CN111862016B - 一种球节点螺栓松动损伤识别方法 - Google Patents
一种球节点螺栓松动损伤识别方法 Download PDFInfo
- Publication number
- CN111862016B CN111862016B CN202010656517.1A CN202010656517A CN111862016B CN 111862016 B CN111862016 B CN 111862016B CN 202010656517 A CN202010656517 A CN 202010656517A CN 111862016 B CN111862016 B CN 111862016B
- Authority
- CN
- China
- Prior art keywords
- damage
- data
- ball
- ball node
- rod piece
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- E—FIXED CONSTRUCTIONS
- E04—BUILDING
- E04B—GENERAL BUILDING CONSTRUCTIONS; WALLS, e.g. PARTITIONS; ROOFS; FLOORS; CEILINGS; INSULATION OR OTHER PROTECTION OF BUILDINGS
- E04B1/00—Constructions in general; Structures which are not restricted either to walls, e.g. partitions, or floors or ceilings or roofs
- E04B1/18—Structures comprising elongated load-supporting parts, e.g. columns, girders, skeletons
- E04B1/19—Three-dimensional framework structures
- E04B1/1903—Connecting nodes specially adapted therefor
-
- 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
-
- E—FIXED CONSTRUCTIONS
- E04—BUILDING
- E04B—GENERAL BUILDING CONSTRUCTIONS; WALLS, e.g. PARTITIONS; ROOFS; FLOORS; CEILINGS; INSULATION OR OTHER PROTECTION OF BUILDINGS
- E04B1/00—Constructions in general; Structures which are not restricted either to walls, e.g. partitions, or floors or ceilings or roofs
- E04B1/18—Structures comprising elongated load-supporting parts, e.g. columns, girders, skeletons
- E04B1/19—Three-dimensional framework structures
- E04B2001/1957—Details of connections between nodes and struts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Architecture (AREA)
- Electromagnetism (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种损伤识别方法,尤其涉及一种球节点螺栓松动损伤识别方法,属于土木工程空间网格结构技术领域。首先以球节点为对象,采用卷积神经网络识别球节点损伤状态,得到有损伤的球节点;然后以与有损伤的球节点相连的杆件为对象,采用卷积神经网络识别相应杆件损伤状态,得到发生损伤的相应杆件和损伤状态。通过数据片段的方式进行识别,泛化能力强且识别结果可靠性高。增强了人工智能技术对空间网格结构螺栓松动损伤识别的实用性,对空间网格结构的健康监测具有积极意义,有较高的工程应用价值。
Description
技术领域
本发明涉及一种损伤识别方法,尤其涉及一种球节点螺栓松动损伤识别方法,属于土木工程空间网格结构技术领域。
背景技术
