CN114877820A - 基于不利诱因识别的高桩码头基桩监测方法 - Google Patents
基于不利诱因识别的高桩码头基桩监测方法 Download PDFInfo
- Publication number
- CN114877820A CN114877820A CN202210679285.0A CN202210679285A CN114877820A CN 114877820 A CN114877820 A CN 114877820A CN 202210679285 A CN202210679285 A CN 202210679285A CN 114877820 A CN114877820 A CN 114877820A
- Authority
- CN
- China
- Prior art keywords
- unfavorable
- pile
- optical fiber
- strain sensor
- output
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000013307 optical fiber Substances 0.000 claims abstract description 85
- 239000003292 glue Substances 0.000 claims description 86
- 238000002347 injection Methods 0.000 claims description 50
- 239000007924 injection Substances 0.000 claims description 50
- 230000009471 action Effects 0.000 claims description 44
- 238000012360 testing method Methods 0.000 claims description 38
- 239000000411 inducer Substances 0.000 claims description 36
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 30
- 238000012706 support-vector machine Methods 0.000 claims description 25
- 230000000694 effects Effects 0.000 claims description 22
- 239000000835 fiber Substances 0.000 claims description 22
- 238000009434 installation Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 17
- 239000003822 epoxy resin Substances 0.000 claims description 16
- 239000000463 material Substances 0.000 claims description 16
- 229920000647 polyepoxide Polymers 0.000 claims description 16
- 238000004088 simulation Methods 0.000 claims description 12
- 230000002411 adverse Effects 0.000 claims description 9
- 230000006866 deterioration Effects 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 5
- 230000001052 transient effect Effects 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 229920006335 epoxy glue Polymers 0.000 claims description 3
- 239000012535 impurity Substances 0.000 claims description 3
- 238000009415 formwork Methods 0.000 claims 3
- 230000002633 protecting effect Effects 0.000 abstract description 2
- 239000004593 Epoxy Substances 0.000 description 8
- 238000010030 laminating Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011895 specific detection Methods 0.000 description 4
- 230000009545 invasion Effects 0.000 description 3
- 239000013535 sea water Substances 0.000 description 3
- 238000004026 adhesive bonding Methods 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
- G01B11/18—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge using photoelastic elements
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
- E02D33/00—Testing foundations or foundation structures
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
- E02D5/00—Bulkheads, piles, or other structural elements specially adapted to foundation engineering
- E02D5/22—Piles
-
- 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
- G01L1/24—Measuring force or stress, in general by measuring variations of optical properties of material when it is stressed, e.g. by photoelastic stress analysis using infrared, visible light, ultraviolet
- G01L1/242—Measuring force or stress, in general by measuring variations of optical properties of material when it is stressed, e.g. by photoelastic stress analysis using infrared, visible light, ultraviolet the material being an optical fibre
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/727—Offshore wind turbines
Abstract
