【技术实现步骤摘要】
本专利技术属于建筑工程，更具体地，涉及一种基于智能算法的剪力墙外脚手架监测方法及系统。
技术介绍
1、在建筑施工领域，剪力墙外脚手架是确保施工安全和效率的关键临时结构。然而，由于环境因素、材料老化、施工荷载等多种因素的复杂影响，脚手架的稳定性和安全性面临着严峻挑战。传统的脚手架监测方法主要依赖于人工检查和经验判断，这些方法存在监测效率低、准确性差、实时性不足等问题，难以满足现代建筑工程对安全性和经济性的高标准要求。
2、随着智能算法和传感器技术的发展，基于智能算法的监测方法逐渐成为研究的热点。这些方法通过收集脚手架的多维度数据，利用先进的数据处理技术，对脚手架的稳定性和安全性进行评估和预测。尽管如此，现有的智能监测方法在实际应用中仍面临一些挑战：
3、数据采集的全面性：传统的监测系统往往只关注部分参数，如位移或载荷，而忽视了环境因素对脚手架稳定性的综合影响。模型的准确性和实时性：现有的模型在预测脚手架的事故发生概率时，往往缺乏足够的准确性和实时性，无法及时响应脚手架状态的变化。参数优化和权重分配：在多目标优化中，如何合理分配成本、安全和环境影响的权重，是一个技术难题。关键影响参数的识别：在众多影响因素中，如何准确识别对脚手架稳定性和安全性影响最大的关键参数，对于提高监测效率和预测准确性至关重要。
4、此外，在地下箱体施工的过程中，会遇到外墙落地式钢管脚手架无法通过预埋钢管来拉结连墙件的情况，对于这种剪力墙处外架连墙件的施工，一般都是采用预埋短钢管来拉结连墙件施工的，但是，在外墙上预埋短钢管会引
技术实现思路
1、针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于智能算法的剪力墙外脚手架监测方法，该方法通过综合考虑脚手架使用环境数据、结构数据、材料数据、位移数据和载荷数据，利用sd-mop模型计算事故发生概率，并结合最小二乘支持向量机模型和决策树模型，对脚手架的强度和稳定性进行优化训练和预测。此外，本方法还创新性地引入了权重系数的确定方法，通过熵权法和中心度分析，科学地分配不同目标的权重，提高了监测系统的智能化水平和预测准确性。通过这些技术手段，本专利旨在提供一种更为全面、准确、实时的脚手架监测解决方案，以满足现代建筑工程对安全性和经济性的需求。
2、为实现上述目的，按照本专利技术的一个方面，提出了一种基于智能算法的剪力墙外脚手架监测方法，包括以下步骤：
3、步骤一，搭建监测系统，并根据监测系统采集剪力墙外脚手架的监测数据，基于该监测数据构建样本数据集；
4、步骤二，将所述样本数据集输入到sd-mop模型中，计算脚手架服役过程中的事故发生概率；
5、步骤三，基于所述事故发生概率构件约束条件，并将该约束条件作为最小二乘支持向量机模型的目标函数，将脚手架的强度和稳性的关键影响参数作为输入变量，对最小二乘支持向量机模型进行优化训练，以获取用于监测脚手架强度和稳定的最优预测模型。
6、作为进一步优选的，步骤一中，所述监测数据包括：
7、脚手架使用环境数据、脚手架结构数据、脚手架材料数据、脚手架位移数据以及脚手架载荷数据；
8、其中，所述环境数据包括：风速、温度、湿度；
9、所述材料数据包括：脚手架材料的力学性能参数；
10、所述脚手架位移数据包括：倾斜程度数据、水平位移和垂直位移数据、沉降数据；
11、所述脚手架载荷数据包括：压力数据、轴力数据。
12、作为进一步优选的，步骤二中，所述sd-mop模型包括：
13、pacc＝f(t，w，h，l，e，σy，θ，δx，δy，s，p，f)
14、f目＝min(w1·c+w2·pacc+w3·e)
15、g(e，σy，p，f)≤0
16、式中，t为温度，w为风速，h为湿度，l为脚手架长度，e为弹性模量，σy为屈服强度，θ为倾斜角度，δx为水平位移，δy为垂直位移，s为沉降量，p为压力，f为轴力，c为成本，pacc为事故发生概率，e为环境影响，w1，w2，w3为权重系数。
17、作为进一步优选的，采用如下方法确定权重系数：
18、(201)根据监测数据构建影响因素集c＝{cj，j＝1，2，…，n}，其中每个cj代表一个影响因素；
19、(202)通过专家打分或数据分析得到各影响因素间的判断矩阵r＝(rij)m×n，其中rij表示因素i对因素j的影响程度；
20、(203)对判断矩阵r进行归一化处理，得到归一化矩阵b＝(bij)m×n，其中，