空间网格结构广泛应用于我国的大空间公共建筑中。随着建筑产业的发展,空间网格结构体现出跨度大、体形复杂、设计和施工难度大等特点,在使用功能上需要考虑人口密集性。因此,对在役空间网格结构的安全性要求日益增高。节点是空间网格结构中受力最复杂的部位,承担着力流的汇聚和分散的作用,对整体结构的安全性十分重要。如果节点失效,相连的杆件也将退出工作,可能造成传力路径的改变而引起局部结构失效,甚至引发整体结构失效,导致工程事故的发生。
1942年,德国工程师马克思·门格林豪森开发出通过螺栓球连接杆件形成整体结构的Mero空间网格结构体系。螺栓球节点制作工艺简单、现场安装方便,可避免高空焊接,在国内外广泛应用于空间网格结构中。与焊接球节点不同,螺栓球节点的失效模式属于脆性破坏,在破坏前杆件没有明显的变形。螺栓属于紧固件,其紧固程度对球节点和结构整体刚度有显著影响。特别地,在建筑工程中,由于制作精度和安装偏差等原因,螺栓球节点存在着设计和施工上都不易控制的“假拧紧”现象。现有的钢管开孔和在螺帽孔中插入内窥镜等检查螺栓是否到位的方法都有着各自的局限性,并不适合在实际工程中推广应用。空间网格结构的损伤识别,对于杆件,可以通过改变弹性模量来模拟损伤;对于节点,由于受力情况复杂,特别是螺栓球节点的构造涉及复杂的接触问题,在数值模拟中损伤量化和识别都很困难。此外,在实际工程中,杆件损伤通常由锈蚀引起,损伤过程漫长。相比而言,螺栓松动损伤更有可能发生。因此,对球节点螺栓松动损伤识别具有重要意义。
人工神经网络(Artificial Neural Network,ANN)广泛应用于损伤识别。然而,空间网格结构由大量的杆件和节点组成,自由度非常多,这导致其损伤模式复杂、数量庞大、实测数据难以使用。特别地,螺栓球节点的数值模拟涉及复杂接触问题,只能简化模型,难以准确实现。因此,利用传统ANN进行空间网格结构的损伤识别受到诸多限制,实用性低。近十年来,以深度学习为代表的人工智能技术发展成熟,人类已经掌握了大型数据处理的能力和通过数据整合获得信息的能力。以卷积神经网络(Convolutional Neural Network,CNN)为代表的深度学习技术在图像识别和语音识别方面成功应用。CNN是一种前馈神经网络,与传统ANN不同,它具备自动提取特征的特点,有更强的学习能力、处理信息的能力和鲁棒性,可直接处理没有转换的信号数据。
发明内容
本发明主要是解决现有技术中存在的不足,提供一种基于深度学习技术卷积神经网络的空间网格结构球节点螺栓松动损伤识别方法。具有准确性高、识别能力强、计算量小、泛化能力强和识别结果可靠性高的特点。增强了人工智能技术对空间网格结构螺栓松动损伤识别的实用性,对空间网格结构的健康监测具有积极意义,有较高的工程应用价值。
本发明的上述技术问题主要是通过下述技术方案得以解决的:
一种球节点螺栓松动损伤识别方法,按以下步骤进行:
首先以球节点为对象,采用卷积神经网络识别球节点损伤状态,得到有损伤的球节点;然后以与有损伤的球节点相连的杆件为对象,采用卷积神经网络识别相应杆件损伤状态,得到发生损伤的相应杆件和损伤状态。
作为优选,按如下步骤操作:
第一步,分别以球节点和套筒为激励位置,将传感器设置在球节点上,随机调整杆件与球节点的紧固状态来模拟松动损伤,在激励位置施加激励,在进行多次试验后得到球节点在不同螺栓松动状态下的原始加速度响应数据;
将原始加速度响应数据划分为数据片段,通过数据处理得到标准化数据片段;
将激励位置在球节点的数据片段标记为数据集A,激励位置在套筒的数据片段标记为数据集B;
第二步,以球节点为对象,根据数据集A确定训练样本、输入参数、网络结构、超参数和输出参数,选择具有强大分类能力和自动提取特征能力的卷积神经网络训练和验证,在满足期望的精度后,得到训练完毕的深度学习模型CNN-A;
第三步,以与球节点相连的杆件为对象,根据数据集B确定训练样本、输入参数、网络结构、超参数和输出参数,选择具有强大分类能力和自动提取特征能力的卷积神经网络训练和验证,在满足期望的精度后,得到训练完毕的深度学习模型CNN-B;
第四步,对待测球节点进行损伤识别。以球节点为激励位置,同第一步类似,将传感器设置在球节点上,在激励位置施加激励得到实测加速度响应数据;同第一步类似,将实测加速度响应数据划分为M个数据片段,大小与第一步的数据片段相同并作标准化处理;
将M个标准化数据片段输入深度学习模型CNN-A判断球节点损伤状态,输出损伤标记I,0-无损伤,1-有损伤;
得到损伤标记I为“0”的片段M0个,损伤标记I为“1”的片段M1个,按照状态评估公式(1)进行损伤判断;
如果满足式(1)中第一条,则判断球节点无螺栓松动损伤;
如果满足式(1)中第二条,则需要重新测量或依实际情况判断;
如果满足式(1)中第三条,则判断球节点有螺栓松动损伤,需要进一步对发生损伤球节点相连的杆件进行损伤识别;以套筒为激励位置,同第一步类似,将传感器设置在球节点上,在激励位置施加激励得到实测加速度响应数据;同第一步类似,将实测加速度响应数据划分为N个数据片段,大小与第一步的数据片段相同并作标准化处理;将N个标准化数据片段输入深度学习模型CNN-B判断相应杆件损伤状态,输出损伤标记II,0-无损伤,1-假拧紧损伤,2-松动损伤;得到损伤标记II为“0”的片段N0个,损伤标记II为“1”的片段N1个,损伤标记II为“2”的片段N2个,按照状态评估公式(2)进行损伤判断;