本发明公开了一种基于不利诱因识别的高桩码头基桩监测方法，本方法中通过在基桩上安装光纤应变传感器，光纤应变传感器一端和控制中心相连实现对基桩的监测，其特征在于，光纤应变传感器具有安装在基桩水上的部分和安装在水下的部分，光纤应变传感器沿基桩表面竖向贴合设置并依靠覆盖于表面的水下环氧树脂实现固定和保护。本发明实施方便快捷，对光纤传感器固定和保护效果好，使得监测更加准确可靠，使用寿命较长，并能够分析高桩损伤诱发原因，能够更好地实现对码头安全监控。
Description
本申请为申请号202110302961.8，申请日2021-03-22的《一种高桩码头基桩监测方法》专利的分案申请。
技术领域
本发明涉及码头安全监控技术领域，具体涉及一种高桩码头基桩监测方法。
背景技术
高桩码头是指主要由上部结构、桩基和码头设备等组成的码头。上部结构构成码头面并与桩基连成整体，直接承受作用在码头面的垂向及水平荷载，并将其传递给桩基。桩基用来支承上部结构，并将上部结构及码头面的荷载，通过桩土(岩)相互作用将荷载传递到地基中。高桩码头具有适应大水位变幅、泊稳条件好、装卸效率高等优点，是目前内河、海港码头建设的主要结构型式。
高桩码头在船舶不规范靠泊、局部超限堆载、风浪流冲击等常见不利诱因作用下，会逐渐产生累积性损伤，严重影响结构的可靠性。有人曾对华东、华南29座海港高桩码头结构物的调查结果显示，码头运行20年以内，90％以上的码头均出现不同程度的结构损伤。通过对宁波象山码头、江北区码头、北仓区码头等上百个高桩码头的检测统计资料显示：码头服役多年后，结构普遍存在一定程度的结构损伤；上部结构严重病害占18％，桩基发生严重破坏的占72％，其他结构破坏占10％。故需要对高桩进行监测以保证其使用安全。
现有主要针对高桩码头状态监测需求的专利及文献，均只介绍了简单的监测功能。如实用新型专利(CN205879247U)提出了一种基于光纤传感技术和BIM技术的高桩码头健康监测系统，通过在高桩码头上布设各种传感器，监测高桩码头受力状态；发明专利(CN104567794A)结合AIS与无线通信，提出了一种基桩变形监测系统。但上述专利方法均只是简单地利用传感技术监测高桩码头受力情况，不能根据监测数据进一步分析和识别引起结构损伤的不利诱因，因而也就无法有针对性的排除当前作用在高桩码头上的不利诱因。由于无法获知作用在码头上的不利诱因，导致不能及时采取相应措施消除或减弱不利诱因的作用，码头一直处于“亚健康”状态。当码头结构损伤积累到一定程度时，码头结构可能会出现重大损伤，直至完全失效，严重威胁着高桩码头长期安全可靠运营。
另外，上述专利技术中均没有公开光纤传感器的安装方式，光纤传感器只是采用常规的安装方法进行安装。一般光纤传感器安装时是采用焊接、捆扎或表面粘接的方式，将光纤传感器固定在基桩水上部分，这样只能实现水上部分基桩应变状态检测。而高桩码头桩基长达几十米，大部分位于水下，仅通过水上部分节点应变监测值是无法完整反映桩基受力状态的。光纤传感器在水下安装时，如果也采用普通的安装方式，则对光纤传感器的固定效果和保护效果较差，光纤长期受海水侵蚀，海浪冲击，海洋生物侵入等因素作用，这些因素直接作用于光纤造成破坏，对检测结果会造成混淆。故现有的技术容易因光纤的安装不当而引发检测误差，使得检测精度快速降低，使用寿命较短，同样威胁着高桩码头长期安全可靠运营。
发明内容
针对上述现有技术的不足，本发明所要解决的技术问题是：怎样提供一种实施方便快捷，对光纤传感器固定和保护效果好，使得监测更加准确可靠，使用寿命较长的高桩码头基桩监测方法，并进一步能够分析高桩损伤诱发原因，能够更好地实现对码头安全监控。
为了解决上述技术问题，本发明采用了如下的技术方案：
一种高桩码头基桩监测方法，本方法中通过在基桩上安装光纤应变传感器，光纤应变传感器一端和控制中心相连实现对基桩的监测，其特征在于，光纤应变传感器具有安装在基桩水上的部分和安装在基桩水下的部分，光纤应变传感器沿基桩表面竖向贴合设置并依靠覆盖于表面的水下环氧树脂实现固定和保护。
这样，本方案中光纤应变传感器安装在基桩上并和控制中心相连，传感器可实时检测基桩表面遭受的应力变化情况，转化为检测信号进而实现对基桩的监控。其中水下环氧树脂是一种现有的可在水下使用的固化材料。本发明方案中，光纤应变传感器依靠水下环氧树脂贴合固定到基桩上，即具有水上的部分又具有水下的部分。这样能够更加完整准确地监测反映桩基受力状态。光纤依靠水下环氧树脂实现固定和保护，能够避免光纤遭受海水侵蚀，海浪冲击，海洋生物侵入等形成破坏而影响检测精度，保证了监测的可靠性。同时本方法方便光纤应变传感器的安装固定，不会对基桩自身质量造成破坏或影响，适用于新建或已建高桩码头。
进一步地，所述光纤应变传感器为光纤光栅分布式应变传感器，或光纤布里渊分布式应变传感器。
具有产品成熟，检测可靠，成本低廉等优点。
进一步地，每根基桩上对称设置两条测线，一条位于面向水域一侧，另一条位于面向岸坡一侧，每条测线对应布置安装一条光纤应变传感器。
这样是因为基桩受船舶停靠以及海浪冲击和风流影响等作用时，多数情况下均是沿水域面对岸坡的方向受力，所以在此方向上设置两条测线，能够用最少的应变传感器最大程度地检测出基桩的受力和应变情况，提高监测精确度。
进一步地，光纤应变传感器按照以下步骤安装：
第一步：清除桩基表面杂物，保持表面平整；
第二步：将光纤应变传感器沿基桩预设测线位置拉直，并通过临时固定点固定在基桩表面；
第三步：采用注胶模板辅助安装，注胶模板横截面呈圆弧状，长度与需安装的分布式光纤应变传感器相当，依靠注胶模板覆盖住光纤应变传感器并实现固定；
第四步：利用注胶机将水下环氧树脂从下往上注入到注胶模板内，水下环氧胶自下而上灌满注胶模板内的空隙，将传感器粘贴在基桩表面；
第五步：待水下环氧树脂硬化后拆除注胶模板，光纤应变传感器安装完毕。
这样，采用注胶模板辅助安装，方便快捷，安装固定可靠，保证监测精度；同时不会对基桩造成损伤，适用于新建或已建高桩码头。
进一步地，第二步中，光纤应变传感器通过三个临时固定点固定在基桩表面，其中一个点位于基桩靠近上端位置，一个点位于基桩靠近下端位置，另一个点位于基桩中部位置。
这样操作简单便捷，固定可靠。
进一步地，第二步中，采用水下环氧树脂依靠注胶机点胶的方式，实现对光纤应变传感器三个临时固定点的固定。
这样，固定方便快捷可靠，且点胶固定的水下环氧树脂和后续注胶的水下环氧树脂结合为一体，整体固定更加可靠稳定。
进一步地，所述注胶模板宽度方向的两侧具有一段用于和基桩表面贴合的贴合部，宽度方向的中部具有凸起的光纤容纳腔，光纤容纳腔凸起高度大于光纤直径，注胶模板下端端部位置整体为贴合基桩表面的弧形，上端端部留有光纤容纳腔出口，注胶模板侧面靠近下端位置开有注胶入口，注胶入口和光纤容纳腔相通。
这样，可以更加方便注胶模板覆盖住光纤应变传感器，且光纤容纳腔两侧和下端的模板能够和基准表面贴合，避免注胶时水下环氧树脂从缝隙流出，注胶时通过注胶机将水下环氧树脂从注胶入口位置注入，能够更好地实现注胶。
进一步地，所述注胶模板左右对称成对设置，每对注胶模板之间连接设置有压紧用的抱箍机构，抱箍机构包括左箍带和右箍带，左箍带和右箍带的一端铰接设置，另一端为开合端且开合端设置有快速锁扣，所述注胶模板竖向固定在左箍带和右箍带的中部位置。
这样，注胶模板使用时成对使用，一对注胶模板分别扣合在基桩的两条光纤应变传感器上，然后依靠快速锁扣实现开合端的闭合锁紧，使得注胶模板紧贴到基桩上，且贴合固定非常可靠稳定。这样注胶时更加便捷，无需再另外用手实现注胶模板的固定，极大地提高了注胶操作效率。
进一步地，每对注胶模板上下两端靠近端部位置各设置有一个抱箍机构。这样可更好地实现对注胶模板的压紧固定。
进一步地，当高桩码头为内河架空直立式码头时，利用低水位期施工安装。
进一步地，当高桩码头为海港高桩码头时，安排潜水人员进行施工安装。
进一步地，光纤应变传感器安装后，在控制中心建立不利诱因识别分类器模型，进行不利诱因识别训练，监测时根据光纤应变传感器检测信号，实现对不利诱因的自动识别。
