一种预测混凝土构件应力应变曲线的处理方法和装置与流程

本发明涉及数据处理，特别涉及一种预测混凝土构件应力应变曲线的处理方法和装置。

背景技术：

1、在钢筋混凝土构件(简称混凝土构件)的设计阶段，通过应力应变曲线可以对构件的抗压性能进行直观分析。而要获得该应力应变曲线则需在受压实验中对加压过程的应力-应变数据对进行持续采集。我们在实验中发现一个问题：应变数据的采集方式比较简单直接，但应力数据并不能通过直接方式采集、需要经过大量的工程计算才能确定。这个问题无疑会给构件设计工作带来较大的计算工作量、降低设计效率。

技术实现思路

1、本发明的目的，就是针对现有技术的缺陷，提供一种预测混凝土构件应力应变曲线的处理方法、装置、电子设备及计算机可读存储介质。本发明基于bp网络和lstm堆叠网络+全连接层构建一个曲线预测模型；并通过对bp网络、lstm堆叠网络+全连接层进行分别训练的方式完成模型训练；并在模型训练结束后，利用该曲线预测模型根据任意混凝土构件的设计参数清单和应变数据序列进行应力应变曲线预测。将本发明应用在混凝土构件的设计工作中，可以在只有应变数据序列的情况下进行应力应变曲线构建，通过本发明不但可以降低设计工作的计算工作量、还能提高设计效率。

2、为实现上述目的，本发明实施例第一方面提供了一种预测混凝土构件应力应变曲线的处理方法，所述方法包括：

3、构建曲线预测模型；所述曲线预测模型的模型输入端包括第一模型输入端和第二模型输入端，所述曲线预测模型只有一个模型输出端；所述第一模型输入端用于接收带有混凝土构件的十九类归一化设计参数的设计参数向量；所述第二模型输入端用于接收所述混凝土构件的归一化应变数据序列的切分序列串，所述切分序列串由多个切分序列顺序排序而成；所述模型输出端用于输出所述混凝土构件的应力应变曲线；

4、对所述曲线预测模型进行模型训练；

5、模型训练结束后，接收第一混凝土构件的第一设计参数清单和第一应变数据序列；并使用所述曲线预测模型根据所述第一设计参数清单和所述第一应变数据序列进行曲线预测得到对应的第一应力应变曲线。

6、优选的，所述曲线预测模型包括bp网络、第一反归一化模块、lstm堆叠网络、全连接层和第二反归一化模块；

7、所述bp网络的输入端与所述第一模型输入端连接，输出端与所述第一反归一化模块的输入端连接；所述bp网络包括输入层、隐藏层和输出层；所述隐藏层和所述输出层使用的单元传递函数均为sigmoid函数；

8、所述输入层由19个并行的输入层单元组成；每个所述输入层单元用于接收所述设计参数向量中的一类归一化设计参数；

9、所述隐藏层由多个并行的隐藏层单元组成，每个所述隐藏层单元与所有所述输入层单元全连接；每个所述隐藏层单元用于对与自身连接的所有所述输入层单元的所述归一化设计参数进行全连接计算生成对应的第一全连接向量，并基于sigmoid函数对所述第一全连接向量进行激活处理得到对应的第一激活向量；

10、所述输出层由两个并行的输出层单元组成，每个所述输出层单元与所有所述隐藏层单元全连接；第一个所述输出层单元用于对与自身连接的所有所述隐藏层单元的所述第一激活向量进行全连接计算生成对应的第二全连接向量，并基于sigmoid函数对所述第二全连接向量进行激活处理得到对应的第一激活数据，并将所述第一激活数据作为对应的归一化峰值应力数据向所述第一反归一化模块发送；第二个所述输出层单元用于对与自身连接的所有所述隐藏层单元的所述第一激活向量进行全连接计算生成对应的第三全连接向量，并基于sigmoid函数对所述第三全连接向量进行激活处理得到对应的第二激活数据，并将所述第二激活数据作为对应的归一化峰值应变数据向所述第一反归一化模块发送；

