CN112883478A - 钢结构位移预测方法、装置、终端设备和系统 - Google Patents
钢结构位移预测方法、装置、终端设备和系统 Download PDFInfo
- Publication number
- CN112883478A CN112883478A CN202110280734.XA CN202110280734A CN112883478A CN 112883478 A CN112883478 A CN 112883478A CN 202110280734 A CN202110280734 A CN 202110280734A CN 112883478 A CN112883478 A CN 112883478A
- Authority
- CN
- China
- Prior art keywords
- displacement
- steel structure
- displacement prediction
- construction
- building
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明实施例公开了钢结构位移预测方法、装置、终端设备和系统,该方法包括获取钢结构建筑上预设数目个位移预测点对应的温度、风速、风向以及各个附墙连杆的上表面应变长度和下表面应变长度,所述各个附墙连杆用于在所述施工阶段连接所述钢结构建筑和塔吊;根据各个位移预测点对应的各个附墙连杆的上表面应变长度和下表面应变长度确定各个位移预测点的附墙水平作用力;利用预设的有限元分析工具确定所述钢结构建筑的刚度;根据所述钢结构建筑的刚度以及各个位移预测点对应的温度、风速、风向、附墙水平作用力预测各个位移预测点的钢结构位移。本申请的技术方案不受建筑遮挡物的影响,可以实时的、准确的预测超高层建筑的水平位移。
Description
技术领域
本发明涉及建筑施工领域,尤其涉及一种钢结构位移预测方法、装置、终端设备和系统。
背景技术
对于大型土木结构的施工过程,例如,超高层建筑顶部钢结构的施工过程,由于受到施工环境因素(风速、风向、温度以及障碍物遮挡等)的影响,可能导致施工变形,影响超高层顶部钢结构的安装精度。
发明内容
鉴于上述问题,本发明提出一种钢结构位移预测方法、装置、终端设备和系统。
本申请提出一种钢结构位移预测方法,应用于钢结构建筑的施工阶段,所述方法包括:
获取钢结构建筑上预设数目个位移预测点对应的温度、风速、风向以及各个附墙连杆的上表面应变长度和下表面应变长度,所述各个附墙连杆用于在所述施工阶段连接所述钢结构建筑和塔吊;
根据各个位移预测点对应的各个附墙连杆的上表面应变长度和下表面应变长度确定各个位移预测点的附墙水平作用力;
利用预设的有限元分析工具确定所述钢结构建筑的刚度;
根据所述钢结构建筑的刚度以及各个位移预测点对应的温度、风速、风向、附墙水平作用力预测各个位移预测点的钢结构位移。
本申请所述的钢结构位移预测方法,所述根据所述钢结构建筑的刚度以及各个位移预测点对应的温度、风速、风向、附墙水平作用力预测各个位移预测点的钢结构位移,包括:
将所述钢结构建筑的刚度以及第j个位移预测点对应的温度、风速、风向、附墙水平作用力组成的输入向量输入至预先训练达标的支持向量机模型,j≤所述预设数目;
根据所述支持向量机模型的输出向量预测第j个位移预测点的钢结构位移。
本申请所述的钢结构位移预测方法,在对钢结构建筑施工过程中,根据施工高度将所述施工过程分为多个施工阶段,所述预设数目个位移预测点位于第M施工阶段,所述钢结构建筑对应第M施工阶段的建筑结构,第m施工阶段的施工高度小于第m+1施工阶段的施工高度,m≤M-1,所述支持向量机模型预先利用以下方法训练:
在m施工阶段预先设置预设数目个位移监测点,所述预设数目个位移监测点与所述预设数目个位移预测点一一对应;
按照预定采样频率采集各个位移监测点对应的温度、风速、风向、位移以及各个附墙连杆的上表面应变长度和下表面应变长度;
根据各个位移监测点对应的各个附墙连杆的上表面应变长度和下表面应变长度确定各个位移监测点的附墙水平作用力;
利用预设的有限元分析工具确定第m施工阶段对应的建筑结构的刚度;
第j个位移监测点对应的附墙水平作用力、对应的建筑结构的刚度以及第j个位移监测点在第t采样时刻采集的温度、风速和风向组成的向量作为一个样本向量;
第j个位移监测点在第t采样时刻采集的位移作为第t采样时刻对应样本向量的位移标签;
利用第j个位移监测点对应的多个带有位移标签的样本向量训练所述支持向量机模型直至所述持向量机模型对应的损失函数收敛。
本申请所述的钢结构位移预测方法,所述支持向量机模型对应的损失函数如下:
所述损失函数的约束条件如下:
表示所述损失函数,ω表示线性回归超平面的权值向量,ξk表示第k个样本向量对应的第一松弛变量,表示第k个样本向量对应的第二松弛变量,N表示样本总数,c表示预设的惩罚系数,yk表示第k个样本向量对应的输出向量,φ(x)表示通过非线性映射将样本向量x映射到高维空间,b表示所述持向量机模型的偏置量,λ表示预设的线性不敏感损失函数。
