CN111859744A - 基于监测数据的节点刚域识别方法、装置及设备 - Google Patents
基于监测数据的节点刚域识别方法、装置及设备 Download PDFInfo
- Publication number
- CN111859744A CN111859744A CN202010662942.1A CN202010662942A CN111859744A CN 111859744 A CN111859744 A CN 111859744A CN 202010662942 A CN202010662942 A CN 202010662942A CN 111859744 A CN111859744 A CN 111859744A
- Authority
- CN
- China
- Prior art keywords
- node
- stress response
- change rate
- rigid domain
- determining
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000003938 response to stress Effects 0.000 claims abstract description 169
- 230000008859 change Effects 0.000 claims abstract description 146
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 75
- 238000013507 mapping Methods 0.000 claims abstract description 71
- 238000007637 random forest analysis Methods 0.000 claims abstract description 51
- 230000004044 response Effects 0.000 claims description 70
- 238000012549 training Methods 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 abstract description 5
- 238000012937 correction Methods 0.000 abstract description 4
- 238000003066 decision tree Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于监测数据的节点刚域识别方法、装置及设备,方法包括,基于基础数据库和Apriori算法,确定刚域长度与应力响应变化率的强关联规则;根据强关联规则,确定监测传感器的实际布置位置;通过监测传感器,获取各个实际布置位置节点的实际应力响应;确定不同工况下的各个实际布置位置节点的实际应力响应变化率;基于随机森林算法建立的节点应力响应变化率与节点刚域长度的映射关系,识别实际应力响应变化率对应的节点刚域长度,准确地获得节点刚域,不受工况变化的影响,为有限元模型的修正和结构设计提供参数指导建议。
Description
技术领域
本发明涉及土木工程技术领域,具体涉及一种基于监测数据的节点刚域识别方法、装置及设备。
背景技术
在实际工程中,节点处于杆件交汇区域,与附近区域会形成一段相对的刚性节点区域,即刚域。在实际工程中较少考虑节点刚域对结构受力分析的贡献,而是将其作为安全储备,且节点刚域的计算复杂不可直接测得,一般通过试验和经验判断,工程设计中较难应用。目前有关节点刚域的研究主要集中在节点刚域的模拟与试验研究,系统测点的位置有限,主要依据前期有限元模型分析得出的结果进行布置。在施工过程中和使用过程中,节点处于整个结构中受力复杂且集中的部位,不可避免地会产生损伤累积,导致节点刚域变化,但节点刚域不能直接确定。
仅通过测点的监测数据无法表达节点的真实复杂受力状态,从而无法准确获得变化后的节点刚域,同时不能够对有限元模型进行精确的修正,无法对节点的承载力和安全性进行正确评估。
发明内容
有鉴于此,本发明的目的在于克服现有技术的不足,提供一种基于监测数据的节点刚域识别方法、装置及设备,以提高节点刚域识别的准确性。
为实现以上目的,本发明采用如下技术方案:
一方面,一种基于监测数据的节点刚域识别方法,包括:
基于基础数据库和Apriori算法,确定刚域长度与应力响应变化率的强关联规则;
根据所述强关联规则,确定监测传感器的实际布置位置;
通过所述监测传感器,获取各个实际布置位置节点的实际应力响应;