这样，通过对不利诱因的自动识别训练，可以在监测时实现对检测信号的自动识别，反馈监控人员不利诱因信息，能够更好地方便监控人员及时作出具有针对性的应对。更好地提高码头监控的安全保障。其中分类器模型可以采用并列支持向量机分类器模型，更加符合码头不利诱因识别的具体情况，识别更加精确可靠。
作为一种优选，不利诱因识别分类器模型的建立、训练和识别按照以下方式实现：
a.确定不利诱因并获取测试数据；先确定4种高桩码头不利诱因因素，1＝船舶不规范靠泊、2＝局部超限堆载、3＝风作用、4＝水流作用；利用安装好的光纤应变传感器，获取四种不利诱因单独作用下，群桩分布式应变数据，作为不利诱因反演模型的测试数据；
b.提取特征矢量；对测试数据进行统计分析，提取最大应变x1、平均应变x2作为时域特征参数；对测试数据进行频率分析，提取信号前三阶谐波频率x3、x4、x5作为频域特征参数；对测试数据进行HHT分析，提取前三阶固有模态频率x6、x7、x8，瞬态能量x9作为时频域特征参数；然后每条分布式光纤测试数据特征参数均组成一个特征矢量 x＝(x1,x2,...,x9)，由于x中各特征量存在一定的相关性且维度过高，利用PCA算法，求得x的主成分y＝(y1,y2,...ym)，m<9，以此作为后面分类器训练的样本数据；
c.建立并列支持向量机分类器模型；根据4个不利诱因，建立四个并列的支持向量机分类器：
SVM1:本分类器将船舶不规范靠泊和其它3种不利诱因区分开来，当为船舶不规范靠泊时，SVM1输出取+1，否则取-1；f1(y)为SVM1的分类函数，如式(1)所示，其中 a1i(i＝1,2,…n)，b1为分类函数f1(y)的系数，Φ为高斯核函数；
SVM2：本分类器将局部超限堆载与其它3种不利诱因区分开来，当为局部超限堆载时，SVM2输出取+1，否则取-1；f2(y)为SVM2的分类函数，如式(2)所示，其中 a2i(i＝1,2,…n)，b2为分类函数f2(y)的系数，Φ为高斯核函数；
SVM3：本分类器将风作用与其它3种不利诱因区分开来，当为风作用时，SVM3输出取+1，否则取-1。f3(y)为SVM3的分类函数，如式(3)所示，其中a3i(i＝1,2,…n)，b3为分类函数f3(y)的系数，Φ为高斯核函数；
SVM4：本分类器将水流作用与其它3种不利诱因区分开来，当为水流作用时，SVM4输出取+1，否则取-1；f4(y)为SVM4的分类函数，如式(4)所示，其中a4i(i＝1,2,…n)，b4为分类函数f4(y)的系数，Φ为高斯核函数；
d.模型参数训练；将b步骤中得到的样本数据输入并列支持向量机分类器模型，利用SVM训练算法确定SVM1、SVM2、SVM3、SVM4的系数矩阵a与b，从而实现对并行支持向量机分类器模型的参数化；
e.不利诱因作用识别；模型参数训练完成后，即可利用该模型进行不利诱因作用识别；具体过程为SVM1输出为+1，则表示存在船舶不规范靠泊，否则不存在；SVM2输出为+1，则表示存在局部超限堆载，否则不存在；SVM3输出为+1，则表示存在风作用，否则不存在；SVM4输出为+1，则表示存在水流作用，否则不存在。
因此，采用上述方式进行不利诱因识别，识别时列举所有输出为+1的分类器，就可以确定作用在高桩码头上的不利诱因类型。例如，若SVM1、SVM3输出为+1，SVM2、SVM4 输出为-1，则表明目前作用在高桩码头上的不利诱因有船舶不规范靠泊和风作用。上述a 步骤中，获取数据可以通过具体检测或者试验的方式获取，具体地说，风作用因素和水流作用因素的数据可以通过在码头水面上安装检测风力的传感器和码头水面下安装检测水流冲击力的传感器具体实际检测获得。局部超限堆载作用因素的数据可以通过具体试验的方式获得，即在码头表面具体各位置堆砌超限重物后获取数据。船舶不规范靠泊因素的数据，可以通过具体试验的方式获取或者根据实际船舶靠岸情况检测获取均可。这样，本方式能够更好地保证不利因素识别的准确性和可靠性。
作为另一种优选，不利诱因识别分类器模型的建立、训练和识别按照以下方式实现：
a.确定不利诱因并获取测试数据；
先确定6种高桩码头不利诱因因素，1＝船舶不规范靠泊、2＝岸坡不均沉降、3＝局部超限堆载、4＝材料形状劣化、5＝风浪流冲击、6＝地震作用；其中，利用安装好的光纤应变传感器，获取1船舶不规范靠泊、3局部超限堆载和5风浪流冲击这三种不利诱因单独作用下，群桩分布式应变数据；同时，对于另外三种不利诱因，采用建立高桩码头ABAQUS数值仿真分析模型，在软件模型中模拟这些不利诱因单独作用下的群桩分布式应变数据；实测数据与仿真数据共同作为不利诱因反演模型的测试数据；
b.提取特征矢量；
对测试数据进行统计分析，提取最大应变x1、平均应变x2作为时域特征参数；对测试数据进行频率分析，提取信号前三阶谐波频率x3、x4、x5作为频域特征参数；对测试数据进行HHT分析，提取前三阶固有模态频率x6、x7、x8，瞬态能量x9作为时频域特征参数；然后从每条分布式光纤得到的测试数据均提取出一个高维特征矢量x＝(x1,x2,...,x9)，其中 x1,x2,…,x9为群桩应变分布数据的9个特征值；由于高维特征矢量x中各特征量存在一定的相关性且维度过高，利用PCA算法，求得x的主成分y＝(y1,y2,...ym)，m<9，以此作为后面分类器训练的样本数据；
c.建立并列支持向量机分类器模型；根据6个不利诱因，建立六个并列的支持向量机分类器模型，对这6种不利诱因进行分类识别：
SVM1：本分类器将船舶不规范靠泊和其它5种不利诱因区分开来，当为船舶不规范靠泊时，SVM1输出取+1，否则取-1，f1(y)为SVM1的分类函数，如式(1)所示，其中 a1i(i＝1,2,…n)，b1为分类函数f1(y)的系数，Φ为高斯核函数；
SVM2：本分类器将岸坡不均匀性沉降和其它5种不利诱因区分开来，当为岸坡不均匀性沉降时，SVM2输出取+1，否则取-1；f2(y)为SVM2的分类函数，如式(2)所示，其中a2i(i＝1,2,…n)，b2为分类函数f2(y)的系数，Φ为高斯核函数；
SVM3：本分类器将局部超限堆载和其它5种不利诱因区分开来，当为局部超限堆载时，SVM3输出取+1，否则取-1；f3(y)为SVM3的分类函数，如式(3)所示，其中 a3i(i＝1,2,…n)，b3为分类函数f3(y)的系数，Φ为高斯核函数；
SVM4：本分类器将材料性质劣化和其它5种不利诱因区分开来，当为材料性质劣化时，SVM4输出取+1，否则取-1；f4(y)为SVM4的分类函数，如式(4)所示，其中 a4i(i＝1,2,…n)，b4为分类函数f4(y)的系数，Φ为高斯核函数；
SVM5：本分类器将风浪流冲击和其它5种不利诱因区分开来，当为风浪流冲击时，SVM5输出取+1，否则取-1；f5(y)为SVM5的分类函数，如式(5)所示，其中a5i(i＝1,2,…n)，b5为分类函数f5(y)的系数，Φ为高斯核函数；
SVM6：本分类器将地震作用和其它5种不利诱因区分开来，当为地震作用时，SVM6输出取+1，否则取-1；f6(y)为SVM6的分类函数，如式(6)所示，其中a6i(i＝1,2,…n)，b6为分类函数f6(y)的系数，Φ为高斯核函数；
d.模型参数训练；将b步骤中得到的样本数据输入六个并列支持向量机分类器模型，利用SVM训练算法确定SVM1、SVM2、SVM3、SVM4、SVM5、SVM6的系数矩阵a与 b，从而实现对6个并列支持向量机分类器模型的参数化；
e.不利诱因作用识别；模型参数训练完成后，即可利用该模型进行不利诱因作用识别；具体过程为：SVM1输出为+1，则表示存在船舶不规范靠泊，否则不存在；SVM2输出为 +1，则表示存在岸坡不均匀性沉降，否则不存在；SVM3输出为+1，则表示存在局部超限堆载，否则不存在；SVM4输出为+1，则表示存在材料性质劣化，否则不存在；SVM5输出为+1，则表示存在风浪流冲击，否则不存在；SVM6输出为+1，则表示存在地震作用，否则不存在。
