本发明涉及结构工程研究领域，特别是涉及网壳结构性能研究领域，具体为一种大跨度网壳结构性能智能化预测方法、系统。
背景技术：
1、单层网壳结构由于其良好的力学性能而被广泛设计为大跨屋盖结构，其稳定性分析在其设计过程中起着至关重要的作用，是网壳结构设计中的关键问题。随着计算机的发展和广泛应用，非线性有限元分析方法逐渐成为结构稳定性分析的有力工具。在实际的工程设计中，采用有限元法计算网壳结构稳定极限承载能力是非常耗时的，而且对工程设计人员提出了较高的要求,不便于实际工程使用。
2、最近，机器学习(ml)作为一种数据驱动的智能分析方法，受到人们的关注。机器学习方法是基于数据驱动的方法，预测模型是基于大量的实验及模拟结果提前开发的，这可以为快速评估网壳结构的稳定承载性能提供一个很好的可选方案。使用人工智能或机器学习来预测或回归响应的主要缺点之一是训练的模型是一种黑盒子，并且难以解释。这类方法较少对机器学习算法模型的预测过程做出解释，且没有部署可供使用的环境，因此不能直接用于结构设计过程。
技术实现思路
1、针对现有技术的不足，本发明提出了一种大跨度网壳结构性能智能化预测方法，这种方法基于机器学习算法模型，可直接依据单层网壳的基本特征给出极限承载力预测结果，具有极高的准确率，并给出了相应的模型解释，对于大跨度网壳结构性能评估具有十分重要的意义。
2、为实现以上目的，本发明通过以下技术方案予以实现：
3、本发明首先提供一种大跨度网壳结构性能智能化预测方法，包括如下步骤：
4、选取对大跨度网壳结构性能影响较大的多个特征，进行有限元数据模拟，生成预测模型所需的数据库；
5、对预测模型所需的数据库的数据进行预处理，划分数据集；
6、建立预测模型评价的性能基线；
7、建立多个大跨度网壳结构性能智能化预测模型，并利用划分后的数据集进行模型训练、验证及测试；
8、基于模型训练结果，比较不同预测模型的性能评价指标，确定最优预测模型，并对最优预测模型进行鲁棒性和可靠性检验；
9、基于最优预测模型，对大跨度网壳结构性能智能化预测模型的各个特征进行重要性分析；
10、开发预测程序，集成已经训练完成的最优预测模型，提供用户交互界面。
11、在一些实施例中，所述对大跨度网壳结构性能影响较大的多个特征，包括：跨度、分频数、矢跨比、截面外径、截面厚度、几何缺陷、恒活载比例。
12、在一些实施例中，所述对预测模型所需数据库的数据进行预处理，划分数据集，包括如下步骤：
13、采用最小-最大缩放对数据库中各个特征数据进行归一化处理，公式如下：
14、
15、其中，x是数据库中某一特征原始数据，xmin为该特征原始数据的最小值，xmax为该特征原始数据的最大值，xscaled为该特征缩放后的数据值。
16、将归一化处理后数据库中的数据划分为训练集和测试集，优选按照7:3的比例划分。
17、在一些实施例中，所述多个大跨度网壳结构性能智能化预测模型，包括：线性回归、支持向量回归、决策树、k近邻、人工神经网络、随机森林、梯度增强、xgboost以及adaboost共9个模型。
18、在一些实施例中，所述利用划分后的数据集进行模型训练，包括如下步骤：
19、使用scikit-learn的gridserachcv函数进行超参数调整，确定各个预测模型的最佳超参数；
20、使用k-fold交叉验证的方法训练预测模型，避免机器学习过拟合问题。
21、在一些实施例中，所述使用k-fold交叉验证的方法训练预测模型，包括如下步骤：
22、将训练集进一步分成k个子集；
23、使用k-1个子集作为训练数据来训练预测模型；
24、使用剩余的1个子集来验证预测模型；
25、对于预测模型进行k折交叉验证。
