基于改进经验模态分解与BiLSTM神经网络的低矮房屋脉动风压时程预测

摘要

为解决风压测量中传感器数据间歇性缺失问题，提出基于改进经验模态分解算法（IEMD）和双向长短期记忆网络（BiLSTM）的结构表面风压时程预测方法 .首先，采用基于软筛分停止准则的改进经验模态分解方法，将风压时程自适应地分解为多个固有模态函数，并通过样本熵对其进行重构获得子序列；其次，针对各子序列完成双向长短期记忆网络的构建、训练及预测，并利用贝叶斯优化（BO）算法对神经网络超参数进行优化；最后，基于低矮房屋风洞测压试验数据进行了风荷载预测，验证了学习模型的有效性.研究表明，与传统预测模型（多层感知器、BiLSTM）相比，基于改进经验模态分解与BiLSTM神经网络的预测模型具有较高的预测精度和计算效率，适用于高斯与非高斯风压信号预测.

关键词

低矮房屋 / 风荷载 / 深度学习 / 双向LSTM / 改进经验模态分解 / 贝叶斯优化 / 时程预测