确定不同工况下的各个实际布置位置节点的实际应力响应变化率;
基于随机森林算法建立的节点应力响应变化率与节点刚域长度的映射关系,识别所述实际应力响应变化率对应的节点刚域长度。
可选的,在上述所述基于基础数据库和Apriori算法,确定刚域长度与应力响应变化率的强关联规则之前,还包括:
分别获取第一工况的节点应力响应和第二工况的节点应力响应,所述第一工况为固定荷载,改变刚域长度,所述第二工况为固定刚域长度,改变荷载;
根据所述第一工况的节点应力响应和第二工况的节点应力响应,确定各个节点位置的应力响应变化率;
基于预设间隔,对所述各个节点位置的应力响应变化率进行分组,构建所述基础数据库。
可选的,上述所述基于预设间隔,对所述各个节点位置的应力响应变化率进行分组之后,还包括:
对分组后的每个单元的应力响应变化率的数值进行字符化。
可选的,上述所述基于基础数据库和Apriori算法,确定刚域长度与应力响应变化率的强关联规则,包括:
确定所述Apriori算法的最小支持度和最小置信度;
获取每个单元应力响应变化率的支持度和置信度;
选取支持度大于或等于所述最小支持度,且置信度大于或等于所述最小置信度的关联规则作为所述强关联规则。
可选的,上述所述基于随机森林算法建立的节点应力响应变化率与节点刚域长度的映射关系,识别所述实际应力响应变化率对应的节点刚域长度之前,还包括:
选取所述监测传感器的实际布置位置中应力响应变化率与节点刚域的相关性达到预设阈值的关联待测响应位置;
基于特征重要性,利用随机森林算法选取预设数量的映射待测响应位置;
对所述关联待测响应位置和所述映射待测响应位置取并集,确定目标待测响应位置;
获取所述目标待测响应位置的应力响应变化率;
根据所述应力响应变化率,建立所述节点应力响应变化率与节点刚域长度的映射关系。
可选的,上述所述根据所述应力响应变化率,建立所述节点应力响应变化率与节点刚域长度的映射关系之后,还包括:
通过改变映射关系参数,确定最优随机森林算法参数和训练集数据量;所述森林算法参数包括构建模型数量、最大树深度、最大节点数、最小子节点大小和分箱数;
根据所述随机森林算法参数和训练集数据量,对所述节点应力响应变化率与节点刚域长度的映射关系进行优化。
可选的,在上述所述根据所述随机森林算法参数和训练集数据量,对所述节点应力响应变化率与节点刚域长度的映射关系进行优化,包括:
根据所述构建模型数量、最大树深度、最大节点数、最小子节点大小和分箱数,确定监测传感器布置位置的最优组合和训练集数据量;
基于所述最优组合和所述训练集数据量,对所述节点应力响应变化率与节点刚域长度的映射关系进行优化。
可选的,上述所述基于特征重要性,利用随机森林算法选取预设数量的映射待测响应位置,包括:
根据基尼指数对所述关联待测响应位置进行重要性评分;
对关联待测响应位置的重要性评分进行归一化处理,得到每个所述关联待测响应位置的重要性;
根据所述重要性对所述关联待测响应位置进行排序;
根据排序结果,筛选预设数量的映射待测响应位置。
另一方面,一种基于监测数据的节点刚域识别装置,包括:
强关联规则确定模块,用于基于基础数据库和Apriori算法,确定刚域长度与应力响应变化率的强关联规则;
确定模块,用于根据所述强关联规则,确定监测传感器的实际布置位置;
获取模块,用于通过所述监测传感器,获取各个实际布置位置节点的实际应力响应;
识别模块,用于确定不同工况下的各个实际布置位置节点的实际应力响应变化率;基于随机森林算法建立的节点应力响应变化率与节点刚域长度的映射关系,识别所述实际应力响应变化率对应的节点刚域长度。
再一方面,一种基于监测数据的节点刚域识别设备,包括:处理器,以及与所述处理器相连接的存储器;
所述存储器用于存储计算机程序,所述计算机程序至少用于执行上述任一项所述的基于监测数据的节点刚域识别方法;
所述处理器用于调用并执行所述存储器中的所述计算机程序。
本申请的有益效果为:
本申请提供的一种基于监测数据的节点刚域识别方法、装置及设备,方法通过基于基础数据库和Apriori算法,确定刚域长度与应力响应变化率的强关联规则;根据强关联规则,确定监测传感器的实际布置位置;通过监测传感器,获取各个实际布置位置节点的实际应力响应;确定不同工况下的各个实际布置位置节点的实际应力响应变化率;基于随机森林算法建立的节点应力响应变化率与节点刚域长度的映射关系,识别实际应力响应变化率对应的节点刚域长度的方式,可以准确的获取到不同工况条件下的节点刚域长度,即使工况发生变化也不影响对节点刚域长度的识别,有助于直接对节点刚域的确定,有效地为有限元模型的修正和结构设计提供参数指导建议。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有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一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于监测数据的节点刚域识别方法的一种流程示意图;