采用本方式进行不利诱因识别。和前一种方式相比，因为风流和浪流冲击往往同时发生，具有一致性，故将风流作用和浪流作用视为了同一因素，以简练模型。其中1、3和5三种不利诱因的数据获取方式和第一种方式中相同，可以通过具体检测或者试验的方式实际获取。同时本方式中增加了2、4、6三种难以现场检测的不利诱因，可采用建立高桩码头ABAQUS数值仿真分析模型，在软件模型中模拟这些不利诱因单独作用下的群桩分布式应变数据。其中ABAQUS软件为现有成熟的一套功能强大的工程模拟的有限元软件，该软件能够用于模拟典型工程材料的性能，解决建筑工程结构应力和位移模拟分析的问题。是成熟的现有技术。用于此处，可以增加难以现场检测的三种不利诱因的数据，极大地提高了模型识别的全面性。
故本发明有益之处为，首次提出了一种可根据群桩分布式应变数据实时反演高桩码头不利诱因的方法，通过并列支持向量机分类器模型，对输入的分布式应变数据进行分析，实时判断当前作用在码头上的不利诱因的类型，对及时排除险情、预防重大安全事故，保障高桩码头安全、可靠运营具有重大意义。
综上所述，本发明实施方便快捷，对光纤传感器固定和保护效果好，使得监测更加准确可靠，使用寿命较长，并能够分析高桩损伤诱发原因，能够更好地实现对码头安全监控。
附图说明
图1为实施例1中码头基桩在安装光纤应变传感器时的示意图。
图2为图1中放大后的A-A示意图。
图3为实施例1中并列支持向量机分类器模型原理示意图。
图4为实施例2中并列支持向量机分类器模型原理示意图。
具体实施方式
下面结合具体实施方式对本发明作进一步的详细说明。
具体实施例1：一种高桩码头基桩监测方法，参见图1-2，本方法中通过在基桩1上安装光纤应变传感器2，光纤应变传感器2一端和控制中心(图中未显示)相连实现对基桩的监测，其中，光纤应变传感器2具有安装在基桩水上的部分和安装在基桩水下的部分，光纤应变传感器2沿基桩1表面竖向贴合设置并依靠覆盖于表面的水下环氧树脂实现固定和保护。
这样，本方案中光纤应变传感器安装在基桩上并和控制中心相连，传感器可实时检测基桩表面遭受的应力变化情况，转化为检测信号进而实现对基桩的监控。其中水下环氧树脂是一种现有的可在水下使用的固化材料。本发明方案中，光纤应变传感器依靠水下环氧树脂贴合固定到基桩上，即具有水上的部分又具有水下的部分。这样能够更加完整准确地监测反映桩基受力状态。光纤依靠水下环氧树脂实现固定和保护，能够避免光纤遭受海水侵蚀，海浪冲击，海洋生物侵入等形成破坏而影响检测精度，保证了监测的可靠性。同时本方法方便光纤应变传感器的安装固定，不会对基桩自身质量造成破坏或影响，适用于新建或已建高桩码头。
其中，所述光纤应变传感器2为光纤光栅分布式应变传感器，或光纤布里渊分布式应变传感器。
具有产品成熟，检测可靠，成本低廉等优点。
其中，每根基桩1上对称设置两条测线，一条位于面向水域一侧，另一条位于面向岸坡一侧，每条测线对应布置安装一条光纤应变传感器2。
这样是因为基桩受船舶停靠以及海浪冲击和风流影响等作用时，多数情况下均是沿水域面对岸坡的方向受力，所以在此方向上设置两条测线，能够用最少的应变传感器最大程度地检测出基桩的受力和应变情况，提高监测精确度。
其中，光纤应变传感器按照以下步骤安装：
第一步：清除桩基表面杂物，保持表面平整；
第二步：将光纤应变传感器沿基桩预设测线位置拉直，并通过临时固定点固定在基桩表面；
第三步：采用注胶模板3辅助安装，注胶模板3横截面呈圆弧状，长度与需安装的分布式光纤应变传感器相当，依靠注胶模板覆盖住光纤应变传感器并实现固定；
第四步：利用注胶机将水下环氧树脂从下往上注入到注胶模板内，水下环氧胶自下而上灌满注胶模板内的空隙，将传感器粘贴在基桩表面；
第五步：待水下环氧树脂硬化后拆除注胶模板，光纤应变传感器安装完毕。
这样，采用注胶模板辅助安装，方便快捷，安装固定可靠，保证监测精度；同时不会对基桩造成损伤，适用于新建或已建高桩码头。
第二步中，光纤应变传感器通过三个临时固定点固定在基桩表面，其中一个点位于基桩靠近上端位置，一个点位于基桩靠近下端位置，另一个点位于基桩中部位置。
这样操作简单便捷，固定可靠。
第二步中，采用水下环氧树脂依靠注胶机点胶的方式，实现对光纤应变传感器三个临时固定点的固定。
这样，固定方便快捷可靠，且点胶固定的水下环氧树脂和后续注胶的水下环氧树脂结合为一体，整体固定更加可靠稳定。
其中，所述注胶模板3宽度方向的两侧具有一段用于和基桩表面贴合的贴合部4，宽度方向的中部具有凸起的光纤容纳腔，光纤容纳腔凸起高度大于光纤直径，注胶模板3下端端部位置整体为贴合基桩表面的弧形，上端端部留有光纤容纳腔出口，注胶模板侧面靠近下端位置开有注胶入口5，注胶入口5和光纤容纳腔相通。
这样，可以更加方便注胶模板覆盖住光纤应变传感器，且光纤容纳腔两侧和下端的模板能够和基准表面贴合，避免注胶时水下环氧树脂从缝隙流出，注胶时通过注胶机将水下环氧树脂从注胶入口位置注入，能够更好地实现注胶。
其中，所述注胶模板3左右对称成对设置，每对注胶模板3之间连接设置有压紧用的抱箍机构，抱箍机构包括左箍带6和右箍带7，左箍带6和右箍带7的一端铰接设置，另一端为开合端且开合端设置有快速锁扣8，所述注胶模3板竖向固定在左箍带和右箍带的中部位置。
这样，注胶模板使用时成对使用，一对注胶模板分别扣合在基桩的两条光纤应变传感器上，然后依靠快速锁扣实现开合端的闭合锁紧，使得注胶模板紧贴到基桩上，且贴合固定非常可靠稳定。这样注胶时更加便捷，无需再另外用手实现注胶模板的固定，极大地提高了注胶操作效率。
其中，每对注胶模板上下两端靠近端部位置各设置有一个抱箍机构。这样可更好地实现对注胶模板的压紧固定。
实施时，当高桩码头为内河架空直立式码头时，利用低水位期施工安装。当高桩码头为海港高桩码头时，安排潜水人员进行施工安装。
其中，光纤应变传感器安装后，在控制中心建立不利诱因识别分类器模型，进行不利诱因识别训练，监测时根据光纤应变传感器检测信号，实现对不利诱因的自动识别。
这样，通过对不利诱因的自动识别训练，可以在监测时实现对检测信号的自动识别，反馈监控人员不利诱因信息，能够更好地方便监控人员及时作出具有针对性的应对。更好地提高码头监控的安全保障。其中分类器模型可以采用并列支持向量机分类器模型，更加符合码头不利诱因识别的具体情况，识别更加精确可靠。
本实施例中，不利诱因识别分类器模型的建立、训练和识别按照以下方式实现，参见图3所示：
a.确定不利诱因并获取测试数据；先确定4种高桩码头不利诱因因素，1＝船舶不规范靠泊、2＝局部超限堆载、3＝风作用、4＝水流作用；利用安装好的光纤应变传感器，获取四种不利诱因单独作用下，群桩分布式应变数据，作为不利诱因反演模型的测试数据；
b.提取特征矢量；对测试数据进行统计分析，提取最大应变x1、平均应变x2作为时域特征参数；对测试数据进行频率分析，提取信号前三阶谐波频率x3、x4、x5作为频域特征参数；对测试数据进行HHT分析，提取前三阶固有模态频率x6、x7、x8，瞬态能量x9作为时频域特征参数；然后每条分布式光纤测试数据特征参数均组成一个特征矢量 x＝(x1,x2,...,x9)，由于x中各特征量存在一定的相关性且维度过高，利用PCA算法，求得x的主成分y＝(y1,y2,...ym)，m<9，以此作为后面分类器训练的样本数据；
c.建立并列支持向量机分类器模型；根据4个不利诱因，建立四个并列的支持向量机分类器：
SVM1:本分类器将船舶不规范靠泊和其它3种不利诱因区分开来，当为船舶不规范靠泊时，SVM1输出取+1，否则取-1；f1(y)为SVM1的分类函数，如式(1)所示，其中 a1i(i＝1,2,…n)，b1为分类函数f1(y)的系数，Φ为高斯核函数；
SVM2：本分类器将局部超限堆载与其它3种不利诱因区分开来，当为局部超限堆载时，SVM2输出取+1，否则取-1；f2(y)为SVM2的分类函数，如式(2)所示，其中 a2i(i＝1,2,…n)，b2为分类函数f2(y)的系数，Φ为高斯核函数；
