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，針對鐵路橋梁比例高、長橋多的特點而設(shè)計并先后應(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用價值[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力學(xué)模型，研究了其在不同地震激勵強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)生在橋臺或錨固件處.Montenegro等[9]研究出中等烈度地震可能不會對結(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)對橋梁縱向約束的影響.Li等[12]采用概率密度演化法對高速鐵路軌橋耦合系統(tǒng)隨機地震響應(yīng)進(jìn)行了研究，從隨機角度評價軌道結(jié)構(gòu)的抗震性能.

而振動臺試驗方法可以在實驗室準(zhǔn)確再現(xiàn)結(jié)構(gòu)相應(yīng)的地震震動，是抗震試驗方法的重要組成部分[13]，Jiang等[14]通過對高鐵連續(xù)梁橋進(jìn)行試驗，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1/6比例的橋梁模型上進(jìn)行了一系列振動臺試驗，以研究碰撞對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.本文也基于振動臺試驗研究橋梁地震響應(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)場監(jiān)測中，驗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非對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.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)變計的動、靜態(tài)應(yīng)變分離方法，并從動態(tài)應(yīng)變信號中提取有效的準(zhǔn)靜態(tài)應(yīng)變分量.Zhao等[21]基于光纖溫度傳感器監(jiān)測數(shù)據(jù)構(gòu)建了列車-橋梁動力學(xué)模型，分析了主梁的溫度變形對列車引起的梁撓度的影響.基于已有在工程上運用光纖光柵檢測的實例，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FBG傳感器從而實現(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，從而實現(xiàn)長距離多點采集.

大數(shù)據(jù)、機器學(xué)習(xí)以及人工智能等新興技術(shù)興起，已運用至多領(lǐng)域中.例如，徐博文等[25]提出一種深度學(xué)習(xí)算法模型，用以對麥穗進(jìn)行識別監(jiān)測.王虎等[26]建立了一種神經(jīng)網(wǎng)絡(luò)預(yù)測模型，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，實現(xiàn)對文本情感的實時分析.機器深度學(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)測結(jié)構(gòu)地震反應(yīng)方面評估結(jié)構(gòu)抗震性能[35]、損傷狀態(tài)[36]等.隨著對神經(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)測地面結(jié)構(gòu)地震反應(yīng)的時間序列[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，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，將所測光柵位置、地震方向、峰值加速度按時間滑動窗口構(gòu)造連續(xù)特征圖作為輸入，因所測光柵處于同一根光纖中，所在地震時程曲線相同的條件下，利用其余6個光柵點所測得應(yīng)變響應(yīng)進(jìn)行深度學(xué)習(xí)從而預(yù)測跨中應(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)造成時序序列并輸入到LSTM網(wǎng)絡(luò)中進(jìn)行響應(yīng)預(yù)測.相較于僅使用LSTM網(wǎng)絡(luò)模型，CNN-LSTM混合模型在提高預(yù)測準(zhǔn)確率方面具有優(yōu)勢.因為該模型使用CNN模型提取時序數(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

通過在振動臺系統(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)測同一直線不同方位的應(yīng)變響應(yīng).

1.1 地震臺實驗裝置

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列震動臺的橋上運行試驗平臺.

原型以中國高速鐵路簡支箱梁實橋為研究對象，跨度為32.5 m的混凝土簡支箱梁橋，橋墩為圓柱形實心橋墩，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)，可用于實現(xiàn)屋頂和底盆之間的相對運動.橡膠在三維應(yīng)力作用下具有流動性，可用于實現(xiàn)主梁的轉(zhuǎn)動.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；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.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).試驗選取兩種正弦波地震激勵，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，對不同尺寸的試件進(jìn)行實驗，根據(jù)實驗結(jié)果選擇最合適的尺寸；滑動層材料與原型相同；CA砂漿層用聚氨酯代替.振動臺試驗系統(tǒng)由1個4 m×4 m六自由度固定臺和3個4 m×4 m六自由度移動臺所組成，臺陣間距可在 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)測振動臺下縮尺橋梁地震應(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個光柵點，光纖布置如圖2所示.將刻有7個光柵點的光纖按第4個光柵點對應(yīng)橋梁跨中中間位置粘貼在軌道板上，保證光柵點能均勻分布在所監(jiān)測結(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；(c) 箱梁上的光纖；(d) 測試模型和解調(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.將CNN模型提取出的深度特征時間序列使用LSTM網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練.整個過程可以分為數(shù)據(jù)前處理和模型訓(xùn)練兩個階段.

2.1 卷積神經(jīng)網(wǎng)絡(luò)

CNN通過卷積運算和池化操作，減少網(wǎng)絡(luò)參數(shù)數(shù)量的同時，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)卷積運算

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

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個卷積濾波器，其尺寸為F×F×D1；bi為卷積濾波器ki的第i個偏差；σ為非線性激活函數(shù)；yi為與第i個卷積濾波器對應(yīng)的第i個輸出矩陣.每層有K個卷積濾波器.卷積運算在圖4卷積神經(jīng)網(wǎng)絡(luò)的卷積運算進(jìn)行了演示，該卷積使卷積過程的步幅為S=1.對于第i個卷積過程yi的輸出，寬度為W2，高度為H2，深度為卷積核的個數(shù)K.第i個輸出矩陣中的每個元素都是由輸入矩陣和第i個卷積濾波器ki點積計算得出的.

(2)

圖4 卷積神經(jīng)網(wǎng)絡(luò)的卷積運算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，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可通過上式計算.