图2是图1中的强关联规则确定的流程示意图;
图3是本发明实施例提供的基于监测数据的节点刚域识别装置的一种结构示意图;
图4是本发明实施例提供的基于监测数据的节点刚域识别设备的一种结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
图1是本发明实施例提供的基于监测数据的节点刚域识别方法的一种流程示意图;图2是图1中的强关联规则确定的流程示意图。
如图1所示,本实施例的一种基于监测数据的节点刚域识别方法,包括以下步骤:
S11、基于基础数据库和Apriori算法,确定刚域长度与应力响应变化率的强关联规则。
在一个具体的实现过程中,在基于基础数据库和Apriori算法,确定刚域长度与应力响应变化率的强关联规则之前,还包括:分别获取第一工况的节点应力响应和第二工况的节点应力响应,第一工况为固定荷载,改变刚域长度,第二工况为固定刚域长度,改变荷载;根据第一工况的节点应力响应和第二工况的节点应力响应,确定各个节点位置的应力响应变化率;基于预设间隔,对各个节点位置的应力响应变化率进行分组,然后对分组后的每个单元的应力响应变化率的数值进行字符化,构建基础数据库。具体的,可以是
杆件的轴向应力σN与杆件上下表面弯曲应力σM1、σM2
FN代表轴力,A代表杆件横截面面积,Mz代表绕z轴弯矩,ymax代表横截面y方向距离中性轴最大值,ymin代表横截面y方向距离中性轴最小值,Izz代表惯性矩;
记σt为杆件实际监测时获取的上表面应力,σb为杆件实际监测时获取的下表面应力:
则杆件实际监测时获取的上表面应力σt与下表面应力σb为:
σt=σN+σM1 (4)
σb=σN+σM2 (5)
改变节点刚域,获得第一工况a和第二工况b的应力响应向量:
σa=[σ1,a,σ2,a…σi,a…σn,a] (6)
σb=[σ1,b,σ2,b…σi,b…σn,b] (7)
σi,a代表第一工况a种单元编号为i的位置的应力响应,σi,b代表第二工况b种单元编号为i的位置的应力响应;
第一工况a与第二工况b之间的应力响应变化率向量Ra,b为
Ra,b=[Ra,b(1),Ra,b(2),…,Ra,b(i),…,Ra,b(n)]T (9)
第一工况a到第二工况b之间的应力响应变化率矩阵R为
R=[Ra,b,Ra,c,Ra,d,Rb,c,Rb,d,Rc,d] (10)
由于Apriori算法针对的是字符种类间的关联关系,而不是数值间的关联关系,因此需要将应力响应变化率数值进行字符化。将工况间的应力响应变化率分为m组,分别标记为字符Z1、Z2、…、Zi、…、Zm,每组间的间隔d为
Rmax代表工况间应力响应变化率最大值,Rmin代表工况间应力响应变化率最小值;
从而将每个单元的应力响应变化率的数值字符化,建立基础数据库。
其中,支持度support(Zi)为事件应力响应变化率标记为Zi发生的概率,其计算公式为
其中,每组工况间已字符化处理的应力响应变化率支持度向量sup(a)为
sup(a)i代表第一工况a单元应力响应变化率标记为Zi的支持度;
应力响应变化率置信度向量Confidence(a→b)n为
conf(a→b)m,n代表满足m和n的置信度,m代表a工况的应力响应变化率分类字符,n代表b工况的应力响应变化率分类字符;
应力响应变化率置信度矩阵Confidence(a→b)为
如图2所示,可以清晰的看出强关联规则确定的流程图,可以清晰的了解到具体的执行流程,其中,本实施例中的最小支持度min_sup可以为0.9,最小置信度min_conf可以为0.8。
S12、根据强关联规则,确定监测传感器的实际布置位置。
S13、通过监测传感器,获取各个实际布置位置节点的实际应力响应。
其中,传感器可以是应力传感器,也可以是监测土木工程结构荷载与响应的传感器。
S14、确定不同工况下的各个实际布置位置节点的实际应力响应变化率。
S15、基于随机森林算法建立的节点应力响应变化率与节点刚域长度的映射关系,识别实际应力响应变化率对应的节点刚域长度。
