CN110160719A - 一种大跨斜拉桥监测挠度温度效应的分离方法 - Google Patents

一种大跨斜拉桥监测挠度温度效应的分离方法 Download PDF

Info

Publication number
CN110160719A
CN110160719A CN201910453113.XA CN201910453113A CN110160719A CN 110160719 A CN110160719 A CN 110160719A CN 201910453113 A CN201910453113 A CN 201910453113A CN 110160719 A CN110160719 A CN 110160719A
Authority
CN
China
Prior art keywords
deflection
temperature effect
decomposition
data
continuation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910453113.XA
Other languages
English (en)
Inventor
谭冬梅
柳勇
吴浩
姚欢
聂顺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Optical Valley Big Dipper Is Controlled Interest Group Co Ltd
Original Assignee
Wuhan Optical Valley Big Dipper Is Controlled Interest Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan Optical Valley Big Dipper Is Controlled Interest Group Co Ltd filed Critical Wuhan Optical Valley Big Dipper Is Controlled Interest Group Co Ltd
Priority to CN201910453113.XA priority Critical patent/CN110160719A/zh
Publication of CN110160719A publication Critical patent/CN110160719A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0008—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings of bridges

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明属于技术领域，公开了一种大跨斜拉桥监测挠度温度效应的分离方法，包括：将获取的挠度数据进行波形延拓，得到延拓挠度数据；对所述延拓挠度数据进行小波分解，得到初始温度效应一维数据和分解剩余分量；剔除所述分解剩余分量中幅值高于设定阈值的分量，得到阈值剔除分量；将所述初始温度效应一维数据与所述阈值剔除分量进行信号重构得到重构挠度数据；对所述重构挠度数据进行小波分解或者变分模态分解VMD得到温度效应曲线；通过改进的集总平均经验模态分解算法MEEMD对所述温度效应曲线进行分解，得到挠度温度效应中的各周期成分。本发明提供的方法能够精确的分离挠度温度效应的各周期成分。

