一种工程结构损伤识别方法、系统、设备及存储介质技术方案

本申请适用于计算机技术领域，提供了一种工程结构损伤识别方法、系统、设备及存储介质，所述方法包括：获取待测试工程结构的多个测试点的测试样本；根据所述测试样本以及预设的结构损伤识别模型，确定所述待测试工程结构的损伤特征信息；所述样本由频谱数据和反映损伤特征信息的样本编号构成；所述预设的结构损伤识别模型基于大量所述工程结构有限元仿真计算样本训练得到。本申请以大量有限元仿真计算样本为基础利用由卷积神经网络进行训练并得到结构损伤识别模型，可有效提高样本数据量，并利用结构损伤识别模型和测试样本自动化地进行损伤识别，简化了计算过程并提高了判别效率。率。率。

A damage identification method, system, equipment and storage medium for engineering structures

【技术实现步骤摘要】
一种工程结构损伤识别方法、系统、设备及存储介质


[0001]本申请属于计算机
，尤其涉及一种工程结构损伤识别方法、设备和存储介质。

技术介绍

[0002]混凝土结构在服役过程中易出现多种影响结构安全运营和使用寿命的危害，裂缝是最常见的一种。振捣不充分、施工工艺不充分、荷载的设置不合理、收缩徐变都会使混凝土产生裂缝。及时发现混凝土结构的裂缝，可为养护工作提供依据，因此需要一种高效、准确的混泥土裂缝检测方法用于检修工作。
[0003]随着传统机器学习算法的飞速发展，各国学者基于混泥土结构检测的方法展开了大量的研究。包龙生等通过编写神经网络证明了利用神经网络对桥梁损伤识别的可行性。另有通过去除图像中大部分杂质，后建立RBF
‑
SVM算法实现裂缝自动判别的方案，可高效地实现裂缝识别并验证裂缝特征分配的重要性。传统算法在数据量较大时，算法性能会受到影响，易出现过拟合情况，且在提取目标丰富度的能力上低于深度学习。
[0004]深度学习作为近年来人工智能领域的新型算法，由于其相对于传统算法的优越性，在工业领域得到了广泛的应用。K.Makantasis等利用深度学习优势，分层构造复杂的特征并利用卷积神经网络构建深层特征，实现了对于隧道结构裂缝的快速预测。王丽苹等在混凝土路面裂缝识别任务中对AlexNet进行优化设计获得了更高的识别准确率。深度学习代表算法之一的卷积神经网络具有表征学习的能力，但上述卷积神经网络在混凝土结构裂缝检测任务中仍存在样本数据量较小，不能满足网络模型训练的需要，同时使用的算法模型出现的时间相对较早，对于图像的处理识别性能相对不足。