在基于随机森林算法建立的节点应力响应变化率与节点刚域长度的映射关系,识别实际应力响应变化率对应的节点刚域长度之前,还包括:选取监测传感器的实际布置位置中应力响应变化率与节点刚域的相关性达到预设阈值的关联待测响应位置;基于特征重要性,根据基尼指数对关联待测响应位置进行重要性评分;对关联待测响应位置的重要性评分进行归一化处理,得到每个关联待测响应位置的重要性;根据重要性对关联待测响应位置进行排序;根据排序结果,筛选预设数量的映射待测响应位置;对关联待测响应位置和映射待测响应位置取并集,确定目标待测响应位置;获取目标待测响应位置的应力响应变化率;根据应力响应变化率,建立节点应力响应变化率与节点刚域长度的映射关系。
首先通过确定响应变量,将不同工况应力响应变化率作为训练集,利用随机森林算法确定响应变量与节点刚域长度之间的映射关系,明确传感器的位置与数量选取对映射关系的影响。随机森林算法是基于决策树的机器学习算法,可在多个位置的应力响应变化率中选择和节点刚域相关性较高的待测响应位置,对应力响应变化率的区间范围进行划分,不断分级形成决策树,多棵决策树组成随机森林,可以定量地对构建节点刚域与节点响应之间的映射模型,通过计算每个待测响应位置的重要性,确定与节点刚域相关性较高的待测响应位置,将其应力响应变化率作为映射模型的输入,通过使用基于重要性确定的待测响应位置的应力响应变化率完成映射模型的建立,输入应力响应变化率训练集以外的应力响应变化率测试集,从而实现对节点刚域进行识别。
随机森林算法依据基尼指数Gini(p)对传感器待选位置进行重要性评估。
k代表某一个待选位置,pk代表第k个位置的应力响应变化率;
某个传感器位置在第m层的重要性,即节点m分枝前后的基尼指数变化量
第j个传感器位置在决策树i中的重要性为
第j个传感器位置在随机森林中的重要性为
假设随机森林中共有n棵树,那么将所有求得的重要性评分做归一化处理,即可得到每个传感器位置的重要性。其中分母为所有传感器位置增益之和,分子是第j个传感器位置的基尼指数
将所有待选位置按照重要性从大到小的顺序列出,重要性越大,该待选位置的应力响应变化率越重要。
通过分别使用关联规则和随机森林算法对待测响应位置数量进行筛选时,待测响应位置为64个时效果最好,绝对误差较小且整体性最好,对分别通过随机森林算法、Apriori算法、随机森林及Apriori算法选取待测响应位置时,对相同单元位置个数的应力变化率进行建模,映射关系模型对节点刚域估计效果进行横向对比。分别分析传感器个数为40、20、10、5、3个时,基于不同的方法选取的单元位置的应力响应变化率进行建模,映射关系模型对节点刚域的估计效果,确定同时使用随机森林算法和Apriori算法的刚域识别方法,既保证了采用最少数量的传感器,也保证了刚域识别的精度。
具体的,在根据应力响应变化率,建立节点应力响应变化率与节点刚域长度的映射关系之后,还包括:通过改变映射关系参数,确定最优随机森林算法参数和训练集数据量;森林算法参数包括构建模型数量、最大树深度、最大节点数、最小子节点大小和分箱数;根据随机森林算法参数和训练集数据量,对节点应力响应变化率与节点刚域长度的映射关系进行优化。具体的,根据随机森林算法参数和训练集数据量,对节点应力响应变化率与节点刚域长度的映射关系进行优化,可以是:根据构建模型数量、最大树深度、最大节点数、最小子节点大小和分箱数,确定监测传感器布置位置的最优组合和训练集数据量,基于最优组合和训练集数据量,对节点应力响应变化率与节点刚域长度的映射关系进行优化。减小节点刚域长度的识别误差,获取最优映射关系模型。
具体的参数优化,构建的模型数量,即随机森林中决策树的棵数,一般取50以内,相对来说预测准确性随决策树的棵数增加而提高。
最大节点数,每棵决策树中允许存在的最大区间个数。如果下一次划分时将超过规定的最大节点数,则不进行下一次划分,决策树停止生长。
最大树深度,对应力响应变化率的拆分次数,即应力响应变化率的分级数。
最小子节点大小,对每棵决策树进行分级,上一级的每个区间拆分后,对应的每一个下一级的区间中应包含的应力响应变化率的最小个数。如果下一级的区间中存在着应力响应变化率个数小于最小子节点数,则不进行此次分级。
分箱数,每次对应力响应变化率的区间进行划分时,上一级的区间划分为下一级时,下一级的区间个数
基于以上步骤得到的监测传感器优化布置测点9、16、41,以这3个单元的应力响应变化率作为训练数据,对随机森林进行训练。取构建模型数量分别为5、10、15,其他影响因素取固定值。最大树深度为10,最大节点数为250,最小字节点大小为2,分箱数为20。建立3个模型。其相关参数设置、平均绝对误差以及均方根误差见表1。
表1构建模型数量参数分析
由上表可得出,当映射模型参数构建模型数量为10,最大树深度为10,最大节点大小为250,最小子节点大小为2,分箱数为20时,获得的平均绝对误差最小,映射模型估计刚域效果较好。
