基于结构离散测点拓扑的温致应变场重分布智能感知方法技术

本发明专利技术公开了一种基于结构离散测点拓扑的温致应变场重分布智能感知方法，包括：提取各离散测点在各时刻温度、温致应变时序数据，对温度、应变测点坐标进行凝聚式层次聚类，计算各时刻温度、温致应变数据在各自聚类簇内的平均值，计算分布拓扑特征值，构建双向长短期记忆回归网络并建立从温度场分布拓扑特征值到温致应变场分布拓扑特征值的大数据模糊关系模型，模型通过检验后，以实时温度监测数据换算温度场分布拓扑特征值输入回归网络模型，对比模型回归结果与实时应变监测数据换算的温致应变场分布拓扑特征值，并以两者的差异感知结构温致应变重分布。本发明专利技术方法实现基于离散、通用的温度与应变传感器数据智能感知结构温致应变场的重分布。温致应变场的重分布。温致应变场的重分布。

【技术实现步骤摘要】
基于结构离散测点拓扑的温致应变场重分布智能感知方法


[0001]本专利技术属于结构智能监测、检测与评价领域，具体涉及一种基于结构离散测点拓扑的温致应变场重分布智能感知方法。

技术介绍

[0002]工程结构从建造伊始就受到环境温度的持续作用，温度作用的不均匀性会随着结构尺寸增大而越专利技术显，而结构温致应变场是非均匀温度场作用的最直观反映，准确有效地描述结构温度场和温致应变场是把握结构当前状态的前提。随着测试与传输技术的发展，通过监、检测手段实时获取大型工程结构的温度和应变已不是难事。然而，由于主流温度和应变传感器的测试范围相对工程结构的尺寸来说太小，一般情况下只能获得离散的几个点或区域的温度和应变，工程结构温度和温致应变的分布特征难以有效量化评估，感知结构在全寿命周期的温致应变重分布更是无从谈起。人工智能的兴起与发展使得采用聚类和深度学习方法模拟并感知结构温致应变场时变分布模式成为可能。
[0003]目前，土木、机械领域内关于考虑结构离散测点拓扑特征建立温度场
‑
应变场分布模型的方法较少，采用聚类和神经网络相结合的方法实时感知结构温致应变场重分布的案例更是鲜有所闻。常用的方法有以下几种：(1)基于纳米级智能材料涂层对结构表面进行致密的分布式应变测量，利用智能材料的电化学性质将力学量转化为电信号，完成结构表面应变分布的有效获取，但该方法仅能测量小面积的应变分布，且无法辨析应变来源于何种荷载效应，因此在大型土木工程中的应用场景有限；(2)基于阵列式的压电陶瓷传感元件对结构的应力应变分布进行测量，将各个传感元件所测物理量实时存储为矩阵，以此得到一定面积内应力应变分布特征，该方法可测量较大面积的结构应力应变分布，但面积越大、监测成本越高，且阵列布置型式在无应力处存在无效测量，导致资源浪费，因此推广应用的成本较高。综上所述，现有技术均是基于较先进的新型材料实现结构应变分布场的测量，技术要求高、成本高、应用不成熟，且没有和温度效应直接关联。
[0004]因此，有必要研发一种成本低廉且基于成熟传感技术的方法，以机器学习和人工智能理论反演离散、通用的温度与应变传感器的数据特征值实时分布模式，建立温度场与温致应变场之间的模糊关系模型，以实现结构温致应变场重分布的智能感知。

