基于LSTM_eKan模型的建筑結構安全監測研究

摘 要：隨著建筑結構日益復雜和規模不斷擴大，結構安全監測在保障工程安全和延長結構使用壽命方面變得至關重要。該文提出一種基于LSTM_eKan深度學習模型的綜合評估方法，用于監測和評估工程結構的安全狀況。研究的核心在于開發和優化一套高效的數據預處理技術及預測模型，以提高監測數據的準確性和可靠性。LSTM_eKan模型通過引入注意力機制，能夠更加精準地捕捉時間序列數據中的關鍵特征，減少冗余信息的干擾，從而大幅提升預測的精度與穩定性。與傳統方法相比，LSTM_eKan在結構安全監測任務中展現顯著的優勢。

關鍵詞：結構安全監測;卡爾曼濾波;LSTM;BiLSTM;LSTM_eKan

中圖分類號：TU714 文獻標志碼：A 文章編號：2095-2945（2024）34-0097-04

Abstract： With the increasing complexity and scale of building structures， structural safety monitoring has become crucial for ensuring engineering safety and extending the lifespan of structures. This paper proposes a comprehensive evaluation method based on the LSTM_eKan deep learning model， aimed at monitoring and assessing the safety condition of engineering structures. The core of the study focuses on developing and optimizing an efficient data preprocessing technique and predictive model to enhance the accuracy and reliability of monitoring data. By introducing an attention mechanism， the LSTM_eKan model is able to capture key features in time-series data more effectively， reducing interference from redundant information. This significantly improves the precision and stability of the predictions. Compared to traditional methods， LSTM_eKan demonstrates notable advantages in structural safety monitoring tasks.

Keywords： structural health monitoring; Kalman Filter; LSTM; BiLSTM; LSTM_eKan

隨著建筑結構的日益復雜化和大型化，結構安全監測的重要性愈發突出。結構安全監測技術（Structural Health Monitoring， SHM）能夠實時監控建筑結構的動態響應，評估其安全性，并預防潛在的結構損害。通過硬件設備監測建筑結構的溫度和位移等形變因素，可以有效評估結構在不同環境和荷載作用下的響應[1]。

在建筑物的服役過程中，地震、風荷載、溫度變化等自然因素以及交通荷載、施工活動等人為因素可能導致結構損傷或性能退化，威脅到其安全性和耐久性[2]。因此，結構安全監測技術應運而生，旨在通過實時或周期性的監測，獲取建筑結構在各種環境和荷載作用下的響應數據，及時發現潛在的結構問題。這項技術對保障工程安全、延長結構壽命、降低維護成本以及優化資產管理具有重要意義[3]。在結構安全監測中，位移監測直接反映結構在受力后的變形情況，是評估結構穩定性的重要指標。而溫度監測有助于理解材料性能隨溫度變化的規律以及熱效應對結構的影響[4]。

結合LSTM（長短期記憶網絡，Long Short-Term Memory）網絡和注意力機制的模型在處理時間序列數據方面展現了顯著優勢。LSTM擅長捕捉長期依賴關系，而注意力機制則能更好地提取關鍵特征。這種結合提高了對復雜監測數據的分析精度，增強了結構安全監測的準確性。

1 數據預處理流程設計

1.1 數據收集與存儲

數據的搜集通過位移計獲取，位移計選用的是基康的傳感器，通過位移計監測結構的溫度和位移是一種常見的安全監測方法，特別適用于建筑物、橋梁、隧道等工程結構。這種監測方法可以幫助工程師實時了解結構的狀態，及時發現異常情況，并采取必要的措施進行維修或加固，以確保結構的安全性。以防止結構的進一步損壞[5]。采集到的數據使用時序數據庫進行存儲，然后獲取之后進行數據的判斷和處理。

1.2 數據清洗和預處理

數據清洗是一個細致且系統化的過程，旨在提高數據的可用性和可靠性。以下是數據清洗模塊的關鍵步驟。無效數據識別與移除：通過預設的規則，識別并排除那些不符合邏輯、格式錯誤或明顯偏離正常范圍的數據記錄。經過異常值篩選和去除之后留下正常的值[6]。缺失值處理：對于缺失的數據，采用均值填充的方法。這種方法通過計算相應特征的均值來填補缺失值，以保持數據的完整性和一致性。

異常值檢測：通過箱線圖和統計方法（如標準差和Z-score）識別數據中的異常值。箱線圖提供了數據分布的直觀視圖，數據序列的中位數對應箱子的中心位置，上、下四分位數分別位于箱子的兩端，上下四分位數的間距（QR）表示箱子的長度，最大上限（Q3+1.5QR）和最小下限（Q1-1.5QR）分別位于距箱子邊緣1.5倍上下四分位的間距處，則超過上下限則定義為異常數據， 位于上下限內的數據則為正常數據[7]。

