CN111581865B - 一种工程结构损伤远程监测预警方法及系统 - Google Patents
一种工程结构损伤远程监测预警方法及系统 Download PDFInfo
- Publication number
- CN111581865B CN111581865B CN202010381913.8A CN202010381913A CN111581865B CN 111581865 B CN111581865 B CN 111581865B CN 202010381913 A CN202010381913 A CN 202010381913A CN 111581865 B CN111581865 B CN 111581865B
- Authority
- CN
- China
- Prior art keywords
- damage
- engineering structure
- engineering
- structural
- degree
- 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.)
- Active
Links
- 230000006378 damage Effects 0.000 title claims abstract description 310
- 238000012544 monitoring process Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000004044 response Effects 0.000 claims abstract description 49
- 238000012423 maintenance Methods 0.000 claims abstract description 37
- 238000012038 vulnerability analysis Methods 0.000 claims abstract description 25
- 230000010354 integration Effects 0.000 claims abstract description 21
- 238000011158 quantitative evaluation Methods 0.000 claims abstract description 16
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 16
- 238000011835 investigation Methods 0.000 claims abstract description 12
- 238000006073 displacement reaction Methods 0.000 claims description 47
- 238000003062 neural network model Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 21
- 230000001133 acceleration Effects 0.000 claims description 17
- 239000004567 concrete Substances 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 15
- 238000001035 drying Methods 0.000 claims description 11
- 238000012546 transfer Methods 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 208000027418 Wounds and injury Diseases 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 7
- 208000014674 injury Diseases 0.000 claims description 7
- 238000004880 explosion Methods 0.000 claims description 5
- 238000012886 linear function Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 4
- 238000013079 data visualisation Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 238000013528 artificial neural network Methods 0.000 abstract description 10
- 239000004575 stone Substances 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 238000005096 rolling process Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 11
- 230000000007 visual effect Effects 0.000 description 9
- 239000011435 rock Substances 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000000354 decomposition reaction Methods 0.000 description 7
- 229910000831 Steel Inorganic materials 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 239000010959 steel Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000011150 reinforced concrete Substances 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请公开了一种工程结构损伤远程监测预警方法及系统，包括：在工程结构运营前期，根据已有的工程勘察数据对工程结构进行易损性分析，在易损部位处布置振动传感器；在运营期间，采集动力响应信号；对动力响应信号进行频域积分和小波包能量谱分析，并建立定量评估损伤准则，判定结构损伤位置和损伤程度；在后期维护期间，通过调用运营期间所储存的结构损伤数据，建立定量可视化的三维结构损伤图像；同时采用多层神经网络算法对结构损伤数据进行分析，预测工程结构的剩余使用寿命，当剩余使用寿命小于设定阈值时，即时触发报警。这样实现了对结构损伤程度的精确动态实时监控和工程结构失效前的即时预警，为工程结构运营及维护提供理论和技术保障。
Description
技术领域
本发明涉及工程结构损伤领域，特别是涉及一种工程结构损伤远程监测预警方法及系统。
背景技术
中国地质灾害种类多、分布广、危害大，是地质灾害最为严重的国家之一，崩塌、滑坡、泥石流等突发性地质灾害频繁发生，尤其在西南山区工程结构运营及维护中，建设难度大、成本高，如桥梁等结构往往布置在沟谷、傍山地形地段，具有灾害成灾率高、灾害成因复杂、影响面广、破坏强度大等特点。随着交通运输线路等级提高，受山间河谷走廊带地形的限制，不可避免地出现许多高大险峻边坡，运营期间极易受到边坡失稳产生的地质灾害威胁，将对工程结构包括桥梁、隧道、棚洞等工程造成严重破坏。