本申请所述的钢结构位移预测方法,所述附墙水平作用力利用以下公式计算:
Fx表示所述附墙水平作用力,ε1表示所述上表面应变长度,ε2表示所述下表面应变长度,E表示附墙连杆材料弹性模量,A表示附墙连杆的截面面积。
本申请提出一种钢结构位移预测装置,应用于钢结构建筑的施工阶段,所述装置包括:
获取模块,用于获取钢结构建筑上预设数目个位移预测点对应的温度、风速、风向以及各个附墙连杆的上表面应变长度和下表面应变长度,所述各个附墙连杆用于在所述施工阶段连接所述钢结构建筑和塔吊;
确定模块,用于根据各个位移预测点对应的各个附墙连杆的上表面应变长度和下表面应变长度确定各个位移预测点的附墙水平作用力;利用预设的有限元分析工具确定所述钢结构建筑的刚度;
预测模块,用于根据所述钢结构建筑的刚度以及各个位移预测点对应的温度、风速、风向、附墙水平作用力预测各个位移预测点的钢结构位移。
本申请提出一种终端设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行本申请所述的钢结构位移预测方法。
本申请提出一种可读存储介质,其存储有计算机程序,所述计算机程序在处理器上运行时执行本申请所述的钢结构位移预测方法。
本申请提出一种钢结构位移预测系统,在对钢结构建筑施工过程中,根据施工高度将所述施工过程分为多个施工阶段,所述预设数目个位移预测点位于第M施工阶段,所述钢结构建筑对应第M施工阶段的建筑结构,第m施工阶段的施工高度小于第m+1施工阶段的施工高度,m≤M-1,所述钢结构位移预测系统包括数据采集设备和用于预测钢结构位移的终端设备;还包括安装在第M施工阶段位移预测点的风速仪、应变传感器、温度传感器;
所述数据采集设备将安装在所述位移预测点的应变传感器获取的各个附墙连杆的上表面应变长度和下表面应变长度、将安装在所述位移预测点的风速仪获取的风速和风向以及将安装在所述位移预测点的温度传感器获取的温度上传至所述终端设备。
本申请所述的钢结构位移预测系统,所述钢结构位移预测系统还包括用于获取多个样本向量的钢结构位移监测系统,所述多个样本向量用于训练支持向量机模型;
所述钢结构位移监测系统包括安装在第1施工阶段至第M-1施工阶段位移监测点的位移监测装置、应变传感器、温度传感器和风速仪;
所述数据采集设备将安装在所述位移监测点的应变传感器获取的各个附墙连杆的上表面应变长度和下表面应变长度、安装在所述位移监测点的风速仪获取的风速和风向、安装在所述位移监测点的温度传感器获取的温度、安装在所述位移监测点的位移监测装置获取的位移上传至所述终端设备。
本申请公开的钢结构位移预测方法包括获取钢结构建筑上预设数目个位移预测点对应的温度、风速、风向以及各个附墙连杆的上表面应变长度和下表面应变长度,所述各个附墙连杆用于在所述施工阶段连接所述钢结构建筑和塔吊;根据各个位移预测点对应的各个附墙连杆的上表面应变长度和下表面应变长度确定各个位移预测点的附墙水平作用力;利用预设的有限元分析工具确定所述钢结构建筑的刚度;根据所述钢结构建筑的刚度以及各个位移预测点对应的温度、风速、风向、附墙水平作用力预测各个位移预测点的钢结构位移。本申请的技术方案不受建筑遮挡物的影响,可以实时的、准确的预测超高层建筑的水平位移。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对本发明保护范围的限定。在各个附图中,类似的构成部分采用类似的编号。
图1示出了本发明实施例提出的一种钢结构位移预测方法的流程示意图;
图2示出了本发明实施例提出的一种支持向量机模型训练方法的流程示意图;
图3示出了本发明实施例提出的一种钢结构位移预测装置的结构示意图;
图4示出了本发明实施例提出的一种钢结构位移预测系统的结构示意图;
图5示出了本发明实施例提出的一种钢结构建筑施工结构示意图;
图6示出了本发明实施例提出的一种钢结构建筑的位移预测点的示意图;
图7示出了本发明实施例提出的一种钢结构建筑的应变检测点的示意图;
图8示出了本发明实施例提出的一种各个附墙连杆的应变检测点的示意图;
图9示出了本发明实施例提出的另一种各个附墙连杆的应变检测点的示意图;
图10示出了本发明实施例提出的一种多个子站采集点的示意图。
主要符号说明:
10-钢结构位移预测装置;11-获取模块;12-确定模块;13-预测模块。
具体实施方式
下面将结合本发明实施例中附图,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。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
在下文中,可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本发明的各种实施例中被清楚地限定。