SVM3：本分类器将风作用与其它3种不利诱因区分开来，当为风作用时，SVM3输出取+1，否则取-1。f3(y)为SVM3的分类函数，如式(3)所示，其中a3i(i＝1,2,…n)，b3为分类函数f3(y)的系数，Φ为高斯核函数；
SVM4：本分类器将水流作用与其它3种不利诱因区分开来，当为水流作用时，SVM4输出取+1，否则取-1；f4(y)为SVM4的分类函数，如式(4)所示，其中a4i(i＝1,2,…n)，b4为分类函数f4(y)的系数，Φ为高斯核函数；
d.模型参数训练；将b步骤中得到的样本数据输入并列支持向量机分类器模型，利用SVM训练算法确定SVM1、SVM2、SVM3、SVM4的系数矩阵a与b，从而实现对并行支持向量机分类器模型的参数化；
e.不利诱因作用识别；模型参数训练完成后，即可利用该模型进行不利诱因作用识别；具体过程为SVM1输出为+1，则表示存在船舶不规范靠泊，否则不存在；SVM2输出为+1，则表示存在局部超限堆载，否则不存在；SVM3输出为+1，则表示存在风作用，否则不存在；SVM4输出为+1，则表示存在水流作用，否则不存在。
因此，本实施例为基于四因素识别的高桩码头基桩监测方法，其中采用上述四因素识别方式进行不利诱因识别，识别时列举所有输出为+1的分类器，就可以确定作用在高桩码头上的不利诱因类型。例如，若SVM1、SVM3输出为+1，SVM2、SVM4输出为-1，则表明目前作用在高桩码头上的不利诱因有船舶不规范靠泊和风作用。上述a步骤中，获取数据可以通过具体检测或者试验的方式获取，具体地说，风作用因素和水流作用因素的数据可以通过在码头水面上安装检测风力的传感器和码头水面下安装检测水流冲击力的传感器具体实际检测获得。局部超限堆载作用因素的数据可以通过具体试验的方式获得，即在码头表面具体各位置堆砌超限重物后获取数据。船舶不规范靠泊因素的数据，可以通过具体试验的方式获取或者根据实际船舶靠岸情况检测获取均可。这样，本方式能够更好地保证不利因素识别的准确性和可靠性。
实施例2。本实施例中其余部分和实施例1相同，不同之处仅仅在于，不利诱因识别分类器模型的建立、训练和识别按照以下方式实现，参见图4：
a.确定不利诱因并获取测试数据；
先确定6种高桩码头不利诱因因素，1＝船舶不规范靠泊、2＝岸坡不均沉降、3＝局部超限堆载、4＝材料形状劣化、5＝风浪流冲击、6＝地震作用；其中，利用安装好的光纤应变传感器，获取1船舶不规范靠泊、3局部超限堆载和5风浪流冲击这三种不利诱因单独作用下，群桩分布式应变数据；同时，对于另外三种不利诱因，采用建立高桩码头ABAQUS数值仿真分析模型，在软件模型中模拟这些不利诱因单独作用下的群桩分布式应变数据；实测数据与仿真数据共同作为不利诱因反演模型的测试数据；
b.提取特征矢量；
对测试数据进行统计分析，提取最大应变x1、平均应变x2作为时域特征参数；对测试数据进行频率分析，提取信号前三阶谐波频率x3、x4、x5作为频域特征参数；对测试数据进行HHT分析，提取前三阶固有模态频率x6、x7、x8，瞬态能量x9作为时频域特征参数；然后从每条分布式光纤得到的测试数据均提取出一个高维特征矢量x＝(x1,x2,...,x9)，其中 x1,x2,…,x9为群桩应变分布数据的9个特征值；由于高维特征矢量x中各特征量存在一定的相关性且维度过高，利用PCA算法，求得x的主成分y＝(y1,y2,...ym)，m<9，以此作为后面分类器训练的样本数据；
c.建立并列支持向量机分类器模型；根据6个不利诱因，建立六个并列的支持向量机分类器模型，对这6种不利诱因进行分类识别：
SVM1：本分类器将船舶不规范靠泊和其它5种不利诱因区分开来，当为船舶不规范靠泊时，SVM1输出取+1，否则取-1，f1(y)为SVM1的分类函数，如式(1)所示，其中 a1i(i＝1,2,…n)，b1为分类函数f1(y)的系数，Φ为高斯核函数；
SVM2：本分类器将岸坡不均匀性沉降和其它5种不利诱因区分开来，当为岸坡不均匀性沉降时，SVM2输出取+1，否则取-1；f2(y)为SVM2的分类函数，如式(2)所示，其中a2i(i＝1,2,…n)，b2为分类函数f2(y)的系数，Φ为高斯核函数；
SVM3：本分类器将局部超限堆载和其它5种不利诱因区分开来，当为局部超限堆载时，SVM3输出取+1，否则取-1；f3(y)为SVM3的分类函数，如式(3)所示，其中 a3i(i＝1,2,…n)，b3为分类函数f3(y)的系数，Φ为高斯核函数；
SVM4：本分类器将材料性质劣化和其它5种不利诱因区分开来，当为材料性质劣化时，SVM4输出取+1，否则取-1；f4(y)为SVM4的分类函数，如式(4)所示，其中 a4i(i＝1,2,…n)，b4为分类函数f4(y)的系数，Φ为高斯核函数；
SVM5：本分类器将风浪流冲击和其它5种不利诱因区分开来，当为风浪流冲击时，SVM5输出取+1，否则取-1；f5(y)为SVM5的分类函数，如式(5)所示，其中a5i(i＝1,2,…n)，b5为分类函数f5(y)的系数，Φ为高斯核函数；
SVM6：本分类器将地震作用和其它5种不利诱因区分开来，当为地震作用时，SVM6输出取+1，否则取-1；f6(y)为SVM6的分类函数，如式(6)所示，其中a6i(i＝1,2,…n)，b6为分类函数f6(y)的系数，Φ为高斯核函数；
d.模型参数训练；将b步骤中得到的样本数据输入六个并列支持向量机分类器模型，利用SVM训练算法确定SVM1、SVM2、SVM3、SVM4、SVM5、SVM6的系数矩阵a与 b，从而实现对6个并列支持向量机分类器模型的参数化；
e.不利诱因作用识别；模型参数训练完成后，即可利用该模型进行不利诱因作用识别；具体过程为：SVM1输出为+1，则表示存在船舶不规范靠泊，否则不存在；SVM2输出为 +1，则表示存在岸坡不均匀性沉降，否则不存在；SVM3输出为+1，则表示存在局部超限堆载，否则不存在；SVM4输出为+1，则表示存在材料性质劣化，否则不存在；SVM5输出为+1，则表示存在风浪流冲击，否则不存在；SVM6输出为+1，则表示存在地震作用，否则不存在。
故本实施例2为基于六因素识别的高桩码头基桩监测方法。其中采用上述六因素识别方式，和实施例1中方式相比，因为风流和浪流冲击往往同时发生，具有一致性，故将风流作用和浪流作用视为了同一因素，以简练模型。其中1、3和5三种不利诱因的数据获取方式和第一种方式中相同，可以通过具体检测或者试验的方式实际获取。同时本方式中增加了2、4、6三种难以现场检测的不利诱因，可采用建立高桩码头ABAQUS数值仿真分析模型，在软件模型中模拟这些不利诱因单独作用下的群桩分布式应变数据。其中ABAQUS 软件为现有成熟的一套功能强大的工程模拟的有限元软件，该软件能够用于模拟典型工程材料的性能，解决建筑工程结构应力和位移模拟分析的问题。是成熟的现有技术。用于此处，可以增加难以现场检测的三种不利诱因的数据，极大地提高了模型识别的全面性。
Claims (7)
1.一种基于不利诱因识别的高桩码头基桩监测方法，所述方法中通过在基桩上安装光纤应变传感器，光纤应变传感器一端和控制中心相连实现对基桩的监测，其特征在于，光纤应变传感器具有安装在基桩水上的部分和安装在基桩水下的部分，光纤应变传感器沿基桩表面竖向贴合设置并依靠覆盖于表面的水下环氧树脂实现固定和保护；
光纤应变传感器安装后，在控制中心建立不利诱因识别分类器模型，进行不利诱因识别训练，监测时根据光纤应变传感器检测信号，实现对不利诱因的自动识别；
不利诱因识别分类器模型的建立、训练和识别按照以下方式实现：
a.确定不利诱因并获取测试数据；
先确定6种高桩码头不利诱因因素，1＝船舶不规范靠泊、2＝岸坡不均沉降、3＝局部超限堆载、4＝材料形状劣化、5＝风浪流冲击、6＝地震作用；其中，利用安装好的光纤应变传感器，获取1船舶不规范靠泊、3局部超限堆载和5风浪流冲击这三种不利诱因单独作用下，群桩分布式应变数据；同时，对于另外三种不利诱因，采用建立高桩码头ABAQUS数值仿真分析模型，在软件模型中模拟这些不利诱因单独作用下的群桩分布式应变数据；实测数据与仿真数据共同作为不利诱因反演模型的测试数据；