近年来对于工程结构维护，主要是以人工现场观测、结构承载能力试验为主，缺乏定量、实时、精确的损伤检测方法。人工现场观测方法是由现场技术人员粗略目测，根据各部位损伤状况来综合评定构筑物分值，最终按有关养护规范或规程确定维护措施，该方法主观性较强，对隐蔽部位及初期损伤无法检测，对于复杂结构更是无能为力。而结构承载能力试验难以对构筑物损伤状态做出细致评价，无法全面反映构筑物的损伤累积状况。针对上述痛点问题，目前已有部分技术人员利用信号分析手段对结构损伤监测开展了研究工作，但仍存在些许不足，例如：为确保精准采集结构损伤信号，往往把传感器安装在结构易损部位，但由于工程结构都处在不同类型地质区域，潜在地质灾害对结构作用的冲击形式、规模以及冲击能量等不同，结构损伤位置和损伤程度呈现差异性；对于结构损伤监测只是提出了损伤识别方法，对于工程结构建设前期传感器布置以及工程结构运营后期如何利用损伤数据进行高效率维护均没有考量；针对目前已有信号监测损伤方法，大多是对传感器所监测的局部位置提出损伤准则，且损伤指标定量化程度不够高，同时尚未能与混凝土结构损伤理论结合，提出针对结构整体损伤程度的判定标准；目前大多数研究停留在对损伤信号的分析和判定上，还未对处理后的损伤数据进行深度挖掘，更深层次获取工程结构的有效信息，例如结构的剩余使用寿命等。
因此，如何设计一套实时、可视化、定量、高效率的工程结构损伤监测预警方法，是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种工程结构损伤远程监测预警方法及系统，可以实现对结构损伤程度的精确动态实时监控和工程结构失效前的即时预警，为工程结构运营及维护提供理论和技术保障。其具体方案如下：
一种工程结构损伤远程监测预警方法，包括：
在工程结构运营前期，根据已有的工程勘察数据，对所述工程结构进行易损性分析，在易损部位处布置振动传感器；
在所述工程结构运营期间，触发所述振动传感器进行工作，实时将采集到的动力响应信号汇入至数据采集仪进行滤波去燥处理；
对处理后的所述动力响应信号进行频域积分和小波包能量谱分析，并建立定量评估损伤准则，判定所述工程结构的损伤位置和损伤程度；
在所述工程结构后期维护期间，通过调用运营期间所储存的包含损伤位置和损伤程度的结构损伤数据，建立定量可视化的三维结构损伤图像；
同时采用多层神经网络算法对所述结构损伤数据进行分析，预测所述工程结构的剩余使用寿命，当所述剩余使用寿命小于设定阈值时，即时触发报警。
优选地，在本发明实施例提供的上述工程结构损伤远程监测预警方法中，根据已有的工程勘察数据，对所述工程结构进行易损性分析，在易损部位处布置振动传感器，具体包括：
通过已有的工程勘察数据进行潜在地质灾害类型评估；
针对评估后的不同所述潜在地质灾害类型，利用数值仿真方法对所述工程结构进行易损性分析，判定所述工程结构在灾害体冲击下易损部分；
在所述易损部位处布置振动传感器进行实时监测。
优选地，在本发明实施例提供的上述工程结构损伤远程监测预警方法中，触发所述振动传感器进行工作，实时将采集到的动力响应信号汇入至数据采集仪进行滤波去燥处理，具体包括：
在所述工程结构无损状态下施加一定程度冲击载荷，直接获取所述振动传感器所采集的无损状态下的动力响应信号；
在灾害体冲击到所述工程结构的同时，触发所述振动传感器进行信号采集，实时获取结构损伤状态下的动力响应信号；
通过有线或无线传输方式实时将采集到的无损和损伤状态下的动力响应信号汇入至数据采集仪；
利用所述数据采集仪进行滤波去噪处理。
优选地，在本发明实施例提供的上述工程结构损伤远程监测预警方法中，对处理后的所述动力响应信号进行频域积分和小波包能量谱分析，并建立定量评估损伤准则，判定所述工程结构的损伤位置和损伤程度，具体包括：
采用监测中心计算机分别对处理后的所述动力响应信号进行频域积分和小波包能量谱分析，得到结构最大位移、无损状态下主频率段能量和损伤状态下主频率段能量；
根据超声波检测混凝土损伤理论和爆炸荷载作用下混凝土损伤理论，定义灾害体冲击下所述工程结构的整体损伤程度和局部损伤程度，并建立定量评估损伤准则；
根据定义的所述整体损伤程度和所述局部损伤程度及建立的所述定量评估损伤准则，对得到的所述结构最大位移、无损状态下主频率段能量和损伤状态下主频率段能量进行分析，判定所述工程结构的损伤位置、整体损伤程度和局部损伤程度。
优选地，在本发明实施例提供的上述工程结构损伤远程监测预警方法中，对所述动力响应信号进行频域积分，得到结构最大位移，具体包括：
对所述动力响应信号中在损伤状态下的时域加速度信号进行傅里叶变换，得到频域加速度信号；
对得到的所述频域加速度信号进行积分，得到频域速度信号；
对得到的所述频域速度信号进行积分，得到频域位移信号；
从得到的所述频域位移信号中选取出峰值位移作为结构最大位移。
优选地，在本发明实施例提供的上述工程结构损伤远程监测预警方法中，采用下述公式定义所述工程结构的整体损伤程度和局部损伤程度：
其中，Dθ为所述工程结构的整体损伤程度，xmax为所述结构最大位移，Lmax为峰值位移点距邻近支座的距离，Dji为第j个传感器所在易损部位处的局部损伤程度，E0为所述无损状态下主频率段能量，Ei为所述损伤状态下主频率段能量。
优选地，在本发明实施例提供的上述工程结构损伤远程监测预警方法中，采用多层神经网络算法对所述结构损伤数据进行分析，预测所述工程结构在灾害体冲击后的剩余使用寿命，具体包括：
建立在役结构损伤系数与使用年限的训练样本；
将所述训练样本和期望输入至BP神经网络模型中进行训练，并计算各所述训练样本的实际输出与期望输出之差是否满足要求；
若训练好的所述BP神经网络模型达到期望目标时，则通过所述BP神经网络模型预测所述工程结构的剩余使用寿命。
优选地，在本发明实施例提供的上述工程结构损伤远程监测预警方法中，所述BP神经网络模型的输入层为损伤系数，输出层为所述工程结构的使用年限；
所述BP神经网络模型的输入层至隐含层的传递函数为Sigmoid型函数；
所述BP神经网络模型的隐含层至输出层的传递函数为线性函数。
优选地，在本发明实施例提供的上述工程结构损伤远程监测预警方法中，通过所述BP神经网络模型预测所述工程结构的剩余使用寿命，具体包括：
根据所述工程结构的局部损伤程度和对应的局部能量，获取结构损伤系数；
将获取的所述结构损伤系数代入训练好的所述BP神经网络模型中，得到结构损伤状态时达到的使用年份；
将得到的所述结构损伤状态时达到的使用年份与所述工程结构设计的使用年限作比较，得到所述工程结构的剩余使用寿命。
本发明实施例还提供了一种工程结构损伤远程监测预警系统，包括：
结构易损性分析模块，用于在工程结构运营前期，根据已有的工程勘察数据，对所述工程结构进行易损性分析，在易损部位处布置振动传感器；
动力响应信号采集模块，用于在所述工程结构运营期间，触发所述振动传感器进行工作，实时将采集到的动力响应信号汇入至数据采集仪进行滤波去燥处理；
损伤数据判定模块，用于在所述工程结构运营期间，对处理后的所述动力响应信号进行频域积分和小波包能量谱分析，并建立定量评估损伤准则，判定所述工程结构的损伤位置和损伤程度；
大数据可视化模块，用于在所述工程结构后期维护期间，通过调用运营期间所储存的包含损伤位置和损伤程度的结构损伤数据，建立定量可视化的三维结构损伤图像；
使用寿命预测模块，用于在所述工程结构后期维护期间，采用多层神经网络算法对所述结构损伤数据进行分析，预测所述工程结构的剩余使用寿命，当所述剩余使用寿命小于设定阈值时，即时触发报警。
从上述技术方案可以看出，本发明所提供的一种工程结构损伤远程监测预警方法及系统，包括：在工程结构运营前期，根据已有的工程勘察数据，对工程结构进行易损性分析，在易损部位处布置振动传感器；在工程结构运营期间，触发振动传感器进行工作，实时将采集到的动力响应信号汇入至数据采集仪进行滤波去燥处理；对处理后的动力响应信号进行频域积分和小波包能量谱分析，并建立定量评估损伤准则，判定工程结构的损伤位置和损伤程度；在工程结构后期维护期间，通过调用运营期间所储存的包含损伤位置和损伤程度的结构损伤数据，建立定量可视化的三维结构损伤图像；同时采用多层神经网络算法对结构损伤数据进行分析，预测工程结构的剩余使用寿命，当剩余使用寿命小于设定阈值时，即时触发报警。