Description

一种大跨斜拉桥监测挠度温度效应的分离方法
技术领域
本发明涉及桥梁监测技术领域，特别涉及一种大跨斜拉桥监测挠度温度效应的分离方法。
背景技术
桥梁挠度成分构成中一般主要包括活荷载、环境噪声、温度效应、桥梁结构徐变及结构损伤等，其中活荷载一般包括行人和车辆因素，温度效应一般包括日温差效应、年温差效应。
现有技术中，挠度温度效应分离算法是通过以建立挠度与温度的对应关系或者确定挠度各周期成分的准确周期为基础从而实现挠度温度效应分离。然而对于大跨斜拉桥的BDS挠度监测来说，监测位置一般位于桥面上方，常常不方便配备可以反映整桥变化的对应位置的温度获取装置，另外，由于远距离的信号传输和测点三维坐标解算不完整的原因，所获得挠度监测数据会面临监测数据不完整的难题，导致温度效应的同成分周期并不完全相同，从而无法精确分离温度效应。
发明内容
本发明提供一种大跨斜拉桥监测挠度温度效应的分离方法，解决现有技术中大跨斜拉桥不同周期温度效应分离精确度低的技术问题。
为解决上述技术问题，本发明提供了一种大跨斜拉桥监测挠度温度效应的分离方法，包括：
将获取的挠度数据进行波形延拓，得到延拓挠度数据；
对所述延拓挠度数据进行小波分解，得到初始温度效应一维数据和分解剩余分量；
剔除所述分解剩余分量中幅值高于设定阈值的分量，得到阈值剔除分量；
将所述初始温度效应一维数据与所述阈值剔除分量进行信号重构得到重构挠度数据；
对所述重构挠度数据进行小波分解或者变分模态分解VMD得到温度效应曲线；
通过改进的集总平均经验模态分解算法MEEMD对所述温度效应曲线进行分解，得到挠度温度效应中的各周期成分。
进一步地，所述波形延拓包括：
将所述挠度数据的原始波形的相邻的周期的同幅值水平段的半个周期通过对称平移实现波形延拓。
进一步地，所述小波分解包括：采用sym8小波进行多层分解。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例中提供的大跨斜拉桥监测挠度温度效应的分离方法，先将获取挠度数据进行波形延拓，以抑制端点效应，再通过小波分解得到初始温度效应一维数据，并将分解剩余分量中的高幅值车载进行阈值剔除后进行信号重构，而后将重构的挠度数据进行小波二次分解或变分模态分解VMD，重新分离得到温度效应，以提高温度效应分离精度。其中，波形延拓+预降噪+小波或VMD分解的降噪算法比直接降噪或者经过两次降噪都有着更高的相似度和更小的误差，降噪分离精度较高。由于降噪后的温度效应曲线较为光滑，此时将温度效应曲线进行MEEMD分解，可得温度效应中日温差效应、年温差效应、长期挠度，从而将挠度信号各成分精确分离。
附图说明
图1为本发明提供的大跨斜拉桥监测挠度温度效应的分离方法流程图；
图2为本发明实施例提供的模拟总时程曲线；
图3为本发明实施例提供的模拟日温差时程曲线；
图4为本发明实施例提供的环境噪声和低幅高频车载时程曲线；
图5为本发明实施例提供的长期挠度时程曲线；
图6为本发明实施例提供的高幅低频车载时程曲线；
图7为本发明实施例提供的总挠度波形延拓示意图；
图8为本发明实施例提供的总挠度经波形延拓、预降噪和小波分解的端点效应示意图；
图9为本发明实施例提供的总挠度经波形延拓、预降噪和VMD分解的端点效应示意图；
图10为本发明实施例提供的BDS测点位置及斜拉桥立面图；
图11为本发明实施例提供的实测上游跨中实测挠度时程图；
图12为本发明实施例提供的实测下游跨中实测挠度时程图；
图13为本发明实施例提供的实测上游跨中实测数据降噪效果图；
图14为本发明实施例提供的实测下游跨中实测数据降噪效果图；
图15为本发明实施例提供的上游跨中实测数据温度效应分解示意图；
图16为本发明实施例提供的下游跨中实测数据温度效应分解示意图；
图17为本发明实施例提供的上下游跨中日温差效应对比示意图。
具体实施方式
本申请实施例通过提供一种大跨斜拉桥监测挠度温度效应的分离方法，解决现有技术中大跨斜拉桥不同周期温度效应分离精确度低的技术问题。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细说明，应当理解本发明实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