对于大型土木结构的施工阶段,例如超高层建筑顶部钢结构,由于钢结构在施工过程中刚度一直发生变化,而传统的钢结构位移预测方法中只考虑施工环境因素(风速、温度和建筑物遮挡等),很少考虑钢结构刚度变化,导致钢结构位移预测精度会较低。本申请公开的钢结构位移预测方法,应用于钢结构建筑的施工阶段,根据所述钢结构建筑的刚度以及各个位移预测点对应的温度、风速、风向、附墙水平作用力预测各个位移预测点的钢结构位移。与现有技术(例如,利用全站仪监测竖向钢结构建筑的水平位移)相比,本申请的技术方案不受建筑遮挡物的影响,可以实时的、准确的预测超高层建筑的水平位移。
实施例1
本申请的一个实施例,如图1所示,提出一种钢结构位移预测方法包括以下步骤:
S100:获取钢结构建筑上预设数目个位移预测点对应的温度、风速、风向以及各个附墙连杆的上表面应变长度和下表面应变长度,所述各个附墙连杆用于在所述施工阶段连接所述钢结构建筑和塔吊。
在对钢结构建筑施工过程中,根据施工高度将所述施工过程分为多个施工阶段,所述预设数目个位移预测点位于第M施工阶段,所述钢结构建筑对应第M施工阶段的建筑结构,第m施工阶段的施工高度小于第m+1施工阶段的施工高度,m≤M-1。
用于预测钢结构位移的终端设备可以通过无线方式或者有线方式实时获取各种信息采集装置按照预设的采样频率获取的各个采样参数,例如,可以通过安装在各个位移预测点的温度传感器获取各个位移预测点的温度,可以通过安装在各个位移预测点的风速仪获取各个位移预测点的风速和风向,可以通过安装在各个位移预测点的各个附墙连杆的上表面和下表面的应变传感器获取各个附墙连杆的上表面应变长度和下表面应变长度。
用于预测钢结构位移的终端设备还可以从存储有各个位移预测点对应的温度、风速、风向以及各个附墙连杆的上表面应变长度和下表面应变长度存储设备或者数据库中获得各个位移预测点对应的温度、风速、风向以及各个附墙连杆的上表面应变长度和下表面应变长度。
S200:根据各个位移预测点对应的各个附墙连杆的上表面应变长度和下表面应变长度确定各个位移预测点的附墙水平作用力。
示范性的,所述附墙水平作用力利用以下公式计算:
其中,Fx表示所述附墙水平作用力,ε1表示所述上表面应变长度,ε2表示所述下表面应变长度,E表示附墙连杆材料弹性模量,A表示附墙连杆的截面面积。
S300:利用预设的有限元分析工具确定所述钢结构建筑的刚度。
示范性的,有限元分析软件可以是Midas gen。首先,通过单位力法获取柔度矩阵,施工过程中,假设整体钢结构结构处于弹性阶段,则在静态荷载F作用下X=K-1F=δF。
其中,K表示整体钢结构的刚度矩阵(kN/mm),X表示整体钢结构的施工位移矩阵(mm),δ表示整体钢结构的柔度矩阵(mm/kN)。则静态荷载作用下,钢结构各个节点位移的组成的位移矩阵d为:
其中,δpq为通过q点输入单位荷载,p点输出的柔度系数值。进一步的,对柔度矩阵取矩阵的逆则可得到柔度矩阵的刚度矩阵。
S400:根据所述钢结构建筑的刚度以及各个位移预测点对应的温度、风速、风向、附墙水平作用力预测各个位移预测点的钢结构位移。
可以将所述钢结构建筑的刚度以及第j个位移预测点对应的温度、风速、风向、附墙水平作用力组成的输入向量输入至预先训练达标的支持向量机模型,j≤所述预设数目;然后,根据所述支持向量机模型的输出向量预测第j个位移预测点的钢结构位移。
支持向量机是一种通过非线性变换将输入向量映射到高维特征空间,并构造最优决策函数,利用原空间的核函数取代高维特征空间中的点积运算,应用有限样本的学习训练,最终求解得到全局最优解的非线性回归预测方法。
钢结构建筑的刚度以及各个位移预测点对应的温度、风速、风向、附墙水平作用力与钢结构位移之间并不能由一个简单的函数表达式来表达,利用拥有强大泛化能力的支持向量机处理方法是一种有效解决方式。实际工程中的施工环境影响与超高层顶部钢结构位移的映射关系相当于支持向量机的多输入与单输出向量间的非线性函数模式,支持向量机可以快速解决此类问题,且具有严格的数学理论基础。不仅如此,局部最优解问题和拓扑结构在人工神经网络方法中难以确定,与人工神经网络对比,支持向量机能够避免该问题,并有效克服了“维数灾难”。
实施例2
本申请的一个实施例,参见图2,示出了一种支持向量机模型训练方法包括以下步骤:
S10:在m施工阶段预先设置预设数目个位移监测点,所述预设数目个位移监测点与所述预设数目个位移预测点一一对应。
在对钢结构建筑施工过程中,根据施工高度将所述施工过程分为多个施工阶段,所述预设数目个位移预测点位于第M施工阶段,所述钢结构建筑对应第M施工阶段的建筑结构,第m施工阶段的施工高度小于第m+1施工阶段的施工高度,m≤M-1。示范性的,若要预测第3施工阶段的10个位移预测点的钢结构位移,则可以在第1施工阶段与10个位移预测点一一对应的位置预先设置10个位移监测点,在第2施工阶段与10个位移预测点一一对应的位置预先设置10个位移监测点。
