一种多因素关联下的渡槽应力应变预测方法技术

本发明专利技术公开一种多因素关联下的渡槽应力应变预测方法，步骤如下：(一)首先获取渡槽体内的钢筋计、应变计以及环境温度等监测数据资料，并根据水工建筑物应力应变统计模型确定渡槽应力应变影响因子。(二)采用改进的小波阈值降噪算法去除环境噪声，并根据自然灾害历史统计资料去除异常数据噪声。(三)根据数据动态非线性关系测度方法(DNRM)对影响因子进行动态相关性修正。(四)将修正后的影响因子作为输入，将降噪后的应力应变数据作为输出，采用SVM算法，建立渡槽应力应变预测模型。(五)根据均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)评价指标对预测模型进行优化调参，最终建立优化后的渡槽应力应变预测模型。

A method of stress-strain prediction for aqueduct under multi factor correlation

【技术实现步骤摘要】
一种多因素关联下的渡槽应力应变预测方法
本专利技术属于渡槽健康监测领域，具体的是一种多因素关联下的渡槽应力应变预测方法，该方法是利用渡槽水位、环境温度、监测时效分量等影响因子实现对渡槽不同测点的应力应变预测。
技术介绍
渡槽是渠系建筑物中应用最广泛的交叉建筑物之一，承担着输水、调水、排水的重要任务。随着我国水利工程的发展，各种大型复杂结构形式的渡槽不断增多。而在渡槽在服役期间，渡槽会受到诸多因素的影响，如：大风、地震、水毁、气温变化等。这些因素可能会导致渡槽出现开裂、局部漏水、甚至垮塌等损害。因此，高效、准确的对渡槽进行健康监测，及时发现问题，以确保渡槽安全运行显得尤为重要。在水工建筑物健康监测预测模型方面，早期主要是采用统计回归、逐步线性回归等方法建立结构性态和环境变量的关系，但这些传统方法在自变量之间存在多种共线性及含有较大随机噪声情况下易出现过拟合现象。近些年来，随着机器学习以成功应用于结构健康监测及性态分析领域，主要包括：人工神经网络(ANN)，径向基网络(RBF)，随机森林(RF)等，以及上述方法与主成分分析(PCA)、遗传算本文档来自技高网...

【技术保护点】
1.一种多因素关联下的渡槽应力应变预测方法，其特征在于，基于渡槽钢筋计及混凝土应变计的日常监测数据，结合水位以及环境温度资料，建立渡槽应力应变预测模型，从而为渡槽健康监测及运行管理提供重要参考；具体包括以下步骤：/n步骤一：首先获取渡槽体内的钢筋计、应变计、水位以及环境温度监测数据资料，并根据水工建筑物应力应变统计模型确定渡槽应力应变影响因子；/n步骤二：采用改进的小波阈值降噪算法去除环境噪声，并根据自然灾害历史统计资料去除异常数据噪声；/n步骤三：根据数据动态非线性关系测度方法(DNRM)，对不同时期各个影响因子与所有测点数列的相关程度进行测量，以实现对网络输入参数的动态修正；/n步骤四：将...

【技术特征摘要】
1.一种多因素关联下的渡槽应力应变预测方法，其特征在于，基于渡槽钢筋计及混凝土应变计的日常监测数据，结合水位以及环境温度资料，建立渡槽应力应变预测模型，从而为渡槽健康监测及运行管理提供重要参考；具体包括以下步骤：
步骤一：首先获取渡槽体内的钢筋计、应变计、水位以及环境温度监测数据资料，并根据水工建筑物应力应变统计模型确定渡槽应力应变影响因子；
步骤二：采用改进的小波阈值降噪算法去除环境噪声，并根据自然灾害历史统计资料去除异常数据噪声；
步骤三：根据数据动态非线性关系测度方法(DNRM)，对不同时期各个影响因子与所有测点数列的相关程度进行测量，以实现对网络输入参数的动态修正；
步骤四：将修正后的影响因子作为输入，将降噪后的应力应变数据作为输出，采用SVM算法，建立渡槽应力应变预测模型；
步骤五：根据均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)评价指标对渡槽应力应变预测模型进行优化调参，最终建立优化调参后的渡槽应力应变预测模型。


2.根据权利要求1所述一种多因素关联下的渡槽应力应变预测方法，其特征在于，步骤二中改进的小波阈值函数如下：



式中：wj...

【专利技术属性】
技术研发人员：王仁超，王彦磊，马钰明，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12