基于CNN-BiLSTM-Attention混合神经网络的结构非线性模型修正

作     者：丁雅杰 王佐才 辛宇 刘文林 程明 

作者机构：合肥大学城市建设与交通学院 合肥工业大学土木与水利工程学院 安徽新华学院智能制造学院 

出 版 物：《工程力学》 (Engineering Mechanics)

年 卷 期：2025年

核心收录：

学科分类：12[管理学] 08[工学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 081402[工学-结构工程] 081304[工学-建筑技术科学] 0835[工学-软件工程] 0813[工学-建筑学] 0814[工学-土木工程] 0811[工学-控制科学与工程] 080102[工学-固体力学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0801[工学-力学（可授工学、理学学位）] 

基　　金：安徽省高等学校科学研究项目(2023AH052186,2023AH051813) 合肥学院人才科研基金项目(23RC20) 国家自然科学基金面上项目(52278301) 国家自然科学基金青年项目(52308310) 

主　　题：非线性结构 模型修正 参数识别 神经网络 鲁棒性 

摘      要：针对结构动力响应数据的非线性和时序性特点，本文基于注意力机制(Attention Mechanism， AM)提出了一种卷积神经网络(Convolutional Neural Network， CNN)和双向长短期记忆网络(Bidirectional Long Short-Term Memory， BiLSTM)相结合的结构非线性模型修正方法。首先，在CNN层中利用一维卷积核进行数据非线性局部特征提取，并通过最大池化操作压缩重要特征信息；接着，BiLSTM层将CNN层传递的降维特征信息分别利用前向和后向链式连接的LSTM单元进行时序特征提取，并引入AM机制，对BiLSTM隐藏层所提取到的时间信息通过加权的方式进行重要程度区分，挖掘响应数据深层次的时序特征；最后，将Attention层的输出作为全连接层的输入，预测计算得到修正后结构非线性模型参数。通过对地震荷载作用下的桥塔模型进行数值模拟分析，并对实际缩尺桥塔结构进行振动台试验以验证所提方法的准确性。数值模拟和实验结果表明，本文所提混合神经网络修正方法适用于高维空间参数的非线性模型，相比于传统神经网络方法具有更强的鲁棒性和网络泛化能力。