参见图1，一种大跨斜拉桥监测挠度温度效应的分离方法，包括：
将获取的挠度数据进行波形延拓，得到延拓挠度数据；
对所述延拓挠度数据进行小波分解，得到初始温度效应一维数据和分解剩余分量；
剔除所述分解剩余分量中幅值高于设定阈值的分量，得到阈值剔除分量；
将所述初始温度效应一维数据与所述阈值剔除分量进行信号重构得到重构挠度数据；
对所述重构挠度数据进行小波分解或者变分模态分解VMD得到温度效应曲线；
通过改进的集总平均经验模态分解算法MEEMD对所述温度效应曲线进行分解，得到挠度温度效应中的各周期成分。
本实施例针对BDS监测数据的车载特性，借鉴镜像延拓的思想，通过波形延拓，具体包括分解前数据延拓和分解后数据截取，以抑制分解过程中的端点效应，接着进行小波分解实现高幅值车载的预降噪，最后将预降噪的挠度信号通过小波分解或变分模态分解VMD实现低幅高频的车载和环境噪声的最终降噪，得到平滑的降噪挠度信号后，对温度效应挠度进行MEEMD分解，即可将不同周期温度效应实现精确分离。
具体来说，所述波形延拓包括：
将所述挠度数据的原始波形的相邻的周期的同幅值水平段的半个周期通过对称平移实现波形延拓。
一般而言，所述小波分解为，通过sym8小波进行多层分解。
下面将通过软件仿真和实例说明本实施例方案的效果。
挠度信号成分分析
桥梁挠度的成分构成主要包括：活荷载、环境噪声、温度效应、桥梁结构徐变及结构损伤等。其中，活荷载一般包括行人和车辆因素；温度效应一般包括日温差效应、年温差效应。而考虑到大跨斜拉桥的柔性较强及车流量大、车载成分多样，又可将车载分为低频高幅值车载和高频低幅值车载，其中高频低幅车载和环境噪声会表现出高斯分布特性，而低频高幅车载由于造成的挠度较大会表现出偏态分布特性，因此可根据各成分分布特性将总挠度成分表示如下
S(t)＝S1(t)+S2(t)+S3(t)+S4(t)+S5(t)
式中：S1(t)为低频高幅值车载，S2(t)为高频低幅值车载和环境噪声，S3(t)为日温差效应，S4(t)为年温差效应，S5(t)为长期挠度。
挠度温度效应分离
首先将获取挠度数据进行波形延拓，以抑制端点效应，再通过小波分解得到初始温度效应一维数据，将此时的分解剩余分量中高幅值车载进行阈值剔除后将信号重构，进行小波二次分解或变分模态分解VMD，重新分离得到温度效应，以提高温度效应分离精度。
波形延拓+预降噪+小波或VMD分解的降噪算法比直接降噪或者经过两次降噪都有着更高的相似度和更小的误差，降噪分离精度较高。由于降噪后的温度效应曲线较为光滑，此时将温度效应曲线进行MEEMD分解，可得温度效应中日温差效应、年温差效应、长期挠度，从而将挠度信号各成分精确分离。
其中，改进的集总平均经验模态分解算法MEEMD分解能够有效抑制信号分解过程中的模态混叠现象，同时，长期监测的降噪挠度信号中周期成分数量相对较少，通过MEEMD分解，可直接分离出各周期成分，但分解的各周期成分也同样存在端点效应的难题，为提高降噪挠度各周期成分分离的精度，可先在分解前进行波形延拓再分解。
或者先将降噪的挠度信号进行MEEMD分解，对分解出的日温差和年温差效应进行第一周期的内部对称置换，可得精确分离的日温差和年温差效应，从降噪挠度信号中剔除对称置换后日温差和年温差效应得到残余分量，将该残余分量再次进行MEEMD分解，所得趋势项即为长期挠度。
模拟挠度信号分析
考虑到本桥梁柔性较强，挠度主要受复杂车辆荷载、温度效应和环境噪声影响，先对桥梁挠度进行短期模拟降噪研究。因此，挠度信号S(t)可按下式计算：
S(t)＝S1(t)+S2(t)+S3(t)+S5(t)
