本發(fā)明屬于基于機(jī)器學(xué)習(xí)的保溫管極限狀態(tài)預(yù)測(cè)，尤其涉及一種基于深度算子網(wǎng)絡(luò)架構(gòu)的預(yù)制聚氨酯直埋保溫管極限狀態(tài)預(yù)測(cè)方法。

背景技術(shù)：

1、聚氨酯直埋保溫管擁有出色的保溫隔熱性能，能大幅降低熱量在輸送過(guò)程中的損耗，有效節(jié)約能源，無(wú)論是熱水、蒸汽輸送還是低溫環(huán)境維持均可實(shí)現(xiàn)。其防水防潮、防腐保護(hù)的特性，使管道免受外界侵蝕，延長(zhǎng)使用壽命，減少維護(hù)成本。同時(shí)，它方便施工，適應(yīng)復(fù)雜地形，安裝快捷，還具備一定的結(jié)構(gòu)支撐能力，可承受各類(lèi)外力。此外，部分產(chǎn)品的阻燃性能和報(bào)警功能，為安全運(yùn)行提供保障，符合節(jié)能環(huán)保的時(shí)代需求，在眾多領(lǐng)域的管道輸送系統(tǒng)中發(fā)揮著不可替代的作用。然而在聚氨酯直埋保溫管的在實(shí)際運(yùn)行中，它會(huì)受到土壤壓力、車(chē)輛荷載等外力，以及熱介質(zhì)輸送導(dǎo)致的熱應(yīng)力影響，應(yīng)力分析能準(zhǔn)確計(jì)算應(yīng)力分布，避免因應(yīng)力過(guò)大引發(fā)管道破裂、變形、接口松動(dòng)等結(jié)構(gòu)破壞，保障管道結(jié)構(gòu)安全；同時(shí)，也可防止應(yīng)力傳遞至保溫層，避免保溫層損壞，維持保溫性能和結(jié)構(gòu)完整性。此外，通過(guò)應(yīng)力分析還能優(yōu)化設(shè)計(jì)參數(shù)、預(yù)測(cè)疲勞壽命，提高管道使用壽命，減少維修更換成本，并且滿(mǎn)足工程規(guī)范和標(biāo)準(zhǔn)要求，保障公共安全，確保工程順利驗(yàn)收與投入使用。因此極限應(yīng)力分析在聚氨酯保溫管的具體使用過(guò)程中有著重要意義。

2、目前，聚氨酯保溫直埋管極限狀態(tài)分析及預(yù)測(cè)主要集中在以下幾種方法：

3、(1)解析法：解析法是基于彈性力學(xué)、材料力學(xué)等理論，通過(guò)建立精確的數(shù)學(xué)模型，運(yùn)用數(shù)學(xué)公式和推導(dǎo)來(lái)求解應(yīng)力的方法。對(duì)于一些幾何形狀簡(jiǎn)單、邊界條件明確的聚氨酯直埋保溫管結(jié)構(gòu)，可利用該方法直接得出應(yīng)力的解析表達(dá)式。例如，對(duì)于等截面直管道在均勻溫度變化和軸向力作用下，可根據(jù)熱彈性力學(xué)理論，通過(guò)建立平衡方程、幾何方程和物理方程，推導(dǎo)出管道內(nèi)的應(yīng)力分布公式，能準(zhǔn)確地給出管道各點(diǎn)的應(yīng)力值，為應(yīng)力分析提供理論基礎(chǔ)，但對(duì)于復(fù)雜形狀和邊界條件的情況，解析法求解難度大甚至無(wú)法求解；

4、(2)數(shù)值分析法：數(shù)值分析法是借助計(jì)算機(jī)技術(shù)，將聚氨酯直埋保溫管的實(shí)際結(jié)構(gòu)離散化為有限個(gè)單元和節(jié)點(diǎn)，對(duì)每個(gè)單元進(jìn)行力學(xué)分析，然后通過(guò)組裝形成整體的方程組來(lái)求解應(yīng)力。其中有限元法是最常用的數(shù)值分析方法之一，它將管道結(jié)構(gòu)劃分為大量的小單元，如四面體單元、六面體單元等，對(duì)每個(gè)單元建立剛度矩陣，再根據(jù)邊界條件和載荷情況，求解整個(gè)結(jié)構(gòu)的位移場(chǎng)，進(jìn)而通過(guò)物理方程計(jì)算出應(yīng)力場(chǎng)。這種方法可以處理各種復(fù)雜的幾何形狀、材料特性和邊界條件，能精確模擬管道在不同工況下的應(yīng)力分布，廣泛應(yīng)用于聚氨酯直埋保溫管的應(yīng)力分析，但需要專(zhuān)業(yè)的軟件和一定的計(jì)算資源，且對(duì)模型的建立和參數(shù)設(shè)置要求較高。