本发明能够在运营前期将振动传感器在易损部位处进行精确布置，做到在面对灾害体冲击工程结构物时实时采集、远程监测非平稳信号，精确判定工程结构运营全周期的损伤位置和损伤程度，在工程后期维护阶段可通过建立的可视化三维结构损伤图像，了解到结构在灾害体冲击后的各监测点详细位置、损伤程度等信息，以及实时预测工程结构的剩余使用寿命，这样实现了对结构损伤程度的精确动态监控和工程结构失效前的即时预警，为工程结构运营及维护提供理论和技术保障，便于工程人员维护与修复，极大节省了维护成本。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的工程结构损伤远程监测预警方法的流程图；
图2为本发明实施例提供的棚洞结构有限元数值模型；
图3为本发明实施例提供的棚洞结构有限元应力云图；
图4为本发明实施例提供的中心位置处的无损和损伤状态加速度时域曲线；
图5为本发明实施例提供的中心位置处无损状态下的小波能量谱；
图6为本发明实施例提供的工程结构损伤评估准则图；
图7为本发明实施例提供的三维结构损伤图；
图8为本发明实施例提供的工程结构损伤远程监测预警系统的结构示意图；
图9为本发明实施例提供的工程结构损伤远程监测预警系统的具体结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种工程结构损伤远程监测预警方法，如图1所示，包括以下步骤：
S101、在工程结构运营前期，根据已有的工程勘察数据，对工程结构进行易损性分析，在易损部位处布置振动传感器；
S102、在工程结构运营期间，触发振动传感器进行工作，实时将采集到的动力响应信号汇入至数据采集仪进行滤波去燥处理；
S103、对处理后的动力响应信号进行频域积分和小波包能量谱分析，并建立定量评估损伤准则，判定工程结构的损伤位置和损伤程度；
S104、在工程结构后期维护期间，通过调用运营期间所储存的包含损伤位置和损伤程度的结构损伤数据，建立定量可视化的三维结构损伤图像；
S105、同时采用多层神经网络算法对结构损伤数据进行分析，预测工程结构的剩余使用寿命，当剩余使用寿命小于设定阈值时，即时触发报警。
在本发明实施例提供的上述工程结构损伤远程监测预警方法中，能够在运营前期将振动传感器在易损部位处进行精确布置，做到在面对灾害体冲击工程结构物时实时采集、远程监测非平稳信号，精确判定工程结构运营全周期的损伤位置和损伤程度，在工程后期维护阶段可通过建立的可视化三维结构损伤图像，了解到结构在灾害体冲击后的各监测点详细位置、损伤程度等信息，以及实时预测工程结构的剩余使用寿命，这样实现了对结构损伤程度的精确动态监控和工程结构失效前的即时预警，为工程结构运营及维护提供理论和技术保障，便于工程人员维护与修复，极大节省了维护成本。
在具体实施时，在本发明实施例提供的上述工程结构损伤远程监测预警方法中，步骤S101根据已有的工程勘察数据，对工程结构进行易损性分析，在易损部位处布置振动传感器，具体可以包括：首先，通过已有的工程勘察数据进行潜在地质灾害类型评估；然后，针对评估后的不同潜在地质灾害类型，利用数值仿真方法对工程结构进行易损性分析，判定工程结构在灾害体冲击下易损部分；最后，在易损部位处布置振动传感器进行实时监测。
具体地，在工程结构运营前期，通过已有地质勘察资料判定结构所在地区地质灾害可能发生类型，如崩塌滚石、滑坡、泥石流等常见地质灾害；针对不同潜在地质灾害类型，基于已获取的地形、岩土参数等数据，利用Massflow、LB-Flow等数值仿真技术对结构进行易损性分析，判定结构在灾害体冲击下易损部位，在易损部位处布置振动传感器，达到实时精确监测结构损伤状态的目的。这样在运营前期将传感器结合潜在地质灾害类型和结构易损性进行精确布置，解决了不同潜在灾害体冲击下监测传感器的精确布置问题。
以泥石流、滑坡冲击为例，结构易损性分析步骤可以包括：基于结构所在区域已有地质勘察资料，获取DEM及岩土体参数数据；将DEM数据导入数据分析和可视化软件中建立地形模型，并利用建模软件将工程结构与地形模型进行耦合；利用CAE应用软件前处理功能为耦合模型进行网格划分，并导入自主研发的Massflow、LB-Flow软件中进行赋参数求解；选择结构数值模拟应力云图中较高应力处作为易损部位，安装振动传感器。
以崩塌滚石冲击为例，结构易损性分析步骤可以包括：由于崩塌滚石灾害具有随机、突发性等特点，因此在对工程结构进行易损性分析时，首先考虑滚石可能冲击的位置和冲击能量；基于评价边坡滚石风险的三维仿真分析软件，通过DEM模型导入、坡体分区与坡体材料赋值、危岩区域选定以及危岩形态确定等分析步骤，可得到滚石冲击结构所在区域的大体位置和冲击能量；根据结构物实际状态以及软件计算所得滚石冲击能量和冲击位置，利用通用有限元分析软件，进行动力显示分析计算；选择结构数值模拟应力云图中较高应力处作为易损部位，安装振动传感器。
在具体实施时，在本发明实施例提供的上述工程结构损伤远程监测预警方法中，步骤S102触发振动传感器进行工作，实时将采集到的动力响应信号汇入至数据采集仪进行滤波去燥处理，具体可以包括：在工程结构无损状态下施加一定程度冲击载荷，直接获取振动传感器所采集的无损状态下的动力响应信号；在灾害体(如滚石、滑坡等)冲击到工程结构的同时，触发振动传感器进行信号采集，实时获取结构损伤状态下的动力响应信号；通过有线或无线传输方式实时将采集到的无损和损伤状态下的动力响应信号汇入至数据采集仪；利用数据采集仪进行滤波去噪处理，通过有线传输方式传输至监测中心计算机。
在具体实施时，在本发明实施例提供的上述工程结构损伤远程监测预警方法中，步骤S103对处理后的动力响应信号进行频域积分和小波包能量谱分析，并建立定量评估损伤准则，判定工程结构的损伤位置和损伤程度，具体可以包括：首先，采用监测中心计算机分别对处理后的动力响应信号进行频域积分和小波包能量谱分析，得到结构最大位移xmax、无损状态下主频率段能量E0和损伤状态下主频率段能量Ei；然后，根据超声波检测混凝土损伤理论和爆炸荷载作用下混凝土损伤理论，定义灾害体冲击下工程结构的整体损伤程度Dθ和局部损伤程度Dji，并建立定量评估损伤准则；最后，根据定义的整体损伤程度和局部损伤程度及建立的定量评估损伤准则，对得到的结构最大位移、无损状态下主频率段能量和损伤状态下主频率段能量进行分析，判定工程结构的损伤位置、整体损伤程度和局部损伤程度。
这样综合考虑了结构在灾害体冲击作用下的整体动力响应和局部动力响应，引入混凝土宏观和微观损伤检测理论，定量提出了整体损伤程度评估准则和局部损伤程度评估准则。由监测中心计算机以结构整体损伤程度Dθ和局部损伤程度Dji为评估依据，搭建采集信号与结构损伤的桥梁，对实时信号进行频域积分和小波包能量谱分析，较为精准确定结构损伤位置和损伤程度。
由于目前地质灾害主要是以崩塌滚石、滑坡、泥石流为主，泥石流、崩塌滚石灾害的运动多伴随着高频信号产生，而滑坡灾害运动均包括高频和低频信号，小波包分析是在多分辨率基础上构成的一种更精细的正交分解方法，能够克服小波分析在高频部分分辨率差的特点，实现信号时频域精确分析。
根据小波包分析理论，工程结构在承受灾害体冲击时信号的总能量为E:
其中，x(t)为滤波去噪后的结构动力响应信号，fi(t)为经过小波包分解后得到的第i(i＝1,2,3,4,5L,N)个低频信号，N为分解过后低频信号总数；gm(t)和gn(t)分别为经过小波包分解后得到的第m,n(m,n＝1,2,L,K)个高频信号，K为分解过后高频信号总数。
基于上述小波包能量理论，利用商业数学软件对能量谱计算过程进行代码编写，并实时导入无损和损伤状态下动力响应信号进行分析，经过小波包分解后可得信号各个频带的能量。由于不同结构信号频段具有明显差异性，为了统一研究结构抗灾害体冲击的耗能效果，因此选择其中能量分布最高的频率段作为无损和损伤信号主频率段进行计算。