式中：S1(t)为低频高幅值车载，S2(t)为高频低幅值车载和环境噪声，S3(t)为日周期效应，S5(t)为长期挠度，车载的频率和幅度划分为相对值。日温差具有周期性，用正弦函数模拟日温差，通过不同的幅值构造变温差作用，长期挠度采用直线模拟，环境噪声和低幅高频车载通过MATLAB中噪声函数模拟，高幅低频车载则通过随机B环境下进行，取每十分钟一个数据总计1440个共10天的数据模拟函数生成特定数量的和特定幅值段的数值在整个时程内进行随机分布来模拟，整个数值模拟除长期挠度其他成分幅值与桥梁实际监测挠度各成分幅值相仿，数值模拟在MATLA。为充分模拟实际挠度温度效应，日温差效应幅值为150mm和100mm的变温差效应组合而成；低幅高频车载和环境噪声幅值为30mm和10mm的不同时段的组合而成；高幅低频随机车载幅值范围为50mm至250mm；长期挠度在十天内降幅为100mm。
参见图2、图3、图4、图5和图6，模拟的总挠度时程曲线和各分量时程曲线。
降噪效果对比
对模拟总挠度信号分别进行EMD分解、EEMD分解、小波分解、VMD分解，其中主要分解参数如下：EEMD分解加入高斯白噪声100次进行运算；小波分解采用sym8小波基，分解5层；VMD分解层数为2层。各分解结果中，EMD、EEMD分解中分量较多，可通过频率识别有效成分，将频率集中低于1HZ的成分重构可得降噪后挠度时程；小波和VMD分解可直接得到降噪后挠度时程。
本次数值模拟的降噪效果采用分离值与实际值的相似系数(ρ)和均方根误差(RMSE)两种方式进行评价。
式中，Si为挠度成分实际值，imfi为挠度成分分离值，相关系数取值范围为[-1,1]，相关系数绝对值越接近1，分离效果越好；越接近0，分离效果越差，通常认为相关系数绝对值大于0.8时，实际值与分离值就具有很强的相关性。
式中，Si为挠度成分实际值，imfi为挠度成分分离值,n为数据长度。上述四种单一方法降噪效果通过各算法直接分解去噪的挠度分离值与实际值相关系数和均方根误差，见表1：
由表1中相关系数和均方根误差对比可知，小波降噪后相似度较高且均方根误差较小，所以为进一步减少车载中偏态分布成分的影响，可将小波分解作为预降噪方法，将小波分解残余分量中幅值大于50mm的数据过滤掉，再和小波分解所得温度效应重构成新的挠度信号，将新的挠度信号再次进行前文四种单一方法降噪的挠度分离值与实际值相关系数和均方根误差，二次降噪效果见表2：
对比表2和表1可知考虑挠度中偏态分布成分进行预降噪可有效提高分离相似度，并减小降噪误差。同时，EMD/EEMD分解中端点不一定存在极值，VMD分解中希尔伯特变换的使用会使待分解信号进行90度相移，信号端点也由于各成分的累加，包括小波分解在内降噪时都会存在不同程度的端点效应，因而有必要对分解过程中的端点效应进行抑制。
端点效应的抑制方法较多，总的来说都是根据原信号的特点通过不同手段将模拟的数据进行两端延拓，分解之后截取原数据的相应位置数据即可。
参见图7，结合BDS监测数据的车载特性的温度效应分离的特点，温度效应相邻周期相关性较大，可直接将邻周期的同幅值水平段的半个周期通过对称平移进行波形延拓。
参见图8和图9，由于小波分解和VMD分解的降噪效果较好，将总挠度进行波形延拓后，先通过小波预降噪，之后再进行小波或VMD降噪，降噪后端点效应和分离结果如图。
挠度分离值与实际值相关系数和均方根误差如下表3。
表3
不难发现经过波形延拓后，端点效应得到一定抑制，对比表1、表2、表3可以知道本文波形延拓+预降噪+小波或VMD分解的降噪算法比直接降噪或者经过两次降噪都有着更高的相似度和更小的误差，降噪分离精度较高。
下面将通过实测实施例加以说明。
本实施例以某大跨双塔双索面斜拉桥，桥梁柔性较强，桥上车载情况复杂。为全面、实时监测桥梁三维形变情况，在桥面、桥墩、桥塔等位置均安装有BDS监测点，通过桥上监测点接收北斗卫星坐标信号，结合桥梁附近北斗参考站的坐标信息，经事后解算出监测点的高精度实时三维坐标，从而达到整桥三维形变的监测，可为桥梁结构安全评价等提供可靠依据。
参见图10，本次实时监测数据来源于具有代表性的下游跨中测点的BDS监测点，其监测位置和斜拉桥立面图如图所示。
参见图11和图12，本实施例选取跨中上下游监测点2017年11月8日0点至2017年11月26日0点的监测数据，实时监测数据时程如图所示。
实测挠度温度效应分离