b.提取特征矢量；
对测试数据进行统计分析，提取最大应变x1、平均应变x2作为时域特征参数；对测试数据进行频率分析，提取信号前三阶谐波频率x3、x4、x5作为频域特征参数；对测试数据进行HHT分析，提取前三阶固有模态频率x6、x7、x8，瞬态能量x9作为时频域特征参数；然后从每条分布式光纤得到的测试数据均提取出一个高维特征矢量x＝(x1,x2,...,x9)，其中x1,x2,…,x9为群桩应变分布数据的9个特征值；由于高维特征矢量x中各特征量存在一定的相关性且维度过高，利用PCA算法，求得x的主成分y＝(y1,y2,...ym)，m<9，以此作为后面分类器训练的样本数据；
c.建立并列支持向量机分类器模型；根据6个不利诱因，建立六个并列的支持向量机分类器模型，对这6种不利诱因进行分类识别：
SVM1：本分类器将船舶不规范靠泊和其它5种不利诱因区分开来，当为船舶不规范靠泊时，SVM1输出取+1，否则取-1，f1(y)为SVM1的分类函数，如式(1)所示，其中a1i(i＝1,2,…n)，b1为分类函数f1(y)的系数，Φ为高斯核函数；
SVM2：本分类器将岸坡不均匀性沉降和其它5种不利诱因区分开来，当为岸坡不均匀性沉降时，SVM2输出取+1，否则取-1；f2(y)为SVM2的分类函数，如式(2)所示，其中a2i(i＝1,2,…n)，b2为分类函数f2(y)的系数，Φ为高斯核函数；
SVM3：本分类器将局部超限堆载和其它5种不利诱因区分开来，当为局部超限堆载时，SVM3输出取+1，否则取-1；f3(y)为SVM3的分类函数，如式(3)所示，其中a3i(i＝1,2,…n)，b3为分类函数f3(y)的系数，Φ为高斯核函数；
SVM4：本分类器将材料性质劣化和其它5种不利诱因区分开来，当为材料性质劣化时，SVM4输出取+1，否则取-1；f4(y)为SVM4的分类函数，如式(4)所示，其中a4i(i＝1,2,…n)，b4为分类函数f4(y)的系数，Φ为高斯核函数；
SVM5：本分类器将风浪流冲击和其它5种不利诱因区分开来，当为风浪流冲击时，SVM5输出取+1，否则取-1；f5(y)为SVM5的分类函数，如式(5)所示，其中a5i(i＝1,2,…n)，b5为分类函数f5(y)的系数，Φ为高斯核函数；
SVM6：本分类器将地震作用和其它5种不利诱因区分开来，当为地震作用时，SVM6输出取+1，否则取-1；f6(y)为SVM6的分类函数，如式(6)所示，其中a6i(i＝1,2,…n)，b6为分类函数f6(y)的系数，Φ为高斯核函数；
d.模型参数训练；将b步骤中得到的样本数据输入6个并列支持向量机分类器模型，利用SVM训练算法确定SVM1、SVM2、SVM3、SVM4、SVM5、SVM6的系数矩阵a与b，从而实现对6个并列支持向量机分类器模型的参数化；
e.不利诱因作用识别；模型参数训练完成后，即可利用该模型进行不利诱因作用识别；具体过程为：SVM1输出为+1，则表示存在船舶不规范靠泊，否则不存在；SVM2输出为+1，则表示存在岸坡不均匀性沉降，否则不存在；SVM3输出为+1，则表示存在局部超限堆载，否则不存在；SVM4输出为+1，则表示存在材料性质劣化，否则不存在；SVM5输出为+1，则表示存在风浪流冲击，否则不存在；SVM6输出为+1，则表示存在地震作用，否则不存在。
2.如权利要求1所述的基于不利诱因识别的高桩码头基桩监测方法，其特征在于，所述光纤应变传感器为光纤光栅分布式应变传感器，或光纤布里渊分布式应变传感器。
3.如权利要求1所述的基于不利诱因识别的高桩码头基桩监测方法，其特征在于，每根基桩上对称设置两条测线，一条位于面向水域一侧，另一条位于面向岸坡一侧，每条测线对应布置安装一条光纤应变传感器。
4.如权利要求3所述的基于不利诱因识别的高桩码头基桩监测方法，其特征在于，光纤应变传感器按照以下步骤安装：
第一步：清除桩基表面杂物，保持表面平整；
第二步：将光纤应变传感器沿基桩预设测线位置拉直，并通过临时固定点固定在基桩表面；
第三步：采用注胶模板辅助安装，注胶模板横截面呈圆弧状，长度与需安装的分布式光纤应变传感器相当，依靠注胶模板覆盖住光纤应变传感器并实现固定；
第四步：利用注胶机将水下环氧树脂从下往上注入到注胶模板内，水下环氧胶自下而上灌满注胶模板内的空隙，将传感器粘贴在基桩表面；
第五步：待水下环氧树脂硬化后拆除注胶模板，光纤应变传感器安装完毕。
5.如权利要求4所述的基于不利诱因识别的高桩码头基桩监测方法，其特征在于，第二步中，光纤应变传感器通过三个临时固定点固定在基桩表面，其中一个点位于基桩靠近上端位置，一个点位于基桩靠近下端位置，另一个点位于基桩中部位置；
第二步中，采用水下环氧树脂依靠注胶机点胶的方式，实现对光纤应变传感器三个临时固定点的固定。
6.如权利要求4所述的基于不利诱因识别的高桩码头基桩监测方法，其特征在于，所述注胶模板宽度方向的两侧具有一段用于和基桩表面贴合的贴合部，宽度方向的中部具有凸起的光纤容纳腔，光纤容纳腔凸起高度大于光纤直径，注胶模板下端端部位置整体为贴合基桩表面的弧形，上端端部留有光纤容纳腔出口，注胶模板侧面靠近下端位置开有注胶入口，注胶入口和光纤容纳腔相通。
7.如权利要求5所述的基于不利诱因识别的高桩码头基桩监测方法，其特征在于，所述注胶模板左右对称成对设置，每对注胶模板之间连接设置有压紧用的抱箍机构，抱箍机构包括左箍带和右箍带，左箍带和右箍带的一端铰接设置，另一端为开合端且开合端设置有快速锁扣，所述注胶模板竖向固定在左箍带和右箍带的中部位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210679285.0A CN114877820B (zh) | 2021-03-22 | 2021-03-22 | 基于不利诱因识别的高桩码头基桩监测方法 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110302961.8A CN113074649B (zh) | 2021-03-22 | 2021-03-22 | 一种高桩码头基桩监测方法 |
| CN202210679285.0A CN114877820B (zh) | 2021-03-22 | 2021-03-22 | 基于不利诱因识别的高桩码头基桩监测方法 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110302961.8A Division CN113074649B (zh) | 2021-03-22 | 2021-03-22 | 一种高桩码头基桩监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114877820A true CN114877820A (zh) | 2022-08-09 |
| CN114877820B CN114877820B (zh) | 2023-06-02 |
Family
ID=76613296
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210679285.0A Active CN114877820B (zh) | 2021-03-22 | 2021-03-22 | 基于不利诱因识别的高桩码头基桩监测方法 |
| CN202110302961.8A Active CN113074649B (zh) | 2021-03-22 | 2021-03-22 | 一种高桩码头基桩监测方法 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110302961.8A Active CN113074649B (zh) | 2021-03-22 | 2021-03-22 | 一种高桩码头基桩监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN114877820B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114046743B (zh) * | 2021-09-24 | 2022-11-18 | 浙江大学 | 一种码头桩基智能监控系统 |