5、(3)實(shí)驗(yàn)應(yīng)力分析法：實(shí)驗(yàn)應(yīng)力分析法是通過(guò)在實(shí)際的聚氨酯直埋保溫管或其模型上進(jìn)行實(shí)驗(yàn)，直接測(cè)量應(yīng)力或與應(yīng)力相關(guān)的物理量，進(jìn)而確定應(yīng)力分布的方法。常見(jiàn)的有電阻應(yīng)變片法，將電阻應(yīng)變片粘貼在管道表面，當(dāng)管道受力產(chǎn)生變形時(shí)，應(yīng)變片的電阻值會(huì)發(fā)生變化，通過(guò)測(cè)量電阻變化并根據(jù)應(yīng)變與電阻的關(guān)系，計(jì)算出管道表面的應(yīng)變，再根據(jù)材料的本構(gòu)關(guān)系得到應(yīng)力。還有光彈性法，利用光彈性材料制成管道模型，在加載條件下，通過(guò)觀察光彈性模型中出現(xiàn)的條紋圖案，分析計(jì)算出模型中的應(yīng)力分布情況，以此推斷實(shí)際管道的應(yīng)力狀態(tài)。實(shí)驗(yàn)應(yīng)力分析法能直接獲取管道的應(yīng)力數(shù)據(jù)，結(jié)果直觀可靠，可用于驗(yàn)證數(shù)值分析和解析法的結(jié)果，但實(shí)驗(yàn)成本較高，且受實(shí)驗(yàn)條件和測(cè)量技術(shù)的限制，對(duì)于一些內(nèi)部應(yīng)力和復(fù)雜工況下的應(yīng)力測(cè)量存在一定困難。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述問(wèn)題，本發(fā)明第一方面提出了一種基于深度算子網(wǎng)絡(luò)架構(gòu)的預(yù)制聚氨酯直埋保溫管極限狀態(tài)預(yù)測(cè)模型構(gòu)建方法，包括以下過(guò)程：

2、步驟1，基于使用環(huán)境模擬，對(duì)不同規(guī)格直埋管展開(kāi)極限應(yīng)力測(cè)試以搜集其在此種條件下所能經(jīng)受的最大應(yīng)力，記錄最大應(yīng)力以及對(duì)應(yīng)的規(guī)格數(shù)據(jù)以及環(huán)境數(shù)據(jù)，構(gòu)建初始數(shù)據(jù)集；

3、步驟2，基于relieff算法的特征篩選模塊對(duì)與聚氨酯直埋保溫管極限應(yīng)力相關(guān)度較低的特征進(jìn)行剔除，獲取特征重要度靠前的規(guī)格數(shù)據(jù)以及環(huán)境數(shù)據(jù)，結(jié)合對(duì)應(yīng)的最大應(yīng)力構(gòu)建訓(xùn)練數(shù)據(jù)集；

4、步驟3，基于深度算子網(wǎng)絡(luò)架構(gòu)構(gòu)建極限狀態(tài)預(yù)測(cè)模型，包括主干網(wǎng)絡(luò)架構(gòu)、分支網(wǎng)絡(luò)架構(gòu)以及融合輸出模塊，所述主干網(wǎng)絡(luò)用于提取直埋保溫管物理屬性特征，所述分支網(wǎng)絡(luò)用于提取直埋保溫管所處環(huán)境特征并基于自注意力機(jī)制為環(huán)境特征中的特征通道進(jìn)行加權(quán)處理，獲得自注意力環(huán)境特征，所述融合輸出模塊用于將兩個(gè)網(wǎng)絡(luò)架構(gòu)輸出的兩種特征進(jìn)行自適應(yīng)融合，并基于融合特征輸出最大應(yīng)力預(yù)測(cè)結(jié)果；