从图11和图12中可以看出实测挠度成分除日温差变化外，还具有复杂的噪声成分，尤其是幅值较大的车辆车载作用.
参见图13和图14，先将实测数据进行波形延拓+预降噪+小波分解的降噪处理，实测数据小波分解均选取sym8小波进行6层分解，降噪效果如图所示。
从图11和图12中，上下游实测数据可以看出第三周期曲线谷底处由于大量连续性的高幅值车辆荷载的影响，日温差效应已被混叠严重，结合图13和图14实测数据小波降噪和波形延拓+预降噪+小波分解对比可知，如果只采用小波分解降噪，图13该处曲线谷底会发生偏移，图14该处曲线谷底将会多分出来一个峰值，均会影响日温差变化曲线，因而考虑偏态分布的高幅值车载影响可以提高温度效应分离精度。
参见图15和图16，实测数据降噪后保留延拓数据直接进行MEEMD分解，最后截取相应数据即可实现温度效应分离，分离各IMF分量如图所示。从图15和图16，可以看出上下游温度效应分解的IMF2分量为各自日温差效应，IMF3-IMF5分量为各自实测数据中周期长于一天的温度效应成分，IMF6分量为各自该时间段整体温度效应趋势，可见分解过程中未出现明显模态混叠和虚假分量现象，分离效果较好。
参见图17，上下游跨中实测数据分离出来的日温差效应对比，两者相似系数为0.9829，均方根误差仅为0.0066m，可见上下游分离出来的日温差效应基本一致，这与实际情况相符，所以该算法分离效果较为可靠。
因此，值得说明的是：
1、降噪处理过程中，由于小波降噪后相似度较高且均方根误差较小，所以为进一步减少车载中偏态分布成分的影响，可将小波分解作为预降噪方法，将小波分解残余分量中幅值大于50mm的数据过滤掉，再和小波分解所得温度效应重构成新的挠度信号，将新的挠度信号再次进行小波或VMD降噪，实现二次降噪，减少了降噪误差。
2、根据原信号的特点通过不同手段将模拟的数据进行两端延拓，分解之后截取原数据的相应位置数据实现了对端点效应的抑制。
3、MEEMD分解能够有效抑制分解过程中的模态混叠现象，适合挠度温度效应的分离，考虑端点效应可以进一步提高各成分分离精度。
4、BDS实测数据中主要成分为日温差效应，还伴随有周期长于一天的温差效应和温度变化趋势成分，其上下游跨中日温差效应变化基本一致，与实际相符，温度效应分离效果较好。
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种大跨斜拉桥监测挠度温度效应的分离方法，其特征在于，包括：
将获取的挠度数据进行波形延拓，得到延拓挠度数据；
对所述延拓挠度数据进行小波分解，得到初始温度效应一维数据和分解剩余分量；
剔除所述分解剩余分量中幅值高于设定阈值的分量，得到阈值剔除分量；
将所述初始温度效应一维数据与所述阈值剔除分量进行信号重构得到重构挠度数据；
对所述重构挠度数据进行小波分解或者变分模态分解VMD得到温度效应曲线；
通过改进的集总平均经验模态分解算法MEEMD对所述温度效应曲线进行分解，得到挠度温度效应中的各周期成分。
2.如权利要求1所述的大跨斜拉桥监测挠度温度效应的分离方法，其特征在于，所述波形延拓包括：
将所述挠度数据的原始波形的相邻的周期的同幅值水平段的半个周期通过对称平移实现波形延拓。
3.如权利要求1所述的大跨斜拉桥监测挠度温度效应的分离方法，其特征在于，所述小波分解包括：
采用sym8小波进行多层分解。
CN201910453113.XA 2019-05-28 2019-05-28 一种大跨斜拉桥监测挠度温度效应的分离方法 Pending CN110160719A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910453113.XA CN110160719A (zh) 2019-05-28 2019-05-28 一种大跨斜拉桥监测挠度温度效应的分离方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910453113.XA CN110160719A (zh) 2019-05-28 2019-05-28 一种大跨斜拉桥监测挠度温度效应的分离方法

