(19)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 202210614096.5 (22)申请日 2022.06.01 (71)申请人 华南理工大 学 地址 510640 广东省广州市天河区五山路 381号 (72)发明人 周林仁　陈钰萌　陈兰　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 专利代理师 戴晓琴 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/08(2020.01) (54)发明名称 基于混合输入神经网络模型的桥梁热边界 条件预测方法、 装置及 介质 (57)摘要 本发明公开了一种基于混合输入神经网络 模型的桥梁热边界条件预测方法、 装置、 计算机 设备和存储介质， 所述方法包括： 获取样本数据 并进行处理， 得到数据集； 混合输入神经网络模 型包括多层感知器和循环神经网络两个 分支， 多 层感知器用于处理数据集中的表 面角度数据， 识 别表面位置； 循环神经网络用于对 数据集中的气 象数据进行操作， 并记忆不同时间长度的数值依 赖关系； 将两个分支输出的数据串联后， 通过全 连接的多层感知器后， 得到模型的输出结果； 利 用数据集训练模 型， 将获取的气象数据和表面角 度数据输入训练好的模型， 得到预测结果， 完成 所需时间步内桥梁结构热边界条件的预测。 本发 明提供的方法， 预测精度高， 具有很好的工程实 用性。 权利要求书3页 说明书11页 附图5页 CN 115081269 A 2022.09.20 CN 115081269 A 1.一种基于混合输入神经网络模型的桥梁热边界条件预测方法， 其特征在于， 所述方 法包括： 获取样本数据， 所述样本数据包括气象数据和表面角度数据和第三类热边界条件； 对所述样本数据进行处 理， 得到数据集； 构建混合输入神经网络模型， 所述混合输入神经网络模型为具有两个分支的多输入神 经网络， 第一个分支是多层感知器， 用于处理所述数据集中的表面角度数据， 识别表面位 置； 第二个 分支是循环神经网络， 用于对所述数据集中的气象数据进 行操作， 并记忆不同时 间长度的数值依赖关系； 将 两个分支输出的数据串联后， 通过全连接的多层感知器后， 得到 模型的输出 结果； 根据所述输出结果和所述第 三类热边界条件， 对所述混合输入神经网络模型调 整参数 和优化， 得到训练好的混合输入神经网络模型； 将获取的气象数据和表面角度 数据输入所述训练好的混合输入神经网络模型， 得到预 测结果， 完成所需时间步内桥梁结构第三类热边界条件的预测。 2.根据权利要求1所述的桥梁热边界条件预测方法， 其特征在于， 所述循环神经网络为 长短期记 忆神经网络， 所述多层感知器包括第一隐藏层和第二隐藏层； 所述将两个分支输出的数据串联后， 通过全连接的多层感知器后， 得到模型的输出结 果， 包括： 将所述数据集中的气象数据输入所述长短期记忆神经网络， 输出气象数据关系及网络 状态； 将所述数据集中的表面角度 数据输入所述多层感知器的输入层， 将输入层的输出结果 输入第一隐藏层； 将所述长短期记忆神经网络输出的数据与第 一个隐藏层输出的数据进行串联， 经过多 层感知器的全连接层后， 将连接层处 理后的数据输入第二隐藏层； 将第二隐藏层的输出输入所述多层感知器的输出层， 输出层输出的结果为所述混合输 入神经网络模型的输出值； 其中， 第一个隐藏层的激活函数为 LeakyReLU。 3.