深度学习在钢结构货架变形预测中的应用研究.pdfVIP

第５１卷第２期山西建筑Ｖｏｌ．５１Ｎｏ．２

·２８·２０２５年１月Ｊａｎ．２０２５

ＳＨＡＮＸＩＡＲＣＨＩＴＥＣＴＵＲＥ

·结构·抗震·

１０．１３７１９／ｊ．ｃｎｋｉ．１００９－６８２５．２０２５．０２．００７

ＤＯＩ：

深度学习在钢结构

货架变形预测中的应用研究★

魏来，张雅晨，潘健，胡一清

（南京远能电力工程有限公司，江苏南京２１００００）

摘要：随着工业化和物流行业的发展，钢结构货架在仓储和物流系统中越来越重要，因此准确预测其变形至关重

要。文章介绍了一种基于双向长短时记忆网络（ＢｉＬＳＴＭ）和注意力机制的预测算法，该算法利用时间序列数据，通

过深度学习模型进行训练，能够更细致地分析和预测钢结构货架的变形。结合一个典型应用验证了模型性能，证

实了其高稳健性和出色的预测精度。实验结果表明，该模型能够准确地预测钢结构货架的变形情况，其平均误差

仅为０．１５％～３．３３％。这些结果表明了该算法在钢结构货架自动化监测领域的潜在应用前景，为其结构变形预

测提供了一种可行的解决方案。

关键词：自动化监测；深度学习；时间序列数据；双向长短时记忆网络与注意力机制（ＢｉＬＳＴＭ－Ａｔｔｅｎｔｉｏｎ）

中图分类号：ＴＵ３９１文献标识码：Ａ１００９－６８２５（２０２５）０２－００２８－０６

文章编号：

１研究背景生更大的社会和经济效益。为了提前发现并有效应对

各种结构的变形问题，许多研究致力于开发预测方法，

随着工业化和物流行业的不断发展，钢结构货架

以实现对结构变形的精准预测。近年来，深度学习技

在仓储和物流系统中扮演着至关重要的角色。钢结构

术在结构变形预测领域取得了显著的进展。Ｘｉ，Ｗ．

货架作为一种重要的储存设施，直接关系到仓库空间［１０］

等采用卷积神经网络（ＣＮＮ）开发了一个基于Ｔｅｎ

的有效利用和货物存储的安全性。然而，在钢结构长

ｓｏｒＦｌｏｗ的深度学习模型，用于预测混凝土坝的变形，

期使用的过程中，受到各种外部因素的影响，例如负载展现出比传统模型更高的预测准确性和稳定性。同样

变化、环境温度、环境湿度等，钢结构可能会发生变形，［１１］

地，Ｌｕｏ，Ｘ．等引入了一个基于时间卷积网络（ＴＣ

进而影响其稳定性和使用寿命［１］。通过对获得的数据Ｎｓ）的结构变形预测模型，有效处理了非平稳和非线性

进行挖掘，精准预测钢结构货架成为一个亟待解决的监测数据，性能优于ＷＮＮ，ＤＢＮ－ＳＶＲ，ＧＲＵ和ＬＳＴＭ

重要课题。［１２］

等模型。Ｘｕｅ，Ｑ．等提出了一个结合照明周期性因

近期，人工智能技术迅速发展，有效促进了众多行素的Ｐｒｏｐｈｅｔ模型，用于建筑变形预测，表现出较ＬＳＴＭ

［２－６］

业的进步。深度学习作为人工智能领域中的一项模型和传统Ｐｒｏｐｈｅｔ模型