11、所述第一反归一化模块的输出端与所述第二反归一化模块的第一输入端连接；所述第一反归一化模块用于根据预设的最大、最小峰值应力数据阈值对所述bp网络输出的所述归一化峰值应力数据进行反归一化处理得到对应的峰值应力数据fcc；根据预设的最大、最小峰值应变数据阈值对所述bp网络输出的所述归一化峰值应变数据进行反归一化处理得到对应的峰值应变数据εcc；并将所述峰值应力数据fcc和所述峰值应变数据εcc向所述第二反归一化模块发送；

12、所述lstm堆叠网络的输入端与所述第二模型输入端连接，输出端与所述全连接层的输入端连接；所述lstm堆叠网络由多层lstm层堆叠而成；所述lstm堆叠网络中上一层所述lstm层的结束隐藏向量he传至下一层所述lstm层作为对应的起始隐藏向量hs；

13、所述lstm堆叠网络基于所述切分序列串的所述切分序列的总数对所述lstm层的总堆叠层数进行动态设置，所述lstm层与所述切分序列一一对应；

14、各个所述lstm层用于接收对应的所述切分序列；并在自身为第一层所述lstm层时基于所述初始隐藏向量h0设置自身的所述起始隐藏向量hs；并在自身不为第一层所述lstm层时基于上一层所述lstm层传递的所述结束隐藏向量he设置自身的所述起始隐藏向量hs；并根据当前设置的所述起始隐藏向量hs和当前接收的所述切分序列进行应变特征提取得到对应的应力特征向量；并将所述应力特征向量向所述全连接层发送；并将自身的所述结束隐藏向量he向下一层所述lstm层传递；所述应力特征向量的向量长度与所述切分序列的序列长度保持一致；

15、所述全连接层的输出端与所述反归一化模块的第二输入端连接；所述全连接层用于对所述lstm堆叠网络输出的所有所述应力特征向量进行顺次拼接得到对应的全序列应力特征向量；并根据所述全序列应力特征向量进行归一化应变数据回归计算得到对应的归一化应力数据序列；并将所述归一化应力数据序列向所述第二反归一化模块发送；所述归一化应力数据序列的序列长度与所述切分序列串对应的所述归一化应变数据序列的序列长度保持一致；

16、所述第二反归一化模块的输入端包括所述第一输入端、所述第二输入端和第三输入端，所述第三输入端与所述第二模型输入端连接；所述第二反归一化模块的输出端与所述模型输出端连接；所述第二反归一化模块用于通过对所述切分序列串的所有所述切分序列进行顺次拼接的方式复原对应的所述归一化应变数据序列；并基于所述峰值应变数据εcc对所述归一化应变数据序列进行反归一化处理得到对应的反归一化应变数据序列；并基于所述峰值应力数据fcc对所述归一化应力数据序列进行反归一化处理得到对应的反归一化应力数据序列；并按序列索引匹配关系将所述反归一化应力数据序列和所述反归一化应变数据序列中每对序列索引匹配的应力数据和应变数据提取出来组成一个对应的应力应变数据对；并对得到的所有所述应力应变数据对进行顺序排序组成对应的应力应变数据对序列；并根据所述应力应变数据对序列进行二维曲线拟合得到对应的所述应力应变曲线并输出。

17、优选的，所述十九类归一化设计参数包括归一化的箍筋短轴尺寸参数、归一化的箍筋长轴尺寸参数、归一化的箍筋截面面积参数、归一化的箍筋截面惯性矩参数、归一化的箍筋外形编码参数、归一化的箍筋间距参数、归一化的箍筋配筋率参数、归一化的箍筋强度参数、归一化的箍筋肢数参数、归一化的混凝土强度参数、归一化的截面尺寸参数、归一化的混凝土保护层厚度参数、归一化的构件纵向尺寸参数、归一化的构件高宽比参数、归一化的构件截面形状参数、归一化的纵筋强度参数、归一化的纵筋配筋率参数、归一化的配箍特征值参数和归一化的配筋特征值参数。