根据权利要求1所述的桥梁热边界条件预测方法， 其特征在于， 所述数据集分为训练 集和测试集； 所述混合输入神经网络模型为两个， 即第 一输入神经网络模型和第 二输入神经网络模 型； 根据所述输出结果和所述第 三类热边界条件， 混合输入神经网络模型自动调整超参数 和优化， 得到训练好的混合输入神经网络模型， 包括： 为了提高混合输入神经网络模型的预测性 能， 利用与顶板、 东西腹板受照部分、 东西翼 缘外端表面会在日出时段受到太阳直接辐 射表面的表面角度数据对应的训练集中的气象 数据和表面角度数据输入所述第一输入神经网络模型， 得到模型 的输出结果； 根据对应的 训练集中的第三类热边界条件和输出结果， 对所述第一输入神经网络模型进 行参数调整和 优化； 同理， 利用与底板、 东西腹板未受照部分、 东西翼缘底面始终不会受到太阳直接辐射表 面的表面角度数据对应的训练集对所述第二混合输入神经网络模型进行训练；权　利　要　求　书 1/3 页 2 CN 115081269 A 2采用所述测试集的均方误差作为所述第一、 第二混合输入神经网络模型的损失函数； 在训练过程中， 若连续k个周期内损失函数停止下降， 则停止训练， 即得到训练好的第 一、 第二混合输入神经网络模型， 其中， k 为设定阈值。 4.根据权利要求3所述的桥梁热边界条件预测方法， 其特征在于， 所述将 获取的气象数 据和表面角度数据输入所述训练好的混合输入神经网络模型， 得到预测结果， 完成所需时 间步内桥梁结构第三类热边界条件的预测， 包括： 根据获取的表面角度数据， 从所述训练好的第一、 第二混合输入神经网络模型中选择 一个相应的混合输入神经网络模型； 将获取的气象数据和表面角度 数据输入选择的混合输入神经网络模型中， 对混合输入 神经网络模型输出的值进行反标准 化处理， 得到预测结果。 5.根据权利要求1所述的桥梁热边界条件预测方法， 其特征在于， 所述对所述样本数据 进行处理， 得到数据集， 包括： 对所述样本数据进行 结构转换， 得到转换后样本数据； 将所述转换后样本数据中的气象数据和第三类热边界条件进行Z ‑Score标准化处理， 处理后的气象数据和 第三类热边界条件， 以及转换后 样本数据中的表面角度数据构成数据 集。 6.根据权利要求5所述的桥梁热边界条件预测方法， 其特征在于， 所述表面角度 数据包 括顶板、 底板、 东腹板及西腹板、 东翼缘及西翼缘表面的倾角 α 以及表面方位角 β； 所述对样本数据进行 结构转换， 得到转换后样本数据， 包括： 将所述样本数据的气象数据改造为三维张量格 式， 得到改造后气象数据； 其中， 第一个 维度为转化后的样本总量， 该参数可缺省； 第二个维度为神经网络层每个批次时序数据的 步长， 决定 了循环结构在不同时间状态上的展开次数； 第三个维度为气象数据的特 征数目； 将所述样本数据的表面角度数据变换成三维张量格式， 得到变换后表面角度数据， 包 括： 求倾角 α 的余弦与表面方位角 β 的余弦及正弦； 将倾角 α 的余弦与表面方位角 β 的余弦及正弦堆叠处 理成三维张量格式； 所述改造后气象数据、 变换后表面角度数据以及第 三类热边界条件构 成转换后样本数 据。 7.根据权利要求5所述的桥梁热边界条件预测方法， 其特征在于， 所述第 三类热边界条 件包括综合气温和综合换 热系数。 8.根据权利要求1～7任一项所述的桥梁热边界条件预测方法， 其特征在于， 所述气象 数据包括天顶角、 环境温度、 降雨 量、 风速、 云层覆盖率和相对湿度。 9.一种基于混合输入神经网络模型的桥梁热边界条件预测装置， 其特征在于， 所述装 置包括： 数据获取模块， 用于获取样本数据， 所述样本数据包括气象数据和表面角度数据和第 三类热边界条件； 数据处理模块， 用于对所述样本数据进行处 理， 得到数据集； 模型构建模块， 用于构建混合输入神经网络模型， 所述混合输入神经网络模型为具有 两个分支的多输入神经网络， 第一个分支是多层感知器， 用于处理所述数据集中的表面角权　利　要　求　书 2/3 页 3 CN 115081269 A 3