[發(fā)明專利]一種基于時空數(shù)據(jù)的結構安全預警方法

有效

• 申請?zhí)枺?/td>: 202110430999.3
• 申請日: 2021-04-21
• 公開（公告）號: CN113033702B
• 公開（公告）日: 2022-12-13
• 發(fā)明（設計）人: 蘇輝;時波;杜續(xù);焦寶;雷丹;楊石飛;許麗萍
• 申請（專利權）人: 上海勘察設計研究院（集團）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海申蒙商標專利代理有限公司 31214
• 代理人: 黃明凱

本發(fā)明公開了一種基于時空數(shù)據(jù)的結構安全預警方法，包括以下步驟：收集目標結構的變形監(jiān)測數(shù)據(jù)和病害監(jiān)測數(shù)據(jù)，并收集目標結構的工程特征數(shù)據(jù)；將上述三類數(shù)據(jù)形成連續(xù)時空數(shù)據(jù)并做歸一化和獨熱編碼處理，劃分訓練集和測試集；構建預測變形的第一深度學習模型并進行訓練，用測試集檢驗模型；預測結構變形并將變形結果保存；構建預測病害的第二深度學習模型，按時間劃分訓練集和測試集，訓練該第二深度學習模型并用測試集檢驗；預測結構病害，并將變形預測和病害預測反饋，進行結構安全狀態(tài)的預警。本發(fā)明的優(yōu)點是：解決了以往結構安全預警忽略空間特征的問題，充分利用結構變形病害數(shù)據(jù)和特征數(shù)據(jù)中的時間和空間關聯(lián)性，得到更可靠的預測結果。

技術領域

本發(fā)明屬于結構安全技術領域，具體涉及一種基于時空數(shù)據(jù)的結構安全預警方法。

背景技術

在正常施工和使用的條件下，結構應能承受可能出現(xiàn)的各種荷載作用和變形而不發(fā)生破壞，但是當結構不能保持整體穩(wěn)定性而發(fā)生安全事故時會嚴重威脅生命財產(chǎn)安全，因此結構的安全預警尤為重要。

結構安全狀態(tài)包括結構的變形及結構的病害情況。結構的變形預測一般包括統(tǒng)計分析法、力學模型分析法、混合模型法以及機器學習模型法。統(tǒng)計分析法是從時間序列分析的角度處理數(shù)據(jù)，但往往會出現(xiàn)過擬合的情況，即模型泛化能力差。力學分析法和混合模型法是利用有限元分析等方法模擬結構受力情況并與實際情況做對比，但是有限元等方法涉及較多的簡化和假定條件，從而增加了不確定性，影響結構變形預測的可靠性。機器學習模型法則是收集當前結構相關數(shù)據(jù)利用建立的機器學習模型預測結構變形，但目前的主流的機器學習模型只利用結構當前的影響因素數(shù)據(jù)及時間序列數(shù)據(jù)，忽略了結構空間上的關聯(lián)性。結構的病害一般是利用機器學習模型如貝葉斯分類等數(shù)據(jù)挖掘技術進行預測，同結構變形預測一樣，也只考慮了結構當前的影響因素和時間關聯(lián)性，未考慮結構空間上的關聯(lián)特征。

因此，對于空間結構強聯(lián)結的結構形式來說（如盾構隧道等），常規(guī)方法忽略空間結構會影響結果的準確性和可靠性。

發(fā)明內(nèi)容

本發(fā)明的目的是根據(jù)上述現(xiàn)有技術的不足之處，提供一種基于時空數(shù)據(jù)的結構安全預警方法，該結構安全預警方法利用結構變形病害數(shù)據(jù)和特征數(shù)據(jù)中的時間和空間關聯(lián)性，通過建立深度學習模型，預測結構變形，再根據(jù)結構變形結果，建立另一個深度學習模型，預測結構病害，從而多角度評估結構安全狀態(tài)。

本發(fā)明目的實現(xiàn)由以下技術方案完成：

一種基于時空數(shù)據(jù)的結構安全預警方法，其特征在于所述結構安全預警方法包括以下步驟：

（步驟1）收集目標結構隨時間和空間變化的變形監(jiān)測數(shù)據(jù)和病害監(jiān)測數(shù)據(jù)，整理得到變形病害數(shù)據(jù)集D1；

（步驟2）收集所述目標結構的工程特征數(shù)據(jù)，整理得到工程特征數(shù)據(jù)集D2；

（步驟3）將所述目標結構的變形病害數(shù)據(jù)集D1和工程特征數(shù)據(jù)集D2進行融合整理以生成時間和空間上連續(xù)的數(shù)據(jù)集D；

（步驟4）

4.1）對數(shù)據(jù)集D中取值連續(xù)的結構特征數(shù)據(jù)作歸一化處理，取值離散的結構特征數(shù)據(jù)作獨熱編碼處理；

4.2）對數(shù)據(jù)集D處理成深度學習神經(jīng)網(wǎng)絡需要的張量形式，并將數(shù)據(jù)集D劃分為訓練集D_train和測試集D_test；

4.3）利用深度學習框架搭建用于預測變形的第一深度學習模型；對訓練集D_train訓練用于預測變形的所述第一深度學習模型，并用測試集D_test檢驗所述第一深度學習模型是否可靠；若檢驗表明所述第一深度學習模型可靠，則獲得模型M1，將前n個時刻的結構特征數(shù)據(jù)利用模型M1進行預測，得到n+1個時刻的變形結果R1；