18、优选的，所述对所述曲线预测模型进行模型训练，具体包括：

19、将所述曲线预测模型的所述bp网络作为对应的第一训练模型ma；并由所述曲线预测模型的所述lstm堆叠网络和所述全连接层组成对应的第二训练模型mb；

20、对所述bp网络的隐藏层单元总数的取值范围进行设置得到对应的第一取值范围；对所述lstm堆叠网络的各个所述lstm层对应的切分序列长度的取值范围进行设置对应的第二取值范围；所述第一取值范围包括多个第一取值ni，索引i为大于1的整数；所述第二取值范围包括多个第二取值lj，索引j为大于1的整数；

21、并基于各个所述第一取值ni对第一训练模型ma的所述bp网络的隐藏层单元总数进行设置得到对应的第一训练模型mai；并基于各个所述第二取值lj对所述第二训练模型mb的各个所述lstm层的结构进行设置得到对应的第二训练模型mbj；

22、并基于遗传算法根据预设的第一数据集对所有所述第一训练模型mai进行最优模型筛选得到对应的最优模型；并基于预设的第一模型参数优化器根据所述第一数据集对所述最优模型进行优化训练得到对应的优化模型；并基于所述优化模型的模型参数对所述bp网络进行参数固化；所述第一数据集包括多个第一数据记录；所述第一数据记录包括第一训练向量和第一标签向量；所述第一训练向量由一组所述十九类归一化设计参数组成；所述第一标签向量由两个归一化数据标签组成，分别为归一化峰值应力数据标签和归一化峰值应变数据标签；所述第一模型参数优化器包括sgd优化器和adam优化器；

23、并基于预设的第二模型参数优化器根据预设的第二数据集对各个所述第二训练模型mbj进行模型训练；并对完成训练的所有所述第二训练模型mbj进行模型性能评估并基于评估结果确定对应的最优模型参数；并基于所述最优模型参数对所述lstm堆叠网络和所述全连接层进行参数固化；所述第二数据集包括多个第二数据记录；所述第二数据记录包括第一训练应变数据序列和第一标签应力数据序列；所述第一训练应变数据序列和所述第一标签应力数据序列都为一个归一化序列；所述第二模型参数优化器包括sgd优化器和adam优化器；

24、并在对所述bp网络、所述lstm堆叠网络和所述全连接层都完成参数固化之后，确认所述曲线预测模型的模型训练结束。

25、进一步的，所述基于遗传算法根据预设的第一数据集对所有所述第一训练模型mai进行最优模型筛选得到对应的最优模型，具体包括：

26、步骤51，基于预设的第一提取比例从所述第一数据集中随机提取出多个所述第一数据记录组成对应的第二数据集；

27、其中，所述第一提取比例为一个小于1的百分比；所述第一数据集的记录总数与所述第一提取比例的乘积和所述第二数据集的记录总数匹配；

28、步骤52，对各个所述第一训练模型mai的模型参数进行初始化；并基于各个所述第一训练模型mai的当前模型参数进行模型参数向量构建得到对应的第一模型参数向量；并为各个所述第一训练模型mai设置一个对应的第一模型误差，并将各个所述第一模型误差初始化为1；并将第一计数器初始化为1；

29、步骤53，将各个所述第一训练模型mai作为对应的当前训练模型；并对所述第二数据集的所有所述第一数据记录进行遍历；并在遍历时将当前遍历的所述第一数据记录作为对应的当前训练记录；并将所述当前训练记录的所述第一训练向量输入所述当前训练模型进行处理得到对应的归一化峰值应力预测数据和归一化峰值应变预测数据；并由所述归一化峰值应力预测数据和所述归一化峰值应变预测数据组成一个对应的第一预测向量；并由所述第一预测向量和所述当前训练记录的所述第一标签向量组成一个对应的第一预测/标签向量对；并在本次遍历结束时，将得到的所有所述第一预测/标签向量对带入预设的第一误差函数进行误差计算得到对应的第一预测误差，并将所述当前训练模型对应的所述第一模型误差重置为对应的所述第一预测误差；

30、其中，所述第一误差函数至少包括mse误差函数；

31、步骤54，将各个所述第一训练模型mai对应的所述第一模型误差的倒数作为对应的第一模型适应度；并对得到的所有所述第一模型适应度进行总和计算得到对应的第一适应度总和；并将各个所述第一模型适应度与所述第一适应度总和的比值作为对应的第一模型选择概率；并按所述第一模型选择概率从高到低的顺序对所有所述第一训练模型mai进行排序得到对应的第一训练模型序列；