在具体实施时，在本发明实施例提供的上述工程结构损伤远程监测预警方法中，上述步骤中对动力响应信号进行频域积分，得到结构最大位移(实际中可得到结构各监测点位移)，具体可以包括：
在利用积分法求解结构位移时，时域积分受冲击波形基线的影响较大，容易发生畸变，因此对动力响应信号中在损伤状态下的时域加速度信号进行傅里叶变换，得到频域加速度信号；
对得到的频域加速度信号进行积分，得到频域速度信号；
对得到的频域速度信号进行积分，得到频域位移信号；
其中，Δf为频率分辨率，fd为截止频率下限，fu为截止频率上限，ω为傅里叶分量所对应的频率；
最后从得到的频域位移信号中选取出峰值位移作为结构最大位移。
在具体实施时，在本发明实施例提供的上述工程结构损伤远程监测预警方法中，基于无损状态下主频率段能量E0和损伤状态下主频率段能量Ei，引入超声波检测混凝土构件损伤理论，定义结构局部损伤程度Dji：
其中，Dji为第j个传感器所在易损部位处的局部损伤程度，E0为无损状态下主频率段能量，Ei为损伤状态下主频率段能量。
基于频域积分理论分别计算各个传感器上所采集的加速度信号，筛选所有传感器中所计算的位移峰值作为结构最大位移xmax。通过引入爆炸荷载作用下混凝土损伤理论，对结构进行整体损伤程度Dθ判定，并提出定量损伤准则，如表一：
其中，Dθ为工程结构的整体损伤程度，xmax为结构最大位移，Lmax为峰值位移点距邻近支座的距离；
表一 整体损伤程度判定准则
在具体实施时，在本发明实施例提供的上述工程结构损伤远程监测预警方法中，步骤S104在工程结构后期维护期间，通过调用运营期间所储存的包含损伤位置和损伤程度的结构损伤数据，建立定量可视化的三维结构损伤图像，具体可以包括：基于运营前期易损性分析所建立的结构三维数值模型，通过调用运营期间储存在服务器中的结构损伤数据(即动力响应信号转换成的损伤位置及损伤程度数据)快速导入至结构三维数值模型中，建立三维结构损伤图，该图可反映工程结构在运营期间受灾害体冲击的各监测点位置、垂直位移、维护等级以及对应损伤程度，有利于技术人员进行快速、精准维护，为技术人员进行后期工程维护提供可视化基础和技术支持。
在具体实施时，在本发明实施例提供的上述工程结构损伤远程监测预警方法中，步骤S105采用多层神经网络算法对结构损伤数据进行分析，预测工程结构在灾害体冲击后的剩余使用寿命，具体可以包括：首先，根据工程结构所在地区的在役建筑结构检测资料以及相关文献，建立在役结构损伤系数与使用年限的训练样本；然后，将训练样本和期望输入至BP神经网络模型中进行训练，并计算各训练样本的实际输出与期望输出之差是否满足要求；最后，若训练好的BP神经网络模型达到期望目标时，则通过BP神经网络模型预测工程结构的剩余使用寿命。
这样基于大数据的机器学习方法对损伤数据进行了深度分析，实现了工程结构剩余使用寿命的预测功能。
BP神经网络模型一般由输入层、输出层以及隐含层构成，在具体实施时，在本发明实施例提供的上述工程结构损伤远程监测预警方法中，设计BP神经网络模型的输入层为损伤系数，即输入层数为1层；输出层为工程结构的使用年限，即输出层数也为1层；隐含层神经元的个数可用试凑方法来确定：通过数学商业软件不断迭代试算，当神经网络对函数的逼近效果最佳时，即是最优的隐含层数目；BP神经网络模型的输入层至隐含层的传递函数为Sigmoid型函数；BP神经网络模型的隐含层至输出层的传递函数为线性函数。
在具体实施时，在本发明实施例提供的上述工程结构损伤远程监测预警方法中，通过BP神经网络模型预测工程结构的剩余使用寿命，具体包括：首先，根据工程结构的局部损伤程度和对应的局部能量，获取结构损伤系数；然后，将获取的结构损伤系数代入训练好的BP神经网络模型中，得到结构损伤状态时达到的使用年份；最后，将得到的结构损伤状态时达到的使用年份与工程结构设计的使用年限作比较，得到工程结构的剩余使用寿命。
在实际应用中，结构实时监测的损伤系数可通过结构局部指标组合形成，因此在对实时损伤数据进行大数据分析预测前，通过计算局部损伤程度Dji和对应局部能量Eji的组合，可得到结构损伤系数Ds：
通过上述公式可实时获取结构损伤系数，并代入训练好的神经网络模型中，可得到结构损伤状态时达到的使用年份Ts。将工程结构设计使用年限Td与Ts相减可得结构剩余使用寿命。
下面一个以崩塌滚石冲击为具体的实例，对本发明实施例提供的上述工程结构损伤远程监测预警方法进行详细说明：
如图2所示，在滚石冲击结构所在区域的一棚洞结构，由钢筋混凝土板、混凝土支柱以及覆盖在板上一定厚度的砂土垫层组成，砂土垫层厚度为0.2m，长、宽为1.0×1.0m，垫层下部的钢筋混凝土板横截面尺寸为1.5×1.5m，厚度为0.2m，板内铺设双层网状钢筋，钢筋采用HRB335级，下部钢筋距离板底部4cm，上部钢筋距离板顶部4cm，钢筋间距12cm，混凝土强度等级为C25；混凝土支柱由强度等级为C25的混凝土浇筑而成，高度为0.4m，截面尺寸为0.2×0.2m。
基于滚石冲击位置、冲击能量和棚洞结构尺寸，随即建立相应数值模型利用动力有限元仿真计算软件进行求解，如图3所示，得出结构受冲击荷载下的应力云图。由图3的应力云图可知，该结构中心附近和相邻支座中心处应力较大，极易发生损伤，因此可以将振动传感器安装在这五个对应易损位置上。
为了真实模拟运营期间滚石灾害冲击棚洞结构的信号采集、分析工作，通过在室内搭建原位滚石冲击棚洞结构平台。根据前期易损性分析结果，将振动传感器安装在五个易损位置，并按照真实地区坡度和坡面覆盖参数随机释放滚石，获取结构无损和损伤状态下动力响应信号，图4示出了中心位置处的无损和损伤状态加速度时域曲线。
接下来，通过商业数学软件编写小波包能量谱代码，采用Daubechies提出的db5小波进行三层分解，将无损和损伤状态下加速度时域信号代入计算，可得到对应的小波包能量谱，图5示出了中心位置处无损状态下的小波能量谱。
经过小波包能量谱分析后，将各个位置传感器在无损和损伤状态下的主频段能量代入结构局部损伤程度Dji公式中，得出如下表二所示结果：
表二 滚石冲击下结构各位置局部损伤程度
| 结构位置 | 相邻支柱中心1 | 相邻支柱中心2 | 相邻支柱中心3 |
| 局部损伤程度 | 0.27 | 0.25 | 0.23 |
| 结构位置 | 相邻支柱中心4 | 中心位置 | |
| 局部损伤程度 | 0.26 | 0.84 |
通过上表可知，棚洞中心位置附近存在较大损伤，而相邻支座中心附近损伤程度较小，可大致判定出滚石冲击位置可能在棚洞结构中心。
在判定结构局部损伤程度后，基于损伤状态下结构振动加速度，进行频域积分得到结构各监测点位移，根据频域积分所得结构最大位移xmax＝0.01m，为结构中心位置附近，已知峰值位移点距最近支座的距离为0.78m，于是可得θ＝0.73°，根据图6可知，该结构的整体损伤程度处于损伤级别Ⅰ级。
接下来，基于运营前期易损性分析所建立的结构三维模型，通过将结构运营期间承受灾害体冲击产生的非平稳信号转换为图7示出的损伤位置、损伤程度、监测点位移等数据，导入三维模型中。
根据工程结构所在地区的在役建筑结构检测资料以及相关文献，建立在役结构损伤系数与使用年限的训练样本，如下表三所示：
表三 结构损伤系数与使用年限样本表
| 结构损伤系数 | 使用年限/年 | 结构损伤系数 | 使用年限/年 |
| 0.10 | 5 | 0.45 | 28 |
| 0.15 | 9 | 0.50 | 30 |
| 0.20 | 14 | 0.55 | 31 |
| 0.30 | 19 | 0.68 | 38 |
| 0.35 | 20 | 0.73 | 48 |
| 0.40 | 23 | 0.85 | 56 |
在建立训练样本后，构建BP神经网络模型，首先输入层数(结构损伤系数)为1层；输出层(工程结构使用年限)也为1层，其次隐含层神经元的个数通过数学商业软件不断迭代试算后，确定数目为5。同时将Sigmoid型函数作为输入层至隐含层的传递函数，采用线性函数作为隐含层至输出层的传递函数；设置网络训练误差为0.000001，训练显示间隔为300，最大训练次数为2000。