5、步驟4，基于強(qiáng)化學(xué)習(xí)策略對(duì)構(gòu)建的極限狀態(tài)預(yù)測(cè)模型進(jìn)行優(yōu)化訓(xùn)練，獲取最終極限狀態(tài)預(yù)測(cè)模型。

6、優(yōu)選的，所述步驟2中基于relieff算法的特征篩選模塊具體數(shù)據(jù)處理過(guò)程為：

7、s21，數(shù)據(jù)選擇及分類(lèi)：基于聚氨酯直埋保溫管極限狀態(tài)初始數(shù)據(jù)集data，從中隨機(jī)選取m條樣本數(shù)據(jù)，根據(jù)數(shù)據(jù)相似度sdu對(duì)m條樣本數(shù)據(jù)進(jìn)行分組，分組的數(shù)目為l；

8、s22，特征差異度計(jì)算：分別計(jì)算同組樣本中每個(gè)特征所對(duì)應(yīng)的特征差異度tzc以及不同組樣本中的特征差異度bzc；

9、s23，特征相關(guān)度計(jì)算：基于計(jì)算得到的每個(gè)特征的差異度tzc和bzc計(jì)算特征相關(guān)度tmax；

10、s24，多次迭代特征相關(guān)度計(jì)算：重復(fù)進(jìn)行過(guò)程s21到s23，共迭代b次，將每次計(jì)算得到的特征相關(guān)度t∈[1，b]進(jìn)行平均加權(quán)處理，并將其結(jié)果to定義為最終的特征重要度，其特征重要度越高，表明此特征與聚氨酯直埋保溫管極限應(yīng)力的聯(lián)系程度越強(qiáng)；

11、s25，特征篩選處理：基于計(jì)算得到的各個(gè)特征的特征重要度，棄掉特征重要度處于后百分之40的冗余特征。

12、優(yōu)選的，所述s21中，

13、

14、其中，datayzj表示數(shù)據(jù)集data中一條數(shù)據(jù)的第j個(gè)參數(shù)值，表示數(shù)據(jù)集data中另一條數(shù)據(jù)的第j個(gè)參數(shù)值，j∈[1，c]；其中c是環(huán)境數(shù)據(jù)、規(guī)格數(shù)據(jù)加最大應(yīng)力數(shù)據(jù)的總數(shù)；

15、分組的具體過(guò)程為：從m條樣本數(shù)據(jù)中隨機(jī)選擇一條數(shù)據(jù)開(kāi)始進(jìn)行分組，依次計(jì)算其他剩余所有數(shù)據(jù)和此條數(shù)據(jù)的sdu值，計(jì)算完畢后，將sdu值最大的條數(shù)據(jù)和此條數(shù)據(jù)進(jìn)行組合，構(gòu)成一個(gè)數(shù)據(jù)分組；分組后的數(shù)據(jù)進(jìn)行剔除，對(duì)剩余的數(shù)據(jù)繼續(xù)進(jìn)行如上所述的數(shù)據(jù)分類(lèi)，直到數(shù)據(jù)分組完畢；

16、所述s22中，分別計(jì)算同組樣本中每個(gè)特征所對(duì)應(yīng)的特征差異度tzc以及不同組樣本中的特征差異度bzc，公式如下：

17、

18、其中，同組樣本數(shù)據(jù)中第w條和第m條數(shù)據(jù)的第k個(gè)特征的參數(shù)值，其中t為環(huán)境數(shù)據(jù)與規(guī)格數(shù)據(jù)的總和；和分別表示不同組樣本數(shù)據(jù)中第g條和第l條數(shù)據(jù)的第k個(gè)特征的參數(shù)值，|*|表示絕對(duì)值操作函數(shù)。