以9、16、41这3个单元的应力响应变化率作为训练数据,对随机森林进行训练。取构建模型数量分别为5、10、15,最大树深度为分别为10、15、20,其他影响因素取固定值。最大节点数为250,最小字节点大小为2,分箱数为20。建立9个模型。
以9、16、41这3个单元的应力响应变化率作为训练数据,分别取全部数据、1/2数据和1/4数据作为训练集,即训练集数据分别为1170组、585组、293组。保证每个训练集覆盖全部刚域和荷载,基于此原则对训练集数据库进行随机删减,将处理后的训练集数据库用于进行随机森林算法建模。
取随机森林相关参数构建模型数量分别为5,最大树深度为分别为20,最大节点数分别为500,最小字节点大小为6,分箱数为50。
以节点响应与节点刚域的映射模型为分析对象,将已确定的传感器待布置点的应力响应变化率作为训练集,运用随机森林算法进行节点响应与节点刚域映射关系模型的建立,通过对随机森林算法参数,如构建模型数量、最大树深度、最大节点数、最小子节点大小和分箱数,以及训练集数据量的改变,建立了不同的映射模型,确定固定测试集,得到不同映射模型的节点刚域的估计值。分析各映射模型的节点刚域的估计误差,确定了估计效果最优的随机森林算法参数组和训练数据,获得了较好的估计结果,实现了映射模型的参数和训练集数据量的优化,保证了节点应力响应变化率与节点刚域长度的映射关系的准确性,同时也提高了对节点刚域长度识别的准确性。
本实施例提供的一种基于监测数据的节点刚域识别方法,通过基于基础数据库和Apriori算法,确定刚域长度与应力响应变化率的强关联规则;根据强关联规则,确定监测传感器的实际布置位置;通过监测传感器,获取各个实际布置位置节点的实际应力响应;确定不同工况下的各个实际布置位置节点的实际应力响应变化率;基于随机森林算法建立的节点应力响应变化率与节点刚域长度的映射关系,识别实际应力响应变化率对应的节点刚域长度的方式,可以准确的获取到不同工况条件下的节点刚域长度,即使工况发生变化也不影响对节点刚域长度的识别,有助于直接对节点刚域的确定,有效地为有限元模型的修正和结构设计提供参数指导建议。
本申请提出了基于节点刚域与节点响应的关联规则的传感器优化布置方法。对结构响应进行关联分析,确定了多荷载多刚域工况的节点响应关联范围,基于此开展了传感器的优化布置。通过随机森林算法给出了基于节点响应的节点刚域估计方法,并基于此开展仅由有随机森林算法、仅由Apriori算法和同时考虑随机森林算法和Apriori算法的传感器优化布置方法。结果表明,相比Apriori算法,基于随机森林算法的传感器优化布置更准确,节点刚域估计更贴近实际值,同时,尽管传感器数量减少,节点刚域估计仍能达到较好的精度。同时,基于节点应力响应变化率与节点刚域长度的关联分析以及映射关系,对映射模型的参数,如构建模型数量、最大树深度、最大节点数、最小子节点大小以及分箱数以及训练集数据量进行优化,确定传感器布置位置对应的最优参数组合和训练集数据量,从而提高映射模型对节点刚域识别的准确性,减小节点刚域长度的识别误差。
图3是本发明实施例提供的基于监测数据的节点刚域识别装置的一种结构示意图。
如图3所示,本实施例的一种基于监测数据的节点刚域识别装置,包括:
强关联规则确定模块10,用于基于基础数据库和Apriori算法,确定刚域长度与应力响应变化率的强关联规则;
确定模块20,用于根据强关联规则,确定监测传感器的实际布置位置;
获取模块30,用于通过监测传感器,获取各个实际布置位置节点的实际应力响应;
识别模块40,用于确定不同工况下的各个实际布置位置节点的实际应力响应变化率;基于随机森林算法建立的节点应力响应变化率与节点刚域长度的映射关系,识别实际应力响应变化率对应的节点刚域长度。
本实施例提供的一种基于监测数据的节点刚域识别装置,通过基于基础数据库和Apriori算法,确定刚域长度与应力响应变化率的强关联规则;根据强关联规则,确定监测传感器的实际布置位置;通过监测传感器,获取各个实际布置位置节点的实际应力响应;确定不同工况下的各个实际布置位置节点的实际应力响应变化率;基于随机森林算法建立的节点应力响应变化率与节点刚域长度的映射关系,识别实际应力响应变化率对应的节点刚域长度的方式,可以准确的获取到不同工况条件下的节点刚域长度,即使工况发生变化也不影响对节点刚域长度的识别,有助于直接对节点刚域的确定,有效地为有限元模型的修正和结构设计提供参数指导建议。
进一步地,本实施例还包括基础数据库构建模块,用于:
分别获取第一工况的节点应力响应和第二工况的节点应力响应,第一工况为固定荷载,改变刚域长度,第二工况为固定刚域长度,改变荷载;
根据第一工况的节点应力响应和第二工况的节点应力响应,确定各个节点位置的应力响应变化率;
基于预设间隔,对各个节点位置的应力响应变化率进行分组,构建基础数据库。
