一种基于LSTM模型的路网桥梁技术状况评估方法

技术领域

本发明涉及基础设施智慧运维技术领域，具体地说是一种基于LSTM模型的路网桥梁技术状况评估方法。

背景技术

随着我们国家交通运输页的快速发展，我国以公路桥梁为典型的基础设施取得了长足发展。桥梁作为交通路网中至关重要的节点和纽带，在化解传统产业产能过剩、推动地区经济文化互联互通、促进区域协同发展和拉动经济稳定增长等方面发挥着举足轻重的作用。

带来日益增长的桥梁建设需求同滞后的管养维护措施和安全状态自评估技术之间的矛盾，快速、准确获取桥梁安全状态并及时采取科学预防性维护手段，对保障桥梁安全、破解行业痛点难题具有重要意义。桥梁结构评估采用的普遍做法为对目标桥梁定期执行人工目检和无损检测。此类方法确立并发展了基于技术状况的桥梁评定体系，通过检测手段获取退化信息，使用综合指标量化评估结果。同时，部分学者尝试研究基于结构可靠度的桥梁结构评估方法，然而可靠度类方法无法利用长年监测工作积累的海量报告中的宝贵信息，同时极大地增加了评估流程的复杂度和所需的专业知识。

因此技术状况类方法仍是目前桥梁评定工作的主流，但沉淀的数据价值如何在网级评估中得到有效应用，尚缺乏系统的理论支持。以海量监测数据为样本，通过数学模型从中抽象出桥梁的退化机理是一种可行的做法。单体桥梁的性能退化趋势可以准确地预测，但实际的桥梁管养方案通常是由管理机构在路网层次进行规划和筹备的。因此，在路网层次进行退化规律的归纳和演绎通常更有意义。