通过将上述样本数据输入到BP神经网络模型中，分别计算样本损伤系数对应下的使用年限预测值，经统计发现误差值不超过5％，因此确定使用该模型进行预测。
基于上述小波包能量谱分析可知，结构局部损伤程度Dji和局部损伤能量Eji，因此结构实时监测的损伤系数Ds，可通过式(8)计算可得为0.62。将计算所得结构损伤系数代入训练好的神经网络模型中，可得结构损伤状态时达到的使用年份为33.81年。已知该棚洞结构设计使用年限为50年，因此该工程结构的剩余使用寿命为16.19年。
基于同一发明构思，本发明实施例还提供了一种工程结构损伤远程监测预警系统，由于该系统解决问题的原理与前述一种工程结构损伤远程监测预警方法相似，因此该系统的实施可以参见工程结构损伤远程监测预警方法的实施，重复之处不再赘述。
在具体实施时，本发明实施例提供的工程结构损伤远程监测预警系统，如图8和图9所示，具体包括：
结构易损性分析模块11，用于在工程结构运营前期，根据已有的工程勘察数据，对工程结构进行易损性分析，在易损部位处布置振动传感器；
动力响应信号采集模块12，用于在工程结构运营期间，触发振动传感器进行工作，实时将采集到的动力响应信号汇入至数据采集仪进行滤波去燥处理；
损伤数据判定模块13，用于在工程结构运营期间，对处理后的动力响应信号进行频域积分和小波包能量谱分析，并建立定量评估损伤准则，判定工程结构的损伤位置和损伤程度；
大数据可视化模块14，用于在工程结构后期维护期间，通过调用运营期间所储存的包含损伤位置和损伤程度的结构损伤数据，建立定量可视化的三维结构损伤图像；
使用寿命预测模块15，用于在工程结构后期维护期间，采用多层神经网络算法对结构损伤数据进行分析，预测工程结构的剩余使用寿命，当剩余使用寿命小于设定阈值时，即时触发报警。
在本发明实施例提供的上述工程结构损伤远程监测预警系统中，可以通过上述五个模块的相互作用，实现远程、自动、可视化、实时输出、智能化等功能，能够在现场无人情况下实时远程传输结构在灾害体冲击后的易损性情况，既保证工程人员在安全情况下实时掌握结构损伤状态，又可了解结构在灾害体冲击下的剩余使用寿命，为下一步工程维护提供支持。
关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容及图9示出的具体结构图，在此不再进行赘述。
相应的，本发明实施例还公开了一种工程结构损伤远程监测预警设备，包括处理器和存储器；其中，处理器执行存储器中保存的计算机程序时实现前述实施例公开的工程结构损伤远程监测预警方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
进一步地，本发明还公开了一种计算机可读存储介质，用于存储计算机程序；计算机程序被处理器执行时实现前述公开的工程结构损伤远程监测预警方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的系统、设备、存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
综上，本发明实施例提供的一种工程结构损伤远程监测预警方法及系统，包括：在工程结构运营前期，根据已有的工程勘察数据，对工程结构进行易损性分析，在易损部位处布置振动传感器；在工程结构运营期间，触发振动传感器进行工作，实时将采集到的动力响应信号汇入至数据采集仪进行滤波去燥处理；对处理后的动力响应信号进行频域积分和小波包能量谱分析，并建立定量评估损伤准则，判定工程结构的损伤位置和损伤程度；在工程结构后期维护期间，通过调用运营期间所储存的包含损伤位置和损伤程度的结构损伤数据，建立定量可视化的三维结构损伤图像；同时采用多层神经网络算法对结构损伤数据进行分析，预测工程结构的剩余使用寿命，当剩余使用寿命小于设定阈值时，即时触发报警。本发明能够在运营前期将振动传感器在易损部位处进行精确布置，做到在面对灾害体冲击工程结构物时实时采集、远程监测非平稳信号，精确判定工程结构运营全周期的损伤位置和损伤程度，在工程后期维护阶段可通过建立的可视化三维结构损伤图像，了解到结构在灾害体冲击后的各监测点详细位置、损伤程度等信息，以及实时预测工程结构的剩余使用寿命，这样实现了对结构损伤程度的精确动态监控和工程结构失效前的即时预警，为工程结构运营及维护提供理论和技术保障，便于工程人员维护与修复，极大节省了维护成本。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的工程结构损伤远程监测预警方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (3)
1.一种工程结构损伤远程监测预警方法，其特征在于，包括：
在工程结构运营前期，通过已有的工程勘察数据进行潜在地质灾害类型评估；针对评估后的不同所述潜在地质灾害类型，利用数值仿真方法对所述工程结构进行易损性分析，判定所述工程结构在灾害体冲击下易损部位；在所述易损部位处布置振动传感器进行实时监测；
在所述工程结构运营期间，在灾害体冲击到所述工程结构的同时，触发所述振动传感器进行工作，实时将采集到的动力响应信号汇入至数据采集仪进行滤波去燥处理；
采用监测中心计算机分别对处理后的所述动力响应信号进行频域积分和小波包能量谱分析，得到结构最大位移、无损状态下主频率段能量和损伤状态下主频率段能量；其中，对所述动力响应信号进行频域积分，得到结构最大位移，具体包括：对所述动力响应信号中在损伤状态下的时域加速度信号进行傅里叶变换，得到频域加速度信号；对得到的所述频域加速度信号进行积分，得到频域速度信号；对得到的所述频域速度信号进行积分，得到频域位移信号；从得到的所述频域位移信号中选取出峰值位移作为结构最大位移；
根据超声波检测混凝土损伤理论和爆炸荷载作用下混凝土损伤理论，采用下述公式定义灾害体冲击下所述工程结构的整体损伤程度和局部损伤程度，并建立定量评估损伤准则：
其中，Dθ为所述工程结构的整体损伤程度，xmax为所述结构最大位移，Lmax为峰值位移点距邻近支座的距离，Dji为第j个传感器所在易损部位处的局部损伤程度，E0为所述无损状态下主频率段能量，Ei为所述损伤状态下主频率段能量；
根据定义的所述整体损伤程度和所述局部损伤程度及建立的所述定量评估损伤准则，对得到的所述结构最大位移、无损状态下主频率段能量和损伤状态下主频率段能量进行分析，判定所述工程结构的损伤位置、整体损伤程度和局部损伤程度；
在所述工程结构后期维护期间，基于运营前期易损性分析所建立的结构三维数值模型，调用运营期间所储存的包含损伤位置和损伤程度的结构损伤数据快速导入至结构三维数值模型中，建立定量可视化的三维结构损伤图像；所述三维结构损伤图像反映所述工程结构在运营期间受灾害体冲击的各监测点位置、垂直位移、维护等级以及对应损伤程度；
同时建立在役结构损伤系数与使用年限的训练样本；将所述训练样本和期望输入至BP神经网络模型中进行训练，并计算各所述训练样本的实际输出与期望输出之差是否满足要求；若训练好的所述BP神经网络模型达到期望目标时，则根据所述工程结构的局部损伤程度和对应的局部能量，获取结构损伤系数：
其中，Dji为所述局部损伤程度，Eji为所述局部能量，Ds为所述结构损伤系数；
将获取的所述结构损伤系数代入训练好的所述BP神经网络模型中，得到结构损伤状态时达到的使用年份；将得到的所述结构损伤状态时达到的使用年份与所述工程结构设计的使用年限作比较，得到所述工程结构的剩余使用寿命，当所述剩余使用寿命小于设定阈值时，即时触发报警；所述BP神经网络模型的输入层为损伤系数，输出层为所述工程结构的使用年限；所述BP神经网络模型的输入层至隐含层的传递函数为Sigmoid型函数；所述BP神经网络模型的隐含层至输出层的传递函数为线性函数。