进一步地,本实施例的基础数据库构建模块具体用于:
对分组后的每个单元的应力响应变化率的数值进行字符化。
进一步地,本实施例的强关联规则确定模块10具体用于:
确定Apriori算法的最小支持度和最小置信度;
获取每个单元应力响应变化率的支持度和置信度;
选取支持度大于或等于最小支持度,且置信度大于或等于最小置信度的关联规则作为强关联规则。
进一步地,本实施例中还包括映射关系建立模块,用于:
选取监测传感器的实际布置位置中应力响应变化率与节点刚域的相关性达到预设阈值的关联待测响应位置;
基于特征重要性,利用随机森林算法选取预设数量的映射待测响应位置;
对关联待测响应位置和映射待测响应位置取并集,确定目标待测响应位置;
获取目标待测响应位置的应力响应变化率;
根据应力响应变化率,建立节点应力响应变化率与节点刚域长度的映射关系。
进一步地,本实施例中还包括映射关系建立模块,具体用于:
通过改变映射关系参数,确定最优随机森林算法参数和训练集数据量;森林算法参数包括构建模型数量、最大树深度、最大节点数、最小子节点大小和分箱数;
根据随机森林算法参数和训练集数据量,对节点应力响应变化率与节点刚域长度的映射关系进行优化。
进一步地,本实施例中还包括映射关系建立模块,具体还用于:
根据构建模型数量、最大树深度、最大节点数、最小子节点大小和分箱数,确定监测传感器布置位置的最优组合和训练集数据量;
基于最优组合和训练集数据量,对节点应力响应变化率与节点刚域长度的映射关系进行优化。
进一步地,本实施例中还包括映射关系建立模块,具体还用于:
根据基尼指数对关联待测响应位置进行重要性评分;
对关联待测响应位置的重要性评分进行归一化处理,得到每个关联待测响应位置的重要性;
根据重要性对关联待测响应位置进行排序;
根据排序结果,筛选预设数量的映射待测响应位置。
关于上述装置部分的实施例,在对应的方法部分已经做了详细的说明,因此在对应的装置部分不再进行具体阐述,可以相互参照进行理解。
图4是本发明实施例提供的基于监测数据的节点刚域识别设备的一种结构示意图。
如图4所示,本实施例的一种基于监测数据的节点刚域识别设备,包括:处理器100,以及与处理器100相连接的存储器200;
存储器200用于存储计算机程序,计算机程序至少用于执行上述任一实施例的基于监测数据的节点刚域识别方法;
处理器100用于调用并执行存储器200中的计算机程序。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于监测数据的节点刚域识别方法,其特征在于,包括:
基于基础数据库和Apriori算法,确定刚域长度与应力响应变化率的强关联规则;
根据所述强关联规则,确定监测传感器的实际布置位置;
通过所述监测传感器,获取各个实际布置位置节点的实际应力响应;
确定不同工况下的各个实际布置位置节点的实际应力响应变化率;
基于随机森林算法建立的节点应力响应变化率与节点刚域长度的映射关系,识别所述实际应力响应变化率对应的节点刚域长度。
2.根据权利要求1所述的方法,其特征在于,所述基于基础数据库和Apriori算法,确定刚域长度与应力响应变化率的强关联规则之前,还包括:
分别获取第一工况的节点应力响应和第二工况的节点应力响应,所述第一工况为固定荷载,改变刚域长度,所述第二工况为固定刚域长度,改变荷载;
根据所述第一工况的节点应力响应和第二工况的节点应力响应,确定各个节点位置的应力响应变化率;
基于预设间隔,对所述各个节点位置的应力响应变化率进行分组,构建所述基础数据库。
3.根据权利要求2所述的方法,其特征在于,所述基于预设间隔,对所述各个节点位置的应力响应变化率进行分组之后,还包括:
对分组后的每个单元的应力响应变化率的数值进行字符化。
4.根据权利要求3所述的方法,其特征在于,所述基于基础数据库和Apriori算法,确定刚域长度与应力响应变化率的强关联规则,包括:
确定所述Apriori算法的最小支持度和最小置信度;
获取每个单元应力响应变化率的支持度和置信度;
选取支持度大于或等于所述最小支持度,且置信度大于或等于所述最小置信度的关联规则作为所述强关联规则。
5.根据权利要求1所述的方法,其特征在于,所述基于随机森林算法建立的节点应力响应变化率与节点刚域长度的映射关系,识别所述实际应力响应变化率对应的节点刚域长度之前,还包括:
选取所述监测传感器的实际布置位置中应力响应变化率与节点刚域的相关性达到预设阈值的关联待测响应位置;
基于特征重要性,利用随机森林算法选取预设数量的映射待测响应位置;
对所述关联待测响应位置和所述映射待测响应位置取并集,确定目标待测响应位置;
获取所述目标待测响应位置的应力响应变化率;