Publications (1)

Publication Number Publication Date
CN110160719A true CN110160719A (zh) 2019-08-23

Family

ID=67629825

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910453113.XA Pending CN110160719A (zh) 2019-05-28 2019-05-28 一种大跨斜拉桥监测挠度温度效应的分离方法

Country Status (1)

Country Link
CN (1) CN110160719A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906101A (zh) * 2021-01-15 2021-06-04 中铁二院工程集团有限责任公司 基于监测数据的桥梁残余变形异常评估预警方法
CN113033509A (zh) * 2021-05-21 2021-06-25 中铁大桥科学研究院有限公司 5g模式斜拉桥温度效应分离数据监测识别方法及设备
CN113176054A (zh) * 2021-04-19 2021-07-27 广西交科集团有限公司 桥梁钢管拱肋变形位移监控系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101451338A (zh) * 2008-07-31 2009-06-10 重庆大学 桥梁结构状态历史信息的分离方法
CN103439070A (zh) * 2013-08-01 2013-12-11 广州大学 一种桥梁长期挠度效应的分离方法
CN106202781A (zh) * 2016-07-19 2016-12-07 广州大学 一种桥梁挠度温度效应和长期挠度的分离方法
CN108229022A (zh) * 2018-01-03 2018-06-29 清华大学 一种桥梁结构在线安全监测中剔除温度对高频采样指标影响的实时方法
JP2018159631A (ja) * 2017-03-23 2018-10-11 セイコーエプソン株式会社 構造物解析装置、構造物解析システムおよび構造物解析方法
CN108801568A (zh) * 2018-04-27 2018-11-13 北京建筑大学 一种桥梁动挠度降噪方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101451338A (zh) * 2008-07-31 2009-06-10 重庆大学 桥梁结构状态历史信息的分离方法
CN103439070A (zh) * 2013-08-01 2013-12-11 广州大学 一种桥梁长期挠度效应的分离方法
CN106202781A (zh) * 2016-07-19 2016-12-07 广州大学 一种桥梁挠度温度效应和长期挠度的分离方法
JP2018159631A (ja) * 2017-03-23 2018-10-11 セイコーエプソン株式会社 構造物解析装置、構造物解析システムおよび構造物解析方法
CN108229022A (zh) * 2018-01-03 2018-06-29 清华大学 一种桥梁结构在线安全监测中剔除温度对高频采样指标影响的实时方法
CN108801568A (zh) * 2018-04-27 2018-11-13 北京建筑大学 一种桥梁动挠度降噪方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨坚等: ""桥梁结构变形中温度效应提取的一种新方法"", 《广州大学学报（自然科学版）》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906101A (zh) * 2021-01-15 2021-06-04 中铁二院工程集团有限责任公司 基于监测数据的桥梁残余变形异常评估预警方法
CN112906101B (zh) * 2021-01-15 2022-04-01 中铁二院工程集团有限责任公司 基于监测数据的桥梁残余变形异常评估预警方法
CN113176054A (zh) * 2021-04-19 2021-07-27 广西交科集团有限公司 桥梁钢管拱肋变形位移监控系统
CN113176054B (zh) * 2021-04-19 2024-04-26 广西交科集团有限公司 桥梁钢管拱肋变形位移监控系统
CN113033509A (zh) * 2021-05-21 2021-06-25 中铁大桥科学研究院有限公司 5g模式斜拉桥温度效应分离数据监测识别方法及设备
CN113033509B (zh) * 2021-05-21 2021-08-24 中铁大桥科学研究院有限公司 5g模式斜拉桥温度效应分离数据监测识别方法及设备

Similar Documents

Publication Publication Date Title
CN110160719A (zh) 一种大跨斜拉桥监测挠度温度效应的分离方法
CN104111456B (zh) 一种高速铁路沿线地表形变高分辨率InSAR监测方法
US11269072B2 (en) Land deformation measurement
CN100470255C (zh) 基于多视子图像对的单通道合成孔径雷达动目标检测方法
Klees et al. The bias in GRACE estimates of continental water storage variations
CN103698764B (zh) 一种稀疏采样条件下的干涉合成孔径雷达成像方法
Han et al. Structural modal parameter identification and damage diagnosis based on Hilbert-Huang transform
CN109061641B (zh) 一种基于序贯平差的InSAR时序地表形变监测方法
CN109142679A (zh) 基于人工神经网络克里金插值的森林土壤养分的空间预测方法
CN113281742B (zh) 一种基于滑坡形变信息和气象数据的sar滑坡预警方法
CN110045432A (zh) 基于3d-glq的球坐标系下重力场正演方法及三维反演方法
CN109696152B (zh) 一种低相干性区域地面沉降量估算方法
CN105866777A (zh) 多角度多时段导航卫星双基地PS-InSAR三维形变反演方法
CN102401892A (zh) 一种极化干涉合成孔径雷达系统性能评估方法
CN113281744A (zh) 基于假设检验和自适应形变模型的时序InSAR方法
Tao et al. Empirical wavelet transform method for GNSS coordinate series denoising
CH716789B1 (de) Verfahren zur Extraktion verborgener geologischer Strukturinformationen aus einem Fernerkundung-Bildpaar.
CN103576148B (zh) 模拟星载sar距离模糊噪声图像的方法
CN111649718A (zh) 一种基于北斗卫星系统的桥梁基础沉降监测算法
CN102183761B (zh) 星载干涉合成孔径雷达数字高程模型重建方法
Graham et al. A high-resolution synthetic bed elevation grid of the Antarctic continent
CN114415178A (zh) 一种适用于变形地质灾害识别的InSAR快速处理方法—GHR-InSAR
Zhou et al. Comparison and validation of different DEM data derived from InSAR
Huang et al. The effect of canyon topography on strong ground motion at Feitsui damsite: quantitative results
CN110058274A (zh) 一种卫星导航系统间的时差监测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
AD01 Patent right deemed abandoned

Effective date of abandoning: 20210730

AD01 Patent right deemed abandoned