| CN115576243B (zh) * | 2022-10-08 | 2024-01-09 | 中国能源建设集团广东省电力设计研究院有限公司 | 海洋冲淤动力环境立体监测多数据融合管理系统及方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201212701D0 (en) * | 2012-07-17 | 2012-08-29 | Silixa Ltd | Structure monitoring |
| CN105928646A (zh) * | 2016-07-15 | 2016-09-07 | 重庆交通大学 | 基于光纤分布式测量的斜拉索锚头性能衰退状态监测方法 |
| CN106482792A (zh) * | 2016-11-21 | 2017-03-08 | 深圳市道桥维修中心桥梁检测站 | 基于布里渊分布式光纤传感技术的桥梁健康监测系统 |
| US20180003586A1 (en) * | 2016-07-04 | 2018-01-04 | PoweChina Huadong Engineering Corporation Limited | Stress-strain testing system for large-diameter steel pipe pile of offshore wind turbine and construction method |
| CN109000876A (zh) * | 2018-04-28 | 2018-12-14 | 南京航空航天大学 | 基于自动编码器深度学习的sns光纤冲击识别方法 |
| CN109837930A (zh) * | 2018-12-14 | 2019-06-04 | 重庆交通大学 | 基于光纤分布式应变监测的高桩码头桩基损伤在线识别方法 |
| DE102018105905A1 (de) * | 2018-03-14 | 2019-09-19 | Bundesrepublik Deutschland, vertreten durch die Bundesministerin für Wirtschaft und Energie, diese vertreten durch den Präsidenten der Bundesanstalt für Materialforschung und-prüfung (BAM) | Verfahren zum vorzeichenrichtigen Bestimmen einer Änderung eines physikalischen Parameters und Vorrichtung mit einer optischen Faser |
| CN111678630A (zh) * | 2020-06-18 | 2020-09-18 | 哈尔滨工业大学（深圳） | 基于超声导波应力敏感度分析的钢绞线单轴应力检测方法 |
| CN112129265A (zh) * | 2020-09-24 | 2020-12-25 | 唐山市神州科贸有限公司 | 一种罐体沉降监测装置及监测方法 |
Family Cites Families (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3823255B2 (ja) * | 2004-03-15 | 2006-09-20 | 株式会社竹中工務店 | 地盤改良杭の軸力測定方法 |
| CN1888330B (zh) * | 2006-07-25 | 2010-04-14 | 南京大学 | 灌注桩基础分布式光纤传感检测方法 |
| CN1900434A (zh) * | 2006-07-25 | 2007-01-24 | 南京大学 | 预制桩损伤分布式光纤检测方法和系统 |
| JP5953203B2 (ja) * | 2012-10-22 | 2016-07-20 | 大成建設株式会社 | 杭状態検出システム |
| CN103208007B (zh) * | 2013-03-19 | 2017-02-08 | 湖北微驾技术有限公司 | 一种基于支持向量机和遗传算法的人脸识别方法 |
| CN103215975B (zh) * | 2013-04-19 | 2015-04-01 | 浙江华东工程安全技术有限公司 | 分布式传感光缆在基桩中的埋设方法 |
| CN203337111U (zh) * | 2013-07-25 | 2013-12-11 | 无锡市政设计研究院有限公司 | 抱箍式光纤光栅钢筋计 |
| CN104367324B (zh) * | 2013-08-16 | 2016-12-28 | 上海微创电生理医疗科技有限公司 | 压力传感装置及其制造方法、模具以及医疗导管 |
| CN103759666A (zh) * | 2014-01-13 | 2014-04-30 | 河海大学 | 一种圆形实心桩桩身应变监测装置及方法 |
| CN105369836A (zh) * | 2014-08-22 | 2016-03-02 | 天津科鉴基础工程检测有限公司 | 一种新型桩基检测方法 |
| CN105444848B (zh) * | 2016-01-26 | 2018-12-18 | 济南大学 | 一种基于光纤传感的箕斗称重检测装置及方法 |
| CN106295692B (zh) * | 2016-08-05 | 2019-07-12 | 北京航空航天大学 | 基于降维与支持向量机的产品早期故障根原因识别方法 |
| CN107704838B (zh) * | 2017-10-19 | 2020-09-25 | 北京旷视科技有限公司 | 目标对象的属性识别方法及装置 |
| US10936820B2 (en) * | 2018-05-21 | 2021-03-02 | Leverton Holding Llc | Post-filtering of named entities with machine learning |
| CN109338859B (zh) * | 2018-08-18 | 2021-07-23 | 重庆交通大学 | 适用于硬土施工的旋入式挂线桩及其安装装置 |
| CN212296724U (zh) * | 2020-05-17 | 2021-01-05 | 北京华信科创科技有限公司 | 一种海上风力发电机组用辅控集成采集模块及辅控平台 |
| CN111561974A (zh) * | 2020-06-29 | 2020-08-21 | 浙江工业大学 | 一种桥梁冲刷多源监测系统及其监测方法、冲深评定方法 |
| CN112195984A (zh) * | 2020-09-25 | 2021-01-08 | 中交投资南京有限公司 | 一种抗浮锚杆桩试验装置及试验方法 |
-
2021
- 2021-03-22 CN CN202210679285.0A patent/CN114877820B/zh active Active
- 2021-03-22 CN CN202110302961.8A patent/CN113074649B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201212701D0 (en) * | 2012-07-17 | 2012-08-29 | Silixa Ltd | Structure monitoring |
