多目标结构安全监测传感器布置方法、设备及存储介质技术

本发明专利技术公开了多目标结构安全监测传感器布置方法、设备及存储介质，涉及土木工程技术领域，包括以下步骤：首先，建立初始无损的随机有限元模型进行模态分析，采用短期振动测试获得结构的测试模态参数，求解模型修正的成本函数，获得正确的损伤有限元模型；基于参数识别、信息冗余度、损伤敏感性三个层面，结合蒙特卡洛法建立多目标优化的标量成本函数；引入“竞争组机制”与基于类梯度的“基因库”算子与重采样算子，构建元式遗传算法，实现更快速、准确的搜优过程。本发明专利技术公开的算法可以同时考虑多个不同的监测目标、搜优过程更快速、结果更具有鲁棒性与准确性，使得监测传感器布置得更加科学合理。学合理。学合理。

【技术实现步骤摘要】
多目标结构安全监测传感器布置方法、设备及存储介质


[0001]本专利技术涉及土木工程
，具体的是多目标结构安全监测传感器布置方法、设备及存储介质。

技术介绍

[0002]建筑遗产具有很高的历史价值、艺术价值和科学价值。可是它们中的许多建筑已出现各种不同的残损病害，在一些自然灾害或强外力作用下，很容易造成文物的损毁，因此，对于这些建筑遗产的保护必将由应急性保护转变为预防性保护，做到风险提前预知，最大限度地降低风险的概率。结构安全监测是预防性保护的主要技术，而结构安全监测面临的一项重要考验是，如何采用有限的测点，在可以近似于无限的测试自由度空间，测试出满足工程分析需求的信息，因此，亟需针对建筑遗产保护开发一种监测传感器的优化布置方法。
[0003]目前，所采用的结构安全监测传感器布置方法主要有：有限独立法、最小模态置信准则法、凸优化方法等贪心搜优算法，不可避免遇到局部最优的问题。为了解决这一局限性所提出的遗传算法存在全局搜优能力弱等问题；猴群算法由于伪梯度不能给出下降的搜索方向。因而，针对存在的以下问题： (a)目前需要健康监测的服役本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多目标结构安全监测传感器布置，其特征在于，包括：建立考虑初始损伤与参数随机性的有限元模型：采用高斯分布，建立考虑参数随机性的无损有限元模型，对所述考虑参数随机性的无损有限元模型进行模态分析，采用短期振动传感器获得结构的测试模态参数，求解所述考虑参数随机性的无损有限元模型修正的成本函数，获得正确的损伤有限元模型；基于所述考虑初始损伤与参数随机性的有限元模型计算所需的响应矩阵；设计考虑复杂监测目的的优化目标函数：基于参数识别、信息冗余度、损伤敏感性三个层面，建立多目标优化的标量成本函数；面向大自由度空间缺失计算指标统计信息的问题，采用蒙特卡洛法，获取标量成本函数中的放缩系数；设计基于元式遗传算法的监测传感器布置方案：引入“竞争组机制”与基于类梯度的“基因库”算子与重采样算子，构建元式遗传算法；采用所述元式遗传算法根据所述多目标优化的标量成本函数，搜寻最优传感器布置方案。2.根据权利要求1所述的一种多目标结构安全监测传感器布置，其特征在于，所述考虑初始损伤与参数随机性的有限元模型修正方法包括：通过现场取样，实验室测试，检验分布，建立考虑参数随机分布的有限元模型；通过自互功率谱法与环境激励法确定结构模态参数；经过精英策略，采用灾难算子，基于所述元式遗传算法对考虑初始损伤与参数随机性的有限元模型修正。3.根据权利要求2所述的一种多目标结构安全监测传感器布置，其特征在于，所述建立考虑初始损伤与参数随机性的有限元模型，具体包括：设一个构件上的所有单元的损伤状态视作相同；对于一个有限元模型，设其有n
e
个单元，每个单元具有n
p
个参数，设其中γ
i,k
∈[0,1]表示k单元的第i个参数，取0的时候表示该单元完全失去承载力，取1的时候表示该单元处于无损状态，则γ
i,k
∈[0,1]中k的最大值变为n
L
；计算传感器优化过程的动力响应：计算传感器优化过程的动力响应：计算传感器优化过程的动力响应：C＝αM+βK其中，M,C,K分别是质量矩阵、阻尼矩阵与刚度矩阵，A
F
是映射施加激励与相应自由度位置的函数数组，F是输入的激励向量，M
k,0
和K
k,0
表示单元k未受损时的质量与刚度矩阵，Δ
γ
i,k
∈[
‑
1,0]表示k单元i参数由累积损伤引起的折减系数；为Rayleigh阻尼常数，ξ
i
和ω
i
表示i阶的模态阻尼比和固有频率，ξ
j
和ω
j
表示j阶的模态阻尼比和固有频率；std(K
k,0
)分别表示k单元所属材料的质量参数与刚度参数的均值与标准差，P
M,k
(0,1)和P
K,k
(0,1)表示k单元所属材料满足的均值为0，标准差为1的分布。4.根据权利要求1所述的一种多目标结构安全监测传感器布置，其特征在于，所述设计考虑复杂监测目的的优化目标函数，具体包括：将多个量纲不同一、且值域空间未知的目标累加成一个标量进行优化目标函数的设计：其中，η
s
,f
s
(W
s
),W
s
分别为成本函数中第s项的权重因子、放缩函数与成本值；s取1,2,3分别代表参数识别为目的、损伤定位为目的、信息冗余度为目的；f
s
(W
s
)可以取为对数放缩式其中和为回归系数，和通过使用蒙特卡洛法N
trial
次试算得到，并通过随机选取一定数量的A
x
,A
ε
，计算W
s
，并通过f
s
(W
s
)将W
s
投影到坐标系L
’
下，使得f
s
(W
s
)在s取1,2,3时具有相同的阈值差，满足：χ
q
＝(max f
q
(W
q
)
‑
min f
q
(W
q
))q＝r,sN
trial
＝[N
min
,N
max
]N
max
＝κ
trial
N
pop
N
epoch
N
rep
其中N
trial
表示试算次数，上阈N
max
代表所有试算遗传算法会采样的极限次数，下域代表N
min
每一个自由度在均至少被一个出具的方案概括；N
pop
表示遗传算法中的种群规模，N
epoch
表示遗传算法的迭代数，N
...

【专利技术属性】
技术研发人员：淳庆，张承文，花全均，林怡婕，宋焕，张盟，曹光，董清崇，王春红，
申请(专利权)人：中建一局华江建设有限公司，
类型：发明
国别省市：