S20:按照预定采样频率采集各个位移监测点对应的温度、风速、风向、位移以及各个附墙连杆的上表面应变长度和下表面应变长度。
各个位移监测点安装的温度传感器、风速仪、应变传感器以及用于检测位移的位移监测装置按照预定采样频率采集各个位移监测点对应的温度、风速、风向、位移以及各个附墙连杆的上表面应变长度和下表面应变长度。
S30:根据各个位移监测点对应的各个附墙连杆的上表面应变长度和下表面应变长度确定各个位移监测点的附墙水平作用力。
S40:利用预设的有限元分析工具确定第m施工阶段对应的建筑结构的刚度。
S50:第j个位移监测点对应的附墙水平作用力、对应的建筑结构的刚度以及第j个位移监测点在第t采样时刻采集的温度、风速和风向组成的向量作为一个样本向量。
S60:第j个位移监测点在第t采样时刻采集的位移作为第t采样时刻对应样本向量的位移标签。
S70:利用第j个位移监测点对应的多个带有位移标签的样本向量训练所述支持向量机模型直至所述持向量机模型对应的损失函数收敛。
进一步的,支持向量机模型对应的损失函数如下:
其中,所述损失函数的约束条件如下:
其中,表示所述损失函数,ω表示线性回归超平面的权值向量,ξk表示第k个样本向量对应的第一松弛变量,表示第k个样本向量对应的第二松弛变量,N表示样本总数,c表示预设的惩罚系数,yk表示第k个样本向量对应的输出向量,φ(x)表示通过非线性映射将样本向量x映射到高维空间,b表示所述持向量机模型的偏置量,λ表示预设的线性不敏感损失函数。
实施例3
本申请的一个实施例,参见图3,示出了一种钢结构位移预测装置10包括:获取模块11、确定模块12和预测模块13。
获取模块11,用于获取钢结构建筑上预设数目个位移预测点对应的温度、风速、风向以及各个附墙连杆的上表面应变长度和下表面应变长度,所述各个附墙连杆用于在所述施工阶段连接所述钢结构建筑和塔吊;确定模块12,用于根据各个位移预测点对应的各个附墙连杆的上表面应变长度和下表面应变长度确定各个位移预测点的附墙水平作用力;利用预设的有限元分析工具确定所述钢结构建筑的刚度;预测模块13,用于根据所述钢结构建筑的刚度以及各个位移预测点对应的温度、风速、风向、附墙水平作用力预测各个位移预测点的钢结构位移。
本实施例钢结构位移预测装置10通过获取模块11、确定模块12和预测模块13的配合使用,用于执行上述实施例所述的钢结构位移预测方法,上述实施例所涉及的实施方案以及有益效果在本实施例中同样适用,在此不再赘述。
本申请实施例涉及一种终端设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行本申请所述的钢结构位移预测方法。
本申请实施例涉及一种可读存储介质,其存储有计算机程序,所述计算机程序在处理器上运行时执行本申请所述的钢结构位移预测方法。
实施例4
本申请的一个实施例,如图4所示,示出了一种钢结构位移预测系统。
在对钢结构建筑施工过程中,根据施工高度将所述施工过程分为多个施工阶段,所述预设数目个位移预测点位于第M施工阶段,所述钢结构建筑对应第M施工阶段的建筑结构,第m施工阶段的施工高度小于第m+1施工阶段的施工高度,m≤M-1,所述钢结构位移预测系统包括数据采集设备和用于预测钢结构位移的终端设备;还包括安装在第M施工阶段位移预测点的风速仪、应变传感器、温度传感器。
所述数据采集设备将安装在所述位移预测点的应变传感器获取的各个附墙连杆的上表面应变长度和下表面应变长度、将安装在所述位移预测点的风速仪获取的风速和风向以及将安装在所述位移预测点的温度传感器获取的温度上传至所述终端设备。
进一步的,所述钢结构位移预测系统还包括用于获取多个样本向量的钢结构位移监测系统,所述多个样本向量用于训练支持向量机模型。
所述钢结构位移监测系统包括安装在第1施工阶段至第M-1施工阶段位移监测点的位移监测装置、应变传感器、温度传感器和风速仪。
所述数据采集设备将安装在所述位移监测点的应变传感器获取的各个附墙连杆的上表面应变长度和下表面应变长度、安装在所述位移监测点的风速仪获取的风速和风向、安装在所述位移监测点的温度传感器获取的温度、安装在所述位移监测点的位移监测装置获取的位移上传至所述终端设备。
示范性的,如图5所示,沿着竖向分为3个施工阶段,G1、G2和G3分别表示第1施工阶段、第2施工阶段和第3施工阶段。每个施工阶段设置10个位移监测点,如图6所示。
可以在第1施工阶段、第2施工阶段和第3施工阶段的每一位移监测点设置30个棱镜,各个棱镜与全站仪配合使用可以通过测量确定钢结构位移各个位移监测点的位移;并且,在第1施工阶段、第2施工阶段和第3施工阶段的每一位移监测点设置温度传感器,以获取每一位移监测点对应的温度。
示范性的,如图5所示,每台塔吊有2道附墙,分别位于G1层、G3层。每道附墙通过4根连杆与相邻钢柱相连,测点布置如图7所示。2台塔吊的16根附墙连杆均布置应变传感器,具体布置在附墙连杆跨中上、下翼缘处,用于计算连杆内力。G1层和G3层共计布置32个应变传感器。