2.根据权利要求1所述的工程结构损伤远程监测预警方法，其特征在于，在灾害体冲击到所述工程结构的同时，触发所述振动传感器进行工作，实时将采集到的动力响应信号汇入至数据采集仪进行滤波去燥处理，具体包括：
在所述工程结构无损状态下施加一定程度冲击载荷，直接获取所述振动传感器所采集的无损状态下的动力响应信号；
在灾害体冲击到所述工程结构的同时，触发所述振动传感器进行信号采集，实时获取结构损伤状态下的动力响应信号；
通过有线或无线传输方式实时将采集到的无损和损伤状态下的动力响应信号汇入至数据采集仪；
利用所述数据采集仪进行滤波去噪处理。
3.一种工程结构损伤远程监测预警系统，其特征在于，包括：
结构易损性分析模块，用于在工程结构运营前期，通过已有的工程勘察数据进行潜在地质灾害类型评估；针对评估后的不同所述潜在地质灾害类型，利用数值仿真方法对所述工程结构进行易损性分析，判定所述工程结构在灾害体冲击下易损部位；在所述易损部位处布置振动传感器进行实时监测；
动力响应信号采集模块，用于在所述工程结构运营期间，在灾害体冲击到所述工程结构的同时，触发所述振动传感器进行工作，实时将采集到的动力响应信号汇入至数据采集仪进行滤波去燥处理；
损伤数据判定模块，用于采用监测中心计算机分别对处理后的所述动力响应信号进行频域积分和小波包能量谱分析，得到结构最大位移、无损状态下主频率段能量和损伤状态下主频率段能量；其中，对所述动力响应信号进行频域积分，得到结构最大位移，具体包括：对所述动力响应信号中在损伤状态下的时域加速度信号进行傅里叶变换，得到频域加速度信号；对得到的所述频域加速度信号进行积分，得到频域速度信号；对得到的所述频域速度信号进行积分，得到频域位移信号；从得到的所述频域位移信号中选取出峰值位移作为结构最大位移；根据超声波检测混凝土损伤理论和爆炸荷载作用下混凝土损伤理论，采用下述公式定义灾害体冲击下所述工程结构的整体损伤程度和局部损伤程度，并建立定量评估损伤准则：
其中，Dθ为所述工程结构的整体损伤程度，xmax为所述结构最大位移，Lmax为峰值位移点距邻近支座的距离，Dji为第j个传感器所在易损部位处的局部损伤程度，E0为所述无损状态下主频率段能量，Ei为所述损伤状态下主频率段能量；根据定义的所述整体损伤程度和所述局部损伤程度及建立的所述定量评估损伤准则，对得到的所述结构最大位移、无损状态下主频率段能量和损伤状态下主频率段能量进行分析，判定所述工程结构的损伤位置、整体损伤程度和局部损伤程度；
大数据可视化模块，用于在所述工程结构后期维护期间，基于运营前期易损性分析所建立的结构三维数值模型，调用运营期间所储存的包含损伤位置和损伤程度的结构损伤数据快速导入至结构三维数值模型中，建立定量可视化的三维结构损伤图像；所述三维结构损伤图像反映所述工程结构在运营期间受灾害体冲击的各监测点位置、垂直位移、维护等级以及对应损伤程度；
使用寿命预测模块，用于在所述工程结构后期维护期间，建立在役结构损伤系数与使用年限的训练样本；将所述训练样本和期望输入至BP神经网络模型中进行训练，并计算各所述训练样本的实际输出与期望输出之差是否满足要求；若训练好的所述BP神经网络模型达到期望目标时，则根据所述工程结构的局部损伤程度和对应的局部能量，获取结构损伤系数：
其中，Dji为所述局部损伤程度，Eji为所述局部能量，Ds为所述结构损伤系数；将获取的所述结构损伤系数代入训练好的所述BP神经网络模型中，得到结构损伤状态时达到的使用年份；将得到的所述结构损伤状态时达到的使用年份与所述工程结构设计的使用年限作比较，得到所述工程结构的剩余使用寿命，当所述剩余使用寿命小于设定阈值时，即时触发报警；所述BP神经网络模型的输入层为损伤系数，输出层为所述工程结构的使用年限；所述BP神经网络模型的输入层至隐含层的传递函数为Sigmoid型函数；所述BP神经网络模型的隐含层至输出层的传递函数为线性函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010381913.8A CN111581865B (zh) | 2020-05-08 | 2020-05-08 | 一种工程结构损伤远程监测预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010381913.8A CN111581865B (zh) | 2020-05-08 | 2020-05-08 | 一种工程结构损伤远程监测预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111581865A CN111581865A (zh) | 2020-08-25 |
| CN111581865B true CN111581865B (zh) | 2023-09-05 |
Family
ID=72117201
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010381913.8A Active CN111581865B (zh) | 2020-05-08 | 2020-05-08 | 一种工程结构损伤远程监测预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111581865B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112362756B (zh) * | 2020-11-24 | 2024-02-20 | 长沙理工大学 | 一种基于深度学习的混凝土结构损伤监测方法及系统 |
| CN113053066B (zh) * | 2021-05-31 | 2021-09-10 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种山洪泥石流监测鉴别的装置与灾害预警方法 |
| CN113652980A (zh) * | 2021-09-18 | 2021-11-16 | 中国电建集团成都勘测设计研究院有限公司 | 多级耗能缓冲系统、设计方法及拦石墙结构损伤监测方法 |
| CN114913302B (zh) * | 2022-04-13 | 2023-07-14 | 南京林业大学 | 基于多传感器融合的旋转接头寿命预测系统及方法 |
| CN116029555B (zh) * | 2023-03-22 | 2023-06-13 | 西南科技大学 | 基于轻量化神经网络的桥梁风险识别预警系统及应用方法 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102034111A (zh) * | 2010-12-15 | 2011-04-27 | 北京航空航天大学 | 一种对飞行器结构损伤状态进行多元化识别与检测的方法 |
| CN103018604A (zh) * | 2012-12-07 | 2013-04-03 | 浙江省电力公司电力科学研究院 | 一种电网设施雷击风险的评估方法及其装置 |
| JP2015225043A (ja) * | 2014-05-29 | 2015-12-14 | 日立Ｇｅニュークリア・エナジー株式会社 | 高温機器の損傷評価方法および高温機器損傷評価装置 |
| CN105547825A (zh) * | 2016-01-21 | 2016-05-04 | 山东大学 | 单轴压缩过程中岩样损伤的监测装置及监测方法 |
| CN105654414A (zh) * | 2015-12-25 | 2016-06-08 | 浙江大学城市学院 | 基于开源体系架构和建筑物空间数据库的城市多灾害风险损失评测系统及方法 |
| CN105862935A (zh) * | 2016-04-12 | 2016-08-17 | 陕西理工学院 | 一种用于挡土墙结构系统的损伤识别方法 |
| CN107015272A (zh) * | 2017-05-16 | 2017-08-04 | 南华大学 | 循环爆破荷载作用下类铀矿岩累积损伤确定及氡析出连续测量方法 |
