融合数字孪生与长短期记忆神经网络方法的混凝土水化热温度预测

摘要

针对大体积混凝土水化过程的多变性和非线性，为预测混凝土水化热温度的趋势与峰值，提出基于数字孪生(Digital Twin, DT)和长短期记忆神经网络(Long Short-Term Memory, LSTM)的承台大体积混凝土水化热温度预测方法.该方法通过构建“物理实体、虚拟实体、孪生数据、服务、链接”五个维度的承台大体积混凝土数字孪生模型，对混凝土水化过程中的关键参数进行实时监测和数据交互，确保有限元模型的准确性，并结合LSTM网络进行数据分析和预测.结果表明：数字孪生技术能通过数据交互更新出最优参数值，随着交互次数的增加，模型模拟值不断趋近实测结果；LSTM神经网络对混凝土温度变化情况预测较为准确，实测对比发现输出值与实测值最大差值为1.32℃,相差2.8%,训练结果的平均绝对误差均值为0.762 4,决定系数最低达到0.974 2.

关键词

大体积混凝土 / 水化反应 / LSTM / 数字孪生五维模型 / 数据交互 / 温度预测