CN110851897A - 一种多因素关联下的渡槽应力应变预测方法 - Google Patents

Abstract

本发明公开一种多因素关联下的渡槽应力应变预测方法，步骤如下：(一)首先获取渡槽体内的钢筋计、应变计以及环境温度等监测数据资料，并根据水工建筑物应力应变统计模型确定渡槽应力应变影响因子。(二)采用改进的小波阈值降噪算法去除环境噪声，并根据自然灾害历史统计资料去除异常数据噪声。(三)根据数据动态非线性关系测度方法(DNRM)对影响因子进行动态相关性修正。(四)将修正后的影响因子作为输入，将降噪后的应力应变数据作为输出，采用SVM算法，建立渡槽应力应变预测模型。(五)根据均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)评价指标对预测模型进行优化调参，最终建立优化后的渡槽应力应变预测模型。

Description

一种多因素关联下的渡槽应力应变预测方法

技术领域

本发明属于渡槽健康监测领域，具体的是一种多因素关联下的渡槽应力应变预测方法，该方法是利用渡槽水位、环境温度、监测时效分量等影响因子实现对渡槽不同测点的应力应变预测。

背景技术

渡槽是渠系建筑物中应用最广泛的交叉建筑物之一，承担着输水、调水、排水的重要任务。随着我国水利工程的发展，各种大型复杂结构形式的渡槽不断增多。而在渡槽在服役期间，渡槽会受到诸多因素的影响，如：大风、地震、水毁、气温变化等。这些因素可能会导致渡槽出现开裂、局部漏水、甚至垮塌等损害。因此，高效、准确的对渡槽进行健康监测，及时发现问题，以确保渡槽安全运行显得尤为重要。

在水工建筑物健康监测预测模型方面，早期主要是采用统计回归、逐步线性回归等方法建立结构性态和环境变量的关系，但这些传统方法在自变量之间存在多种共线性及含有较大随机噪声情况下易出现过拟合现象。近些年来，随着机器学习以成功应用于结构健康监测及性态分析领域，主要包括：人工神经网络(ANN)，径向基网络(RBF)，随机森林(RF)等，以及上述方法与主成分分析(PCA)、遗传算法(GA)等相结合的方式。然而这些方法大都针对的是大坝变形及应力应变预测，有关渡槽应力应变预测方法的研究相对较少。

文献“赵兰敏.南水北调中线工程大型渡槽健康监测模型的研究[D].河北农业大学,2007.”介绍了基于RBF的渡槽应力及位移预测方法。该方法利用渡槽水位、水温及气温数据可以有效的预测渡槽不同部位的应力及位移。但是该方法没有考虑传感器在采集数据过程中存在固有噪声的影响。另外，渡槽在实际运行中，不同时期，各环境影响因子对渡槽不同部位应力应变变化的影响程度有所不同，即有的因子与应力应变关系较强，而有的因子与应力应变关系较弱，该方法对环境影响因子与渡槽不同测点应力应变变化的相关程度“一视同仁”，这显然是不合理的。故应在不同时期将这种相关程度引入模型中，以此来提高预测模型建立的合理性和准确度。

发明内容

本发明的目的是为了克服现有技术中的不足，提供一种多因素关联下的渡槽应力应变预测方法。

本发明的目的是通过以下技术方案实现的：

一种多因素关联下的渡槽应力应变预测方法，基于渡槽钢筋计及混凝土应变计的日常监测数据，结合水位、环境温度等资料，建立渡槽应力应变预测模型，从而为渡槽健康监测及运行管理提供重要参考；具体包括以下步骤：