數據標準化是一種重要的數據預處理技術，用于在數據分析和機器學習過程中消除不同特征量綱和量級帶來的影響。這使得不同特征的取值范圍相同，從而在訓練模型時不會因為某些特征的數值較大而導致它們對模型的影響過大[8]。Z-score標準化： 通過減去均值并除以標準差，將數據轉換為均值為0，標準差為1的標準正態分布。公式如式（1）

Z= ， （1）

式中：X是原始數據，μ是均值，是標準差。

1.3 卡爾曼濾波

通過卡爾曼濾波，可以有效地降低數據中的噪聲和突變，使數據變得更加平滑和連續，有利于進一步的數據分析和建模。特別是在實時數據處理和傳感器數據處理領域，卡爾曼濾波常被廣泛應用，用于提高數據的準確性和穩定性。處理流程中，卡爾曼濾波的應用有助于對數據列進行進一步平滑處理。通過這種技術處理可以獲得更加平滑和連續的數據序列，有助于準確分析數據的趨勢和特征，提高數據處理的準確性和可靠性。從而為后續的數據分析和建模提供更加穩定和可靠的數據基礎[9]。將位移和溫度進行卡爾曼濾波處理之后的結果如圖2和圖3所示。

2 模型實現

在處理時間序列數據時，LSTM網絡中含有門控單元，包括輸入門、輸出門和遺忘門。在門的作用下，LSTM具有長期記憶數據信息并對數據篩選處理的能力，使其克服了傳統神經網絡難以處理長時間序列的缺點。如圖4所示，公式如式（2）所示

式中：為激活函數;Wi，Wo，Wf為輸入門、輸出門和遺忘門的權重矩陣;bi，bo，bf為輸入門、輸出門和遺忘門的偏置因子;tanh為雙曲正切函數[10]。

選擇LSTM處理時間序列數據的原因主要有以下幾點。時間序列數據通常具有長期依賴性，未來的值不僅依賴于近期的觀察，還可能受到很久以前的事件影響。傳統的RNN（遞歸神經網絡）在處理這種長期依賴性時會遇到梯度消失或梯度爆炸問題，從而導致模型難以捕捉長期依賴關系。而LSTM的設計中引入了細胞狀態和3個門（輸入門、遺忘門和輸出門），能夠有效地控制信息的流動，記住或忘記信息，從而解決了傳統RNN的這些問題。通過這種方式，LSTM能夠更好地捕捉到時間序列中的長期依賴性[11]。

LSTM通過其獨特的門結構，使得模型具有強大的記憶能力，能夠在較長的時間步長內保留關鍵信息。這對于預測未來值至關重要，特別是當序列中的某些關鍵事件對未來值有重要影響時。LSTM可以靈活地保留這些關鍵信息，并在需要時利用它們進行預測。

時間序列數據往往具有高度的非線性關系，傳統的線性模型難以捕捉這些復雜的模式。LSTM作為一種非線性模型，能夠通過多層網絡結構和激活函數捕捉數據中的復雜模式和非線性關系，從而提高預測的準確性和魯棒性。

雙向LSTM的主要優勢在于其能夠同時捕捉到序列中的前向和后向信息，這對于需要上下文完整理解的任務非常重要。例如，在自然語言處理（NLP）任務中，單詞的含義通常依賴于其前后文，而雙向LSTM能夠更好地捕捉這種依賴關系，從而提高模型的性能[12]。

2.1 注意力機制

LSTM_eKan是在LSTM基礎上的一種擴展模型，eKan擴展引入了額外的機制或模塊，以增強模型在特定任務中的表現。例如，eKan擴展可以包含注意力機制（attention mechanism），從而使模型能夠聚焦于序列中的重要部分。動態聚焦能夠根據當前任務動態調整對輸入序列中每個時間步的關注程度，提升模型在長序列處理中的性能。增強可解釋性，通過注意力權重，模型的決策過程變得更透明，可以直觀地看到哪些部分的輸入對預測結果影響最大。減少信息丟失，相比于傳統的固定窗口方法，注意力機制讓模型可以靈活地選擇最重要的信息，而不必局限于序列的固定范圍。例如在某一個時間段數據動態分配權重如圖5所示。