2)池化和全連接層

池化操作是一個下采樣過程，它從相應(yīng)采樣窗口中提取某個屬性(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切片上獨立進(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.CNN具體模型參數(shù)如表3所示.模型使用Python中的scikit-learn機器學(xué)習(xí)庫和PyTorch框架進(jìn)行實現(xiàn).該模型是以時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)測時間等數(shù)據(jù)實際上都是相互獨立的時間序列.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)而形成一個全新的時間序列數(shù)據(jù).每一時刻的歷史負(fù)荷均與其相關(guān)的特征共同表示.然后再使用滑動窗口方式依次將輸入的時間序列數(shù)據(jù)生成特征圖，為了方便后續(xù)網(wǎng)絡(luò)計算，滑動窗口寬設(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個功能層，依次包括卷積、ReLU和池化.它們在圖中分別表示為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個卷積核組成，卷積核的大小為1 000×1×30，滑動窗口的步長為100.ReLU層對輸出尺寸沒有影響.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個卷積層是基于LeNet-5在分類識別方面的成果[39-40].

2.3.2 實驗評價指標(biāo)

預(yù)測結(jié)果評估是為了驗證CNN-LSTM模型的預(yù)測精度，分別使用根均平方誤差(RRMSE)、平均絕對誤差(RMAE)和決定系數(shù)(R2)來對模型預(yù)測結(jié)果進(jìn)行統(tǒng)計.下面進(jìn)行詳細(xì)介紹.

(3)

(4)

(5)

RRMSE和RMAE兩個指標(biāo)都是用來描述預(yù)測值與真實值的誤差情況.它們之間的區(qū)別在于，RRMSE先對偏差做了一次平方，這樣的話，如果誤差較大，RMAE放大了誤差.決定系數(shù)R2用于評價模型的平均預(yù)測精度，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)測精度就越高.

3 實驗結(jié)果分析

本次實驗采用控制變量法逐步進(jìn)行模型調(diào)整，旨在測試增加LSTM網(wǎng)絡(luò)層數(shù)對模型預(yù)測效果的影響.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)，測試了模型深度的影響.實驗結(jié)果如表4所示，其中列出了7個評價指標(biāo)的平均值.從實驗結(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)測能力.然而，當(dāng)LSTM網(wǎng)絡(luò)層數(shù)增加到4層以上時，誤差率升高，表明發(fā)生了過擬合.因此，本次試驗選擇了3層LSTM網(wǎng)絡(luò)作為最終模型.

表4 LSTM網(wǎng)絡(luò)層數(shù)對軌道板預(yù)測結(jié)果精度的影響

圖8是中間光柵點算法模型預(yù)測值與實際值的比較，從圖8(a)～圖8(f)中可以看出，對于不同地震激勵下的應(yīng)變響應(yīng)，在沒有給出特定時間點的地震時程曲線譜的情況下，CNN-LSTM模型仍然可以通過同一時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)相對差異較大，但總體符合地震動的變化趨勢，與實際變化趨勢基本一致.對于圖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)測效果較差.CNN-LSTM模型優(yōu)越性的原因可以從兩個方面考慮.首先，它歸因于自動編碼器的“降維”.對于當(dāng)前關(guān)于地震應(yīng)變響應(yīng)的預(yù)測問題，由于應(yīng)變大小應(yīng)在同一時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，同時減輕了特征之間的相關(guān)性.同時，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)省計算預(yù)算，提高運算效率.其次，CNN可以通過使用多個小型卷積濾波器從各個位置的應(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，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)測值與真實值的比較：(a)PGA=0.1g，軌道板光柵應(yīng)變預(yù)測結(jié)果；(b)PGA=0.2g，軌道板光柵應(yīng)變預(yù)測結(jié)果；(c)PGA=0.1g，鋼軌光柵應(yīng)變預(yù)測結(jié)果；(d)PGA=0.2g，鋼軌光柵應(yīng)變預(yù)測結(jié)果；(e)PGA=0.1g，底座板光柵應(yīng)變預(yù)測結(jié)果；(f)PGA=0.2g，底座板光柵應(yīng)變預(yù)測結(jié)果；(g)PGA=0.1g，箱梁應(yīng)變預(yù)測結(jié)果；(h)PGA=0.2g，箱梁應(yīng)變預(yù)測結(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

本文針對高速鐵路簡支梁橋振動臺試驗?zāi)Ｐ?，在軌道板、底座板、鋼軌、箱梁處布置?zhǔn)分布式光纖光柵監(jiān)測應(yīng)變，提出了一種基于CNN-LSTM模型的地震響應(yīng)預(yù)測方法，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)行時序數(shù)據(jù)分析.該方法有以下優(yōu)勢：

1) 將多源數(shù)據(jù)按時間滑動窗口構(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，從而挖掘數(shù)據(jù)中蘊含的更多有效信息. 將特征向量以時序序列方式構(gòu)造并作為LSTM網(wǎng)絡(luò)模型輸入數(shù)據(jù)，LSTM網(wǎng)絡(luò)模型能較好地擬合響應(yīng)數(shù)據(jù)的時序性和復(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.經(jīng)過全面的分析研究和驗證，本文證明了該模型的有效性.針對RRMSE、RMAE、R2等幾個評估指標(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)測精度更高；

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

4)光柵因自身材質(zhì)問題不易存活或出現(xiàn)測量點應(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)可以通過已測光柵點的應(yīng)變信息預(yù)測其他點的應(yīng)變.從一定程度上可以減少監(jiān)測成本及避免因光柵不成活而造成的數(shù)據(jù)損失.