步骤一：首先获取渡槽体内的钢筋计、应变计、水位以及环境温度监测数据资料，并根据水工建筑物应力应变统计模型确定渡槽应力应变影响因子；

步骤二：采用改进的小波阈值降噪算法去除环境噪声，并根据自然灾害历史统计资料去除异常数据噪声；

步骤三：根据数据动态非线性关系测度方法(DNRM)，对不同时期各个影响因子与所有测点数列的相关程度进行测量，以实现对网络输入参数的动态修正；

步骤四：将修正后的影响因子作为输入，将降噪后的应力应变数据作为输出，采用SVM算法，建立渡槽应力应变预测模型；

步骤五：根据均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)评价指标对渡槽应力应变预测模型进行优化调参，最终建立优化调参后的渡槽应力应变预测模型。

进一步的，步骤二中改进的小波阈值函数如下：

式中：w_j,k为小波系数，

为小波系数估计值，

λ为小波阈值，sign()为符号函数，0＜α＜1为阈值折减系数。

进一步的，步骤三中给定一定时间内的影响因子集{U₁,U₂,...,U_G}和多测点应力应变数列集合{V₁,V₂,...,V_H}，DNRM具体实现过程如下：

(301)对影响因子U_h进行规范化处理，以此来消除数据量级不一致带来的影响，确定滚动时间窗口的大小W＝W_U＝W_V；

(302)设同一时间窗内随机变量(U_g,V_h)的K个数组为

将

按从小到大顺序排列后，

的名次r_i称为它的秩，同样在

中的名次(秩)称为s_i，则Gini相关系数为：

其中，int()为向下取整函数；

(303)将(302)中不同影响因子U_g与同一测点V_h的Gini关联系数γ_g,h,g＝1,2,...,k，进行归一化，如下式：

(304)利用嵌套循环算法计算不同时间窗口下，所有影响因子与所有测点数列的归一化Gini系数γ′_g,h，将各个时间窗口下的影响因子乘以对应的Gini关联系数，得到动态修正后的影响因子集{U′₁,U′₂,...,U′_G}。

与现有技术相比，本发明的技术方案所带来的有益效果是：

1.从渡槽结构特点出发，借鉴坝工理论中的应力应变统计模型，确定了渡槽应力应变变化的影响因子集，从而为渡槽应力应变预测模型的建立提供了必要条件。

2.本发明提出了新的小波阈值函数，该函数可以通过调整阈值折减系数α的大小来降低阈值选取不合理所带来的影响，同时能克服硬阈值函数不连续及软阈值函数存在固有偏差的缺点，提高数据降噪效果。

3.整合了滚动时间窗口算法与Gini系数提出一种适用于大规模数据集的数据动态非线性关系测度方法(DNRM)，并将其引入预测模型中。采用DNRM方法可以实现对输入影响因子的动态调整，即：在不同时段的渡槽应力应变预测中，与应力应变变化相关度较高的影响因子在预测时占用较大的比例，而相关度较低的影响因子占用较低的比例，进而提高模型建立的合理性和准确度。

4.该渡槽应力应变预测模型根据RMSE、MAE以及MAPE等评价指标的优劣来反馈调参，克服了以往智能预测算法模型参数选取不佳的问题，可提高模型训练的便捷性和准确度。

5.本发明方法可有效预测在不同环境因素影响下渡槽内部各个测点的应力应变大小及变化趋势，从而可为渡槽的健康监测提供决策支持，工程效益较高。

附图说明

图1为本发明方法的结构示意图。

图2(a)至图2(d)分别为某渡槽四个实测温度计的数据图。

图3为某渡槽实测钢筋应力计数据图。

图4为钢筋应力计数据降噪后数据图。

图5(a)和图5(b)为钢筋应力计的噪声数据图。

图6和图7为预测效果图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供一种多因素关联下的渡槽应力应变预测方法，参照图1，具体步骤如下：

步骤一：首先获取渡槽体内的钢筋计、应变计、水位以及环境温度等监测数据资料，并根据水工建筑物应力应变统计模型确定渡槽应力应变影响因子。渡槽应力应变统计模型可表示为：