32、步骤55，对所述第一训练模型mai的总数进行统计得到对应的第一总数；并对所述第一总数是否为奇数进行识别；若是，则转至步骤56；若否，则转至步骤57；

33、步骤56，将所述第一训练模型序列中的第1个所述第一训练模型mai作为当次精英模型；并将所述第一训练模型序列的第2、3个所述第一训练模型mai组成一个对应的第一模型对，将第4、5个所述第一训练模型mai组成一个对应的所述第一模型对，依次类推，直到将倒数第二个和最后一个所述第一训练模型mai组成一个对应的所述第一模型对为止；并将所述当次精英模型的所述第一模型参数向量直接作为对应的第一模型交叉参数向量；并基于预设的个体交叉算法和预设的第一交叉概率对各个所述第一模型对的两个所述第一训练模型mai的所述第一模型参数向量进行向量数据交叉处理得到两个对应的所述第一模型交叉参数向量；并转至步骤58；

34、其中，所述个体交叉算法为ga算法中的一类染色体交叉算法，所述染色体交叉算法至少包括单点交叉算法、多点交叉算法和算术交叉算法；

35、步骤57，将所述第一训练模型序列的第1、2个所述第一训练模型mai组成一个对应的所述第一模型对，将第3、4个所述第一训练模型mai组成一个对应的所述第一模型对，依次类推，直到将倒数第二个和最后一个所述第一训练模型mai组成一个对应的所述第一模型对为止；并基于所述个体交叉算法和所述第一交叉概率对各个所述第一模型对的两个所述第一训练模型mai的所述第一模型参数向量进行向量数据交叉处理得到两个对应的所述第一模型交叉参数向量；

36、步骤58，基于预设的个体变异算法和预设的第一变异概率对各个所述第一训练模型mai的所述第一模型交叉参数向量进行向量数据变异处理得到对应的第一模型变异参数向量；

37、其中，所述个体变异算法为ga算法中的一类染色体变异算法，所述染色体变异算法至少包括基本位变异算法、均匀变异算法、非均匀变异算法和高斯近似变异算法；

38、步骤59，对所述第一计数器是否超过预设的第一计数器阈值进行识别；若所述第一计数器未超过所述第一计数器阈值，则对所述第一计数器加1，并基于各个所述第一模型变异参数向量对当前向量对应的所述第一训练模型mai的模型参数进行一次重置，并返回步骤53；若所述第一计数器超过所述第一计数器阈值，则将最新的所述第一训练模型序列中的第1个所述第一训练模型mai作为对应的所述最优模型，并对所述最优模型的模型参数进行一次固化，并结束本次最优模型筛选。

39、进一步的，所述基于预设的第一模型参数优化器根据所述第一数据集对所述最优模型进行优化训练得到对应的优化模型，具体包括：

40、步骤61，将所述第一数据集的第一个所述第一数据记录提取出来作为对应的当前训练记录；

41、步骤62，将所述当前训练记录的所述第一训练向量输入所述最优模型进行处理得到对应的归一化峰值应力预测数据和归一化峰值应变预测数据组成对应的第二预测向量；

42、步骤63，将所述第二预测向量和所述当前训练记录的所述第一标签向量输入预设的第一模型损失函数进行计算得到对应的第一损失值；

43、其中，所述第一模型损失函数至少包括l1损失函数和l2损失函数；

44、步骤64，对所述第一损失值是否满足预设的第一损失值范围进行识别；若所述第一损失值满足所述第一损失值范围，则对所述当前训练记录是否为所述第一数据集的最后一个所述第一数据记录进行识别，若是则转至步骤65，若否则将所述第一数据集的下一个所述第一数据记录提取出来作为新的所述当前训练记录并返回步骤62；若所述第一损失值不满足所述第一损失值范围，则基于所述第一模型参数优化器朝着使所述第一模型损失函数达到最小值的方向对所述最优模型进行一轮模型参数调制，并在本轮调制结束时返回步骤62；