19、優(yōu)選的，所述主干網(wǎng)絡(luò)架構(gòu)由輸入層、中間層、輸出層三部分構(gòu)成；選取聚氨酯直埋保溫管的規(guī)格特征參數(shù)作為此主干網(wǎng)絡(luò)架構(gòu)的輸入，經(jīng)特征篩選后，保留的聚氨酯直埋保溫管規(guī)格特征參數(shù)個(gè)數(shù)為p，因此輸入層的神經(jīng)元個(gè)數(shù)為p；中間層的網(wǎng)絡(luò)架構(gòu)主要由全連接層、relu激活函數(shù)、silu激活函數(shù)三部分組成，在中間層中首先為wq個(gè)全連接層，每個(gè)全連接層中有ws個(gè)神經(jīng)元，隨后經(jīng)過(guò)relu函數(shù)激活以提升模型的非線(xiàn)性表達(dá)能力，最后為wh個(gè)全連接層，每個(gè)全連接層中每層有wf個(gè)神經(jīng)以及silu激活函數(shù)；在設(shè)計(jì)的輸出層中包含4個(gè)不同的神經(jīng)元，隨后經(jīng)過(guò)空間注意力層對(duì)隱藏層中4個(gè)神經(jīng)元的輸出進(jìn)行自適應(yīng)融合，得到主干網(wǎng)絡(luò)架構(gòu)的輸出feaz。

20、優(yōu)選的，所述分支網(wǎng)絡(luò)架構(gòu)中采用堆疊結(jié)構(gòu)；堆疊結(jié)構(gòu)由2條并列的網(wǎng)絡(luò)通路構(gòu)成，每條網(wǎng)絡(luò)通路由輸入層、中間層、輸出層三部分構(gòu)成；將環(huán)境特征參數(shù)作為此分支網(wǎng)絡(luò)架構(gòu)的輸入，在輸入層總共包含有q個(gè)神經(jīng)元，q為篩選后保留環(huán)境特征數(shù)據(jù)的總數(shù)；中間層的結(jié)構(gòu)為：首先為3個(gè)依次連接的全連接層，隨后經(jīng)過(guò)simgoid激活函數(shù)對(duì)數(shù)據(jù)進(jìn)行非線(xiàn)性激活，隨后為4個(gè)依次連接的全連接層，在這4個(gè)全連接層中，最后通過(guò)softmax激活函數(shù)進(jìn)行非線(xiàn)性歸一化處理；網(wǎng)絡(luò)通路中輸出層的神經(jīng)元個(gè)數(shù)設(shè)定為1；將每條網(wǎng)絡(luò)通路中輸出層的輸出fzs送入到自注意力機(jī)制單元中進(jìn)行處理得到輸出結(jié)果fe，隨后再利用1個(gè)全連接層對(duì)2條網(wǎng)絡(luò)通路的輸出進(jìn)行進(jìn)一步整合，得到分支網(wǎng)絡(luò)架構(gòu)的輸出feaf。

21、優(yōu)選的，所述自注意力機(jī)制單元將分支網(wǎng)絡(luò)架構(gòu)中每條網(wǎng)絡(luò)通路的輸出fzs映射到多個(gè)特征空間中，自注意力機(jī)制包括l個(gè)并列的自注意力抽頭，再利用通道注意力層對(duì)l個(gè)注意力抽頭的輸出進(jìn)行整合，得到最終自注意力機(jī)制的輸出結(jié)果fe；每個(gè)自注意力抽頭的特征處理過(guò)程為：

22、

23、其中，softmax(*)表示softmax線(xiàn)性歸一化函數(shù)，fea為自注意力抽頭的輸出結(jié)果；矩陣q，k，v為對(duì)特征fzs經(jīng)過(guò)三個(gè)不同的矩陣處理后所映射的得到的查詢(xún)、鍵和值矩陣，具體地：

