基于CNN-LSTM-GD的悬索桥主梁挠度预测与预警方法研究

来源：振动与冲击杂志2025年第14期北京时间：

作者：肖新辉，刘贤，张海萍zhanghaipingbridge，汪泽鹏，陈方怀，罗媛，刘扬

单位：1.湖南工业大学土木工程学院，湖南株洲412007；2.长沙理工大学土木工程学院，长沙410114

摘要：悬索桥作为柔性桥梁在运营过程中主梁的挠度控制尤为重要。为预测既有悬索桥主梁在随机车流与环境温度复合作用下的竖向挠度，本文建立了一种基于卷积神经网络(Convolutional Neural Networks，CNN)、长短时记忆神经网络(Long Short-Term Memory，LSTM)、概率密度估计层和桥梁监测数据的集成性挠度区间预测方法。基于南溪长江大桥健康监测数据建立了环境温度、车载和挠度监测数据时间序列训练集，通过CNN-LSTM组合层捕捉时间序列中的局部特征和长时记忆，采用高斯分布作为概率密度分布函数，通过极大似然法评估高斯分布的参数，输出最佳的挠度预测值和概率区间。在此基础上，提出了识别既有悬索桥主梁异常挠度及预警阈值方法。研究表明：相较于LSTM和CNN-LSTM模型，CNN-LSTM-GD模型在预测微小挠度波动和极端挠度上具有更好的预测能力，挠度预测值和监测数据基本吻合。在24h时间尺度上，相较于传统LSTM模型在均方根误差(Root Mean Square Error，RMSE)和决定系数(coefficient of determination，R2)上分别提升了54.40%和10.22%，相较于CNN-LSTM模型，在RMSE和R2上分别提升了38.43%和5.31%。<br>

关键词：桥梁工程；结构健康监测；概率深度学习；桥梁挠度；车辆荷载；环境温度。