一种基于图神经网络生成桥梁振动三维模型的方法技术

本发明专利技术涉及桥梁振动三维模型技术领域，具体为一种基于图神经网络生成桥梁振动三维模型的方法，包括以下步骤，S1：在桥梁底部设立振动监测点。本发明专利技术中，结合桥梁道路结构的规模大小，以及桥梁周围环境的实际情况，设置监测点，达成对于监测点的科学化数据采集功能，并在采集过程中，对iSensor三轴振动智能传感器所采集数据进行预处理，确保数据精准性，并基于载荷力和摩擦载荷计算公式，比较三维速度值与变位值，获取载荷力和摩擦载荷分析结果，达成对于载荷力和摩擦载荷安全值的计算，以此基于图神经网络，生成时空图以及桥梁振动三维模型，确保所监测数据能够根据桥梁实际情况出发的同时，也多方面保证了所获取数据的全面性。也多方面保证了所获取数据的全面性。也多方面保证了所获取数据的全面性。

【技术实现步骤摘要】
一种基于图神经网络生成桥梁振动三维模型的方法


[0001]本专利技术涉及桥梁振动三维模型
，尤其涉及一种基于图神经网络生成桥梁振动三维模型的方法。

技术介绍

[0002]桥梁振动三维模型，是一种通过获取桥梁受力时振动数据，生成的三维模型，在传统桥梁振动三维模型的生成方法中，由于现实桥梁整体结构依据地势具有多样性特征，其自身载荷能力也不相同，现有振动三维模型的生成结果较难趋向于某一点载荷能力进行安全项分析，并且对于数据往往趋向于常数项监测，缺乏时间项的预警功能，导致所生成三维模型的数据全面性不足，需要进行改进。