將加權后的輸入向量輸入到LSTM單元或其他網絡層中，進行下一步的計算。可以說明狀態更新在LSTM單元中，當前時間步的加權輸入將與之前的隱藏狀態和記憶單元一起，在預測生成經過多次迭代處理后，最終生成的輸出將用于預測或分類任務[13]。

2.2 模型效果比對

在對比LSTM、BiLSTM和LSTM_eKan模型性能時，通常采用多種評價指標，如準確率（accuracy）、精確率（precision）、召回率（recall）。使用3種模型結果對比之后發現，將LSTM結合一個注意力機制之后，預測的結果更為精準和準確。從而對建筑的安全結構有著更為精確的意義，結果對比如圖6所示。

LSTM_eKan模型通過結合長短期記憶網絡（LSTM）和注意力機制，顯著提升了位移預測的精度。注意力機制能夠動態地分配注意力權重，使模型更加關注時間序列數據中的關鍵特征，從而更有效地利用歷史信息。這種機制的引入使得LSTM_eKan模型在處理長時間序列數據時能夠捕捉到更有用的信息，避免了冗余信息的干擾。相比之下，BiLSTM雖然能夠捕捉序列的前后信息，但其復雜性較高，且在某些情況下并不能顯著提高預測性能。單純的LSTM雖然能夠解決長期依賴問題，但缺乏對重要時間點的動態關注能力。在這種情況下，LSTM_eKan模型通過注意力機制顯著增強了對關鍵時間點信息的利用，提高了預測的準確性。

從結果對比來看，LSTM_eKan模型在各項評估指標上都表現出色。其均方根誤差（RMSE）為10.08，顯著低于BiLSTM的16.13和LSTM的25.18，表明LSTM_eKan在預測誤差方面表現更好。平均絕對百分比誤差（MAPE）為20.6%，低于BiLSTM的35.6%和LSTM的67.3%，顯示出其在實際值和預測值的相對誤差方面的優勢。決定系數（R2）為0.92，高于BiLSTM的0.89和LSTM的0.87，表明LSTM_eKan模型解釋了更多的數據方差，預測效果更為精準。

3 結論

LSTM_eKan模型通過融合LSTM和注意力機制，成功地提升了位移預測的精度和準確性。這種改進在建筑安全結構預測中具有重要意義，能夠提供更精確和可靠的預測結果，從而更好地指導建筑設計和安全評估。在處理長時間序列數據時，避免冗余信息的干擾。這種動態關注能力使得LSTM_eKan模型在提取和利用關鍵時間點的信息時表現更好，顯著提升了預測的精度和準確性。

參考文獻：

[1] 王洽親.2010上海世博會英國館結構安全監測研究[D].杭州：浙江大學，2011.

[2] 李帆.云計算技術在橋梁結構安全監測中的應用[J].公路，2022（4）：177-181.

[3] 高珂，鄧德員，朱宏平，等.超高層建筑施工期結構靜動態變形監測[J].工業建筑，2024，54（1）：130-139.

[4] 左潤，李林.基于安全監測系統對斜跨拱橋的安全狀態評估方法[J].工業建筑，2023，53（S2）：394-397.

[5] 李帆.云計算技術在橋梁結構安全監測中的應用[J].公路，2022（4）：177-181.

[6] 吳繼業.時空融合的堆石壩變形預測模型及在安全監測中的應用[J].水利學報，2024，55（5）：564-576.

[7] 孫振林.基于Python的房屋安全監測數據處理與預測分析[J].科學技術與工程，2024，24（6）：2469-2479.

[8] 朱金成.結構可視化安全監測系統開發與基于LSTM的預測預警方法研究[D].武漢：華中科技大學，2022.

[9] 王松.基于卡爾曼濾波算法的橋梁結構振動識別方法研究[J].工程機械與維修，2024（6）：118-120.

[10] 羅瀟遠，劉杰，楊斌，等.基于改進魚鷹優化算法與VMD-LSTM的超短期風電功率預測[J/OL].太陽能學報，1-9[2024-11-01].https：//doi.org/10.19912/j.0254-0096.tynxb.2023-1942.

[11] 楊建喜.聯合卷積與長短記憶神經網絡的橋梁結構損傷識別研究[J].鐵道科學與工程學報，2020（8）：1893-1902.

[12] 陳術波.基于BiLSTM的物聯網安全態勢預測研究[D].北京：北方工業大學，2024.

[13] 王驚華.結構安全監測國內外規范編制研究現狀及展望[J].建筑安全，2021，36（4）：41-45.

第一作者簡介：黃衡（1999-），男，碩士研究生。研究方向為災害信息處理技術。

*通信作者：潘志安（1983-），男，碩士，教授。研究方向為大數據處理、計算機網絡。