图7中八号塔吊的附墙连杆如图8所示,图7中十号塔吊的附墙连杆如图9所示。
本申请基于两维螺旋桨式风速仪Young 05106L实时监测风速和风向。Young05106L型螺旋桨式风速仪利用螺旋叶片的旋转切割磁力线产生正弦电流信号,根据正弦信号的频率可以反推风速。其测风范围0-100m/s,测量精度0.3m/s。风速仪直接输出风速和风向二维模拟电流信号。
数据采集设备通过NI9203和NI9171组成的,可以安装在塔吊驾驶室内。
进一步的,如图10所示,可以在钢结构建筑上设置多个子站,如子站1、子站2、子站3和子站4,在每一个子站设置一个数据采集子设备,然后将各个数据采集子设备采集的数据传输至数据采集设备。可以理解,现场设置多个采集子站是根据现场施工条件和各个测点布置情况和传感器类型而确定的。由于施工环境恶劣,存在较多不确定因素,如经常断电,走线电缆被破坏,多个子站可以连接多处不同电源,即当一处断电时其他三个子站能够继续监测结构的实时变化,同时多处子站有利于应变传感器的走线,有利于全站仪的走线,可以减少走线过长电缆被破坏的概率。
进一步的,在不考虑钢结构建筑的刚度时,将第1施工阶段采集的2号监测点(图6中所示)各个样本作为训练集、第2施工阶段采集的2号监测点(图6中所示)各个样本作为测试集,然后利用训练集和测试集训练支持向量机模型,再利用训练完成的支持向量机模型预测第3施工阶段的2号监测点(图6中所示)的位移,再将预测位移和实际测量位移相比较,可以确定各个阶段对应的均方误差和相关系数,如下表所示:
在不考虑钢结构建筑的刚度时,训练集均方误差MSE为0.028、相关系数R为0.52;测试集均方误差MSE为0.06、相关系数R为0.25;第三施工阶段预测模型均方误差MSE为0.096、相关系数R为0.05,表明不考虑刚度变化情况下,基于支持向量机的环境作用和施工荷载与响应映射模型训练较差,拟合精度低,相关性差。
进一步的,在考虑钢结构建筑的刚度时,将第1施工阶段采集的2号监测点(图6中所示)各个样本作为训练集、第2施工阶段采集的2号监测点(图6中所示)各个样本作为测试集,然后利用训练集和测试集训练支持向量机模型,再利用训练完成的支持向量机模型预测第3施工阶段的2号监测点(图6中所示)的位移,然后将预测位移和实际测量位移相比较,可以确定各个阶段对应的均方误差和相关系数,如下表所示:
在考虑钢结构建筑的刚度时,训练集均方误差MSE为0.016、相关系数R为0.77;测试集均方误差MSE为0.018、相关系数R为0.73;第三施工阶段预测模型均方误差MSE为0.028、相关系数R为0.47,表明考虑刚度变化情况下,基于支持向量机的环境作用和施工荷载与响应映射模型训练较好,没有过拟合,可以达到期望的精度和较好的拟合。
支持向量机通过合理的参数选取,能够建立温度、风速、施工荷载、刚度与钢结构水平位移的映射关系,可以很好地预测钢结构位移。超高层顶部钢结构多为中空造型,且高度较高,同时施工现场遮挡物较多,当施工钢结构施工到一定的高度时,传统的位移监测设备,如全站仪很难监测到竖向构件的水平位移,不利于施工精度的预测。对于无法通过监测得到位移响应的点,可通过监测影响位移响应的因素,如温度、风速、施工荷载等,这些变量都可以通过物流网无线设备采集,然后再通过支持向量机方法进行预测,从而得到竖向构件的位移预测值,起到实时跟踪,实时预测结构响应的作用。
本申请可以通过前一阶段施工位移来预测下一阶段的施工位移,进而有效提高超高层顶部钢结构的安装精度。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种钢结构位移预测方法,其特征在于,应用于钢结构建筑的施工阶段,所述方法包括:
获取钢结构建筑上预设数目个位移预测点对应的温度、风速、风向以及各个附墙连杆的上表面应变长度和下表面应变长度,所述各个附墙连杆用于在所述施工阶段连接所述钢结构建筑和塔吊;
根据各个位移预测点对应的各个附墙连杆的上表面应变长度和下表面应变长度确定各个位移预测点的附墙水平作用力;
利用预设的有限元分析工具确定所述钢结构建筑的刚度;
根据所述钢结构建筑的刚度以及各个位移预测点对应的温度、风速、风向、附墙水平作用力预测各个位移预测点的钢结构位移。
2.根据权利要求1所述的钢结构位移预测方法,其特征在于,所述根据所述钢结构建筑的刚度以及各个位移预测点对应的温度、风速、风向、附墙水平作用力预测各个位移预测点的钢结构位移,包括:
将所述钢结构建筑的刚度以及第j个位移预测点对应的温度、风速、风向、附墙水平作用力组成的输入向量输入至预先训练达标的支持向量机模型,j≤所述预设数目;
根据所述支持向量机模型的输出向量预测第j个位移预测点的钢结构位移。
3.根据权利要求2所述的钢结构位移预测方法,其特征在于,在对钢结构建筑施工过程中,根据施工高度将所述施工过程分为多个施工阶段,所述预设数目个位移预测点位于第M施工阶段,所述钢结构建筑对应第M施工阶段的建筑结构,第m施工阶段的施工高度小于第m+1施工阶段的施工高度,m≤M-1,所述支持向量机模型预先利用以下方法训练:
在m施工阶段预先设置预设数目个位移监测点,所述预设数目个位移监测点与所述预设数目个位移预测点一一对应;
按照预定采样频率采集各个位移监测点对应的温度、风速、风向、位移以及各个附墙连杆的上表面应变长度和下表面应变长度;
根据各个位移监测点对应的各个附墙连杆的上表面应变长度和下表面应变长度确定各个位移监测点的附墙水平作用力;
利用预设的有限元分析工具确定第m施工阶段对应的建筑结构的刚度;
第j个位移监测点对应的附墙水平作用力、对应的建筑结构的刚度以及第j个位移监测点在第t采样时刻采集的温度、风速和风向组成的向量作为一个样本向量;
第j个位移监测点在第t采样时刻采集的位移作为第t采样时刻对应样本向量的位移标签;
利用第j个位移监测点对应的多个带有位移标签的样本向量训练所述支持向量机模型直至所述持向量机模型对应的损失函数收敛。
6.一种钢结构位移预测装置,其特征在于,应用于钢结构建筑的施工阶段,所述装置包括:
获取模块,用于获取钢结构建筑上预设数目个位移预测点对应的温度、风速、风向以及各个附墙连杆的上表面应变长度和下表面应变长度,所述各个附墙连杆用于在所述施工阶段连接所述钢结构建筑和塔吊;
确定模块,用于根据各个位移预测点对应的各个附墙连杆的上表面应变长度和下表面应变长度确定各个位移预测点的附墙水平作用力;利用预设的有限元分析工具确定所述钢结构建筑的刚度;
预测模块,用于根据所述钢结构建筑的刚度以及各个位移预测点对应的温度、风速、风向、附墙水平作用力预测各个位移预测点的钢结构位移。
7.一种终端设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行权利要求1至5任一项所述的钢结构位移预测方法。
8.一种可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序在处理器上运行时执行权利要求1至5任一项所述的钢结构位移预测方法。
9.一种钢结构位移预测系统,其特征在于,在对钢结构建筑施工过程中,根据施工高度将所述施工过程分为多个施工阶段,所述预设数目个位移预测点位于第M施工阶段,所述钢结构建筑对应第M施工阶段的建筑结构,第m施工阶段的施工高度小于第m+1施工阶段的施工高度,m≤M-1,所述钢结构位移预测系统包括数据采集设备和如权利要求7所述的终端设备;还包括安装在第M施工阶段位移预测点的风速仪、应变传感器、温度传感器;
所述数据采集设备将安装在所述位移预测点的应变传感器获取的各个附墙连杆的上表面应变长度和下表面应变长度、将安装在所述位移预测点的风速仪获取的风速和风向以及将安装在所述位移预测点的温度传感器获取的温度上传至所述终端设备。
10.根据权利要求9所述的钢结构位移预测系统,其特征在于,所述钢结构位移预测系统还包括用于获取多个样本向量的钢结构位移监测系统,所述多个样本向量用于训练支持向量机模型;
所述钢结构位移监测系统包括安装在第1施工阶段至第M-1施工阶段位移监测点的位移监测装置、应变传感器、温度传感器和风速仪;
所述数据采集设备将安装在所述位移监测点的应变传感器获取的各个附墙连杆的上表面应变长度和下表面应变长度、安装在所述位移监测点的风速仪获取的风速和风向、安装在所述位移监测点的温度传感器获取的温度、安装在所述位移监测点的位移监测装置获取的位移上传至所述终端设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110280734.XA CN112883478B (zh) | 2021-03-16 | 2021-03-16 | 钢结构位移预测方法、装置、终端设备和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110280734.XA CN112883478B (zh) | 2021-03-16 | 2021-03-16 | 钢结构位移预测方法、装置、终端设备和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112883478A true CN112883478A (zh) | 2021-06-01 |
CN112883478B CN112883478B (zh) | 2023-06-23 |
Family
ID=76040903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110280734.XA Active CN112883478B (zh) | 2021-03-16 | 2021-03-16 | 钢结构位移预测方法、装置、终端设备和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883478B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114809389A (zh) * | 2022-04-26 | 2022-07-29 | 中铁二十局集团第三工程有限公司 | 钢结构防坍塌施工控制方法、设备、系统及介质 |