如果满足式(2)中的第一条,则判断相应杆件处无螺栓松动损伤;
如果满足式(2)中的第二条,则判断相应杆件处有螺栓假拧紧损伤,可能进一步导致螺栓松动损伤;
如果满足式(2)中的第三条,则判断相应杆件处有螺栓松动损伤;
如果满足式(2)中的第四条,则需要重新测量或依实际情况判断;
所述的激励垂直于球节点和套筒表面;加速度响应数据通过传感器来获得,方向为竖向,即重力方向;为了消除环境噪声的干扰,在同一螺栓松动状态下需要测量3-5次;所述数据片段为连续且长度相等的片段,包含采样点500-1000个;
所述的训练样本由训练集和验证集构成,将标记的数据集A和B分别随机打乱,分别选取80%的数据作为训练集,20%的数据作为验证集;所述的输入参数即标准化数据片段;所述的输出参数为损伤标记;所述的网络结构包括输入层、卷积层、池化/采样层和全连接层;所述的超参数包括卷积核大小、网络层数、激活函数、损失函数、优化器、批大小和时期;网络结构和超参数根据输入参数、数据集大小和输出参数经人工或网络自动选择确定。
因此,本发明的一种球节点螺栓松动损伤识别方法,该发明避免了数值模拟的不准确性,准确性高;可以识别任意类型的球节点螺栓松动损伤,识别能力强;不需要将加速度时程响应转换为其它动力指纹,如位移、振型、频率等,只需要原始的加速度响应数据即可准确识别出螺栓的紧固状态,计算量小;通过数据片段的方式进行识别,泛化能力强且识别结果可靠性高。增强了人工智能技术对空间网格结构螺栓松动损伤识别的实用性,对空间网格结构的健康监测具有积极意义,有较高的工程应用价值。
附图说明
图1为本发明中球节点螺栓松动损伤识别流程图;
图2为本发明中激励位置在球节点上的螺栓松动损伤试验示意图;
图3为本发明中激励位置在套筒上的螺栓松动损伤试验示意图;
图4为本发明中螺栓球节点钢桁架结构简图;
图5为本发明中实测加速度响应数据片段,即输入参数的示意图;
图6为本发明中实测加速度响应数据片段,即输入参数的示意图;
图7为本发明中损伤识别结果的示意图;
图8为本发明中损伤识别结果的示意图。
1-球节点、2-套筒、3-杆件、4-传感器、5-激励位置、6-待测球节点、7-待测球节点相连的杆件。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例1:如图所示,对球节点进行螺栓松动损伤试验,得到螺栓松动损伤数据集A和B;根据数据集A和B确定参数,选择具有强大分类能力和自动提取特征能力的卷积神经网络训练和验证,在满足期望的精度后,得到训练完毕的深度学习模型CNN-A和CNN-B。对待测球节点进行损伤识别,将实测加速度响应数据的标准化数据片断输入CNN-A判断球节点损伤状态,得到M个损伤标记I;依据状态评估公式(1),判断球节点损伤状态:当判断无损伤时,完成损伤识别;当无法判断时,再次测量,重新判断;当判断有损伤时,对发生损伤球节点相连的杆件进行损伤识别,将实测加速度响应数据的标准化数据片断输入CNN-B判断相应杆件损伤状态,得到N个损伤标记II;依据状态评估公式(2),判断相应杆件损伤状态:当判断无损伤或有损伤时,完成损伤识别;当无法判断时,再次测量,重新判断。
所述的球节点螺栓松动损伤识别方法按如下步骤操作:
第一步,分别以图2和图3中的球节点1和套筒2为激励位置,将传感器4设置在球节点1上,随机调整杆件3与球节点1的紧固状态来模拟松动损伤,采用锤击法在激励位置5施加激励,在进行多次试验后得到球节点在不同螺栓松动状态下的原始加速度响应数据。将原始加速度响应数据划分为数据片段,通过数据处理得到标准化数据片段。将激励位置在球节点的数据片段标记为数据集A,激励位置在套筒的数据片段标记为数据集B;
第二步,以球节点1为对象,根据数据集A确定训练样本、输入参数、网络结构、超参数和输出参数,选择具有强大分类能力和自动提取特征能力的卷积神经网络训练和验证,在满足期望的精度后,得到训练完毕的深度学习模型CNN-A;
第三步,以与球节点1相连的杆件3为对象,根据数据集B确定训练样本、输入参数、网络结构、超参数和输出参数,选择具有强大分类能力和自动提取特征能力的卷积神经网络训练和验证,在满足期望的精度后,得到训练完毕的深度学习模型CNN-B;