发明内容

本发明为克服现有技术的不足，提供一种基于LSTM模型的路网桥梁技术状况评估方法。

为实现上述目的，设计一种基于LSTM模型的路网桥梁技术状况评估方法，包括如下步骤：

S1：根据城市桥梁路网的历年桥梁信息卡片，选取信息卡片中的参数进行采集；

S2：对同一年份的各项数据键对进行打包封装成为训练对象，之后根据封装对象中数据键对不同年份连续性进行数据清理，并将非结构化和半结构化数据转换成结构化数据；

S3：基于规整化的数据库，利用深度学习架构Pytorch构建并训练考虑时间序列的LSTM模型，得到能够满足实际结构性能退化预测趋势的模型；

S4：利用训练完成后的路网桥梁结构性能LSTM模型，采用层次分析法进行评估路网桥梁技术状况。

所述的所述步骤S1的具体方法如下：

S11：收集目标路网所有桥梁不同年份的信息卡片；

S12：提取每张卡片数据中的桥龄、结构类型、交通流量、材料种类、预应力、维修记录、桥梁结构评分。

所述的步骤S11中的按照连续的年份收集所有信息，对于缺失的年份需要进行标记；步骤S12中的每份数据在在收集过程中需要对数据进行真实性甄别。

所述的步骤S2的具体方法如下：

S21，将每座桥梁每年的桥龄、结构类型、交通流量、材料种类、预应力、维修记录、桥梁结构评分的各项指标与其对应参数进行配对；

S22，将结构化数据进行标准化处理，将数据整理在[0,1]范围内，处理方法为：

其中，x′为标准化处理后的交通流量或桥龄数据，x

S23，对于桥梁结构状况评分进行归一化变化：

其中，y′为归一化后的桥梁结构状况评分，y

S24，将桥梁结构类型进行利用one-hot方法进行矢量化处理。

所述的步骤S3的具体方法如下：

S31：根据已经规整化的数据集种类，确定LSTM模型的输入数据X

S32:建立转换模块Transform将输入数据X从矩阵形式转换为Pytorch架构中使用的Tensor格式；

S33:根据输入数据X的时间维度，确定LSTM模型输入层、输出层与隐藏层的基本单元数量i，利用Pytorch生成路网桥梁LSTM模型基本架构；

S34：初始化LSTM模型中的权重参数w和偏置b，设置损失函数smoothL1损失函数，整体模型参数的优化采用误差反向传播模型；

S35：将模型数据进行划分，其中训练集70％、验证集15％、测试集15％，进行训练模型和测试模型在不同样本上的泛化误差，以评估性能。

所述的步骤S4的具体方法如下：

S41：根据LSTM模型预测未来桥梁技术状况，对路网内部不同类型桥梁进行退化趋势预测；

S42:采用层次分析法建立构件-单体-路网的桥梁技术状况评估方法；

S43:根据历史数据与预测结果，采用指数模型建立路网桥梁退化曲线。

所述步骤S1的具体方法如下：

S-11：收集目标道路不同年份的技术状况信息卡片；

S-12：提取每张卡片数据中的线路编码、设施名称、通车时间、线路等级、交通流量、面层类型、维修记录和路面技术状况指数。

所述步骤S2的具体方法如下：

S-21将每座桥梁每年的线路编码、设施名称、通车时间、线路等级、交通流量、面层类型、预应力、维修记录和路面技术状况指数的各项指标与其对应参数进行配对；

S-22，将结构化数据进行标准化处理，将数据整理在[0,1]范围内，处理方法为：

其中，x′为正则化处理后的数据，x

S-23,对于道路类型等非结构化数据，利用one-hot方法进行矢量化处理。

所述步骤S3的具体方法如下：

S-31：根据已经规整化的数据集种类，确定LSTM模型的输入数据X

S-32:建立转换模块Transform将输入数据X从矩阵形式转换为Pytorch架构中使用的Tensor格式；

S-33:根据输入数据X的时间维度，确定LSTM模型输入层、输出层与隐藏层的基本单元数量i，利用Pytorch生成路网桥梁LSTM模型基本架构；

S-34：初始化LSTM模型中的权重参数w和偏置b，设置损失函数smoothL1损失函数，整体模型参数的优化采用误差反向传播模型；

S-35：将模型数据进行划分，其中训练集70％、验证集15％、测试集15％，进行训练模型和测试模型在不同样本上的泛化误差，以评估性能。

所述步骤S4的具体方法如下：

S-41：根据LSTM模型预测未来桥梁技术状况，对路网内部不同类型桥梁进行退化趋势预测；

S-42:采用层次分析法建立构件-单体-路网的桥梁技术状况评估方法。通过赋予不同结构对应的权重，将不同层次的构件-单体-路网相连接在一起，形成网级桥梁技术状况评估方法；

S-43:根据历史数据与预测结果，将数据依照年限进行联接建立路面技术状况退化曲线。

本发明同现有技术相比，针对路网桥梁的退化情况进行智能化预测，以对常见类型桥梁状况进行安全性评估。

附图说明

图1为本发明实施例一步骤S1中的信息卡片示意图。

图2为本发明实施例一步骤S1中的桥梁结构技术状况现有的评分表。

图3为本发明实施例一步骤S33的示意图。

图4为本发明实施例一步骤S33中LSTM的基本架构图。

图5为本发明实施例一步骤S34LSTM模型隐藏状态结构的示意图。

图6为本发明实施例一步骤S43生成的G1053路网桥梁随时间退化的曲线图。

具体实施方式

下面根据附图对本发明做进一步的说明。

实施例一：

本实施例以上海G1053高速路网的桥梁技术状况预测为范例进行说明，包括如下步骤：

S1：根据G1053高速路网桥梁的历年桥梁信息卡片，选取信息卡片中的桥龄、结构类型、交通流量、材料种类、预应力、维修记录、桥梁结构评分。

步骤S11：收集目标路网所有桥梁不同年份的信息卡片；通过城市管养智慧系统，将G1503高速路网上所有的桥梁信息卡片进行收集和汇总，信息卡片如图1所示，桥梁结构技术状况现有的评分表如图2所示。

步骤S12：提取每张卡片数据中的桥龄、结构类型、交通流量、材料种类、预应力、维修记录、桥梁结构评分。通过信息抓取技术，对卡片中的关键词进行检索，自动抓取状态名称和对应信息数据，组成信息键对。