26、在一些实施例中，所述预测模型的性能评价指标包括：均方根误差rmse、平均绝对误差mae、平均绝对百分比误差mape、决定系数r2。
27、在一些实施例中，所述对大跨度网壳结构性能智能化预测模型的各个特征进行重要性分析使用shap解释算法进行分析。
28、在一些实施例中，所述使用shap解释算法进行分析，包括如下步骤：
29、计算各个特征的shapley值；
30、计算各个特征的平均绝对shapley值；
31、结合各个特征的shapley值与平均绝对shapley值，获得各个特征与大跨度网壳结构稳定极限承载力数值之间的关系。
32、本发明还提供一种大跨度网壳结构性能智能化预测系统，所述系统用于执行所述的预测方法。
33、本发明相对于现有技术的有益效果是：本发明提供一种大跨度网壳结构性能智能化预测方法，旨在解决传统的基于数值模拟和实验研究的大跨网壳结构性能预测方法计算过程复杂以及成本昂贵的问题。具体优点至少包括如下一个或多个：
34、(1)本发明提出的预测方法，采用有限元模拟生成足够多的数据，为机器学习模型预测的准确性打下了基础。
35、(2)本发明提出的预测方法，首先对数据进行标准化处理，进行最小-最大缩放，将不同特征之间的尺度差异消除，提高模型的性能和收敛速度，同时建立性能基线用于评价机器学习模型的适用性。
36、(3)本发明提出的预测方法，根据不同类别建立多种机器学习预测模型，采用网格搜索法为每种模型选取最优超参数，提高模型预测的准确性。同时采用十折交叉验证，避免模型出现过拟合问题。
37、(4)本发明提出的预测方法，对最优预测模型进行鲁棒性和可靠性的二次检验，验证了模型的可靠度。
38、(5)本发明提出的预测方法，采用shap法对模型进行解释，分析输入特征与预测结果之间的复杂非线性关系，解决了模型的黑盒子问题。
39、(6)本发明提出的预测方法，能够快速预测包含大量特征的单层网壳结构的稳定极限承载力，减少时间和经济成本，为设计提供建议。同时提供了用户交互界面，方便工程师使用。
40、应当理解，本发明任一实施方式的实现并不意味要同时具备或达到上述有益效果的多个或全部。
1.一种大跨度网壳结构性能智能化预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的预测方法，其特征在于，所述对大跨度网壳结构性能影响较大的多个特征，包括：跨度、分频数、矢跨比、截面外径、截面厚度、几何缺陷、恒活载比例。
3.根据权利要求1所述的预测方法，其特征在于，所述对预测模型所需数据库的数据进行预处理，划分数据集，包括如下步骤：
4.根据权利要求1所述的预测方法，其特征在于，所述多个大跨度网壳结构性能智能化预测模型，包括：线性回归、支持向量回归、决策树、k近邻、人工神经网络、随机森林、梯度增强、xgboost以及adaboost共9个模型。
5.根据权利要求3所述的预测方法，其特征在于，所述利用划分后的数据集进行模型训练，包括如下步骤：
6.根据权利要求5述的预测方法，其特征在于，所述使用k-fold交叉验证的方法训练预测模型，包括如下步骤：
7.根据权利要求1所述的预测方法，其特征在于，所述预测模型的性能评价指标包括：均方根误差rmse、平均绝对误差mae、平均绝对百分比误差mape、决定系数r2。
8.根据权利要求1所述的预测方法，其特征在于，所述对大跨度网壳结构性能智能化预测模型的各个特征进行重要性分析使用shap解释算法进行分析。
9.根据权利要求8所述的预测方法，其特征在于，所述使用shap解释算法进行分析，包括如下步骤：
10.一种大跨度网壳结构性能智能化预测系统，其特征在于，所述系统用于执行根据权利要求1至9中任一项所述的预测方法。