其中

为水压分量，

为温度分量，

为自重分量，

为湿胀分量以及为时效分量。当槽身含水量增加到一定值时，湿胀应力

是一个常量。自重分量

也为一个常量。因此，渡槽应力及应变统计模型可表示为：

式中：H_i为槽身水深，n为槽型系数，T_i为温度计示数；m为温度计个数；b₁θ+b₂lnθ为时效分量，其中θ＝0.01t，t为监测日到基准日的累计监测天数，a_i，b_i，c₁，c₂，d分别为各变量的系数。至此，可将影响因子集确定为{H_i,T_j,θ,lnθ},i＝1,2,...,n,j＝1,2,,...,m.。

根据所获取的资料及工程特点确定具体的影响因子集，对于通过调节流速来改变流量，而槽内水位基本保持不变的渡槽，可将

为水压分量视为定值，将影响因子集{H_i,T_j,θ,lnθ},i＝1,2,...,n,j＝1,2,,...,m.中的H_i,i＝1,2,...,n.项去除，而水压分量不能忽略的渡槽，槽型系数n一般取3～4，m值则根据实际情况来取。

步骤二：采用改进的小波阈值降噪算法去除环境噪声，并根据自然灾害历史统计资料去除异常数据噪声。

从信号学的角度看，通常情况下有用信号表现为低频部分或是比较平稳的信号，正常环境条件下的噪声信号则表现为高频信号，一般将这部分噪声信号视为高斯白噪声e_j。除此之外，自然灾害对渡槽的影响也不能忽略，我国是一个洪水、地震、大风等自然灾害多发的国家，而这些自然灾害引起的数据异常具有局部性、突变性、不可预测性等特点。为此，引入异常噪声标记项Ab_j(t₀)，t₀为监测期自然灾害发生及影响的持续时间，Ab_j(t₀)为时间t₀的分段函数。含有噪声的模型可以表示如下：

S(j)＝f(j)+e_j+Ab_j(t₀),j＝0,1,2,...,N

其中，S(j)为含有噪声的数据信号，f(j)为有用数据信号，e_j为正常环境条件下的高斯白噪声，Ab_j(t₀)为自然灾害引起的异常噪声。

e_j可通过小波阈值降噪算法进行去除，改进的小波阈值函数如下：

式中：w_j,k为小波系数，

为小波系数估计值，

λ为小波阈值，sign()为符号函数，0＜α＜1为阈值折减系数。异常噪声标记项Ab_k(t₀)则根据自然灾害历史统计资料来进行剔除。

步骤三：根据数据动态非线性关系测度方法(DNRM)，对不同时期各个影响因子与所有测点数列的相关程度进行测量，以实现对网络输入参数的动态修正。

渡槽在实际运行中，不同时期，各个影响因子对渡槽不同部位的影响程度有所不同，即有的因子与应力应变关系较强，而有的因子与应力应变关系较弱，故应在不同时期将这种“相关程度”引入模型中。本发明整合了滚动时间窗口算法与Gini相关系数提出一种适用于大规模数据集的数据动态非线性关系测度方法(DNRM)。给定一定时间内的影响因子集{U₁,U₂,...,U_G}和多测点应力应变数列集合{V₁,V₂,...,V_H}，DNRM具体实现过程如下：

1)影响因子U_h规范化处理，以此来消除数据量级不一致带来的影响，确定滚动时间窗口的大小W＝W_U＝W_V。

2)设同一时间窗内随机变量(U_g,V_h)的K个数组为

将按从小到大顺序排列后，

的名次r_i称为它的秩，同样在

中的名次(秩)称为s_i，则Gini相关系数为：

其中，int()为向下取整函数。

3)将2)中不同影响因子U_g与同一测点V_h的Gini关联系数γ_g,h,g＝1,2,...,k，进行归一化，如下式：

4)利用嵌套循环算法计算不同时间窗口下，所有影响因子与所有测点数列的归一化Gini系数γ′_g,h，将各个时间窗口下的影响因子乘以对应的Gini关联系数，得到动态修正后的影响因子集{U′₁,U′₂,...,U′_G}。

