Resumen

La ingeniería estructural está sujeta a varios factores subjetivos y objetivos, la deformación suele ser inevitable, los datos de monitorización de la deformación suelen ser no estacionarios y no lineales, y la predicción de la deformación es un problema difícil en el campo de la monitorización estructural. Con el objetivo de resolver los problemas de los métodos tradicionales de predicción de deformaciones estructurales, en este estudio se propone un modelo de predicción de deformaciones estructurales basado en redes convolucionales temporales (TCNs). El modelo propuesto utiliza una convolución causal dilatada unidimensional para reducir los parámetros del modelo, ampliar el campo receptivo y evitar futuras fugas de información. Al obtener la memoria a largo plazo de las series temporales, se pueden extraer de forma efectiva las características temporales internas de los datos de deformación estructural. Los hiperparámetros de la red del modelo TCN se optimizan mediante el experimento ortogonal, que determina la combinación óptima de los parámetros del modelo. Los resultados experimentales muestran que los valores predichos por el modelo propuesto son altamente consistentes con los valores reales monitorizados. El promedio de RMSE, MAPE y MAE con los parámetros optimizados del modelo se reducen en un 44,15%, 82,03% y 66,48%, respectivamente, y el tiempo medio de ejecución se reduce en un 45,41 en comparación con los resultados sin parámetros de optimización. La media de RMSE, MAE y MAPE se reduce en un 26,88%, 62,16% y 40,83%, respectivamente, en comparación con los modelos WNN, DBN-SVR, GRU y LSTM.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:predicción de la deformación estructural, modelo propuesto, parámetros del modelo, rmse medio, combinación del modelo, parámetros del modelo optimizados, características temporales internas, fuga de información futura, red convolucional temporal, valor real monitorizado
• Keywords:structural deformation prediction, proposed model, model parameters, average rmse, combination of model, optimized model parameters, internal time characteristics, future information leakage, temporal convolutional network, actual monitored value