CN119476058A 基于残差连接神经网络的立柱结构响应预报方法及系统 （青岛哈尔滨工程大学创新发展中心）

基于残差连接神经网络的立柱结构响应预残差连接神经网络的立柱结构响应预报方法及统方法在非线性因素处理与实时计算中的局限22.根据权利要求1所述的基于残差连接神经网络的立柱结构响应预报方法，其特征在针对海洋平台立柱的环境数据进行预处理，包括：通过对不同3.根据权利要求1所述的基于残差连接神经网络的立柱结构响应预报方法，其特征在;;;;3将风载荷方程与波浪载荷合力方程作为约束加入到物理神经网络的损函数Lossrora由两部分组成：;4.根据权利要求1所述的基于残差连接神经网络的立柱结构响应预报方法，其特征在在科莫戈罗夫阿诺尔德KA定理的基础上，通过逐层非线性映射来逼近复杂的非线性5.根据权利要求3所述的基于残差连接神经网络的立柱结构响应预报方法，其特征在6.根据权利要求5所述的基于残差连接神经网络的立柱结构响应预报方法，其特征在;;7.根据权利要求6所述的基于残差连接神经网络的立柱结构响应预报方法，其特征在4;式中，Lossreg表示是神经网络中的L2正则化损失函数，d表示正则化强度，w(o表示8.根据权利要求1所述的基于残差连接神经网络的立柱结构响应预报方法，其特征在对输入特征进行消融实验，逐步剔除不同的环境载荷特征，分析每9.一种基于残差连接神经网络的立柱结构响应预报多层非线性映射模型建立模块（2用于根据科莫戈罗夫_阿诺尔德KA定理，建立用于描述从环境载荷到结构响应的多层非线性映射复合损失函数引入模块（3用于基于构建的多层非线性映射模型KAN，引入复合损失优化模块（4用于采用消融实验优化多层非线性映射模型KAN性能，用于复杂海况下5少维护成本。基于人工智能的海洋平台监测系统不仅提升了海洋工程技术的自主创新能6;;7;;将风载荷方程与波浪载荷合力方程作为约束加入到物理神经网络的损失函数中，损失函数Lossrora由两部分组成：;在科莫戈罗夫阿诺尔德KA定理的基础上，通过逐层非线性映射来逼近复杂的非;;8;[0016]本发明的另一目的在于提供一种基于残差连接神经网络的立柱结构响应预报系描述从环境载荷到结构响应的多层非线性映射9图1是本发明实施例提供的基于残差连接神经网络的立柱结构响应预报方法流程图5是本发明实施例提供的基于残差连接神经网络的立柱结构响应预报系统示意然后为消除不同数据源之间的物理量纲差异，对所有输入数据进行归一化处理，保环境载荷的物理影响在整个网络结构中得损失部分，用于确保网络输出符合已知的物理规律。还包括数据损失，通过均方差损失保在数据拟合和物理约束之间达到平衡。该设计使得多层非线性映射模型KAN能够在遵循;;;共同作用等）下进行模型预测精度测试，与传统有限元模型及其他神经网络模型（PINN、[0040]在本步骤中，利用基于Kolmogorov_Arnold神经网络架构对立柱结构响应进行预连接以进一步提升模型的预测能力。残差连接的引入不仅帮助解决深度网络中的梯度消失问题，还能使网络更加高效地处理复杂的输入数据。具体而言，多层非线性映射模型KAN网络有效地学习和逼近立柱在风流共同作用下的实时载荷。利用海洋平台实时监测数据，;;;;本发明将风载荷方程与波浪载荷合力方程作为约束加入到物理神经网络的损失;（1）本发明进行环境载荷与立柱结构响应的特征向量选取和模型映射阶数的设[0051]具体如下：X=[Fwina,Fav.,HS,TP…]包括主要影响因素，例如风力Fna、波F;;每一层的权重矩阵w(+1)和偏置向量b(+1)学习环境载荷对结构响应的非线[0055]以逼近从环境载荷到结构响应的映射关系中，基于Kolmogorov_Arnold神经网络的逐层非线性映射框架所实现的映射。将映射关系分解为环境载荷特征到网络输入的映[0060]（b）上述环境载荷特征将通过KAN网络的多层非线性映射结构进行处理。基于;度消失问题并确保物理信息在网络层级间的稳定传递，每一层映射之间引入了残差连接。根据Kolmogorov_Arnold定理，任意连续的多变量函数均可通过有限层数的非线;态调整物理损失与数据损失的权重系数，本发明能够平衡物理约束与数据驱动的拟合效;测精度。当训练步数较大