技术实现思路

[0005]专利技术目的：针对以上问题，本专利技术提出一种基于结构离散测点拓扑的温致应变场重分布智能感知方法，可以实现基于离散、通用的温度与应变传感器数据智能感知结构温致应变场的重分布。
[0006]技术方案：为实现本专利技术的目的，本专利技术所采用的技术方案是：一种基于结构离散测点拓扑的温致应变场重分布智能感知方法，具体包括如下步骤：
[0007]步骤1，针对待测结构，提取一定时间内该结构的离散的各温度测点温度时序数据和各应变测点温致应变时序数据，并进行预处理，将预处理后的各温度测点温度时序数据
和温致应变时序数据存储为在每个时刻一一对应的多个数据集；
[0008]步骤2，基于凝聚式层次聚类方法分别对温度测点位置坐标和应变测点位置坐标进行聚类，得到包含测点位置拓扑信息的聚类簇，计算每个时刻温度和温致应变数据在各自聚类簇内的平均值；
[0009]步骤3，分别利用各时刻温度和温致应变的聚类簇的平均值，得到温度场和温致应变场的分布拓扑特征值数据；
[0010]步骤4，将所有时刻一一对应的温度场和温致应变场分布拓扑特征值数据按照固定比例划分为训练集与检验集，并归一化处理；
[0011]步骤5，构建双向长短期记忆回归网络模型，并设定网络参数以及训练参数，以温度场分布拓扑特征值数据为输入、温致应变场分布拓扑特征值数据为输出，利用训练集对回归网络模型进行训练；当训练达到设定值时，利用检验集对回归网络模型验证有效性；当回归网络模型输出结果与检验集温致应变场分布拓扑特征值数据之间的差异定义检验指标符合要求时，训练完成，获取训练完成的回归网络模型；否则，调整网络参数以及训练参数，重新进行训练；
[0012]步骤6，在结构监测过程中，对待测结构连续获取预设时间内实时监测的离散的各温度测点温度时序数据和应变测点温致应变时序数据，并利用步骤1
‑
步骤3所述方法计算各时刻温度场和温致应变场的分布拓扑特征值；将各时刻温度场的分布拓扑特征值作为训练完成的回归网络模型的输入，得到对应时刻回归网络模型输出结果；计算并判断相同时刻的回归网络模型输出结果与监测的温致应变场分布拓扑特征值的差异定义检验指标是否符合要求，当预设时间内不符合要求的差异定义检验指标大于预设比例时，表示该结构的温致应变模式发生重分布；否则表示该结构的温致应变模式未发生重分布。
[0013]进一步地，所述步骤1的方法具体如下：
[0014]步骤1.1，对待测结构提取一定时间内离散的各温度测点温度时序数据；
[0015]步骤1.2，对待测结构提取一定时间内离散的各应变测点时序数据，对结构应变测点一定范围内的温度测点温度时序数据进行频谱分析，得到温度时序数据功率谱的高功率密度值对应的频带[0,f
t
]，对各应变测点数据进行处理，包括小波变换、低通滤波，得到频率小于f
t
的应变信号，并以此作为各应变测点的温致应变时序数据；
[0016]步骤1.3，调节温度测点温度时序数据和温致应变时序数据的采样频率至两者中的较小值或比较小值更低的随机值，并将各测点温度、温致应变时序数据存储为在每个时刻一一对应的多个数据集。
[0017]进一步地，所述步骤2中，基于凝聚式层次聚类方法对温度测点位置坐标进行聚类，得到包含测点位置拓扑信息的聚类簇，方法如下：
[0018]步骤2.1，将每一个温度测点位置坐标作为一个聚类，将测点的欧拉距离作为每两个聚类之间的距离，计算每两个聚类之间的距离，将距离最近的两个聚类合并为新的聚类簇；
[0019]步骤2.2，将聚类簇内全部数据点坐标的增量平方和作为聚类簇之间的距离，计算每两个聚类簇之间的距离，将距离最近的两个聚类簇进行合并，得到新的聚类簇；
[0020]步骤2.3，重复步骤2.2直到达到预设聚类数；
[0021]步骤2.4，判断聚类过程中各聚类簇内全部数据点坐标的增量平方和是否大于预
设距离，输出增量平方和大于预设距离且与预设距离的差值绝对值最小的聚类簇结果。
[0022]进一步地，步骤2.1所述欧拉距离的计算公式如下：
[0023][0024]式中，d
pq
为坐标点p和q的欧拉距离，C
p
和C
q