| CN107169198A (zh) * | 2017-05-12 | 2017-09-15 | 成都理工大学 | 一种泥石流易损性计算方法 |
| CN107245962A (zh) * | 2017-06-30 | 2017-10-13 | 成都理工大学 | 棚洞减震器及其设计方法 |
| CN107326817A (zh) * | 2017-07-18 | 2017-11-07 | 中国科学院、水利部成都山地灾害与环境研究所 | 耗能式滚石防护系统、耗能式滚石防护系统设计方法 |
| CN107870205A (zh) * | 2016-09-22 | 2018-04-03 | 淮阴师范学院 | 一种基于小波分析的复合材料损伤探测检测方法 |
| CN108510112A (zh) * | 2018-03-19 | 2018-09-07 | 东北大学 | 一种现场监测与数值模拟相结合的矿山灾害预测预警方法 |
| CN108520277A (zh) * | 2018-04-09 | 2018-09-11 | 哈尔滨工业大学 | 基于计算机视觉的钢筋混凝土结构地震损伤自动识别与智能定位方法 |
| CN109242344A (zh) * | 2018-09-30 | 2019-01-18 | 青岛理工大学 | 区域滑坡灾害风险的多因素综合测定方法 |
| CN109799503A (zh) * | 2019-03-06 | 2019-05-24 | 中科卫星应用德清研究院 | 建筑物损毁评估制图方法及系统 |
| CN110108802A (zh) * | 2019-05-22 | 2019-08-09 | 华南理工大学 | 一种载波调制非线性超声导波损伤检测方法 |
| WO2019201176A1 (zh) * | 2018-04-17 | 2019-10-24 | 江苏必得科技股份有限公司 | 列车部件裂纹损伤预测方法和装置 |
| CN110751811A (zh) * | 2019-09-23 | 2020-02-04 | 河北跃进信息技术有限公司 | 一种基于北斗高精度卫星定位的地质灾害监测与预警系统 |
-
2020
- 2020-05-08 CN CN202010381913.8A patent/CN111581865B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102034111A (zh) * | 2010-12-15 | 2011-04-27 | 北京航空航天大学 | 一种对飞行器结构损伤状态进行多元化识别与检测的方法 |
| CN103018604A (zh) * | 2012-12-07 | 2013-04-03 | 浙江省电力公司电力科学研究院 | 一种电网设施雷击风险的评估方法及其装置 |
| JP2015225043A (ja) * | 2014-05-29 | 2015-12-14 | 日立Ｇｅニュークリア・エナジー株式会社 | 高温機器の損傷評価方法および高温機器損傷評価装置 |
| CN105654414A (zh) * | 2015-12-25 | 2016-06-08 | 浙江大学城市学院 | 基于开源体系架构和建筑物空间数据库的城市多灾害风险损失评测系统及方法 |
| CN105547825A (zh) * | 2016-01-21 | 2016-05-04 | 山东大学 | 单轴压缩过程中岩样损伤的监测装置及监测方法 |
| CN105862935A (zh) * | 2016-04-12 | 2016-08-17 | 陕西理工学院 | 一种用于挡土墙结构系统的损伤识别方法 |
| CN107870205A (zh) * | 2016-09-22 | 2018-04-03 | 淮阴师范学院 | 一种基于小波分析的复合材料损伤探测检测方法 |
| CN107169198A (zh) * | 2017-05-12 | 2017-09-15 | 成都理工大学 | 一种泥石流易损性计算方法 |
| CN107015272A (zh) * | 2017-05-16 | 2017-08-04 | 南华大学 | 循环爆破荷载作用下类铀矿岩累积损伤确定及氡析出连续测量方法 |
| CN107245962A (zh) * | 2017-06-30 | 2017-10-13 | 成都理工大学 | 棚洞减震器及其设计方法 |
| CN107326817A (zh) * | 2017-07-18 | 2017-11-07 | 中国科学院、水利部成都山地灾害与环境研究所 | 耗能式滚石防护系统、耗能式滚石防护系统设计方法 |
| CN108510112A (zh) * | 2018-03-19 | 2018-09-07 | 东北大学 | 一种现场监测与数值模拟相结合的矿山灾害预测预警方法 |
| CN108520277A (zh) * | 2018-04-09 | 2018-09-11 | 哈尔滨工业大学 | 基于计算机视觉的钢筋混凝土结构地震损伤自动识别与智能定位方法 |
| WO2019201176A1 (zh) * | 2018-04-17 | 2019-10-24 | 江苏必得科技股份有限公司 | 列车部件裂纹损伤预测方法和装置 |
| CN109242344A (zh) * | 2018-09-30 | 2019-01-18 | 青岛理工大学 | 区域滑坡灾害风险的多因素综合测定方法 |
| CN109799503A (zh) * | 2019-03-06 | 2019-05-24 | 中科卫星应用德清研究院 | 建筑物损毁评估制图方法及系统 |
| CN110108802A (zh) * | 2019-05-22 | 2019-08-09 | 华南理工大学 | 一种载波调制非线性超声导波损伤检测方法 |
| CN110751811A (zh) * | 2019-09-23 | 2020-02-04 | 河北跃进信息技术有限公司 | 一种基于北斗高精度卫星定位的地质灾害监测与预警系统 |
Non-Patent Citations (1)
| Title |
|---|
| 区域承灾体脆弱性综合评价研究;樊运晓;岩石力学与工程学报(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111581865A (zh) | 2020-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111581865B (zh) | 一种工程结构损伤远程监测预警方法及系统 | |
| Feng et al. | A kNN algorithm for locating and quantifying stiffness loss in a bridge from the forced vibration due to a truck crossing at low speed | |
| Asgarian et al. | Damage detection of jacket type offshore platforms using rate of signal energy using wavelet packet transform | |
| Chen et al. | Application of Hilbert‐Huang Transform in Structural Health Monitoring: A State‐of‐the‐Art Review | |
| Feng et al. | Damage detection of metro tunnel structure through transmissibility function and cross correlation analysis using local excitation and measurement | |