第四步,对图4螺栓球节点钢桁架结构中的待测球节点6进行损伤识别。以球节点6为激励位置,同第一步类似,将传感器5设置在球节点6上,采用锤击法在激励位置施加激励得到实测加速度响应数据。同第一步类似,将实测加速度响应数据处理后得到图5所示的10个标准化数据片段。将10个标准化数据片段输入深度学习模型CNN-A判断球节点6损伤状态,输出损伤标记I(0-无损伤,1-有损伤)。得到损伤标记I为“0”的片段3个,损伤标记I为“1”的片段7个,如图7所示。按照状态评估公式(1)进行损伤判断。满足式(1)第三条,判断球节点有螺栓松动损伤,需要进一步对球节点6相连的杆件进行损伤识别。以杆件7为例:以杆件7套筒为激励位置,同第一步类似,将传感器5设置在球节点6上,采用锤击法在激励位置施加激励得到实测加速度响应数据。同第一步类似,将实测加速度响应数据处理后得到图6所示的10个标准化数据片段。将10个标准化数据片段输入深度学习模型CNN-B判断相应杆件损伤状态,输出损伤标记II(0-无损伤,1-假拧紧损伤,2-松动损伤)。得到损伤标记II为“0”的片段1个,损伤标记II为“1”的片段1个,损伤标记II为“2”的片段8个,如图8所示。按照状态评估公式(2)进行损伤判断。满足式(2)第三条,判断杆件7处有螺栓松动损伤。杆件7损伤识别完毕,对其它球节点和杆件继续进行损伤识别。
综上所述,该空间网格结构球节点螺栓松动损伤识别方法,具有准确性高、识别能力强、计算量小、泛化能力强和识别结果可靠性高的特点。增强了人工智能技术对空间网格结构螺栓松动损伤识别的实用性,对空间网格结构的健康监测具有积极意义,有较高的工程应用价值。
以上所述仅为本发明的具体实施例,但本发明的结构特征并不局限于此,任何本领域的技术人员在本发明的领域内,所作的变化或修饰皆涵盖在本发明的专利范围之中。
Claims (1)
1.一种球节点螺栓松动损伤识别方法,其特征在于按以下步骤进行:
首先以球节点为对象,采用卷积神经网络识别球节点损伤状态,得到有损伤的球节点;然后以与有损伤的球节点相连的杆件为对象,采用卷积神经网络识别相应杆件损伤状态,得到发生损伤的相应杆件和损伤状态;
具体操作步骤:
第一步,分别以球节点和套筒为激励位置,将传感器设置在球节点上,随机调整杆件与球节点的紧固状态来模拟松动损伤,在激励位置施加激励,在进行多次试验后得到球节点在不同螺栓松动状态下的原始加速度响应数据;
将原始加速度响应数据划分为数据片段,通过数据处理得到标准化数据片段;
将激励位置在球节点的数据片段标记为数据集A,激励位置在套筒的数据片段标记为数据集B;
第二步,以球节点为对象,根据数据集A确定训练样本、输入参数、网络结构、超参数和输出参数,选择具有强大分类能力和自动提取特征能力的卷积神经网络训练和验证,在满足期望的精度后,得到训练完毕的深度学习模型CNN-A;
第三步,以与球节点相连的杆件为对象,根据数据集B确定训练样本、输入参数、网络结构、超参数和输出参数,选择具有强大分类能力和自动提取特征能力的卷积神经网络训练和验证,在满足期望的精度后,得到训练完毕的深度学习模型CNN-B;
第四步,对待测球节点进行损伤识别,以球节点为激励位置,将传感器设置在球节点上,在激励位置施加激励得到实测加速度响应数据;将实测加速度响应数据划分为M个数据片段,大小与第一步的数据片段相同并作标准化处理;
将M个标准化数据片段输入深度学习模型CNN-A判断球节点损伤状态,输出损伤标记I,0-无损伤,1-有损伤;
得到损伤标记I为“0”的片段M0个,损伤标记I为“1”的片段M1个,按照状态评估公式(1)进行损伤判断;
如果满足式(1)中第一条,则判断球节点无螺栓松动损伤;
如果满足式(1)中第二条,则需要重新测量或依实际情况判断;
如果满足式(1)中第三条,则判断球节点有螺栓松动损伤,需要进一步对发生损伤球节点相连的杆件进行损伤识别;以套筒为激励位置,将传感器设置在球节点上,在激励位置施加激励得到实测加速度响应数据;将实测加速度响应数据划分为N个数据片段,大小与第一步的数据片段相同并作标准化处理;将N个标准化数据片段输入深度学习模型CNN-B判断相应杆件损伤状态,输出损伤标记II,0-无损伤,1-假拧紧损伤,2-松动损伤;得到损伤标记II为“0”的片段N0个,损伤标记II为“1”的片段N1个,损伤标记II为“2”的片段N2个,按照状态评估公式(2)进行损伤判断;
如果满足式(2)中的第一条,则判断相应杆件处无螺栓松动损伤;
如果满足式(2)中的第二条,则判断相应杆件处有螺栓假拧紧损伤,可能进一步导致螺栓松动损伤;
如果满足式(2)中的第三条,则判断相应杆件处有螺栓松动损伤;
如果满足式(2)中的第四条,则需要重新测量或依实际情况判断;
所述的激励垂直于球节点和套筒表面;加速度响应数据通过传感器来获得,方向为竖向,即重力方向;为了消除环境噪声的干扰,在同一螺栓松动状态下需要测量3-5次;所述数据片段为连续且长度相等的片段,包含采样点500-1000个;