45、步骤65，对所述最优模型的模型参数进行一次固化，并将完成参数固化的所述最优模型作为对应的所述优化模型。

46、进一步的，所述基于预设的第二模型参数优化器根据预设的第二数据集对各个所述第二训练模型mbj进行模型训练，具体包括：

47、步骤71，将所述第二数据集的第一个所述第二数据记录提取出来作为对应的当前训练记录；并将当前训练的所述第二训练模型mbj作为对应的当前训练模型；并将所述当前训练模型对应的所述第二取值lj作为对应的当前序列长度；

48、步骤72，基于所述当前序列长度将所述当前训练记录的所述第一训练应变数据序列等分成多个第一训练切分序列；并由得到的所有所述第一训练切分序列顺序排序组成对应的第一训练切分序列串；

49、步骤73，将所述第一训练切分序列串输入所述当前训练模型进行处理得到一个归一化的应力数据序列记为对应的第一预测应力数据序列；

50、步骤74，将所述第一预测应力数据序列和所述当前训练记录的所述第一标签应力数据序列输入预设的第二模型损失函数进行计算得到对应的第二损失值；

51、其中，所述第二模型损失函数至少包括l1损失函数和l2损失函数；

52、步骤75，对所述第二损失值是否满足预设的第二损失值范围进行识别；若所述第二损失值满足所述第二损失值范围，则对所述当前训练记录是否为所述第二数据集的最后一个所述第二数据记录进行识别，若是则转至步骤76，若否则将所述第二数据集的下一个所述第二数据记录提取出来作为新的所述当前训练记录并返回步骤72；若所述第二损失值不满足所述第二损失值范围，则基于所述第二模型参数优化器朝着使所述第二模型损失函数达到最小值的方向对所述当前训练模型进行一轮模型参数调制，并在本轮调制结束时返回步骤73；

53、步骤76，对所述当前训练模型的模型参数进行一次固化。

54、进一步的，所述对完成训练的所有所述第二训练模型mbj进行模型性能评估并基于评估结果确定对应的最优模型参数，具体包括：

55、步骤81，基于预设的第二提取比例从所述第一数据集中随机提取出多个所述第一数据记录组成对应的第一评估集；

56、其中，所述第二提取比例为一个小于1的百分比；所述第一数据集的记录总数与所述第一提取比例的乘积和所述第一评估集的记录总数匹配；

57、步骤82，将各个所述第二训练模型mbj作为对应的当前评估模型；并将所述当前评估模型对应的所述第二取值lj作为对应的当前序列长度；并对所述第一评估集的所有所述第一数据记录进行遍历；并在遍历时将当前遍历的所述第一数据记录作为对应的当前评估记录；并基于所述当前序列长度将所述当前评估记录的所述第一训练应变数据序列等分成多个第二训练切分序列；并由得到的所有所述第二训练切分序列顺序排序组成对应的第二训练切分序列串；并将所述第二训练切分序列串输入所述当前评估模型进行处理得到一个归一化的应力数据序列记为对应的第二预测应力数据序列；并由所述第二预测应力数据序列和所述当前评估记录的所述第一标签应力数据序列组成一个对应的第一预测/标签序列对；并在本次遍历结束时，将得到的所有所述第一预测/标签序列对带入预设的第二误差函数进行误差计算得到对应的第二预测误差；

58、其中，所述第二误差函数至少包括mae误差函数、mse误差函数、rmse误差函数；

59、步骤83，将所述第二预测误差最小的所述第二训练模型mbj作为对应的最优性能模型；并将所述最优性能模型的模型参数作为对应的所述最优模型参数。

60、优选的，所述使用所述曲线预测模型根据所述第一设计参数清单和所述第一应变数据序列进行曲线预测得到对应的第一应力应变曲线，具体包括：

61、根据所述第一设计参数清单进行归一化参数张量准备得到对应的第一设计参数向量；

62、并将所述第一设计参数向量输入所述曲线预测模型的所述bp网络进行处理得到一对归一化的峰值应力/应变数据记为对应的归一化应力预测值和归一化应变预测值；并将所述归一化应力预测值和归一化应变预测值输入所述曲线预测模型的所述第一反归一化模块进行处理得到一对反归一化的峰值应力/应变数据记为对应的第一应力预测值和第一应变预测值；