根据所述应力响应变化率,建立所述节点应力响应变化率与节点刚域长度的映射关系。
6.根据权利要求5所述的方法,其特征在于,所述根据所述应力响应变化率,建立所述节点应力响应变化率与节点刚域长度的映射关系之后,还包括:
通过改变映射关系参数,确定最优随机森林算法参数和训练集数据量;所述森林算法参数包括构建模型数量、最大树深度、最大节点数、最小子节点大小和分箱数;
根据所述随机森林算法参数和训练集数据量,对所述节点应力响应变化率与节点刚域长度的映射关系进行优化。
7.根据权利要求6所述的方法,其特征在于,所述根据所述随机森林算法参数和训练集数据量,对所述节点应力响应变化率与节点刚域长度的映射关系进行优化,包括:
根据所述构建模型数量、最大树深度、最大节点数、最小子节点大小和分箱数,确定监测传感器布置位置的最优组合和训练集数据量;
基于所述最优组合和所述训练集数据量,对所述节点应力响应变化率与节点刚域长度的映射关系进行优化。
8.根据权利要求5所述的方法,其特征在于,所述基于特征重要性,利用随机森林算法选取预设数量的映射待测响应位置,包括:
根据基尼指数对所述关联待测响应位置进行重要性评分;
对关联待测响应位置的重要性评分进行归一化处理,得到每个所述关联待测响应位置的重要性;
根据所述重要性对所述关联待测响应位置进行排序;
根据排序结果,筛选预设数量的映射待测响应位置。
9.一种基于监测数据的节点刚域识别装置,其特征在于,包括:
强关联规则确定模块,用于基于基础数据库和Apriori算法,确定刚域长度与应力响应变化率的强关联规则;
确定模块,用于根据所述强关联规则,确定监测传感器的实际布置位置;
获取模块,用于通过所述监测传感器,获取各个实际布置位置节点的实际应力响应;
识别模块,用于确定不同工况下的各个实际布置位置节点的实际应力响应变化率;基于随机森林算法建立的节点应力响应变化率与节点刚域长度的映射关系,识别所述实际应力响应变化率对应的节点刚域长度。
10.一种基于监测数据的节点刚域识别设备,其特征在于,包括:处理器,以及与所述处理器相连接的存储器;
所述存储器用于存储计算机程序,所述计算机程序至少用于执行权利要求1-8任一项所述的基于监测数据的节点刚域识别方法;
所述处理器用于调用并执行所述存储器中的所述计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010662942.1A CN111859744A (zh) | 2020-07-10 | 2020-07-10 | 基于监测数据的节点刚域识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010662942.1A CN111859744A (zh) | 2020-07-10 | 2020-07-10 | 基于监测数据的节点刚域识别方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111859744A true CN111859744A (zh) | 2020-10-30 |
Family
ID=73153761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010662942.1A Pending CN111859744A (zh) | 2020-07-10 | 2020-07-10 | 基于监测数据的节点刚域识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111859744A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343344A (zh) * | 2021-07-26 | 2021-09-03 | 哈尔滨工业大学(深圳) | 基于塔吊动态工作的结构响应预测方法、装置及设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109738220A (zh) * | 2019-01-07 | 2019-05-10 | 哈尔滨工业大学(深圳) | 一种基于多荷载工况结构响应关联的传感器优化布置方法 |
-
2020
- 2020-07-10 CN CN202010662942.1A patent/CN111859744A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109738220A (zh) * | 2019-01-07 | 2019-05-10 | 哈尔滨工业大学(深圳) | 一种基于多荷载工况结构响应关联的传感器优化布置方法 |