CN115795608A (zh) * | 2022-11-24 | 2023-03-14 | 清华大学 | 基于楼盖物理分析模型嵌入的智能结构设计方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008041381A (ja) * | 2006-08-04 | 2008-02-21 | Dainippon Printing Co Ltd | 有機el表示装置およびその製造方法 |
JPWO2008041381A1 (ja) * | 2006-10-03 | 2010-02-04 | ダイハツ工業株式会社 | 構造部材の設計方法及び構造部材 |
US20150169795A1 (en) * | 2013-12-18 | 2015-06-18 | Johnson Controls Technology Company | Systems and methods for determining an appropriate model parameter order |
US20190228117A1 (en) * | 2017-06-26 | 2019-07-25 | Dalian University Of Technology | A performance alarming method for bridge expansion joints based on temperature displacement relationship model |
CN111597602A (zh) * | 2020-03-26 | 2020-08-28 | 哈尔滨工业大学(深圳) | 一种基于amgpcg算法的高层建筑结构高效分析方法 |
-
2021
- 2021-03-16 CN CN202110280734.XA patent/CN112883478B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008041381A (ja) * | 2006-08-04 | 2008-02-21 | Dainippon Printing Co Ltd | 有機el表示装置およびその製造方法 |
JPWO2008041381A1 (ja) * | 2006-10-03 | 2010-02-04 | ダイハツ工業株式会社 | 構造部材の設計方法及び構造部材 |
US20150169795A1 (en) * | 2013-12-18 | 2015-06-18 | Johnson Controls Technology Company | Systems and methods for determining an appropriate model parameter order |
US20190228117A1 (en) * | 2017-06-26 | 2019-07-25 | Dalian University Of Technology | A performance alarming method for bridge expansion joints based on temperature displacement relationship model |
CN111597602A (zh) * | 2020-03-26 | 2020-08-28 | 哈尔滨工业大学(深圳) | 一种基于amgpcg算法的高层建筑结构高效分析方法 |
Non-Patent Citations (9)
Title |
---|
WEI LU ET AL: "Stress Prediction for Distributed Structural Health Monitoring Using Existing Measurements and Pattern Recognition", 《SENSORS》 * |
WEI LU ET AL: "Stress Prediction for Distributed Structural Health Monitoring Using Existing Measurements and Pattern Recognition", 《SENSORS》, 1 February 2018 (2018-02-01), pages 1 - 6 * |
渠孟飞等: "基于支持向量机的膨胀土深基坑变形预测研究", 《施工技术》 * |