技术实现思路

[0005]本申请实施例的目的在于提供一种工程结构损伤识别方法，旨在解决现有算法样本数据量较小难以满足需要以及对于图像的处理识别性能相对不足的问题。
[0006]本申请实施例是这样实现的，一种工程结构损伤识别方法，所述方法包括：
[0007]获取待测试工程结构的时程数据；
[0008]根据所述时程数据，确定频谱数据；
[0009]根据所述频谱数据以及预设的结构损伤识别模型，确定所述待测试工程结构的损伤特征信息；所述预设的结构损伤识别模型基于多个工程结构样本，以及各个所述工程结构样本的损伤特征信息训练得到。
[0010]本申请实施例的另一目的在于一种工程结构损伤测试系统，所述系统包括：
[0011]时程数据获取模块，用于获取待测试工程结构的时程数据；
[0012]频谱数据确定模块，用于根据所述时程数据，确定频谱数据；以及
[0013]损伤特征信息确定模块，用于根据所述频谱数据以及预设的结构损伤识别模型，确定所述待测试工程结构的损伤特征信息。
[0014]本申请实施例的另一目的在于一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述目的中所述的工程结构损伤识别方法的步骤
[0015]本申请实施例的另一目的在于一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述目的中所述的工程结构损伤识别方法的步骤。
[0016]本申请实施例提供的一种工程结构损伤识别方法，对获取到的待测试工程结构的时程数据进行处理得到频谱数据，利用由卷积神经网络进行训练并以大量工程结构样本为比照基础而得到的结构损伤识别模型，以所述频谱数据为数据基础直接确定待测试工程结构的损伤特征信息，在有效提高样本数据量的同时利用结构损伤识别模型自动化地得出结论，简化了计算过程，有效提高了判别效率。
附图说明
[0017]图1为本申请实施例提供的一种工程结构损伤识别方法的流程图；
[0018]图2为本申请实施例提供的工程结构损伤识别方法中预设结构损伤识别模型的训练方法流程图；
[0019]图3为本申请实施例提供的工程结构损伤识别方法中步骤S204的实施方法流程图；
[0020]图4为本申请实施例提供的工程结构损伤识别方法中步骤S106的实施方法流程图；
[0021]图5为本申请实施例提供的一种工程结构损伤识别系统的结构简图；
[0022]图6为利用本申请实施例提供的获取所述待测试工程结构的时程数据的实施方法流程图；
[0023]图7为本申请实施例提供的用于实施工程结构损伤识别方法的计算机设备的内部结构图。
具体实施方式
[0024]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0025]可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。
[0026]本申请实施例提供的工程结构损伤识别方法的应用环境包括终端设备。所述终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。
[0027]如图1所示，在一个实施例中，提出了一种工程结构损伤识别方法，本实施例主要以该方法应用于上述的终端设备来举例说明。一种程结构损伤识别方法，具体可以包括以
下步骤：
[0028]步骤S102，获取待测试工程结构的时程数据。
[0029]在本实施例中，时程数据是指在测试过程中工程结构各测试点处的位移与时间共同构成的数据组，在本实施例提供的方法中是确定损伤特征信息的数据基础；待测试工程结构的时程数据是在现有的工程结构测试实验中通过相关的工程结构测试仪器或者经过实验性设计得到的装置获取到的；所述时程数据包括待测试工程结构上若干个测试点处的振动响应时程数据。
[0030]步骤S104，根据所述时程数据，确定频谱数据。
[0031]在本实施例中，频谱数据是将待测试工程结构的时程数据通过数学方法进行变换转置之后得到的数据汇集，是后续步骤进行计算比对的数据基础。本步骤优选地将各测试点处的时程数据分别进行时频转化得到单个测试点的频谱数据，再将所有测试点的频谱数据进行组合得到待测试工程结构的频谱数据；在组合各测试点的频谱数据时为保证各组数据量的等同，应遵循各测试点频谱数据的频域范围相同；为便于后续的数据处理与模型识别，将各测试点的数据统一按行或统一按列排列。
[0032]步骤S106，根据所述频谱数据以及预设的结构损伤识别模型，确定所述待测试工程结构的损伤特征信息。
[0033]在本实施例中，预设的结构损伤识别模型是基于多个工程结构样本，以及各个所述工程结构样本的损伤特征信息训练得到的。工程结构样本是在对结构损伤识别模型进行训练之前预先准备的，有着各不相同的损伤特征；工程结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工程结构损伤识别方法，其特征在于，所述方法包括：获取待测试工程结构的时程数据；根据所述时程数据，确定频谱数据；根据所述频谱数据以及预设的结构损伤识别模型，确定所述待测试工程结构的损伤特征信息；所述预设的结构损伤识别模型基于多个工程结构样本，以及各个所述工程结构样本的损伤特征信息训练得到。2.根据权利要求1所述的工程结构损伤识别方法，其特征在于，所述预设的结构损伤识别模型基于多个工程结构样本，以及各个所述工程结构样本的损伤特征信息训练得到，包括：获取多个工程结构样本；获取各个所述工程结构样本的频谱数据；将各个工程结构样本的频谱数据输入至含有可变参数的卷积神经网络模型，得到所述含有可变参数的卷积神经网络模型输出的所述各个工程结构样本对应的响应损伤特征信息；获取所述各个工程结构样本对应的响应损伤特征信息以及与所述各个工程结构样本对应的目标损伤特征信息之间的差异；判断所述各个工程结构样本的差异是否均满足预设的条件；当判断存在所述工程结构样本的差异不满足预设的条件时，调整所述卷积神经网络模型中的可变参数，并返回至所述将各个工程结构样本的频谱数据输入至含有可变参数的卷积神经网络模型，得到所述含有可变参数的卷积神经网络模型输出的所述各个工程结构样本对应的响应损伤特征信息的步骤；当判断所有所述工程结构样本的差异均满足预设的条件时，将当前所述含有可变参数的卷积神经网络模型确定为结构损伤识别模型。3.根据权利要求2所述的工程结构损伤识别方法，其特征在于，所述获取各个所述工程结构样本的频谱数据，包括：对所述工程结构样本赋予样本编号获取各个所述工程结构样本的时程数据；对每组所述时程数据进行傅里叶变换，获取变换后数据中的频率值并进行组合，得到单组模拟中间数据；将所述单组模拟中间数据进行组合，得到单组模拟频谱数据；根据所述工程结构样本的样本编号，确定所述单组模拟频谱数据对应的数据组编号；对各个所述单组模拟频谱数据与所述单组模拟频谱数据对应的数据组编号进行组合，得到各个所述工程结构样本的频谱数据。4.根据权利要求1所述的工程结构损伤识别方法，其特征在于，所述根据所述时程数据，确定频谱数据，包括：对所述时程数据进行傅里叶变换，获取变换后数据中的频率值并进行组合，得到频谱数据。5.根据权利要求1所述的工程结构损伤识别方法，其特征在于，所述根据所述频谱数据以及预设的结构损伤识别模型，确定所述待测试工程结构的损伤特征信息，包括：
根据所述频谱...

【专利技术属性】
技术研发人员：何玮，刘越，
申请(专利权)人：安徽建筑大学，
类型：发明
国别省市：