所述的训练样本由训练集和验证集构成,将标记的数据集A和B分别随机打乱,分别选取80%的数据作为训练集,20%的数据作为验证集;所述的输入参数即标准化数据片段;所述的输出参数为损伤标记;所述的网络结构包括输入层、卷积层、池化/采样层和全连接层;所述的超参数包括卷积核大小、网络层数、激活函数、损失函数、优化器、批大小和时期;网络结构和超参数根据输入参数、数据集大小和输出参数经人工或网络自动选择确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010656517.1A CN111862016B (zh) | 2020-07-09 | 2020-07-09 | 一种球节点螺栓松动损伤识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010656517.1A CN111862016B (zh) | 2020-07-09 | 2020-07-09 | 一种球节点螺栓松动损伤识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111862016A CN111862016A (zh) | 2020-10-30 |
CN111862016B true CN111862016B (zh) | 2022-06-24 |
Family
ID=73152726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010656517.1A Active CN111862016B (zh) | 2020-07-09 | 2020-07-09 | 一种球节点螺栓松动损伤识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111862016B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103091122A (zh) * | 2013-01-08 | 2013-05-08 | 北京工业大学 | 一种空间网格结构节点螺栓松动损伤的诊断方法 |
CN103116759A (zh) * | 2013-02-01 | 2013-05-22 | 北京工业大学 | 一种适用于空间网格结构的损伤识别方法 |
CN203514532U (zh) * | 2013-09-23 | 2014-04-02 | 开封天元网架工程有限公司 | 一种空间网架吊车节点 |
CN105651537A (zh) * | 2016-03-10 | 2016-06-08 | 大连理工大学 | 一种高损伤敏感性的桁架结构损伤实时监测系统 |
CN106067033A (zh) * | 2016-05-27 | 2016-11-02 | 大连楼兰科技股份有限公司 | 基于分部式的车辆远程定损数学模型测试方法及系统 |
CN109506965A (zh) * | 2018-09-28 | 2019-03-22 | 武汉理工大学 | 焊接空间网架结构节点焊缝损伤分步诊断方法 |
CN208965729U (zh) * | 2018-09-04 | 2019-06-11 | 浙江东南钢结构有限公司 | 一种空间曲边三角形网壳结构 |
CN110175434A (zh) * | 2019-06-19 | 2019-08-27 | 西南交通大学 | 一种基于卷积神经网络的铁路扣件系统损伤检测方法 |
-
2020
- 2020-07-09 CN CN202010656517.1A patent/CN111862016B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103091122A (zh) * | 2013-01-08 | 2013-05-08 | 北京工业大学 | 一种空间网格结构节点螺栓松动损伤的诊断方法 |
CN103116759A (zh) * | 2013-02-01 | 2013-05-22 | 北京工业大学 | 一种适用于空间网格结构的损伤识别方法 |
CN203514532U (zh) * | 2013-09-23 | 2014-04-02 | 开封天元网架工程有限公司 | 一种空间网架吊车节点 |
CN105651537A (zh) * | 2016-03-10 | 2016-06-08 | 大连理工大学 | 一种高损伤敏感性的桁架结构损伤实时监测系统 |
CN106067033A (zh) * | 2016-05-27 | 2016-11-02 | 大连楼兰科技股份有限公司 | 基于分部式的车辆远程定损数学模型测试方法及系统 |
CN208965729U (zh) * | 2018-09-04 | 2019-06-11 | 浙江东南钢结构有限公司 | 一种空间曲边三角形网壳结构 |
CN109506965A (zh) * | 2018-09-28 | 2019-03-22 | 武汉理工大学 | 焊接空间网架结构节点焊缝损伤分步诊断方法 |
CN110175434A (zh) * | 2019-06-19 | 2019-08-27 | 西南交通大学 | 一种基于卷积神经网络的铁路扣件系统损伤检测方法 |