24、q＝wq*fzs

25、k＝wk*fzs

26、v＝wv*fzs

27、其中，wq，wk，wv為三個(gè)不同的特征映射矩陣，以將特征fzs送入到三個(gè)不同的特征空間中進(jìn)行處理。

28、優(yōu)選的，所述融合輸出模塊將主干網(wǎng)絡(luò)架構(gòu)得到的輸出feaz以及分支網(wǎng)絡(luò)架構(gòu)得到的輸出feaf進(jìn)一步融合處理后得到預(yù)制聚氨酯直埋保溫管極限應(yīng)力預(yù)測(cè)結(jié)果yout。首先，采用bn標(biāo)準(zhǔn)化層分別對(duì)feaz和feaf進(jìn)行標(biāo)準(zhǔn)化處理優(yōu)化特征通道的分布度以增強(qiáng)模型在輸出制聚氨酯直埋保溫管極限應(yīng)力預(yù)測(cè)結(jié)果時(shí)的魯棒性，獲得和其次，使用雙線(xiàn)性插值上采樣層將上采樣至相同尺寸；再次，使用點(diǎn)積層對(duì)上采樣后的和進(jìn)行點(diǎn)積操作獲得融合特征ffz；再次，將融合特征輸入dropout層優(yōu)化ffz中的特征通道參數(shù)獲得凍結(jié)參數(shù)的特征ffz*，減小模型過(guò)擬合的風(fēng)險(xiǎn)；最后，將ffz*輸入l2正則化層后輸入relu激活函數(shù)得到最終的預(yù)制聚氨酯直埋保溫管極限應(yīng)力預(yù)測(cè)結(jié)果yout，其中l(wèi)2正則化層對(duì)模型權(quán)重進(jìn)行約束，增強(qiáng)模型預(yù)測(cè)時(shí)的魯棒性。

29、優(yōu)選的，所述強(qiáng)化學(xué)習(xí)策略是對(duì)模型主干網(wǎng)絡(luò)中中間層的全連接層層數(shù)以及每個(gè)全連接層wq，wh所包含的神經(jīng)元個(gè)數(shù)ws，wf展開(kāi)全面優(yōu)化，以找到模型性能最佳時(shí)所對(duì)應(yīng)的具體的全連接層層數(shù)以及每層中的神經(jīng)元個(gè)數(shù)；

30、將全連接層數(shù)目wq，wh以及其所對(duì)應(yīng)的神經(jīng)元個(gè)數(shù)ws，wf其4個(gè)數(shù)量組合構(gòu)成的向量作為此強(qiáng)化學(xué)習(xí)所對(duì)應(yīng)的狀態(tài)空間；在其動(dòng)作空間中，其是對(duì)參數(shù)wq，wh，ws，wf所進(jìn)行的自適應(yīng)優(yōu)化和改變，以找到模型性能最佳時(shí)所對(duì)應(yīng)的模型參數(shù)；其獎(jiǎng)勵(lì)因子的設(shè)計(jì)是通過(guò)比較損失函數(shù)的大小來(lái)實(shí)現(xiàn)，利用所構(gòu)建的訓(xùn)練數(shù)據(jù)集，基于狀態(tài)空間中所對(duì)應(yīng)的模型參數(shù)，得到此時(shí)模型的損失函數(shù)值lossq；當(dāng)狀態(tài)進(jìn)行更新后即采取了對(duì)模型參數(shù)進(jìn)行更新的動(dòng)作，再計(jì)算一下參數(shù)更新后模型所對(duì)應(yīng)的損失函數(shù)值lossh；若qjl的值大于0，則給予此動(dòng)作一個(gè)數(shù)值為2*qjl的正獎(jiǎng)勵(lì)數(shù)值，若qjl的值小于0，則給予此動(dòng)作一個(gè)數(shù)值為2*qjl的負(fù)獎(jiǎng)勵(lì)數(shù)值：

31、qjl＝lossh-lossq

32、同時(shí)構(gòu)建強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)，構(gòu)建策略網(wǎng)絡(luò)以實(shí)現(xiàn)對(duì)參數(shù)wq，wh，ws，wf的優(yōu)化，構(gòu)造價(jià)值網(wǎng)絡(luò)以對(duì)采取此組模型模型參數(shù)所對(duì)應(yīng)的價(jià)值進(jìn)行自適應(yīng)判斷；設(shè)計(jì)的策略網(wǎng)絡(luò)中主要由4個(gè)相互連接的全連接層和relu激活函數(shù)構(gòu)成，所設(shè)計(jì)的價(jià)值網(wǎng)絡(luò)主要由6個(gè)相互連接的全連接層和silu激活函數(shù)構(gòu)成；其網(wǎng)絡(luò)架構(gòu)的輸入為一組四維向量，表示一組對(duì)應(yīng)的wq，wh，ws，wf情況，利用構(gòu)造的數(shù)據(jù)集并安置此時(shí)架構(gòu)輸入構(gòu)造的預(yù)測(cè)模型進(jìn)行訓(xùn)練，并記錄訓(xùn)練過(guò)程后的損失函數(shù)以計(jì)算獎(jiǎng)勵(lì)因子。