21、(204)根据归一化矩阵b计算熵值hj，公式为：
22、
23、其中，当fij＝0时，ln fij→0；
24、(205)计算各影响因素的熵权kj，公式为：
25、
26、(206)构建直接影响平均关系矩阵：
27、a＝(aij)n×n
28、其中，aij表示因素i对因素j的影响程度；
29、(207)对直接影响平均关系矩阵a进行标准化处理，得到标准化直接影响矩阵n＝(nij)n×n及综合影响矩阵t＝(tij)n×n：
30、n＝limk→∞(n1+n2+...+nk)＝n(i-n)-1
31、其中，i是单位矩阵；
32、(208)计算影响度、被影响度、中心度：
33、根据综合影响矩阵t，计算各影响因素的影响度fi、被影响度ei、中心度ri和原因度zi，公式为：
34、
35、ri＝fi+ei
36、zi＝fi-ei
37、(209)计算权重系数：
38、根据中心度ri计算权重系数w1，w2，w3，公式为：
39、
40、作为进一步优选的，步骤三中，采用决策树模型分析脚手架的强度和稳性的关键影响参数，具体包括：
41、(301)对所述监测数据进行归一化处理；
42、(302)构建决策树模型：
43、
44、其中，d是数据集，a是属性，dv是属性a的值为v时的数据子集，|y|是类别的数量，pk是第k个类别的概率；
45、(303)在构建决策树的过程中，如果某个节点满足预剪枝条件，则停止分裂，获取关键影响参数。
46、作为进一步优选的，步骤三还包括：将决策树识别的关键影响参数作为lssvm模型的输入变量，事故发生概率pacc作为约束条件，构建lssvm模型训练模型：
47、
48、其中：w是权重向量，b是偏置项，εi是第i个样本的误差项，c是正则化参数，φ(·)是核函数映射，i＝1，…，n，n是样本数量，yi是第i个样本的实际输出，λ是事故发生概率的权重参数，用于平衡事故发生概率在优化目本文档来自技高网...
【技术保护点】
1.一种基于智能算法的剪力墙外脚手架监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于智能算法的剪力墙外脚手架监测方法，其特征在于，步骤一中，所述监测数据包括：
3.根据权利要求2所述的一种基于智能算法的剪力墙外脚手架监测方法，其特征在于，步骤二中，所述SD-MOP模型包括：
4.根据权利要求3所述的一种基于智能算法的剪力墙外脚手架监测方法，其特征在于，采用如下方法确定权重系数：
5.根据权利要求1所述的一种基于智能算法的剪力墙外脚手架监测方法，其特征在于，步骤三中，采用决策树模型分析脚手架的强度和稳性的关键影响参数，具体包括：
6.根据权利要求1所述的一种基于智能算法的剪力墙外脚手架监测方法，其特征在于，步骤三还包括：将决策树识别的关键影响参数作为LSSVM模型的输入变量，事故发生概率Pacc作为约束条件，构建LSSVM模型训练模型：
7.根据权利要求1所述的一种基于智能算法的剪力墙外脚手架监测方法，其特征在于，步骤三中，所述LSSVM模型的高斯核函数表达式如下：
8.根据权
9.一种基于智能算法的剪力墙外脚手架监测系统，其特征在于，包括：
10.根据权利要求9所述的一种基于智能算法的剪力墙外脚手架监测系统，其特征在于，所述监测系统包括：
...【技术特征摘要】
1.一种基于智能算法的剪力墙外脚手架监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于智能算法的剪力墙外脚手架监测方法，其特征在于，步骤一中，所述监测数据包括：
3.根据权利要求2所述的一种基于智能算法的剪力墙外脚手架监测方法，其特征在于，步骤二中，所述sd-mop模型包括：
4.根据权利要求3所述的一种基于智能算法的剪力墙外脚手架监测方法，其特征在于，采用如下方法确定权重系数：
5.根据权利要求1所述的一种基于智能算法的剪力墙外脚手架监测方法，其特征在于，步骤三中，采用决策树模型分析脚手架的强度和稳性的关键影响参数，具体包括：
6.根据权利要求1所述的一种基于智能算法的剪力墙外脚手架...
【专利技术属性】
技术研发人员：蔡超，张军锋，田来春，赵永强，冯路通，
申请(专利权)人：中国一冶集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。