CN114544040B - 基于神经网络算法的群桩节点应力监测系统及其预警方法 - Google Patents
基于神经网络算法的群桩节点应力监测系统及其预警方法 Download PDFInfo
- Publication number
- CN114544040B CN114544040B CN202210142179.9A CN202210142179A CN114544040B CN 114544040 B CN114544040 B CN 114544040B CN 202210142179 A CN202210142179 A CN 202210142179A CN 114544040 B CN114544040 B CN 114544040B
- Authority
- CN
- China
- Prior art keywords
- stress
- pile
- remote control
- control end
- curve
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 230000008054 signal transmission Effects 0.000 claims abstract description 9
- 238000004062 sedimentation Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 22
- 230000035772 mutation Effects 0.000 claims description 21
- 230000005540 biological transmission Effects 0.000 claims description 17
- 238000002474 experimental method Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract description 2
- 230000001681 protective effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 239000013535 sea water Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L1/00—Measuring force or stress, in general
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于神经网络算法的群桩节点应力监测系统及其预警方法。属于导管架群桩结构领域，该系统由群桩结构、信号传输线、信号处理器、应力传感器、远程控制终端等设备组成。群桩结构获取各单桩节点应力；信息处理器将采集数据进行处理后传输到远程控制端；远程控制端截取异常应力值变动曲线，并利用神经网络预测模型预测发生不均匀沉降现象的几率，根据预测值大小在远程控制端发出不同等级的预警信号；通过该系统不仅能实时监测平台群桩节点的应力情况，而且能根据预警等级，采取防护措施，避免发生事故，减少施工损失；同时根据实时监测结果与实际工况相结合对系统的预警级别进行相应调整，使得对导管架平台的沉降预警更加实时、准确。
Description
技术领域
本发明属于导管架群桩结构领域，涉及一种基于神经网络算法的群桩节点应力监测系统及其预警方法。
背景技术
导管架平台作为近海石油开发工程最常用的基础结构，有着昂贵的造价；对于采用群桩结构的导管架平台而言，会由于群桩效应导致平台出现不均匀沉降状况，因此对导管架平台结构应力的监测以及不均匀沉降的预测无论是对于基础本身寿命周期内的维护，还是为后续导管架基础的设计都有着十分重要的意义；
目前，神经网络预测模型在人工智能、图像识别等领域应用颇多，将神经网络预测模型用于对导管架平台发生不均匀沉降状况的预警，则保证了导管架平台后续工作的可靠性，实现了对群桩式导管架平台智能化应力监测和管控。
发明内容
发明目的：本发明的目的是提供了一种基于神经网络算法的群桩节点应力监测系统及其预警方法。
技术方案：本发明所述的基于神经网络算法的群桩节点应力监测系统，包括群桩结构(1)、信息传输模块(3)、信号处理器(4)及远程控制端(5)；
所述群桩结构(1)由其内部安设的应力传感器获取的各单桩节点应力数据通过安设的信号传输线(2)传送到所述信号处理器(4)上，在所述信号处理器(4)的内部安设有信息传输模块(3)，所述信息传输模块(3)将信号处理器(4)接收并处理过的各单桩节点应力数据通过无线信号传输至远程控制端(5)上；
所述群桩结构(1)由若干个单桩组成；
所述单桩包括基础桩节点应力监测结构(11)、信号线管(12)、群桩柱腿(13)、连接杆(14)及开设有信号处理模块存放室(15)的导管架主体；
所述信号线管(12)的一端连接在基础桩节点应力监测结构(11)上，其另一端连接在导管架主体开设的信号处理模块存放室(15)上；
所述连接杆(14)的一端连接在导管架主体上，其另一端连接在群桩柱腿(13)上；
其预警方法的具体步骤如下：
1)、群桩结构(1)通过应力传感器获取各单桩节点的应力数据，通过信号传输线(2)传输至信号处理器(4)中进行信号处理；
2)、安设在信号处理器(4)中的信息传输模块(3)将处理得到的数字信号传输至远程控制端(5)上；
3)、通过远程控制端(5)获取、分析各单桩应力数值，再将各单桩应力数值进行加和，从而得到其最近桩腿的荷载承载力；
4)、远程控制端(5)实时监测导管架主体的应力变化，并绘制应力动态变化曲线；若监测发现应力变化出现突变现象，则远程控制端(5)将会截取异常应力突变曲线片段，并进行应力突变现象特征的提取；
5)、将所提取的应力突变现象特征对比实验室数据，利用神经网络预测模型预测该应力突变特征下发生不均匀沉降现象的几率，并根据预测值大小在远程控制端(5)发出不同等级预警提醒；
在步骤(4)-(5)中，所述的若监测发现应力突变现象，则将应力突变曲线进行截取并进行预警的具体步骤如下：
(一)、首先，远程控制端(5)针对同一应力监测部位，对比该部分不同时间点所监测到的应力值信息，对超出安全阈值的应力变动曲线线段进行提取，并将所提取线段在远程控制端(5)输出；
(二)、接着，将实验中导管架主体发生不均匀沉降现象的应力值变动曲线作为训练集代入神经网络模型中，从而得到应力监测节点的应力值变化特征参数；
(三)、然后，将远程控制端(5)所提取的应力值变动曲线图作为预测集代入到神经网络模型中，用以提取曲线异常变动的特征；
(四)、最后，根据神经网络模型所得到的异常变动特征与实验中出现不均匀沉降现象的异常特征参数进行对比，从而得到发生不均匀沉降状况的几率，最终再根据预警值大小发出不同预警信号；
在步骤(四)中，所述进行不均匀沉降状况预警的预测过程包括：
(四一)、将实验中出现不均匀沉降现象的应力曲线图像提取作为X1；完成终端监测到应力值超出安全阈值时，提取相应应力变化曲线作为X2；
(四二)、GW用于将输入数据X转换成一组特征向量，将得到的特征向量经过由Siamese函数处理后的网络结构后输出f(X1)和f(X2)；
(四三)、利用欧拉距离计算法得到两向量之间的距离d，d＝||f(X1)-f(X2)||进而通过损失函数得到沉降预测值；
在步骤(四二)中，所述经过由Siamese函数处理后的网络结构后输出f(X1)和f(X2)的过程是：
首先，将网络结构设定损失函数，确定其处理误差在可控范围内，将多组实验室图像数据进行图像特征对比；然后，提取发生不均匀沉降现象的图像特征得到样本图像；接着，累加样本图像与远程控制端5所提取图像的相似性函数值；最后根据函数值判断导管架主体是否将可能出现不均匀沉降现象；
其中，进行图像特征相似度比较的相似度函数具体如下式所示：
式中，N表示X1,X2两图像是否属于同一类，N为1则表示两者不是同一类，N为0则表示两者属于同一类；P表示实验中出现不均匀沉降现象时，所表现的应力曲线图像总样本数，i表示样本下标；
式中，LG表示损失函数，d＝||f(Xi)-f(X2)||2，即实验样本和所采集应力曲线样本的欧氏距离，y为1时表示两样本相似，否则说明两样本不匹配，margin表示所设定的阈值。
有益效果：本发明与现有技术相比，本发明的特点是：1、通过应力检测模块采集群桩应力数据，并通过信息传输模块将数据传给远程控制终端进行应力数据显示，可以精准了解各群桩应力情况；2、可以对比各群桩应力情况，以实现对导管架平台不均匀沉降的提前预测，从而更好的为沉降防护提供关键信息；3、导管架平台结构应力的监测以及不均匀沉降的预测无论是对于基础本身寿命周期内的维护，还是为后续导管架基础的设计都有着十分重要的意义。
附图说明
图1是本发明的总体结构示意图；
图2是本发明中群桩结构的结构示意图；
图3是本发明中不均匀沉降预警原理图；
图4是本发明中不均匀沉降预警流程示意图；
图5是本发明的操作流程图；
图中1是群桩结构，11是基础桩节点应力监测结构，12是信号线管，13是群桩柱腿，14是连接杆，15是信号处理模块存放室；
2是信号传输线，3是信息传输模块，4是信号处理器，5是远程控制端。
具体实施方式
下面结合附图及实施例对本发明作进一步的说明。
如图所示，本发明所述的基于神经网络算法的群桩节点应力监测系统的预警方法，包括群桩结构1、信息传输模块3、信号处理器4及远程控制端5；
所述群桩结构1将其内部安设的应力传感器获取的各单桩节点应力数据通过安设的信号传输线2传输到所述信号处理器4上，采集到的数据经过信号处理器4处理转换成数字信号，然后经过信息传输模块3将处理后的各单桩节点应力数据传送至远程控制端5上；通过远程控制端5对处理过的群桩应力信号进行处理、对比、分析并对不均匀沉降状况进行预警；
通过群桩结构1内部的应力传感器获取各群桩节点应力；接着，通过信息处理器4内置的扩展卡尔曼滤波器将所采集数据进行信号处理，经过网络通信模块(信息传输模块3)将所处理数据传输到远程控制终端(远程控制端5)上；最后，远程控制端5截取异常应力值变动曲线，并利用神经网络预测模型预测该应力变动特征下发生不均匀沉降现象的几率，根据预测值大小在远程控制端5发出不同等级的预警信号；
所述群桩结构1由若干个群桩组成；
所述群桩结构1中包括三根单桩，其中每个单桩又包括基础桩节点应力监测结构11、信号线管12、群桩柱腿13、连接杆14及信号处理模块存放室15；
所述信号线管12的一端连接在基础桩节点应力监测结构11上，其另一端连接在信号处理模块存放室15上；
所述连接杆14的一端连接在导管架主体上，其另一端连接在群桩柱腿13上；
其中，基础桩节点应力监测结构11用于采集群桩各基础桩的应力数据，探测群桩应力信号；其包含外壳和应力传感器，其外壳是一个密封舱能防止应力传感器，其作用是使得其不受海水侵蚀，以提高系统寿命周期，应力传感器置于连接杆14下壁用于敏感检测应力数据；
信号线管12的一端连接在基础桩节点应力监测结构11上，其一端连接信号处理模块存放室15上，其作用用于信号传输线2的埋设；
信号处理模块存放室15用于存放信息处理器4，防止它被海水侵蚀；
信号线管12一方面能起到保护作用，一方面能避免海水侵蚀基础桩节点应力监测结构11内部的电子模块；
群桩柱腿13是用于支撑和预留打桩口；
连接杆14用于连接导管架主体和各群桩柱腿13的，起到连接和力的传递作用；
所述信号处理器4包含信号处理电子元件以及信息传输模块3两部分；以使得应力传感器采集的数据经处理器内置的卡尔曼滤波器进行滤波处理后，接着通过信息传输模块3实现与远程控制端5之间的信息交互；
其预警方法的具体步骤如下：
1)、群桩结构1通过应力传感器获取各单桩节点的应力数据，通过信号传输线2传输至信号处理器4中进行信号处理；
2)、安设在信号处理器4中的信息传输模块3将处理得到的数字信号传输至远程控制端5上；
3)、通过远程控制端5获取、分析各单桩应力数值，再将各单桩应力数值进行加和，从而得到其最近桩腿的荷载承载力；
4)、远程控制端5实时监测导管架主体的应力变化，并绘制应力动态变化曲线；若监测发现应力变化出现突变现象，则远程控制端5将会截取异常应力突变曲线片段，并进行应力突变现象特征的提取；
5)、将所提取的应力突变现象特征对比实验室数据，利用神经网络预测模型预测该应力突变特征下发生不均匀沉降现象的几率，并根据预测值大小在远程控制端5发出不同等级预警提醒；
在步骤(4)-(5)中，所述的若监测发现应力突变现象，则将应力突变曲线进行截取并进行预警的具体步骤如下：
(一)、首先，远程控制端5针对同一应力监测部位，对比该部分不同时间点所监测到的应力值信息，对超出安全阈值的应力变动曲线线段进行提取，并将所提取线段在远程控制端5输出；
(二)、接着，将实验中导管架主体发生不均匀沉降现象的应力值变动曲线作为训练集代入神经网络模型中，从而得到应力监测节点的应力值变化特征参数；
(三)、然后，将远程控制端5所提取的应力值变动曲线图作为预测集代入到神经网络模型中，用以提取曲线异常变动的特征；
(四)、最后，根据神经网络模型所得到的异常变动特征与实验中出现不均匀沉降现象的异常特征参数进行对比，从而得到发生不均匀沉降状况的几率，最终再根据预警值大小发出不同预警信号；
在步骤(四)中，所述进行不均匀沉降状况预警的预测过程包括：
(四一)、将实验中出现不均匀沉降现象的应力曲线图像提取作为X1；完成终端监测到应力值超出安全阈值时，提取相应应力变化曲线作为X2；
(四二)、GW用于将输入数据X转换成一组特征向量，将得到的特征向量经过由Siamese函数处理后的网络结构后输出f(X1)和f(X2)；
(四三)、利用欧拉距离计算法得到两向量之间的距离d，d＝||f(X1)-f(X2)||进而通过损失函数得到沉降预测值；
在步骤(四二)中，所述经过由Siamese函数处理后的网络结构后输出f(X1)和f(X2)的过程是：
首先，将网络结构设定损失函数，确定其处理误差在可控范围内，将多组实验室图像数据进行图像特征对比；然后，提取发生不均匀沉降现象的图像特征得到样本图像；接着，累加样本图像与远程控制端5所提取图像的相似性函数值；最后根据函数值判断导管架主体是否将可能出现不均匀沉降现象；
其中，进行图像特征相似度比较的相似度函数具体如下式所示：
式中，N表示X1,X2两图像是否属于同一类，N为1则表示两者不是同一类，N为0则表示两者属于同一类；P表示实验中出现不均匀沉降现象时，所表现的应力曲线图像总样本数，i表示样本下标；
式中，LG表示损失函数，d＝||f(Xi)-f(X2)||2，即实验样本和所采集应力曲线样本的欧氏距离，y为1时表示两样本相似，否则说明两样本不匹配，margin表示所设定的阈值。
本发明主要是针对导管架主体的不均匀沉降现象进行预警；它是通过应力传感器监测群桩结构1的各单桩的应力值，若监测发现各单桩应力值之和超出该群桩系统所连桩腿的桩基承载力，则检测靠近主桩腿部位的应力情况，若应力出现突变现象，则向远程控制端5发送不均匀沉降报警信号。
如图3所示，本发明所用的神经网络预测模型将使用Siamese函数对所截取曲线进行特征参数提取，其过程为在第一个子网络中输入实验中出现不均匀沉降现象的应力曲线变动图像，然后经过卷积计算、池化处理、全连接层对应力变动曲线进行描述，最后输出该曲线的特征向量f(x1),最后将所截取的应力曲线变动图像输入到与第一个子网络完全相同的第二个子网络，得到结果f(x2)，通过计算f(x1)与f(x2)之间的距离d得到预测值。
对于本系统中的不均匀沉降预测，是通过应力传感器监测群桩系统各单桩应力值，检测群桩系统应力值之和是否超过该系统所连桩腿的桩基承载力，超过则检测桩腿应变曲线特征是否出现异常，有异常则向终端发送不均匀沉降报警信号。
如图4所示，对于监测平台是否出现不均匀沉降现象时，对群桩子系统的应变曲线特征异常进行检测，主要包含以下几个步骤：
S110、远程控制端5会针对同一应力监测部位，对比该部分不同时间点所监测到的应力值信息，对超出安全阈值的应力变动曲线线段进行提取，并将所提取线段在远程控制端5输出；
S120、接着，将实验中导管架主体发生不均匀沉降现象的应力值变动曲线作为训练集代入神经网络模型中，得到应力监测节点的应力值变化特征参数；
S130、然后，将远程控制端5所提取的应力值变动曲线图作为预测集代入到神经网络模型中，判断此时平台将出现不均匀沉降现象的机率；
S140、当预测值为0.6-0.7时，远程控制端5发出一级预警；预测值为0.7-0.8时，远程控制端5发出二级预警；预测值为0.8-1.0时，远程控制端5发出三级预警。
系统中实时数据采集是各个应力探测模块实时采集各个桩腿的应力值信息，将其发送到信息处理器4中，信息处理器4内部安装扩展的卡尔曼滤波器，所采集数据经过卡尔曼滤波使其按照时间序列发送到远程控制端5上。
现有对导管架不均匀沉降现象的监测多采用单一应力值超出某一阈值范围进行预测，相较于本发明中通过截取应力异常变动曲线，经过神经网络预测模型对异常曲线图像分析预测的方法，前者效果较差，且容易出现空预警的现象。目前神经网络预测模型图像识别等领域应用颇多，通过远程控制端5截取应力异常变动曲线，利用神经网络预测模型对导管架主体平台发生不均匀沉降状况进行预警，保证了导管架主体平台后续工作的可靠性，实现了对群桩式导管架主体平台智能化应力监测和管控。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (1)
1.基于神经网络算法的群桩节点应力监测系统，其特征在于，包括群桩结构(1)、信息传输模块(3)、信号处理器(4)及远程控制端(5)；
所述群桩结构(1)由其内部安设的应力传感器获取的各单桩节点应力数据通过安设的信号传输线(2)传送到所述信号处理器(4)上，在所述信号处理器(4)的内部安设有信息传输模块(3)，所述信息传输模块(3)将信号处理器(4)接收并处理过的各单桩节点应力数据通过无线信号传输至远程控制端(5)上；
所述群桩结构(1)由若干个单桩组成；
所述单桩包括基础桩节点应力监测结构(11)、信号线管(12)、群桩柱腿(13)、连接杆(14)及开设有信号处理模块存放室(15)的导管架主体；
所述信号线管(12)的一端连接在基础桩节点应力监测结构(11)上，其另一端连接在导管架主体开设的信号处理模块存放室(15)上；
所述连接杆(14)的一端连接在导管架主体上，其另一端连接在群桩柱腿(13)上；
其预警方法的过程具体步骤如下：
1)、群桩结构(1)通过应力传感器获取各单桩节点的应力数据，通过信号传输线(2)传输至信号处理器(4)中进行信号处理；
2)、安设在信号处理器(4)中的信息传输模块(3)将处理得到的数字信号传输至远程控制端(5)上；
3)、通过远程控制端(5)获取、分析各单桩应力数值，再将各单桩应力数值进行加和，从而得到其最近桩腿的荷载承载力；
4)、远程控制端(5)实时监测导管架主体的应力变化，并绘制应力动态变化曲线；若监测发现应力变化出现突变现象，则远程控制端(5)将会截取异常应力突变曲线片段，并进行应力突变现象特征的提取；
5)、将所提取的应力突变现象特征对比实验室数据，利用神经网络预测模型预测该应力突变特征下发生不均匀沉降现象的几率，并根据预测值大小在远程控制端(5)发出不同等级预警提醒；
在步骤(4)-(5)中，所述的若监测发现应力突变现象，则将应力突变曲线进行截取并进行预警的具体步骤如下：
(一)、首先，远程控制端(5)针对同一应力监测部位，对比该部分不同时间点所监测到的应力值信息，对超出安全阈值的应力变动曲线线段进行提取，并将所提取线段在远程控制端(5)输出；
(二)、接着，将实验中导管架主体发生不均匀沉降现象的应力值变动曲线作为训练集代入神经网络模型中，从而得到应力监测节点的应力值变化特征参数；
(三)、然后，将远程控制端(5)所提取的应力值变动曲线图作为预测集代入到神经网络模型中，用以提取曲线异常变动的特征；
(四)、最后，根据神经网络模型所得到的异常变动特征与实验中出现不均匀沉降现象的异常特征参数进行对比，从而得到发生不均匀沉降状况的几率，最终再根据预警值大小发出不同预警信号；
在步骤(四)中，所述进行不均匀沉降状况预警的预测过程包括：
(四一)、将实验中出现不均匀沉降现象的应力曲线图像提取作为X1；完成终端监测到应力值超出安全阈值时，提取相应应力变化曲线作为X2；
(四二)、GW用于将输入数据X转换成一组特征向量，将得到的特征向量经过由Siamese函数处理后的网络结构后输出f(X1)和f(X2)；
(四三)、利用欧拉距离计算法得到两向量之间的距离d，d＝||f(X1)-f(X2)||进而通过损失函数得到沉降预测值；
在步骤(四二)中，所述经过由Siamese函数处理后的网络结构后输出f(X1)和f(X2)的过程是：
首先，将网络结构设定损失函数，确定其处理误差在可控范围内，将多组实验室图像数据进行图像特征对比；然后，提取发生不均匀沉降现象的图像特征得到样本图像；接着，累加样本图像与远程控制端5所提取图像的相似性函数值；最后根据函数值判断导管架主体是否将可能出现不均匀沉降现象；
其中，进行图像特征相似度比较的相似度函数具体如下式所示：
式中，N表示X1,X2两图像是否属于同一类，N为1则表示两者不是同一类，N为0则表示两者属于同一类；P表示实验中出现不均匀沉降现象时，所表现的应力曲线图像总样本数，i表示样本下标；
式中，LG表示损失函数，d＝||f(Xi)-f(X2)||2，即实验样本和所采集应力曲线样本的欧氏距离，y为1时表示两样本相似，否则说明两样本不匹配，margin表示所设定的阈值；
另外，所用的神经网络预测模型将使用Siamese函数对所截取曲线进行特征参数提取，其过程为在第一个子网络中输入实验中出现不均匀沉降现象的应力曲线变动图像，然后经过卷积计算、池化处理、全连接层对应力变动曲线进行描述，最后输出该曲线的特征向量f(x1),最后将所截取的应力曲线变动图像输入到与第一个子网络完全相同的第二个子网络，得到结果f(x2)，通过计算f(x1)与f(x2)之间的距离d得到预测值；
对于系统中的不均匀沉降预测，是通过应力传感器监测群桩系统各单桩应力值，检测群桩系统应力值之和是否超过该系统所连桩腿的桩基承载力，超过则检测桩腿应变曲线特征是否出现异常，有异常则向终端发送不均匀沉降报警信号；
对于监测平台是否出现不均匀沉降现象时，对群桩子系统的应变曲线特征异常进行检测，包含以下几个步骤：
S110、远程控制端(5)会针对同一应力监测部位，对比该部分不同时间点所监测到的应力值信息，对超出安全阈值的应力变动曲线线段进行提取，并将所提取线段在远程控制端(5)输出；
S120、接着，将实验中导管架主体发生不均匀沉降现象的应力值变动曲线作为训练集代入神经网络模型中，得到应力监测节点的应力值变化特征参数；
S130、然后，将远程控制端(5)所提取的应力值变动曲线图作为预测集代入到神经网络模型中，判断此时平台将出现不均匀沉降现象的机率；
S140、当预测值为0.6-0.7时，远程控制端(5)发出一级预警；预测值为0.7-0.8时，远程控制端(5)发出二级预警；预测值为0.8-1.0时，远程控制端5发出三级预警；
系统中实时数据采集是各个应力探测模块实时采集各个桩腿的应力值信息，将其发送到信息处理器(4)中，信息处理器(4)内部安装扩展的卡尔曼滤波器，所采集数据经过卡尔曼滤波使其按照时间序列发送到远程控制端(5)上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210142179.9A CN114544040B (zh) | 2022-02-16 | 2022-02-16 | 基于神经网络算法的群桩节点应力监测系统及其预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210142179.9A CN114544040B (zh) | 2022-02-16 | 2022-02-16 | 基于神经网络算法的群桩节点应力监测系统及其预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114544040A CN114544040A (zh) | 2022-05-27 |
| CN114544040B true CN114544040B (zh) | 2024-01-23 |
Family
ID=81676518
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210142179.9A Active CN114544040B (zh) | 2022-02-16 | 2022-02-16 | 基于神经网络算法的群桩节点应力监测系统及其预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114544040B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116793548B (zh) * | 2023-05-11 | 2024-07-26 | 西南交通大学 | 一种隧道锚杆压力数据表示预警方法及相关设备 |
| CN116992239B (zh) * | 2023-09-19 | 2024-07-26 | 中交四航局第一工程有限公司 | 一种下穿隧道施工期间对上部既有群桩结构的预警监控方法 |
| CN117972365B (zh) * | 2024-04-01 | 2024-07-09 | 四川省公路规划勘察设计研究院有限公司 | 一种隧底群桩压力承载监测系统和监测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102901560A (zh) * | 2012-10-24 | 2013-01-30 | 天津亿利科能源科技发展股份有限公司 | 一种海洋导管架平台结构安全综合监测系统 |
| WO2020188585A1 (en) * | 2019-03-16 | 2020-09-24 | Livehooah Technologies Private Limited | System and method for structural health monitoring using internet of things and machine learning |
| CN112990288A (zh) * | 2021-03-09 | 2021-06-18 | 上海应用技术大学 | 一种大型设备在线监测与故障预测系统 |
| CN113093552A (zh) * | 2021-04-08 | 2021-07-09 | 佛山市顺德区建设工程质量安全监督检测中心有限公司 | 一种自动打桩控制方法 |
| CN113239439A (zh) * | 2021-05-21 | 2021-08-10 | 上海大学 | 盾构施工地表沉降预测系统及方法 |
| CN113802620A (zh) * | 2021-09-28 | 2021-12-17 | 北京住总集团有限责任公司 | 一种基坑群施工风险监测系统及方法 |
| CN113957897A (zh) * | 2021-11-23 | 2022-01-21 | 江苏科技大学 | 一种导管架安装用卡桩器 |
| CN114021432A (zh) * | 2021-10-21 | 2022-02-08 | 中国特种设备检测研究院 | 一种应力腐蚀开裂裂纹扩展速率预测方法及系统 |
-
2022
- 2022-02-16 CN CN202210142179.9A patent/CN114544040B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102901560A (zh) * | 2012-10-24 | 2013-01-30 | 天津亿利科能源科技发展股份有限公司 | 一种海洋导管架平台结构安全综合监测系统 |
| WO2020188585A1 (en) * | 2019-03-16 | 2020-09-24 | Livehooah Technologies Private Limited | System and method for structural health monitoring using internet of things and machine learning |
| CN112990288A (zh) * | 2021-03-09 | 2021-06-18 | 上海应用技术大学 | 一种大型设备在线监测与故障预测系统 |
| CN113093552A (zh) * | 2021-04-08 | 2021-07-09 | 佛山市顺德区建设工程质量安全监督检测中心有限公司 | 一种自动打桩控制方法 |
| CN113239439A (zh) * | 2021-05-21 | 2021-08-10 | 上海大学 | 盾构施工地表沉降预测系统及方法 |
| CN113802620A (zh) * | 2021-09-28 | 2021-12-17 | 北京住总集团有限责任公司 | 一种基坑群施工风险监测系统及方法 |
| CN114021432A (zh) * | 2021-10-21 | 2022-02-08 | 中国特种设备检测研究院 | 一种应力腐蚀开裂裂纹扩展速率预测方法及系统 |
| CN113957897A (zh) * | 2021-11-23 | 2022-01-21 | 江苏科技大学 | 一种导管架安装用卡桩器 |
Non-Patent Citations (2)
| Title |
|---|
| 基于ARMA和BP神经网络组合模型预测冷却塔沉降;温玉维;陈威;;电力勘测设计(S1) * |
| 温玉维 ; 陈威 ; .基于ARMA和BP神经网络组合模型预测冷却塔沉降.电力勘测设计.2020,(S1), * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114544040A (zh) | 2022-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114544040B (zh) | 基于神经网络算法的群桩节点应力监测系统及其预警方法 | |
| CN103323749B (zh) | 多分类器信息融合的局部放电诊断方法 | |
| CN112788066B (zh) | 物联网设备的异常流量检测方法、系统及存储介质 | |
| CN110619587B (zh) | 一种基坑监测智能预警和数据存证的方法及系统 | |
| CN108627720B (zh) | 一种基于贝叶斯算法的电力设备状态监测方法 | |
| CN112949900B (zh) | 一种水库大坝安全信息智慧感知融合预警方法及终端设备 | |
| CN113011763B (zh) | 一种基于时空图卷积注意力的桥梁损伤识别方法 | |
| CN109577892B (zh) | 一种基于井下参数的智能溢流检测系统及预警方法 | |
| CN114419537A (zh) | 一种基于深度学习的输电线路告警方法和装置 | |
| CN116108402A (zh) | 基于电力多源异构数据融合分析的方法、设备及存储介质 | |
| CN110597165A (zh) | 一种堆钢监测系统及堆钢监测方法 | |
| CN106949020B (zh) | 一种高度集成风力发电机群安全监控系统 | |
| CN116878592B (zh) | 一种水利工程主坝迎水面护坡安全检测系统及检测方法 | |
| CN116951328B (zh) | 基于大数据的排水管线运行智慧监控系统 | |
| CN117231940A (zh) | 一种基于小样本数据特征的油气管道安全预警系统及方法 | |
| CN112215197A (zh) | 基于人工智能的地下电缆故障预警方法和预警系统 | |
| CN115499318B (zh) | 一种隧道监测数据通信管控方法、系统及终端设备 | |
| CN116910619A (zh) | 一种基于人工智能的船舶焊接缺陷识别系统 | |
| CN116524698A (zh) | 一种基于人工智能的计算机设备故障预警系统及方法 | |
| CN115235542A (zh) | 一种升船机承船厢在线监测方法及监测系统 | |
| CN115033602A (zh) | 基于数据挖掘的系留气球故障关联规则挖掘方法及系统 | |
| Zhao et al. | Research of elevator fault diagnosis based on decision tree and rough set | |
| CN110081851A (zh) | 一种基于关联分析的管道监测与预警方法 | |
| CN117196314B (zh) | 一种基于物联网的建筑施工安全监测系统及方法 | |
| CN116993167B (zh) | 一种生产过程中实时风险判断方法及系统 |
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 |