(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210896681.9 (22)申请日 2022.07.28 (71)申请人 广州大学 地址 510006 广东省广州市大 学城外环西 路230号 (72)发明人 黄友钦　区冠恒　傅继阳　叶茂　 张鸿昊　徐安　 (74)专利代理 机构 广州高炬知识产权代理有限 公司 44376 专利代理师 袁庆峰 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/27(2020.01) G06N 3/08(2006.01) G06N 7/00(2006.01) (54)发明名称 一种基于深度学习的结构风压统计值预测 方法 (57)摘要 本发明公开了一种基于深度学习的结构风 压统计值预测方法， 包括以下步骤： S1、 构造深度 学习数据集； S2、 通过贝叶斯概率优化方法确定 深度神经网络模型的超参数； S3、 训练深度神经 网络模型； S4、 对深度神经网络模型进行性能验 证并测试学习能力。 本发明提出的基于深度学习 的风压预测方法具有预测精度高、 无需人工确定 模型超参数等优点， 特别是对于因气流分离引起 的旋涡脱落区， 本方法可以获得较为满意的预测 精度， 主要原因在于深度学习方法通过 “逐层训 练”算法实现了对更多隐藏层进行有效训练， 因 此与传统的隐藏层较少的神经网络相比具有更 强的数据学习与预测能力。 权利要求书1页 说明书3页 附图3页 CN 115481461 A 2022.12.16 CN 115481461 A 1.一种基于深度学习的结构风压统计值预测方法， 其特 征在于， 包括以下步骤： S1、 构造深度学习数据集； S2、 通过贝叶斯 概率优化方法确定深度神经网络模型的超参数； S3、 训练深度神经网络模型； S4、 对深度神经网络模型进行性能验证并测试 学习能力。 2.根据权利要求1所述的基于深度学习的结构风压统计值预测方法， 其特征在于， 所述 S1中， 深度学习数据集包括训练集、 验证集和 测试集。 3.根据权利要求2所述的基于深度学习的结构风压统计值预测方法， 其特征在于， 所述 训练集、 验证集和 测试集均包括输入数据与输出 数据。 4.根据权利要求1所述的基于深度学习的结构风压统计值预测方法， 其特征在于， 所述 S2中， 超参数包括隐藏层数量、 各隐藏层的神经 元数量、 学习率、 批大小和迭代次数。 5.根据权利要求1所述的基于深度学习的结构风压统计值预测方法， 其特征在于， 所述 S3中， 基于确定的深度神经网络模型 的超参数， 利用构造的深度学习 数据集对深度神经网 络模型进行训练， 通过不断迭代来获得各隐藏层神经元 的最优权重和偏置， 使深度神经网 络模型具备优异的泛化能力。 6.根据权利要求1所述的基于深度学习的结构风压统计值预测方法， 其特征在于， 所述 S4中， 性能验证包括局部误差指标和全局误差指标； 通过输入预测对象对应的数据集， 得到 预测对象的预测值。 7.根据权利要求6所述的基于深度学习的结构风压统计值预测方法， 其特征在于， 所述 局部误差指标包括验证各个预测点对应的绝对误差、 相对误差 。 8.根据权利要求6所述的基于深度学习的结构风压统计值预测方法， 其特征在于， 所述 全局误差指验证整个建筑预测精度的相关系数和均方误差 。权　利　要　求　书 1/1 页 2 CN 115481461 A 2一种基于深度学习的结构风压统 计值预测方 法 技术领域 [0001]本发明涉及建筑结构领域， 具体涉及一种基于深度学习的结构风压统计值预测方 法。 背景技术 [0002]现代建筑结构往往向着轻柔的方向发展， 因此对风荷载十分敏感。 风洞试验是目 前获得结构风荷载的主要方法， 但风洞中同步进行测压的测点数往往有限， 需要通过风压 预测方法来 获得结构上更多位置的风压统计值信息。 现有的风压预测方法主要使用传统的 人工神经网络方法， 即构建的神经网络一般仅具有1～2层隐藏层， 较少的隐藏层使得人工 神经网络的学习能力较为有限， 因此目前风压预测的精度往 往不高。 [0003]随着机器学习算法的发展和计算机硬件技术的进步， 在计算机科学领域提出了深 度学习算法， 其包含的深度神经网络可具有三层以上甚至上千层的隐藏层， 因此其学习能 力远高于传统的人工神经网络算法， 但目前深度学习算法还未应用于结构风压预测。 [0004]因此， 本发明将建立 一种基于深度学习的结构表面 风压预测方法。 发明内容 [0005]本发明基于深度学习模型， 结合贝叶斯概率优化方法算法， 提出了一种基于深度 学习的结构风压统计值预测方法， 以解决上述问题。 [0006]本发明提供如下的技 术方案： [0007]一种基于深度学习的结构风压统计值预测方法， 包括以下步骤： [0008]S1、 构造深度学习数据集； [0009]S2、 通过贝叶斯 概率优化方法确定深度神经网络模型的超参数； [0010]S3、 训练深度神经网络模型； [0011]S4、 对深度神经网络模型进行性能验证并测试 学习能力。 [0012]优选的， 所述S1中， 深度学习数据集包括训练集、 验证集和 测试集。 [0013]更优的， 所述训练集、 验证集和 测试集均包括输入数据与输出 数据。 [0014]优选的， 所述S2中， 超参数包括隐藏层数量、 各隐藏层的神经元数量、 学习率、 批大 小和迭代次数。 [0015]优选的， 所述S3中， 基于确定的深度神经网络模型的超参数， 利用构造的深度学习 数据集对深度神经网络模型进 行训练， 通过不断迭代来 获得各隐藏层神经元的最优权重和 偏置， 使深度神经网络模型 具备优异的泛化能力。 [0016]优选的， 所述S4中， 性能验证包括局部误差指标和全局误差指标； 通过输入预测对 象对应的数据集， 得到预测对象的预测值。 [0017]更优的， 所述局部误差指标包括验证各个预测点对应的绝对误差、 相对误差 。 [0018]更优的， 所述全局误差指验证整个建筑预测精度的相关系数和均方误差 。 [0019]与现有的基于传统人工神经网络的风压预测方法相比， 本发明提出的基于深度学说　明　书 1/3 页 3 CN 115481461 A 3