步骤四：将修正后的影响因子作为输入，将降噪后的应力应变数据作为输出，采用SVM算法，建立渡槽应力应变预测模型。

步骤五：根据均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)评价指标对预测模型进行优化调参，需要调节的参数有小波阈值λ，阈值折减系数α，滚动时间窗口W，以及SVM算法中的相关参数。直到满足预设精度值tolerance i,i＝1,2,3.为止。

RMSE≤tolerance1

MAE≤tolerance2

MAPE≤tolerance3

最终建立优化调参后的渡槽应力应变预测模型。

具体的，以对某渡槽钢筋应力进行预测为例：

选取某钢筋混凝土渡槽实际监测断面的两支钢筋计及其附近的四支温度计，该渡槽槽内水位基本保持不变，将水压分量视为定值，影响因子集为{T_j,θ,lnθ},j＝1,2,,...,m，各传感器的原始数据如图2(a)至图3所示，图中虚线左侧为训练数据，右侧为测试数据。小波系数各阈值λ采用中启发式阈值选取方法选取，阈值折减系数α取0.8，根据气象灾害统计资料剔除异常值后，采用改进的小波阈值降噪算法对数据进行降噪，降噪效果如图4所示，钢筋应力计的噪声数据如图5(a)、图5(b)所示。滚动时间窗口W取半年，预测结果如图6、7所示，两图虚线左侧均为拟合效果，左侧为预测效果，可以看出本发明预测方法具有较好的性能。

本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。

Claims (3)

1.一种多因素关联下的渡槽应力应变预测方法，其特征在于，基于渡槽钢筋计及混凝土应变计的日常监测数据，结合水位以及环境温度资料，建立渡槽应力应变预测模型，从而为渡槽健康监测及运行管理提供重要参考；具体包括以下步骤：

步骤一：首先获取渡槽体内的钢筋计、应变计、水位以及环境温度监测数据资料，并根据水工建筑物应力应变统计模型确定渡槽应力应变影响因子；

步骤二：采用改进的小波阈值降噪算法去除环境噪声，并根据自然灾害历史统计资料去除异常数据噪声；

步骤三：根据数据动态非线性关系测度方法(DNRM)，对不同时期各个影响因子与所有测点数列的相关程度进行测量，以实现对网络输入参数的动态修正；

步骤四：将修正后的影响因子作为输入，将降噪后的应力应变数据作为输出，采用SVM算法，建立渡槽应力应变预测模型；

步骤五：根据均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)评价指标对渡槽应力应变预测模型进行优化调参，最终建立优化调参后的渡槽应力应变预测模型。

2.根据权利要求1所述一种多因素关联下的渡槽应力应变预测方法，其特征在于，步骤二中改进的小波阈值函数如下：

式中：w_j,k为小波系数，为小波系数估计值，

λ为小波阈值，sign()为符号函数，0＜α＜1为阈值折减系数。

3.根据权利要求1所述一种多因素关联下的渡槽应力应变预测方法，其特征在于，步骤三中给定一定时间内的影响因子集{U₁,U₂,...,U_G}和多测点应力应变数列集合{V₁,V₂,...,V_H}，DNRM具体实现过程如下：

(301)对影响因子U_h进行规范化处理，以此来消除数据量级不一致带来的影响，确定滚动时间窗口的大小W＝W_U＝W_V；

(302)设同一时间窗内随机变量(U_g,V_h)的K个数组为

将

按从小到大顺序排列后，

的名次r_i称为它的秩，同样

在

中的名次(秩)称为s_i，则Gini相关系数为：

其中，int()为向下取整函数；

(303)将(302)中不同影响因子U_g与同一测点V_h的Gini关联系数γ_g,h,g＝1,2,...,k，进行归一化，如下式：

(304)利用嵌套循环算法计算不同时间窗口下，所有影响因子与所有测点数列的归一化Gini系数γ′_g,h，将各个时间窗口下的影响因子乘以对应的Gini关联系数，得到动态修正后的影响因子集{U′₁,U′₂,...,U′_G}。

Images