技术实现思路

[0003]本专利技术的目的是解决现有技术中存在的缺点，而提出的一种基于图神经网络生成桥梁振动三维模型的方法。
[0004]为了实现上述目的，本专利技术采用了如下技术方案：一种基于图神经网络生成桥梁振动三维模型的方法，包括以下步骤：
[0005]S1：在桥梁底部设立振动监测点；
[0006]S2：通过多组Point变量，构建Face面变量参数；
[0007]S3：振动数据采集；
[0008]S4：基于桥梁三维建模进行载荷力和摩擦载荷分析；
[0009]S5：将S3中所采集加速度振动数据导入图神经网络，生成桥梁振动三维模型；
[0010]S6：对桥梁振动三维模型进行监控，达成振动产生安全项检测功能。
[0011]作为本专利技术的进一步方案，所述S1中，所述在桥梁底部设立振动监测点的步骤具体为：
[0012]S110：获取桥梁三维建模；
[0013]S120：基于桥梁三维建模设立监测点；
[0014]S130：将每一个监测点设置为Point变量，其中Point变量包含pos，pos具体为一个N*3的矩阵，用于表示上述所有Point的坐标。
[0015]作为本专利技术的进一步方案，所述S120中，所述基于桥梁三维建模设立监测点步骤具体为：
[0016]S121：基于桥梁三维建模创建复合地理坐标系，并调整平面和高程的坐标参数，通过查看器查询相应坐标系参数；
[0017]S122：围绕着大点云数据的多专业协同设计增强，在大点云数据中提取沿线各自设计的地形范围，将该范围地形自动提取转换为可以进行运算的三维地形面；
[0018]S123：根据监测点设立去修，以相交或轮廓的形式，将三维地形面展现在纵断面中，并设置图片显示的质量，选择是否加载贴图等；
[0019]S124：结合桥梁道路结构的规模大小，以及桥梁周围环境的实际情况，设置监测点，并基于监测点索引联合方式，命名监测点，并在监测点加载iSensor三轴振动智能传感器，进行数据采集，其中数据采集包含三维速度、加速度振动与倾角参数测量数据。
[0020]作为本专利技术的进一步方案，所述S2中，所述Face面变量参数具体为一个3
×
N
face
的矩阵，对矩阵当中的每一列，用于表示哪三组Point变量构成当前Face面变量。
[0021]作为本专利技术的进一步方案，所述S3中，所述振动数据采集的步骤具体为：
[0022]S310：对iSensor三轴振动智能传感器所采集数据进行预处理，剔除iSensor三轴振动智能传感器异常状态所获取的数据；
[0023]S320：设置加速度振动信号的自相关系数，判定加速度振动信号的自相关系数是否为沿着时间轴上下变化的振荡衰减函数；
[0024]S330：如果判定结果为逻辑真，则无需进行加速度振动信号去漂移预处理，如果判定结果为逻辑假，则通过多项式拟合得到漂移曲线，并从原加速度振动信号中减去漂移曲线，得到去漂移后的加速度振动数据。
[0025]作为本专利技术的进一步方案，所述S4中，所述载荷力和摩擦载荷分析的步骤具体为：
[0026]S410：基于砝码下落得到变位值的方法，测算桥梁桩体支撑力；
[0027]S420：通过iSensor三轴振动智能传感器获取三维速度值，计算振动发生时正确的沉下量；
[0028]S430：基于载荷力和摩擦载荷计算公式，比较三维速度值与变位值，获取载荷力和摩擦载荷分析结果，达成对于载荷力和摩擦载荷安全值的计算。
[0029]作为本专利技术的进一步方案，所述S430中，所述载荷力和摩擦载荷计算公式具体为TDR＝SR+R
toe
，其中TDR表示全动态反应，SR表示轴反应，SR的测定公式具体为：
[0030]R
stat
＝R
dy
‑
F(E
p
,V
p
)
[0031]R
stat
＝R
dy
‑
K
×
E
p
[0032][0033]其中R
stat
为静态反应，E
p
为永久沉下量，V
p
为桩内弹性波速度，F(E
p
,V
p
)依靠E
p
和V
p
函数。
[0034]作为本专利技术的进一步方案，所述S5中，所述加速度振动数据导入图神经网络的步骤具体为：
[0035]S510：基于Point变量对不同iSensor三轴振动智能传感器所采集数据进行存储；
[0036]S520：基于Face面变量构成图；
[0037]S530：基于图组合构成整体桥梁振动三维模型。
[0038]作为本专利技术的进一步方案，所述S520中，所述图具体为时空图，表示为G
t
＝(V,E,X
t
)，其中E表示图中所有边的集合，V表示图中所有节点的集合，节点记作v
i
且v
i
∈V，X
t
∈R
n
×
d
表示节点特征矩阵。
[0039]作为本专利技术的进一步方案，所述S6中，所述对桥梁振动三维模型进行监控具体是通过S4步骤所得出该桥梁载荷力和摩擦载荷安全值，对时空图中v
i
所产生振动量进行监控，避免振动量超出安全值的情况发生，并基于节点特征矩阵的时间量，进行时间趋势分
析，即同量级振动量发生时，桥梁桩体沉下量的趋势变化是否具有安全隐患。
[0040]与现有技术相比，本专利技术的优点和积极效果在于：
[0041]本专利技术中，结合桥梁道路结构的规模大小，以及桥梁周围环境的实际情况，设置监测点，并基于监测点索引联合方式命名监测点，达成对于监测点的科学化数据采集功能，并在采集过程中，对iSensor三轴振动智能传感器所采集数据进行预处理，确保数据精准性，并基于载荷力和摩擦载荷计算公式，比较三维速度值与变位值，获取载荷力和摩擦载荷分析结果，达成对于载荷力和摩擦载荷安全值的计算，以此基于图神经网络，生成时空图以及桥梁振动三维模型，确保所监测数据能够根据桥梁实际情况出发的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络生成桥梁振动三维模型的方法，其特征在于，包括以下步骤：S1：在桥梁底部设立振动监测点；S2：通过多组Point变量，构建Face面变量参数；S3：振动数据采集；S4：基于桥梁三维建模进行载荷力和摩擦载荷分析；S5：将S3中所采集加速度振动数据导入图神经网络，生成桥梁振动三维模型；S6：对桥梁振动三维模型进行监控，达成振动产生安全项检测功能。2.根据权利要求1所述的基于图神经网络生成桥梁振动三维模型的方法，其特征在于，所述S1中，所述在桥梁底部设立振动监测点的步骤具体为：S110：获取桥梁三维建模；S120：基于桥梁三维建模设立监测点；S130：将每一个监测点设置为Point变量，其中Point变量包含pos，pos具体为一个N*3的矩阵，用于表示上述所有Point的坐标。3.根据权利要求2所述的基于图神经网络生成桥梁振动三维模型的方法，其特征在于，所述S120中，所述基于桥梁三维建模设立监测点步骤具体为：S121：基于桥梁三维建模创建复合地理坐标系，并调整平面和高程的坐标参数，通过查看器查询相应坐标系参数；S122：围绕着大点云数据的多专业协同设计增强，在大点云数据中提取沿线各自设计的地形范围，将该范围地形自动提取转换为可以进行运算的三维地形面；S123：根据监测点设立去修，以相交或轮廓的形式，将三维地形面展现在纵断面中，并设置图片显示的质量，选择是否加载贴图等；S124：结合桥梁道路结构的规模大小，以及桥梁周围环境的实际情况，设置监测点，并基于监测点索引联合方式，命名监测点，并在监测点加载iSensor三轴振动智能传感器，进行数据采集，其中数据采集包含三维速度、加速度振动与倾角参数测量数据。4.根据权利要求1所述的基于图神经网络生成桥梁振动三维模型的方法，其特征在于，所述S2中，所述Face面变量参数具体为一个3
×
N
face
的矩阵，对矩阵当中的每一列，用于表示哪三组Point变量构成当前Face面变量。5.根据权利要求1所述的基于图神经网络生成桥梁振动三维模型的方法，其特征在于，所述S3中，所述振动数据采集的步骤具体为：S310：对iSensor三轴振动智能传感器所采集数据进行预处理，剔除iSensor三轴振动智能传感器异常状态所获取的数据；S320：设置加速度振动信号的自相关系数，判定加速度振动信号的自相关系数是否为沿着时间轴上下变化的振荡衰减函数；S330：如果判定结果为逻辑真，则无需进行加速度振动信号去漂移预处理，如果判定结果为逻辑假，则通过多项式拟合得到漂移曲线，并从原加速度振动信号中减去漂移曲线，得到去漂移后的加速度振动数据。6.根据权利要求1所述的基于图神经网络生成桥梁振动三维模型的方法，其特征在于，所述S4中...

【专利技术属性】
技术研发人员：田小霞，肖驰，杨圣云，
申请(专利权)人：韩山师范学院，
类型：发明
国别省市：