渠孟飞等: "基于支持向量机的膨胀土深基坑变形预测研究", 《施工技术》, no. 19, 10 October 2016 (2016-10-10), pages 30 - 32 * |
滕军等: "基于多输出支持向量回归机的有限元模型修正", 《振动与冲击》 * |
滕军等: "基于多输出支持向量回归机的有限元模型修正", 《振动与冲击》, no. 03, 25 March 2010 (2010-03-25), pages 9 - 10 * |
王成虎等: "李自健美术馆钢结构施工过程数值分析", 《钢结构》 * |
王成虎等: "李自健美术馆钢结构施工过程数值分析", 《钢结构》, no. 02, 22 February 2018 (2018-02-22), pages 93 - 97 * |
邵茂 等: "国家大剧院壳体钢结构吊装施工", 施工技术, vol. 33, no. 05, pages 6 - 9 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114809389A (zh) * | 2022-04-26 | 2022-07-29 | 中铁二十局集团第三工程有限公司 | 钢结构防坍塌施工控制方法、设备、系统及介质 |
CN115795608A (zh) * | 2022-11-24 | 2023-03-14 | 清华大学 | 基于楼盖物理分析模型嵌入的智能结构设计方法及系统 |
CN115795608B (zh) * | 2022-11-24 | 2023-09-26 | 清华大学 | 基于楼盖物理分析模型嵌入的智能结构设计方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112883478B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112883478A (zh) | 钢结构位移预测方法、装置、终端设备和系统 | |
CN103616231A (zh) | 广义位移应变监测受损索集中载荷递进式识别方法 | |
CN103604629A (zh) | 应变监测受损索集中载荷支座角位移递进式识别方法 | |
CN103616245A (zh) | 索力监测受损索集中载荷支座角位移递进式识别方法 | |
CN103616232A (zh) | 混合监测的受损索和集中载荷递进式识别方法 | |
CN103604641A (zh) | 空间坐标监测受损索集中载荷广义位移递进式识别方法 | |
CN103604636A (zh) | 线位移索力监测受损索集中载荷递进式识别方法 | |
CN103604624A (zh) | 基于混合监测的受损索和集中载荷识别方法 | |
CN103616209A (zh) | 广义位移混合监测受损索集中载荷递进式识别方法 | |
CN103616203A (zh) | 线位移时混合监测的受损索集中载荷识别方法 | |
CN103604656A (zh) | 索力监测受损索集中载荷线位移递进式识别方法 | |
CN103616240A (zh) | 角度监测受损索集中载荷广义位移识别方法 | |
CN103604639A (zh) | 角位移混合监测受损索集中载荷递进式识别方法 | |
CN103604550A (zh) | 索力监测受损索集中载荷广义位移递进式识别方法 | |
CN103616211A (zh) | 线位移时索力监测的受损索集中载荷识别方法 | |
CN103604637A (zh) | 角度监测受损索集中载荷线位移递进式识别方法 | |
CN103630388A (zh) | 空间坐标监测受损索集中载荷广义位移识别方法 | |
CN103616230A (zh) | 索力监测的受损索和集中载荷递进式识别方法 | |
CN114757395B (zh) | 一种基于智能物联网的危房监测方法 | |
KR102435166B1 (ko) | 정밀한 변형률-변위 예측을 위한 유전자 알고리즘과 ai 기술을 적용한 구조물의 계측 위치 및 개소 결정 방법 | |
Bosmans et al. | Development and embedded deployment of a virtual load sensor for wind turbine gearboxes | |
CN103616225A (zh) | 空间坐标监测的受损索集中载荷支座线位移识别方法 | |
CN103616219A (zh) | 混合监测受损索集中载荷广义位移识别方法 | |
CN103604626A (zh) | 混合监测受损索集中载荷广义位移递进式识别方法 | |
CN103604655A (zh) | 线位移混合监测受损索集中载荷递进式识别方法 |
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 |