一种基于桥梁健康监测大数据的智能挠度预测模型

摘要

挠度是反映桥梁服役状态的关键指标，能够直观体现桥梁结构受力及变形特征，为桥梁健康状态评估提供关键依据。为了研发准确性高、稳定性强的挠度预测方法，本文提出一种结合信号分解与深度学习的混合模型。基于桥梁健康监测系统采集到的挠度大数据，本文通过完全自适应噪声集合经验模态分解（CEEMDAN）对原始挠度数据进行分解，生成多个固有模态函数（IMF），然后分析各分量的频域特征分布并将其作为模型输入，以强化模型的特征表达能力。为了进一步提升模型的预测性能，本文采用鲸鱼优化算法（WOA）对扩展长短期记忆网络（xLSTM）模型的超参数进行全局优化，最终构建了CEEMDAN-WOA-xLSTM模型。仿真结果表明，模型在长时间序列预测任务中的表现优异，R²值和RMSE值分别达0.934 4和0.239 9，相较LSTM模型分别提升4.92%和降低29.14%，相较xLSTM模型分别提升1.80%和降低13.13%。此外，模型的预测绝对值误差和平方误差的95%置信区间最大值分别为0.192 9和0.063 6。因此，本文的模型能够显著降低预测误差，具有较强的误差控制与泛化能力。

关键词

智能交通 / 挠度预测 / CEEMDAN / WOA / xLSTM