| Kunwar et al. | Damage detection in an experimental bridge model using Hilbert–Huang transform of transient vibrations | |
| Tomaszewska | Influence of statistical errors on damage detection based on structural flexibility and mode shape curvature | |
| Mojtahedi et al. | Developing a robust SHM method for offshore jacket platform using model updating and fuzzy logic system | |
| Wu et al. | Damage monitoring of masonry structure under in-situ uniaxial compression test using acoustic emission parameters | |
| Karballaeezadeh et al. | Estimation of flexible pavement structural capacity using machine learning techniques | |
| Ma et al. | Airport asphalt pavement health monitoring system for mechanical model updating and distress evaluation under realistic random aircraft loads | |
| Carpinteri et al. | Acoustic emission monitoring of medieval towers considered as sensitive earthquake receptors | |
| CN103336298A (zh) | 一种大地震断裂区域前兆数据的采集和分析方法 | |
| CN112411371A (zh) | 基于移动传感和视觉的公路桥梁综合检测方法和系统 | |
| Formisano et al. | Experimental ambient vibration tests and numerical investigation on the Sidoni Palace in Castelnuovo of San Pio (L'Aquila, Italy) | |
| Zhang et al. | Dynamic response of the Trinity River Relief Bridge to controlled pile damage: modeling and experimental data analysis comparing Fourier and Hilbert–Huang techniques | |
| Vafaei et al. | Seismic damage detection of tall airport traffic control towers using wavelet analysis | |
| CN115267143A (zh) | 道路空洞缺陷检测系统及检测方法 | |
| Ding et al. | A condition assessment method for time-variant structures with incomplete measurements | |
| You et al. | Rapid probabilistic loss assessment of buildings based on post-earthquake structural deformation conditions | |
| Das et al. | Power spectral entropy (PSE) as a qualitative damage indicator | |
| Simkin et al. | Measured response of instrumented buildings during the 2013 Cook Strait Earthquake Sequence | |
| Bani-Hani et al. | Health monitoring of a historical monument in Jordan based on ambient vibration test | |
| Atoyebi et al. | Analysis and Interpretation of Structural Health Monitoring Data on Reinforced Concrete Buildings: A Critical Review. | |
| Jakubczyk-Gałczyńska | Predicting the impact of traffic–induced vibrations on buildings using artificial neural networks |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 610041 No. 2, floor 1, building 3, No. 117, gongjiqiao Road, Zhonghe street, Chengdu high tech Zone, Chengdu, Sichuan Applicant after: Chengdu mountain Huanan Technology Co.,Ltd. Address before: 610041 No. 2, floor 1, building 3, No. 117, gongjiqiao Road, Zhonghe street, hi tech Zone, Chengdu, Sichuan Applicant before: CHENGDU MOUNTAINOUS ENVIRONMENTAL SAFETY AND DISASTER REDUCTION TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP02 | Change in the address of a patent holder | ||
| CP02 | Change in the address of a patent holder |
Address after: Room 4007, 40th Floor, Unit 1, Building 1, No. 699 Shanbanqiao Road, Chenghua Avenue, Chenghua District, Chengdu City, Sichuan Province, 610051 Patentee after: Chengdu mountain Huanan Technology Co.,Ltd. Address before: 610041 No. 2, floor 1, building 3, No. 117, gongjiqiao Road, Zhonghe street, Chengdu high tech Zone, Chengdu, Sichuan Patentee before: Chengdu mountain Huanan Technology Co.,Ltd. |