基于PCA-BPNN的桥梁爆炸荷载时程预测

作     者：杜晓庆 何益平 邱涛 程帅 张德志 

作者机构：上海大学力学与工程科学学院 西北核技术研究所 

出 版 物：《爆炸与冲击》 (Explosion and Shock Waves)

年 卷 期：2024年

核心收录：

学科分类：12[管理学] 081406[工学-桥梁与隧道工程] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0814[工学-土木工程] 0811[工学-控制科学与工程] 082301[工学-道路与铁道工程] 0823[工学-交通运输工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主　　题：爆炸荷载预测 反射超压时程 误差反向传播神经网络 主成分分析 多任务学习 

摘      要：人工智能方法是预测爆炸荷载的新手段，但现有方法主要用于预测爆炸冲击波的超压峰值或冲量，而预测反射超压时程的研究不多。针对这一问题，以平面冲击波绕射桥梁主梁为对象，提出了一种基于主成分分析（PCA）和误差反向传播神经网络（BPNN）的桥梁爆炸冲击波反射超压时程的预测模型。该预测模型利用PCA降维处理时程数据，基于多任务学习的BPNN算法，提出了考虑超压峰值和最大冲量影响的损失函数，使模型能有效预测不同入射强度下的桥梁冲击波荷载时程。通过分析多任务学习模型、多输入单输出模型和多输入多输出模型等三种BPNN模型，发现多任务学习模型的预测精度最高，而多输入多输出模型难以有效适应当前预测任务需求。采用多任务学习模型预测得到的桥梁表面各测点位置的反射超压时程、超压峰值精度较高，R2分别为0.792和0.987，作用在箱梁上的合力时程和扭矩时程预测值也与真实值较为吻合。同时，该模型在对内插值预测的表现优于外推值预测，但其在预测外推值方面同样展现出了一定的能力。