Non-Patent Citations (1)
Title |
---|
空间网格结构节点螺栓松动损伤定位有限元分析;刘才玮等;《建筑结构学报》;20130705;第34卷(第07期);第125-132页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111862016A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108226399B (zh) | 一种基于模态参数的张弦结构损伤组合识别方法 | |
Grassia et al. | Strain based method for monitoring the health state of composite structures | |
WO2019001016A1 (zh) | 一种基于温度与位移关系模型的桥梁伸缩缝性能预警方法 | |
Bayat1a et al. | Application of power spectral density function for damage diagnosis of bridge piers | |
CN116090347A (zh) | 平稳荷载下历史建筑结构智能监测与预警系统 | |
CN117594164A (zh) | 基于数字孪生的金属结构剩余疲劳寿命计算评估方法、系统 | |
CN113468635A (zh) | 一种基于振动信号和循环神经网络的斜拉索索力识别方法 | |
CN111862016B (zh) | 一种球节点螺栓松动损伤识别方法 | |
García-Fernández et al. | A review on fatigue monitoring of structures | |
CN117852122A (zh) | 一种pc桥梁结构内钢绞线现存应力检测的方法 | |
CN116776267B (zh) | 一种用于桥梁施工控制的无监督数据处理方法及系统 | |
CN111443131B (zh) | 一种钢筋套筒灌浆密实度检测方法 | |
CN112986393A (zh) | 一种桥梁拉索损伤的检测方法和系统 | |
CN105651537B (zh) | 一种高损伤敏感性的桁架结构损伤实时监测系统 | |
Singh et al. | Damage identification using vibration monitoring techniques | |
CN112131781A (zh) | 基于全连接神经网络与传递率函数的钢结构损伤检测方法 | |
CN113312696B (zh) | 基于arima算法的桥梁健康状况动态预测告警方法 | |
Li et al. | Methods for the rapid detection of boundary condition variations in structural systems | |
Yanez-Borjas et al. | Statistical time features-based methodology for fatigue cracks detection in a four-story building | |
Li | Neural Network Algorithms in Civil Engineering Inspection under Artificial Intelligence Technology | |
Than Soe | Vibration-based finite element model updating and structural damage identification | |
CN117057073B (zh) | 一种混凝土管桩结构预应力损失识别方法及系统 | |
Rui | Optimization of CNN and LSTM based application on RC frame and long-span structural health monitoring | |
Qian et al. | Damage Identification and Comprehensive Safety Evaluation of Artificial Neural Network for High-rise Buildings | |
Liu et al. | A Monitoring Method for Transmission Tower Foots Displacement Based on Wind-Induced Vibration Response. |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |