CN114693151A - 基于分布式应变空间相关性的桥梁桩基础状态诊断方法 - Google Patents
基于分布式应变空间相关性的桥梁桩基础状态诊断方法 Download PDFInfo
- Publication number
- CN114693151A CN114693151A CN202210375238.7A CN202210375238A CN114693151A CN 114693151 A CN114693151 A CN 114693151A CN 202210375238 A CN202210375238 A CN 202210375238A CN 114693151 A CN114693151 A CN 114693151A
- Authority
- CN
- China
- Prior art keywords
- pile foundation
- strain
- measuring point
- state
- space correlation
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 238000009991 scouring Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 239000013307 optical fiber Substances 0.000 claims abstract description 9
- 238000000611 regression analysis Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 3
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 239000002689 soil Substances 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 3
- 239000004927 clay Substances 0.000 description 3
- 238000005406 washing Methods 0.000 description 3
- 238000011010 flushing procedure Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种基于分布式应变空间相关性的桥梁桩基础状态诊断方法,属于土木工程结构运营安全智能监测领域。利用分布式传感光纤获取桩基础结构应变监测数据,以地理加权回归分析方法为基础,构建桩基础结构分布式应变的空间相关模型;利用异常诊断算法,计算桩基础结构状态诊断因子,进而将桩基础判别为正常状态或异常状态;对处于异常状态的桩基础结构,利用滑动平面聚类方法,实现桩基础冲刷深度的识别。本发明解决了桩基础结构状态的有效诊断及桩基础冲刷深度的近似估算问题。
Description
技术领域
本发明属于土木工程结构运营安全智能监测领域,特别是涉及一种基于分布式应变空间相关性的桥梁桩基础状态诊断方法。
背景技术
桩基础是桥梁下部结构的关键组成部分,时刻影响着桥梁整体结构的安全与稳定,因此,其安全问题不容忽视。然而,桩基础受到的荷载作用及环境因素复杂,易受地震、腐蚀和冲刷等因素的影响,且其深埋于土层之中,一般的检测手段往往难以全面准确地评估桩基础结构状态。因此,采用合理的方式对桩基础状态进行有效诊断,保障桩基础结构运营安全具有重要意义。目前,对桩基础状态诊断的研究主要集中于利用声波进行损伤的直接定位与识别、利用加速度传感器获取加速度信号进而分析结构模态这两类。然而,利用声波进行检测的方法难以实现桩基础结构的长时间连续监测,利用加速度传感器获取模态信息的方法受到的干扰大、结果精度较差。因此,目前迫切需要一种能实现桩基础结构状态实时监测和诊断的有效方法。
近年来,基于布里渊散射的全分布式光纤传感技术的进步为桩基础监测提供了新的有效手段。分布式传感光纤可实现桩基础结构应变的密集测点高精度连续测量,具有较高的稳定性和良好的长期监测能力。但如何合理有效使用分布式光纤获取的密集测点应变数据,尤其是如何发挥分布式应变数据的优势实现桩基础结构状态的有效诊断仍是一个亟待解决的难题。
发明内容
本发明的目的是为利用分布式应变监测数据实现桩基础结构的有效诊断,提供一种基于分布式应变空间相关性的桥梁桩基础状态诊断方法,以充分挖掘分布式应变特征,进而实现桩基础结构的有效诊断。
为实现上述目的,本发明采取的技术方案如下:
基于分布式应变空间相关性的桥梁桩基础状态诊断方法,所述方法包括以下步骤:
步骤一:利用分布式传感光纤获取桩基础结构的分布式应变,以地理加权回归分析方法为基础,构建桩基础分布式应变空间相关模型;
步骤二:利用步骤一所建立的桩基础分布式应变空间相关模型,结合异常诊断算法,计算桩基础结构状态诊断因子,在此基础上,对桩基础结构状态进行判别,将桩基础划分为正常状态或异常状态。
进一步地,所述方法还包括步骤三:对处于异常状态的桩基础结构,利用滑动平面聚类方法,对桩基础冲刷深度进行识别。
本发明相对于现有技术的有益效果是:本发明利用地理加权回归分析方法,构建桩基础结构分布式应变的空间相关模型;在此基础上,以异常诊断算法为基础,计算桩基础结构状态诊断因子,进而将桩基础判别为正常状态或异常状态;最后,对处于异常状态的桩基础结构,以滑动平面聚类方法为基础,实现桩基础冲刷深度的识别。与现有技术相比,解决了桩基础结构状态的有效诊断及桩基础冲刷深度的近似估算问题。
附图说明
图1为本发明的方法流程图。
图2为实施例中桩基础所处土层分布状况示意图。
图3为实施例中桥梁结构整体有限元模型图。
图4为实施例中桥梁下部结构有限元模型图。
图5为实施例中桥梁桩基础结构有限元模型图。
图6为实施例中5m冲刷深度下桩基础结构状态判别结果图。
图7为实施例中10m冲刷深度下桩基础结构状态判别结果图。
图8为实施例中15m冲刷深度下桩基础结构状态判别结果图。
图9为实施例中桩基础冲刷深度识别结果图。
具体实施方式
下面结合实施例和附图对本发明的技术方案作进一步的说明,但并不局限于此,凡是对本发明技术方案进行修正或等同替换,而不脱离本发明技术方案的精神范围,均应涵盖在本发明的保护范围之中。
具体实施方式一:本实施方式记载的是一种基于分布式应变空间相关性的桥梁桩基础状态诊断方法,如图1所示,所述方法包括以下步骤:
步骤一:利用分布式传感光纤获取桩基础结构的分布式应变,以地理加权回归分析方法为基础,构建桩基础分布式应变空间相关模型;
步骤二:利用步骤一所建立的桩基础分布式应变空间相关模型,结合异常诊断算法,计算桩基础结构状态诊断因子,在此基础上,对桩基础结构状态进行判别,将桩基础划分为正常状态或异常状态。
具体实施方式二:具体实施方式一所述的基于分布式应变空间相关性的桥梁桩基础状态诊断方法,所述方法还包括步骤三:对处于异常状态的桩基础结构,利用滑动平面聚类方法,对桩基础冲刷深度进行识别。
具体实施方式三:具体实施方式一或二所述的基于分布式应变空间相关性的桥梁桩基础状态诊断方法,所述步骤一具体为:
(1)采用分布式光纤获取桩基础结构密集测点的应变监测数据,并根据各测点空间位置计算相应的权值,如下式所示,
lij=hi-hj (2)
式中,wij为第i个测点对应的空间相关模型中的第j个权重;Li1为第i个测点到桩顶的距离;ξ为空间相关调整参数,取0.2;Li2为第i个测点到桩底的距离;hi为第i个测点的桩深;hj为第j个测点的桩深;
(2)记录桩基础第i个测点对应的应变空间,如下式所示,
(3)计算桩基础第i个测点对应的应变空间相关模型参数,如下式所示,
ki=[k1,k2,...,kN-1]=((Si)ΤWiSi)-1(Si)ΤWiSi (4)
式中,ki为第i个测点对应的应变空间相关模型参数;kN-1为ki中的第N-1个值;Wi为中间变量,无具体含义,可以理解为权重系数组成的权重矩阵;wi(N-1)为第i个测点对应的空间相关模型中的第N-1个权重;
(4)计算所有测点对应的应变空间相关模型参数,最终该桩基础对应的分布式应变空间相关模型,如下式所示,
具体实施方式四:具体实施方式一或二所述的基于分布式应变空间相关性的桥梁桩基础状态诊断方法,所述步骤二具体为:
(1)计算各个测点对应的应变空间相关模型输出值与该测点应变之间的残差,如下式所示,
式中,θi为第i个测点对应的应变空间相关模型输出值与该测点应变之间的残差向量;Si为第i个测点的应变监测数据;t为第i个测点的监测数据样本数量;θit为t时刻第i个测点对应的应变空间相关模型输出值与该测点应变之间的残差值;
(2)以残差的马氏距离作为桩基础结构状态的判别指标,桩基础结构状态诊断因子可按下式计算,
D=((θ-μθ)ΤΣ-1(θ-μθ))1/2=(d1,d2,...,dm,...,dt) (8)
θ=[θ1;θ2;...;θi;...;θN] (11)
式中,D为桩基础结构状态诊断因子向量;dm为第m个时刻下的桩基础结构状态诊断因子;θ、μθ为通过θNi构建的中间矩阵;
(3)以参考状态下的分布式应变监测数据为基础,计算桩基础结构状态诊断阈值,如下式所示,
T=d0.95t (12)
Dc=(d1,d2,...,dm,...,dt) (13)
式中,T为桩基础结构状态诊断阈值;d0.95t为桩基础结构状态诊断因子统计数据95%置信概率的分位数;Dc为参考状态下由小到大排列的桩基础结构状态诊断因子;dm为从小到大排列的第m个桩基础结构状态诊断因子;
(4)按下式对桩基础结构状态进行判别,
ds≤T (14)
式中,ds为待诊断状态下的桩基础结构状态诊断因子;
若上式成立,则桩基础处于正常状态;否则,桩基础处于异常状态。
具体实施方式五:具体实施方式二所述的基于分布式应变空间相关性的桥梁桩基础状态诊断方法,其特征在于:所述步骤三具体为:
(1)设桩基础冲刷估算深度为h m,令h为1;
(2)将所有测点按所处的桩基础深度由小到大排列,如下式所示,
S=[S1;S2;...;Su;Su+1;Su+2;...;SN] (15)
式中,u为桩基础深度不超过h m的最后一个测点编号;
计算深度小于h m与深度大于h m的两类测点集合的距离,如下式所示,
μ1、μ2为上式计算得到的中间矩阵;o是求和运算的计数符号,代表总数N中的第o个,So表示第o个测点应变数据向量;
(3)若h=1,则直接计算标记参量Ee和he的值,如下式所示,
Ee=E,he=h (19)
否则,需比较Ee与E的大小,如果E小于Ee,则修改Ee和he的值,如上式所示;
Ee和he为循环中的标记参量,用来保存计算得到的测点集合距离和冲刷深度;
(4)改变h为h+0.1,重复(2)~(4),直到h达到桩深,最终he即为所求桩基冲刷深度的估算深度。
实施例1:
本实施例选取某实际桥梁桩基础结构的有限元模型作为算例,验证本发明提出的基于分布式应变空间相关性的桥梁桩基础状态诊断方法的有效性。该桩基础结构长100m,直径2m,材料为C30混凝土,所处的土层状况如图2所示,土层参数如表1所示,有限元模型如图3~图5所示。
表1土层材料参数取值表
主要土层 | 密度(kg/m<sup>3</sup>) | 压缩模量(MPa) | 泊松比 |
杂填土层 | 1850 | 10 | 0.36 |
粉质黏土层1 | 1970 | 13 | 0.29 |
粉质黏土层2 | 2020 | 15 | 0.27 |
粉质黏土层3 | 2050 | 18 | 0.24 |
冲刷深度分别为5m、10m、15m时,桩基础结构状态的判别结果如图6~图8所示,桩基础冲刷深度的识别结果如图9所示。由图6~图8可以看出,冲刷发生时,桩基础结构状态诊断因子超过阈值,表明本发明提出的方法可以实现桩基础结构的有效判别。由图9可以看出,本发明所提方法的冲刷深度识别结果与实际冲刷程度十分接近,表明本发明提出的方法可以较为准确的识别出桩基础冲刷深度。
Claims (5)
1.基于分布式应变空间相关性的桥梁桩基础状态诊断方法,其特征在于:所述方法包括以下步骤:
步骤一:利用分布式传感光纤获取桩基础结构的分布式应变,以地理加权回归分析方法为基础,构建桩基础分布式应变空间相关模型;
步骤二:利用步骤一所建立的桩基础分布式应变空间相关模型,结合异常诊断算法,计算桩基础结构状态诊断因子,在此基础上,对桩基础结构状态进行判别,将桩基础划分为正常状态或异常状态。
2.根据权利要求1所述的基于分布式应变空间相关性的桥梁桩基础状态诊断方法,其特征在于:所述方法还包括步骤三:对处于异常状态的桩基础结构,利用滑动平面聚类方法,对桩基础冲刷深度进行识别。
3.根据权利要求1或2所述的基于分布式应变空间相关性的桥梁桩基础状态诊断方法,其特征在于:所述步骤一具体为:
(1)采用分布式光纤获取桩基础结构密集测点的应变监测数据,并根据各测点空间位置计算相应的权值,如下式所示,
lij=hi-hj (2)
式中,wij为第i个测点对应的空间相关模型中的第j个权重;Li1为第i个测点到桩顶的距离;ξ为空间相关调整参数;Li2为第i个测点到桩底的距离;hi为第i个测点的桩深;hj为第j个测点的桩深;
(2)记录桩基础第i个测点对应的应变空间,如下式所示,
(3)计算桩基础第i个测点对应的应变空间相关模型参数,如下式所示,
ki=[k1,k2,...,kN-1]=((Si)ΤWiSi)-1(Si)ΤWiSi (4)
式中,ki为第i个测点对应的应变空间相关模型参数;kN-1为ki中的第N-1个值;wi(N-1)为第i个测点对应的空间相关模型中的第N-1个权重;
(4)计算所有测点对应的应变空间相关模型参数,最终该桩基础对应的分布式应变空间相关模型,如下式所示,
4.根据权利要求1、2所述的基于分布式应变空间相关性的桥梁桩基础状态诊断方法,其特征在于:所述步骤二具体为:
(1)计算各个测点对应的应变空间相关模型输出值与该测点应变之间的残差,如下式所示,
式中,θi为第i个测点对应的应变空间相关模型输出值与该测点应变之间的残差向量;Si为第i个测点的应变监测数据;t为第i个测点的监测数据样本数量;θit为t时刻第i个测点对应的应变空间相关模型输出值与该测点应变之间的残差值;
(2)以残差的马氏距离作为桩基础结构状态的判别指标,桩基础结构状态诊断因子可按下式计算,
D=((θ-μθ)ΤΣ-1(θ-μθ))1/2=(d1,d2,...,dm,...,dt) (8)
θ=[θ1;θ2;...;θi;...;θN] (11)
式中,D为桩基础结构状态诊断因子向量;dm为第m个时刻下的桩基础结构状态诊断因子;θ、μθ为通过θNi构建的中间矩阵;
(3)以参考状态下的分布式应变监测数据为基础,计算桩基础结构状态诊断阈值,如下式所示,
T=d0.95t (12)
Dc=(d1,d2,...,dm,...,dt) (13)
式中,T为桩基础结构状态诊断阈值;d0.95t为桩基础结构状态诊断因子统计数据95%置信概率的分位数;Dc为参考状态下由小到大排列的桩基础结构状态诊断因子;dm为从小到大排列的第m个桩基础结构状态诊断因子;
(4)按下式对桩基础结构状态进行判别,
ds≤T (14)
式中,ds为待诊断状态下的桩基础结构状态诊断因子;
若上式成立,则桩基础处于正常状态;否则,桩基础处于异常状态。
5.根据权利要求2所述的基于分布式应变空间相关性的桥梁桩基础状态诊断方法,其特征在于:所述步骤三具体为:
(1)设桩基础冲刷估算深度为hm,令h为1;
(2)将所有测点按所处的桩基础深度由小到大排列,如下式所示,
S=[S1;S2;...;Su;Su+1;Su+2;...;SN] (15)
式中,u为桩基础深度不超过hm的最后一个测点编号;
计算深度小于hm与深度大于hm的两类测点集合的距离,如下式所示,
μ1、μ2为上式计算得到的中间矩阵;o是求和运算的计数符号,代表总数N中的第o个,So表示第o个测点应变数据向量;
(3)若h=1,则直接计算标记参量Ee和he的值,如下式所示,
Ee=E,he=h (19)
否则,需比较Ee与E的大小,如果E小于Ee,则修改Ee和he的值,如上式所示;
Ee和he为循环中的标记参量,用来保存计算得到的测点集合距离和冲刷深度;
(4)改变h为h+0.1,重复(2)~(4),直到h达到桩深,最终he即为所求桩基冲刷深度的估算深度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210375238.7A CN114693151A (zh) | 2022-04-11 | 2022-04-11 | 基于分布式应变空间相关性的桥梁桩基础状态诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210375238.7A CN114693151A (zh) | 2022-04-11 | 2022-04-11 | 基于分布式应变空间相关性的桥梁桩基础状态诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114693151A true CN114693151A (zh) | 2022-07-01 |
Family
ID=82143255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210375238.7A Pending CN114693151A (zh) | 2022-04-11 | 2022-04-11 | 基于分布式应变空间相关性的桥梁桩基础状态诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114693151A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115853035A (zh) * | 2022-11-30 | 2023-03-28 | 青岛市黄岛区交通运输局 | 一种桥梁桩基础冲刷状态的高密度测点应变模态诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001221616A (ja) * | 2000-02-07 | 2001-08-17 | Taisei Corp | 光ファイバひずみ分布測定器を使用した構造物のひずみ位置検出方法 |
CN104424373A (zh) * | 2013-08-26 | 2015-03-18 | 中国科学院亚热带农业生态研究所 | 一种空间变量相关性的精细表达方法 |
CN109271662A (zh) * | 2018-08-02 | 2019-01-25 | 浙江工业大学 | 一种基于实时监测数据处理的桥梁桩基健康状态评估方法 |
CN110186630A (zh) * | 2019-05-10 | 2019-08-30 | 哈尔滨工业大学 | 一种基于分布式光纤监测和主梁全长应变分布的桥梁状态检测与评估方法 |
CN110704801A (zh) * | 2019-09-19 | 2020-01-17 | 济南城建集团有限公司 | 桥梁集群结构运营安全智能监测与快速检测成套技术 |
-
2022
- 2022-04-11 CN CN202210375238.7A patent/CN114693151A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001221616A (ja) * | 2000-02-07 | 2001-08-17 | Taisei Corp | 光ファイバひずみ分布測定器を使用した構造物のひずみ位置検出方法 |
CN104424373A (zh) * | 2013-08-26 | 2015-03-18 | 中国科学院亚热带农业生态研究所 | 一种空间变量相关性的精细表达方法 |
CN109271662A (zh) * | 2018-08-02 | 2019-01-25 | 浙江工业大学 | 一种基于实时监测数据处理的桥梁桩基健康状态评估方法 |
CN110186630A (zh) * | 2019-05-10 | 2019-08-30 | 哈尔滨工业大学 | 一种基于分布式光纤监测和主梁全长应变分布的桥梁状态检测与评估方法 |
CN110704801A (zh) * | 2019-09-19 | 2020-01-17 | 济南城建集团有限公司 | 桥梁集群结构运营安全智能监测与快速检测成套技术 |
Non-Patent Citations (1)
Title |
---|
FENG LIU 等: ""Condition Diagnosis of Long-Span Bridge Pile Foundations"", 《SUSTAINABILITY》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115853035A (zh) * | 2022-11-30 | 2023-03-28 | 青岛市黄岛区交通运输局 | 一种桥梁桩基础冲刷状态的高密度测点应变模态诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110781592B (zh) | 一种设备剩余寿命的预测方法及系统 | |
CN111609805B (zh) | 基于全分布应变测点断面曲率的隧道结构状态诊断方法 | |
CN108256172B (zh) | 一种顶管下穿既有箱涵过程中险情预警预报方法 | |
CN109543356A (zh) | 考虑空间非平稳性的海洋内部温盐结构遥感反演方法 | |
CN114814956B (zh) | 基于渗漏浸润区域特征的土石坝深埋病害定位方法与装置 | |
CN103076394A (zh) | 基于振动识别频率和振型综合的海洋平台安全评定的方法 | |
CN114048790B (zh) | 一种基于耦合双向lstm和卷积结构网络的道路基层应变分析方法 | |
CN114693151A (zh) | 基于分布式应变空间相关性的桥梁桩基础状态诊断方法 | |
CN112200398B (zh) | 一种重力坝安全表面变形预警方法和装置 | |
CN106649966A (zh) | 一种基于多测点特征信息的大坝变形性态诊断方法 | |
CN116341272A (zh) | 一种用于配网工程数字化的施工安全风险管控系统 | |
CN109902265B (zh) | 一种基于隐马尔可夫模型的井下预警方法 | |
CN113128098B (zh) | 基于de-lof的混凝土坝奇异值检测方法和设备 | |
CN115218802A (zh) | 基于光纤传感和超声导波的航天器结构疲劳损伤智能识别方法 | |
CN104318079B (zh) | 一种基于故障演化分析的故障预测特征选择方法 | |
CN117272232A (zh) | 数据融合的隧道监测方法、装置、计算机设备及存储介质 | |
CN107256333A (zh) | 一种基于预测和动态阈值的Argo剖面异常检测方法 | |
CN116861789A (zh) | 微震参数多输入序列预测模型的岩爆预测方法 | |
CN109507697B (zh) | 一种新的gnss时间序列中异常值精确识别方法 | |
CN115455791A (zh) | 一种基于数值模拟技术提高滑坡位移预测准确率的方法 | |
CN114881074A (zh) | 一种基于聚类-深度学习的工程结构变形预测方法 | |
Zhu et al. | Damage detection of pile foundations in marine engineering based on a multidimensional dynamic signature | |
CN115853035B (zh) | 一种桥梁桩基础冲刷状态的高密度测点应变模态诊断方法 | |
CN115266914B (zh) | 基于声学信号处理的沉桩质量监测系统及监测方法 | |
CN116626170B (zh) | 基于深度学习和声发射的风机叶片损伤两步定位方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220701 |