步骤S11中的所有信息必须按照连续的年份进行收集，对于缺失的年份需要进行标记，在数据处理中，为保证数据的一致性，可以进行数据的拟合填充。

步骤S12中的每份数据在在收集过程中需要进行数据真实性甄别。

S2：对同一年份的各项数据键对进行打包封装成为训练对象，之后根据封装对象中数据键对不同年份连续性进行数据清理，并将非结构化和半结构化数据转换成结构化数据。

步骤S21：将每座桥梁每年的桥龄、结构类型、交通流量、材料种类、预应力、维修记录、桥梁结构评分的各项指标汇总形成数据库，数据库示例如表1所示。

表1，桥梁状态数据库示例

步骤S22，将结构化数据进行标准化处理。路网桥梁以及交通流量等均为标量数据，不需要进行结构化数据转化。但是由于其数量级相差较大，以上海桥梁为例，桥龄量级一般为10，而交通流量量级一般为10

其中，x′为标准化处理后的交通流量或桥龄数据，x

以表1中桥梁为例，将其结构化数据日交通量，桥跨长度，桥龄等进行标准化处理，其中交通量范围为[800,1800]，桥跨长度范围为[10,40]，桥龄为[2,28]，处理步骤如下：

步骤S23，对于桥梁结构状况评分进行归一化变化：

其中，y′为归一化后的桥梁结构状况评分，y

本实施例中

步骤S24，对于桥梁结构类型等结构化或半结构化数据进行处理，为了使不同的桥梁结构类型，如简支梁桥、连续梁桥、拱桥等相互独立，将桥梁结构类型进行利用one-hot方法进行矢量化处理。

以表1中桥梁为例，G1053桥梁类型共包括空心板梁，T型梁，小箱梁，则可以分别利用one-hot赋予其(1,0,0)，(0,1,0)，(0,0,1)三个对应向量。

最终处理后的表2为：

表2，桥梁状态数据库示例表

S3：基于规整化的数据库，利用深度学习架构Pytorch构建并训练考虑时间序列的LSTM模型，得到能够满足实际结构性能退化预测趋势的模型。

步骤S31：根据已经规整化的数据集种类，确定LSTM模型的输入数据X

本实施例中，将表2中的数据进行排列得到数据矩阵：

步骤S32:建立转换模块Transform将输入数据X从矩阵形式转换为Pytorch架构中使用的Tensor格式；

X

＝[[x

步骤S33:根据输入数据X的时间维度，确定LSTM模型输入层、输出层与隐藏层的基本单元数量i，利用Pytorch生成路网桥梁LSTM模型基本架构。

本实施例中，表1中桥梁桥龄为18年，以年为单位，设定18个输入层、输出层与隐藏层的基本单元组，如图3所示。

本实施例生成的LSTM基础框架如图4所示，每个基本架构包括输入数据X，隐藏状态Φ和输出结果Y，这是因为不同时间段的桥梁结构都会有一个对应状态输出，LSTM的这种架构正好满足了桥梁状态的预测需求。

步骤S34：初始化LSTM模型中的权重参数w和偏置b，设置函数smoothL1为损失函数，并对LSTM隐藏状态结构进行设定，整体模型参数的优化采用误差反向传播模型，即Error Back-Propagation。其中隐藏状态结构如图5所示，主要包括重置门、更新门以及候选隐藏状态，通过重置门和更新门使桥梁结构的长短期信息均能够顺利的传入下一个时间单元中。

S4，利用训练完成后的路网桥梁结构性能LSTM模型，采用层次分析法进行评估路网桥梁技术状况。

步骤S41：根据LSTM模型预测未来桥梁技术状况，对路网内部不同类型桥梁进行退化趋势预测。将G1503的数据导入训练完成的LSTM模型，并进行未来年度的桥梁技术状况预测。

步骤S42:采用层次分析法建立构件-单体-路网的桥梁技术状况评估方法。通过赋予不同结构对应的权重，将不同层次的构件-单体-路网相连接在一起，形成网级桥梁技术状况评估方法，评估方法为：

S

各项参数如表3所示。

表3，权重参数

步骤S42:根据历史数据与预测结果，建立G1053路网桥梁随时间退化的曲线，如图6所示。其中横坐标为时间，单位为年，纵坐标为预测分数。