33、本發(fā)明第二方面提出了一種基于深度算子網(wǎng)絡(luò)架構(gòu)的預(yù)制聚氨酯直埋保溫管極限狀態(tài)預(yù)測(cè)方法，將第一方面所述的構(gòu)建方法所構(gòu)建的極限狀態(tài)預(yù)測(cè)模型部署于計(jì)算機(jī)終端中，并包括以下過(guò)程：

34、實(shí)時(shí)獲取聚氨酯直埋保溫管的規(guī)格數(shù)據(jù)和環(huán)境數(shù)據(jù)，并標(biāo)準(zhǔn)化處理為模型輸入數(shù)據(jù)；

35、將標(biāo)準(zhǔn)化處理后的規(guī)格數(shù)據(jù)和環(huán)境數(shù)據(jù)輸入到極限狀態(tài)預(yù)測(cè)模型中；輸出此種規(guī)格的聚氨酯直埋保溫管在此種環(huán)境條件下的極限應(yīng)力結(jié)果。

36、優(yōu)選的，篩選后保留的用于預(yù)測(cè)的聚氨酯直埋保溫管規(guī)格特征參數(shù)為：保溫管的鋼管層厚度gt，保溫管的保溫層厚度wt，保溫管的直徑bd，保溫管的抗壓強(qiáng)度bq，保溫管的導(dǎo)熱系數(shù)br以及保溫管的吸水率bh；保留的環(huán)境特征參數(shù)為環(huán)境溫度tm，直埋管埋藏深度sd，周邊土壤密度td，土壤摩擦力系數(shù)ts。

37、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果：

38、(1)基于relieff算法的特征篩選模塊：基于relieff算法設(shè)計(jì)了特征篩選模塊，通過(guò)對(duì)數(shù)據(jù)集中的特征進(jìn)行重要度篩選，只保留其中與極限應(yīng)力相關(guān)度較高的特征。根據(jù)此特征篩選模塊的設(shè)計(jì)，可消除掉初始特征中引入的冗余特征，從而可進(jìn)一步優(yōu)化模型架構(gòu)，降低模型訓(xùn)練的復(fù)雜度，提升模型的深層次擬合能力，在進(jìn)行聚氨酯直埋保溫管極限狀態(tài)預(yù)測(cè)時(shí)，優(yōu)化其特征選取的復(fù)雜程度，并增強(qiáng)模型的預(yù)測(cè)能力；

39、(2)基于深度算子網(wǎng)絡(luò)架構(gòu)建立聚氨酯直埋保溫管極限狀態(tài)預(yù)測(cè)模型：基于深度算子網(wǎng)絡(luò)架構(gòu)具有的深層次擬合能力，本發(fā)明基于此架構(gòu)設(shè)計(jì)了聚氨酯直埋保溫管極限狀態(tài)預(yù)測(cè)模型，并在其中引入了自注意力機(jī)制以進(jìn)一步提升模型泛化能力和深層次擬合能力。保證在多種工況下均能實(shí)現(xiàn)對(duì)聚氨酯直埋保溫管極限應(yīng)力的準(zhǔn)確預(yù)測(cè)；

40、(3)基于強(qiáng)化學(xué)習(xí)的模型優(yōu)化模塊構(gòu)建：基于強(qiáng)化學(xué)習(xí)策略構(gòu)建了模型參數(shù)架構(gòu)優(yōu)化模塊，設(shè)計(jì)了損失函數(shù)、狀態(tài)、動(dòng)作以及獎(jiǎng)勵(lì)因子以尋找到模型性能最佳時(shí)對(duì)應(yīng)的模型架構(gòu)參數(shù)?；诖四K設(shè)計(jì)，可進(jìn)一步優(yōu)化模型的擬合性能，增強(qiáng)對(duì)聚氨酯直埋保溫管極限應(yīng)力預(yù)測(cè)的準(zhǔn)確性和魯棒性。