Non-Patent Citations (3)
Title |
---|
李凡 等: "随机森林算法的立铣刀磨损状态评估", 机械科学与技术, vol. 39, no. 3, 31 March 2020 (2020-03-31), pages 419 * |
王俊通;阳建宏;杨德斌;杨斌;: "关联规则在无线传感器网络监测系统中的应用", 机电产品开发与创新, vol. 21, no. 01, 28 January 2008 (2008-01-28), pages 121 - 123 * |
黄永辉;王荣辉;饶瑞;: "考虑整体节点刚域影响的钢桁梁桥空间受力计算分析", 中国铁道科学, vol. 33, no. 05, 15 September 2012 (2012-09-15), pages 8 - 13 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343344A (zh) * | 2021-07-26 | 2021-09-03 | 哈尔滨工业大学(深圳) | 基于塔吊动态工作的结构响应预测方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108900546A (zh) | 基于lstm的时间序列网络异常检测的方法与装置 | |
US11709979B1 (en) | Bridge damage identification method considering uncertainty | |
CN111951097A (zh) | 企业信用风险评估方法、装置、设备及存储介质 | |
CN105608004A (zh) | 一种基于cs-ann的软件缺陷预测方法 | |
CN107085633B (zh) | 基于支持向量机的多点振动响应频域预测的装置及方法 | |
CN112001110A (zh) | 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 | |
US20220036223A1 (en) | Processing apparatus, processing method, and non-transitory storage medium | |
Bandara et al. | The three-stage artificial neural network method for damage assessment of building structures | |
CN111859743A (zh) | 基于加速度响应的结构动态位移估计方法及设备 | |
CN113176022A (zh) | 一种分段式神经网络压力传感器压力检测方法及系统 | |
CN110472363B (zh) | 适用于高速铁路隧道的围岩变形等级预测方法及系统 | |
CN111859744A (zh) | 基于监测数据的节点刚域识别方法、装置及设备 | |
CN117669394B (zh) | 一种山区峡谷桥梁长期性能综合评估方法及系统 | |
Vallabhaneni et al. | Application of radial basis neural network on damage assessment of structures | |
CN111639194A (zh) | 基于句向量的知识图谱查询方法及系统 | |
CN114580239B (zh) | 一种考虑不确定性的桥梁损伤识别方法 | |
CN115878986A (zh) | 一种变工况轴承的退化趋势评估方法 | |
CN114821322A (zh) | 基于注意力机制的小样本遥感影像分类方法及系统 | |
CN114118249A (zh) | 基于优化堆叠自编码器和多信号融合的结构损伤诊断方法 | |
CN110569892B (zh) | 一种泛在定位信号静态定位方法及系统 | |
CN114416410A (zh) | 一种异常分析方法、设备和计算机可读存储介质 | |
CN113553708A (zh) | 一种溯源仿真模型关键影响因素的方法和装置 | |
CN110487519A (zh) | 基于alo-inm与加权迹范数的结构损伤识别方法 | |
CN113130073A (zh) | 利用自动化机制挑选影响力指标的方法及电子装置 | |
CN112347617B (zh) | 一种基于多因子的故障排查策略评价方法及装置 |
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 |