63、并以0值为最小应变数据阈值、以所述第一应变预测值为最大应变数据阈值，根据所述最大、最小应应变数据阈值对所述第一应变数据序列进行归一化处理得到一个归一化的数据序列记为对应的第二应变数据序列；并将所述曲线预测模型的所述lstm层对应的切分序列长度作为对应的第一序列长度；并按所述第一序列长度将所述第二应变数据序列等分成多个第一切分序列；并由得到的所有所述第一切分序列顺序排序组成对应的第一切分序列串；

64、并将所述第一切分序列串输入所述曲线预测模型的所述lstm堆叠网络进行处理得到对应的多个第一应力特征向量；

65、并将得到的所有所述第一应力特征向量输入所述曲线预测模型的所述全连接层进行处理得到一个归一化的应力数据序列记为对应的第一应力数据序列；

66、并将所述第一切分序列串、所述第一应力数据序列、所述第一应力预测值和所述第一应变预测值输入所述曲线预测模型的所述第二反归一化模块进行处理得到对应的所述第一应力应变曲线。

67、进一步的，所述根据所述第一设计参数清单进行归一化参数张量准备得到对应的第一设计参数向量，具体包括：

68、从所述第一设计参数清单中提取出十九类指定设计参数；所述十九类指定设计参数包括箍筋短轴尺寸参数、箍筋长轴尺寸参数、箍筋截面面积参数、箍筋截面惯性矩参数、箍筋外形编码参数、箍筋间距参数、箍筋配筋率参数、箍筋强度参数、箍筋肢数参数、混凝土强度参数、截面尺寸参数、混凝土保护层厚度参数、构件纵向尺寸参数、构件高宽比参数、构件截面形状参数、纵筋强度参数、纵筋配筋率参数、配箍特征值参数和配筋特征值参数；

69、并基于所述十九类指定设计参数中每类指定设计参数对应的最大、最小参数阈值对各类所述指定设计参数进行归一化计算并由得到的十九个归一化计算结果组成对应的所述十九类归一化设计参数；并由得到的所述十九类归一化设计参数组成对应的所述第一设计参数向量。

70、本发明实施例第二方面提供了一种用于实现上述第一方面所述的预测混凝土构件应力应变曲线的处理方法的装置，所述装置包括：模型构建模块、模型训练模块和模型应用模块；

71、所述模型构建模块用于构建曲线预测模型；所述曲线预测模型的模型输入端包括第一模型输入端和第二模型输入端，所述曲线预测模型只有一个模型输出端；所述第一模型输入端用于接收带有混凝土构件的十九类归一化设计参数的设计参数向量；所述第二模型输入端用于接收所述混凝土构件的归一化应变数据序列的切分序列串，所述切分序列串由多个切分序列顺序排序而成；所述模型输出端用于输出所述混凝土构件的应力应变曲线；

72、所述模型训练模块用于对所述曲线预测模型进行模型训练；

73、所述模型应用模块用于在模型训练结束后，接收第一混凝土构件的第一设计参数清单和第一应变数据序列；并使用所述曲线预测模型根据所述第一设计参数清单和所述第一应变数据序列进行曲线预测得到对应的第一应力应变曲线。

74、本发明实施例第三方面提供了一种电子设备，包括：存储器、处理器和收发器；

75、所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现上述第一方面所述的方法步骤；

76、所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行消息收发。

77、本发明实施例第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行上述第一方面所述的方法的指令。

78、本发明实施例提供了一种预测混凝土构件应力应变曲线的处理方法、装置、电子设备及计算机可读存储介质。由上述内容可知，本发明实施例基于bp网络和lstm堆叠网络+全连接层构建一个曲线预测模型；并通过对bp网络、lstm堆叠网络+全连接层进行分别训练的方式完成模型训练；并在模型训练结束后，利用该曲线预测模型根据任意混凝土构件的设计参数清单和应变数据序列进行应力应变曲线预测。将本发明实施例应用在混凝土构件的设计工作中，可以在只有应变数据序列的情况下进行应力应变曲线构建，通过本发明实施例在降低了计算工作量的同时也提高了设计效率。