| US20180003586A1 (en) * | 2016-07-04 | 2018-01-04 | PoweChina Huadong Engineering Corporation Limited | Stress-strain testing system for large-diameter steel pipe pile of offshore wind turbine and construction method |
| CN105928646A (zh) * | 2016-07-15 | 2016-09-07 | 重庆交通大学 | 基于光纤分布式测量的斜拉索锚头性能衰退状态监测方法 |
| CN106482792A (zh) * | 2016-11-21 | 2017-03-08 | 深圳市道桥维修中心桥梁检测站 | 基于布里渊分布式光纤传感技术的桥梁健康监测系统 |
| DE102018105905A1 (de) * | 2018-03-14 | 2019-09-19 | Bundesrepublik Deutschland, vertreten durch die Bundesministerin für Wirtschaft und Energie, diese vertreten durch den Präsidenten der Bundesanstalt für Materialforschung und-prüfung (BAM) | Verfahren zum vorzeichenrichtigen Bestimmen einer Änderung eines physikalischen Parameters und Vorrichtung mit einer optischen Faser |
| CN109000876A (zh) * | 2018-04-28 | 2018-12-14 | 南京航空航天大学 | 基于自动编码器深度学习的sns光纤冲击识别方法 |
| CN109837930A (zh) * | 2018-12-14 | 2019-06-04 | 重庆交通大学 | 基于光纤分布式应变监测的高桩码头桩基损伤在线识别方法 |
| CN111678630A (zh) * | 2020-06-18 | 2020-09-18 | 哈尔滨工业大学（深圳） | 基于超声导波应力敏感度分析的钢绞线单轴应力检测方法 |
| CN112129265A (zh) * | 2020-09-24 | 2020-12-25 | 唐山市神州科贸有限公司 | 一种罐体沉降监测装置及监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨天 等: "光电子技术", 中国无线电电子学文摘, no. 05, pages 12 - 44 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114877820B (zh) | 2023-06-02 |
| CN113074649A (zh) | 2021-07-06 |
| CN113074649B (zh) | 2022-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113074649B (zh) | 一种高桩码头基桩监测方法 | |
| US8290718B2 (en) | Bridge monitoring and safety evaluation method using a vibration technique | |
| CN112095596B (zh) | 基于云平台的边坡预应力锚杆智能化监测预警系统及方法 | |
| CN207244680U (zh) | 一种沉入式桥梁桩基冲刷实时监测系统 | |
| CN104614020B (zh) | 高桩码头水平承载力与静动力性状的原位整体检测方法 | |
| CN109837930B (zh) | 基于光纤分布式应变监测的高桩码头桩基损伤在线识别方法 | |
| Seo et al. | A study on accumulated damage of steel wedges with dead-rise 10 due to slamming loads | |
| Vardanega et al. | Assessing the suitability of bridge-scour-monitoring devices | |
| KR101874378B1 (ko) | IoT 기반의 잔교식 안벽 실시간 안전성 평가방법 및 그 시스템 | |
| CN110197015B (zh) | 一种坝基预应力锚索有效拉应力测定方法 | |
| CN116090075A (zh) | 一种桥梁载荷工程检测试验方法 | |
| CN109799132B (zh) | 一种基于应变测试的高桩码头基桩损伤识别方法 | |
| Yu et al. | Field monitoring of offshore wind turbine foundations in ice regions | |
| CN114414184A (zh) | 基础设施基础安全监测与评价方法 | |
| CN108256204A (zh) | 一种基于能量法的高桩码头结构整体安全性评估方法 | |
| Verdure et al. | Uncertainty updating of on-pile wharf after monitoring | |
| Ge | The application of the wireless sensor network on port wharf structure health monitoring | |
| CN103632038A (zh) | 一种海底管道悬跨段安全性自动批量校核计算方法 | |
| Puech et al. | The Effects Of Long Time Cyclic Loadings On The Behaviour Of Atension Pile | |
| Henrique et al. | Fast Tool for Structural Monitoring of a Pier After Impact of a Very Large Vessel Using Ambient Vibration Analysis | |
| Foltz et al. | Condition assessment aspects of an asset management program | |
| Radwan et al. | Testing Ras Tanura Sea Island Breasting Dolphins | |
| Joushideh et al. | Comparative Analysis of Blum and PY Methods for Design of Flexible Monopile under Lateral Forces | |
| Hutchinson et al. | Measurement of Structure Response to Ferry Berthing Loads | |
| Zeng et al. | Framework and application of ship berthing methods optimization in high-pile wharf based on surrogate models |
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 |