些影響負(fù)荷的特征信息，本文參考自然語言處理中的詞向量表示方法，將某一時(shí)刻的負(fù)荷值與其相關(guān)的特征串聯(lián)成向量表示，進(jìn)而形成一個(gè)全新的時(shí)間序列數(shù)據(jù).每一時(shí)刻的歷史負(fù)荷均與其相關(guān)的特征共同表示.然后再使用滑動(dòng)窗口方式依次將輸入的時(shí)間序列數(shù)據(jù)生成特征圖，為了方便后續(xù)網(wǎng)絡(luò)計(jì)算，滑動(dòng)窗口寬設(shè)為30 000條記錄，單位特征圖的尺寸為30 000×6.模型設(shè)有5層卷積層，各卷積層尺寸及步長等信息如表3所示.

表3 CNN網(wǎng)絡(luò)架構(gòu)詳細(xì)配置

圖7 CNN-LSTM模型Fig.7 CNN-LSTM model

輸入的子序列首先放入Block1中處理.Block1有3個(gè)功能層，依次包括卷積、ReLU和池化.它們?cè)趫D中分別表示為Conv_1、ReLU_1、Maxpooling_1.第一層Conv_1的輸入大小為30 000×1×30，卷積層由32個(gè)卷積核組成，卷積核的大小為1 000×1×30，滑動(dòng)窗口的步長為100.ReLU層對(duì)輸出尺寸沒有影響.池化層尺寸為2×1×32，步長為2.因此，Block1的輸出尺寸為146×6×32.在該模型中，卷積層用于提取輸入樣本的區(qū)別特征.選擇5個(gè)卷積層是基于LeNet-5在分類識(shí)別方面的成果[39-40].

2.3.2 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)

預(yù)測(cè)結(jié)果評(píng)估是為了驗(yàn)證CNN-LSTM模型的預(yù)測(cè)精度，分別使用根均平方誤差(RRMSE)、平均絕對(duì)誤差(RMAE)和決定系數(shù)(R2)來對(duì)模型預(yù)測(cè)結(jié)果進(jìn)行統(tǒng)計(jì).下面進(jìn)行詳細(xì)介紹.

(3)

(4)

(5)

RRMSE和RMAE兩個(gè)指標(biāo)都是用來描述預(yù)測(cè)值與真實(shí)值的誤差情況.它們之間的區(qū)別在于，RRMSE先對(duì)偏差做了一次平方，這樣的話，如果誤差較大，RMAE放大了誤差.決定系數(shù)R2用于評(píng)價(jià)模型的平均預(yù)測(cè)精度，是總誤差的平方和與總偏差的平方和之比.RRMSE和RMAE結(jié)果越接近0，R2的結(jié)果越接近1，模型的預(yù)測(cè)精度就越高.

3 實(shí)驗(yàn)結(jié)果分析

本次實(shí)驗(yàn)采用控制變量法逐步進(jìn)行模型調(diào)整，旨在測(cè)試增加LSTM網(wǎng)絡(luò)層數(shù)對(duì)模型預(yù)測(cè)效果的影響.在固定CNN層提取特征的情況下，通過不斷增加LSTM網(wǎng)絡(luò)的層數(shù)，測(cè)試了模型深度的影響.實(shí)驗(yàn)結(jié)果如表4所示，其中列出了7個(gè)評(píng)價(jià)指標(biāo)的平均值.從實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，適當(dāng)增加LSTM網(wǎng)絡(luò)層數(shù)可以提高模型預(yù)測(cè)能力.然而，當(dāng)LSTM網(wǎng)絡(luò)層數(shù)增加到4層以上時(shí)，誤差率升高，表明發(fā)生了過擬合.因此，本次試驗(yàn)選擇了3層LSTM網(wǎng)絡(luò)作為最終模型.

表4 LSTM網(wǎng)絡(luò)層數(shù)對(duì)軌道板預(yù)測(cè)結(jié)果精度的影響

圖8是中間光柵點(diǎn)算法模型預(yù)測(cè)值與實(shí)際值的比較，從圖8(a)～圖8(f)中可以看出，對(duì)于不同地震激勵(lì)下的應(yīng)變響應(yīng)，在沒有給出特定時(shí)間點(diǎn)的地震時(shí)程曲線譜的情況下，CNN-LSTM模型仍然可以通過同一時(shí)刻其他位置的光柵應(yīng)變響應(yīng)而得出另一位置的應(yīng)變信息，盡管在峰值處的擬合數(shù)據(jù)相對(duì)差異較大，但總體符合地震動(dòng)的變化趨勢(shì)，與實(shí)際變化趨勢(shì)基本一致.對(duì)于圖8(g) 和圖8(h) ，可以明顯看出本文提出的深度學(xué)習(xí)模型在軌道板、鋼軌、底座板的適用性比箱梁處好，從光柵預(yù)設(shè)位置猜測(cè)可能是箱梁離其余位置較遠(yuǎn)，該模型依托于軌道板應(yīng)變數(shù)據(jù)而搭建的，鋼軌、底座板與軌道板距離很近，所以效果比較好，而箱梁距離軌道較遠(yuǎn)并且是地震激勵(lì)的主要承受位置，使得與其他地方的應(yīng)變不同，從而導(dǎo)致箱梁的預(yù)測(cè)效果較差.CNN-LSTM模型優(yōu)越性的原因可以從兩個(gè)方面考慮.首先，它歸因于自動(dòng)編碼器的“降維”.對(duì)于當(dāng)前關(guān)于地震應(yīng)變響應(yīng)的預(yù)測(cè)問題，由于應(yīng)變大小應(yīng)在同一時(shí)刻相近位置之間逐漸變化而不是突然變化，因此高維輸入特征之間存在多重共線性.然而，通過自動(dòng)編碼器，高維輸入可以轉(zhuǎn)換為低維的潛在表示.這種嵌入向量保留了原始輸入的基本特征，同時(shí)減輕了特征之間的相關(guān)性.同時(shí)，它的降維有助于減少回歸器中未訓(xùn)練參數(shù)的數(shù)量，這有利于訓(xùn)練過程的收斂，節(jié)省計(jì)算預(yù)算，提高運(yùn)算效率.其次，CNN可以通過使用多個(gè)小型卷積濾波器從各個(gè)位置的應(yīng)變圖中逐步提取局部分布，從而充分利用區(qū)域信息.同時(shí)，池化層每次只保留主要特征，可以減少噪聲傳輸.