分别为坐标点p和q的一维或多维坐标向量，j表示第j个坐标向量维度，F为坐标向量的总维度，c
p,j
和c
p,j
分别为向量C
p
和C
q
的第j个坐标向量维度的值。
[0025]进一步地，步骤2.2所述聚类簇内全部数据点坐标的增量平方和的计算公式如下：
[0026][00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于结构离散测点拓扑的温致应变场重分布智能感知方法，其特征在于，具体包括如下步骤：步骤1，针对待测结构，提取一定时间内该结构的离散的各温度测点温度时序数据和各应变测点温致应变时序数据，并进行预处理，将预处理后的各温度测点温度时序数据和温致应变时序数据存储为在每个时刻一一对应的多个数据集；步骤2，基于凝聚式层次聚类方法分别对温度测点位置坐标和应变测点位置坐标进行聚类，得到包含测点位置拓扑信息的聚类簇，计算每个时刻温度和温致应变数据在各自聚类簇内的平均值；步骤3，分别利用各时刻温度和温致应变的聚类簇的平均值，得到温度场和温致应变场的分布拓扑特征值数据；步骤4，将所有时刻一一对应的温度场和温致应变场分布拓扑特征值数据按照固定比例划分为训练集与检验集，并归一化处理；步骤5，构建双向长短期记忆回归网络模型，并设定网络参数以及训练参数，以温度场分布拓扑特征值数据为输入、温致应变场分布拓扑特征值数据为输出，利用训练集对回归网络模型进行训练；当训练达到设定值时，利用检验集对回归网络模型验证有效性；当回归网络模型输出结果与检验集温致应变场分布拓扑特征值数据之间的差异定义检验指标符合要求时，训练完成，获取训练完成的回归网络模型；否则，调整网络参数以及训练参数，重新进行训练；步骤6，在结构监测过程中，对待测结构连续获取预设时间内实时监测的离散的各温度测点温度时序数据和应变测点温致应变时序数据，并利用步骤1
‑
步骤3所述方法计算各时刻温度场和温致应变场的分布拓扑特征值；将各时刻温度场的分布拓扑特征值作为训练完成的回归网络模型的输入，得到对应时刻回归网络模型输出结果；计算并判断相同时刻的回归网络模型输出结果与监测的温致应变场分布拓扑特征值的差异定义检验指标是否符合要求，当预设时间内不符合要求的差异定义检验指标大于预设比例时，表示该结构的温致应变模式发生重分布；否则表示该结构的温致应变模式未发生重分布。2.根据权利要求1所述的基于结构离散测点拓扑的温致应变场重分布智能感知方法，其特征在于，所述步骤1的方法具体如下：步骤1.1，对待测结构提取一定时间内离散的各温度测点温度时序数据；步骤1.2，对待测结构提取一定时间内离散的各应变测点时序数据，对结构应变测点一定范围内的温度测点温度时序数据进行频谱分析，得到温度时序数据功率谱的高功率密度值对应的频带[0,f
t
]，对各应变测点数据进行处理，包括小波变换、低通滤波，得到频率小于f
t
的应变信号，并以此作为各应变测点的温致应变时序数据；步骤1.3，调节温度测点温度时序数据和温致应变时序数据的采样频率至两者中的较小值或比较小值更低的随机值，并将各测点温度、温致应变时序数据存储为在每个时刻一一对应的多个数据集。3.根据权利要求1所述的基于结构离散测点拓扑的温致应变场重分布智能感知方法，其特征在于，所述步骤2中，基于凝聚式层次聚类方法对温度测点位置坐标进行聚类，得到包含测点位置拓扑信息的聚类簇，方法如下：步骤2.1，将每一个温度测点位置坐标作为一个聚类，将测点的欧拉距离作为每两个聚
类之间的距离，计算每两个聚类之间的距离，将距离最近的两个聚类合并为新的聚类簇；步骤2.2，将聚类簇内全部数据点坐标的增量平方和作为聚类簇之间的距离，计算每两个聚类簇之间的距离，将距离最近的两个聚类簇进行合并，得到新的聚类簇；步骤2.3，重复步骤2.2直到达到预设聚类数；步骤2.4，判断聚类过程中各聚类簇内全部数据点坐标的增量平方和是否大于预设距离，输出增量平方和大于预设距离且与预设距离的差值绝对值最小的聚类簇结果。4.根据权利要求3所...

【专利技术属性】
技术研发人员：赵瀚玮，丁幼亮，李爱群，
申请(专利权)人：东南大学，
类型：发明
国别省市：