圖8 模型預(yù)測(cè)值與真實(shí)值的比較：(a)PGA=0.1g，軌道板光柵應(yīng)變預(yù)測(cè)結(jié)果；(b)PGA=0.2g，軌道板光柵應(yīng)變預(yù)測(cè)結(jié)果；(c)PGA=0.1g，鋼軌光柵應(yīng)變預(yù)測(cè)結(jié)果；(d)PGA=0.2g，鋼軌光柵應(yīng)變預(yù)測(cè)結(jié)果；(e)PGA=0.1g，底座板光柵應(yīng)變預(yù)測(cè)結(jié)果；(f)PGA=0.2g，底座板光柵應(yīng)變預(yù)測(cè)結(jié)果；(g)PGA=0.1g，箱梁應(yīng)變預(yù)測(cè)結(jié)果；(h)PGA=0.2g，箱梁應(yīng)變預(yù)測(cè)結(jié)果Fig.8 Comparison of model predicted values and true values：(a)PGA=0.1g，track plate grating strain prediction results；(b)PGA=0.2g，track plate grating strain prediction results；(c)PGA=0.1g，rail grating strain prediction results；(d)PGA=0.2g，rail grating strain prediction results；(e)PGA=0.1g，base plate grating strain prediction results；(f)PGA=0.2g，base plate grating strain prediction results；(g)PGA=0.1g，box beam strain prediction results；(h)PGA=0.2g，box beam strain prediction results

4 結(jié)論

本文針對(duì)高速鐵路簡支梁橋振動(dòng)臺(tái)試驗(yàn)?zāi)Ｐ停谲壍腊?、底座板、鋼軌、箱梁處布置?zhǔn)分布式光纖光柵監(jiān)測(cè)應(yīng)變，提出了一種基于CNN-LSTM模型的地震響應(yīng)預(yù)測(cè)方法，該方法利用CNN處理數(shù)據(jù)，提取有效特征，再通過LSTM網(wǎng)絡(luò)進(jìn)行時(shí)序數(shù)據(jù)分析.該方法有以下優(yōu)勢(shì)：

1) 將多源數(shù)據(jù)按時(shí)間滑動(dòng)窗口構(gòu)造連續(xù)特征圖作為輸入，充分發(fā)揮CNN模型的特征提取優(yōu)勢(shì)，從而挖掘數(shù)據(jù)中蘊(yùn)含的更多有效信息. 將特征向量以時(shí)序序列方式構(gòu)造并作為LSTM網(wǎng)絡(luò)模型輸入數(shù)據(jù)，LSTM網(wǎng)絡(luò)模型能較好地?cái)M合響應(yīng)數(shù)據(jù)的時(shí)序性和復(fù)雜的非線性關(guān)系；

2)本文提出的CNN-LSTM模型充分發(fā)揮了CNN模型和LSTM網(wǎng)絡(luò)模型的優(yōu)點(diǎn).經(jīng)過全面的分析研究和驗(yàn)證，本文證明了該模型的有效性.針對(duì)RRMSE、RMAE、R2等幾個(gè)評(píng)估指標(biāo)，本文發(fā)現(xiàn)，與單一模型相比，采用兩種模型結(jié)合的融合模型在特征表達(dá)方面更加有效，預(yù)測(cè)精度更高；

3) CNN-LSTM模型可以很好地實(shí)現(xiàn)光纖光柵對(duì)橋梁地震響應(yīng)的預(yù)測(cè)，所使用的網(wǎng)絡(luò)模型適用于大部分點(diǎn)位；

4)光柵因自身材質(zhì)問題不易存活或出現(xiàn)測(cè)量點(diǎn)應(yīng)變突變等情況，通過本文的研究發(fā)現(xiàn)利用深度學(xué)習(xí)可以通過已測(cè)光柵點(diǎn)的應(yīng)變信息預(yù)測(cè)其他點(diǎn)的應(yīng)變.從一定程度上可以減少監(jiān)測(cè)成本及避免因光柵不成活而造成的數(shù)據(jù)損失.