CN114925573B - 一种基于等效应变假说的地铁枕梁损伤数据集构建方法 - Google Patents

一种基于等效应变假说的地铁枕梁损伤数据集构建方法 Download PDF

Info

Publication number
CN114925573B
CN114925573B CN202210591648.5A CN202210591648A CN114925573B CN 114925573 B CN114925573 B CN 114925573B CN 202210591648 A CN202210591648 A CN 202210591648A CN 114925573 B CN114925573 B CN 114925573B
Authority
CN
China
Prior art keywords
damage
file
data set
noise
model
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
Application number
CN202210591648.5A
Other languages
English (en)
Other versions
CN114925573A (zh
Inventor
王傲
阳程星
许平
姚曙光
郭维年
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202210591648.5A priority Critical patent/CN114925573B/zh
Publication of CN114925573A publication Critical patent/CN114925573A/zh
Application granted granted Critical
Publication of CN114925573B publication Critical patent/CN114925573B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于等效应变假说的地铁枕梁损伤数据集构建方法，包括选取地铁枕梁上的一块正方形薄板或壳类结构，将一端固定，另一端受到均布的线载荷作用，构建小平板有限元模型；对小平板有限元模型的模型单元进行编号；在模型的材料模块下设定多种不同弹性模量的材料，每个弹性模量分别对应相应的损伤程度；利用ABAQUS软件的二次开发接口，采用对应的Python脚本文件，获得每个模型单元上响应应变场与损伤信息一一对应的小平板基础数据集；将高斯白噪声加入基础数据集中，得到噪声数据；并通过引入服从高斯分布的随机数将噪声数据进行放大，得到扩充的应变场损伤数据集。该方法不仅能简化流程提高效率，且对操作人的要求较低。

Description

一种基于等效应变假说的地铁枕梁损伤数据集构建方法
技术领域
本发明涉及轨道交通损伤识别技术领域，特别地，涉及一种基于等效应变假说的地铁枕梁损伤数据集构建方法。
背景技术
基于应变的结构健康监测技术被广泛地用于交通领域，现有的应变损伤识别方法存在过程复杂、状态评估滞后、智能化程度低等缺陷，亟需发展先进的智能识别技术。
近年来，由于计算机技术的迅猛发展，人工智能已经成为国内外研究的热点。而深度学习是目前人工智能研究领域的重点之一，其强大的非线性表征能力可以学习到数据更高层次的抽象特征，并向具有相同特征的数据分布泛化。而且深度学习的网络模型一旦训练完成，可以方便地部署到移动端，运行效率也极高。这些特点都十分符合实时损伤识别的数据处理需求，研究使用深度学习进行结构响应信号的处理，以实现结构损伤的端到端自动识别有广泛的应用前景。
传统技术获得一个包含不同损伤情况及其相应的结构响应的数据集，需要经过损伤指标选择、信号处理、数据统计、分析分类等繁琐的步骤，在指标选择等步骤中，存在较大的主观性，需要操作者有较充足的基础知识储备或经验，且整个过程需要耗费大量人力、物力和时间，会显著增加成本。
现有的数据集构建方式如下：首先通过接触式传感器，如光纤光栅传感器；或非接触式测量技术，如数字散斑测量技术，来获取信号(如应变、位移、加速度、速度等)，接着通过人工的方式来确定损伤指标，在此基础上对信号进行数据处理(如降噪、损伤指标的计算等)，接着对所得数据的损伤指标的变化和差异进行统计，然后由统计结果映射损伤信息。整个过程都需要人工完成，不仅对工作人员的专业素养要求较高，且数据处理效率较低。
发明内容
针对上述现有技术中存在的问题，本发明提供了一种基于等效应变假说的地铁枕梁损伤数据集构建方法。本发明基于等效应变假说，釆用削弱材料弹性模量的方法模拟损伤，实现方式简单，适用性广，并通过利用有限元的方法，结合ABAQUS的二次开发，编写相关Python程序，简化操作流程，构建应变场损伤数据集；不仅能够简化流程，提高效率，而且对操作人的要求较低。
为实现上述目的，本发明提供了一种基于等效应变假说的地铁枕梁损伤数据集构建方法，包括以下步骤：
选取地铁枕梁上的一块正方形薄板或壳类结构，将其一端固定，另一端受到均布的线载荷作用，构建小平板有限元模型；
对所述小平板有限元模型的模型单元进行编号；在所述模型的材料模块下设定多种不同弹性模量的材料，每个弹性模量分别对应相应的损伤程度；
利用ABAQUS软件的二次开发接口，采用对应的Python脚本文件，获得每个模型单元上响应应变场与损伤信息一一对应的小平板基础数据集；
将高斯白噪声加入所述基础数据集中，得到噪声数据；并通过引入服从高斯分布的随机数将所述噪声数据进行放大，得到扩充的应变场损伤数据集。
进一步的，当材料未发生损伤时，此时材料的弹性模量未发生改变；当发生完全损伤时，此时材料的弹性模量变为0。
进一步的，对所述小平板有限元模型的模型单元进行编号；在所述模型的材料模块下设定多种不同弹性模量的材料，每个弹性模量分别对应相应的损伤程度，具体为：
对所述小平板有限元模型的模型单元进行编号，确定左下角单元编号为1，至右上角单元编号为4096结束；在所述模型的材料模块下额外设定3种材料，弹性模量分别为164.8Gpa，123.6Gpa，82.4Gpa，分别对应损伤程度为20％，40％，60％。
进一步的，利用ABAQUS软件的二次开发接口，采用对应的Python脚本文件，获得每个模型单元上响应应变场与损伤信息一一对应的小平板基础数据集包括：
将无损小平板模型保存为small_plate_well.cae文件；
根据无损小平板模型文件，编写Python脚本文件create_inp.py，用于生成含随机损伤单元的小平板模型，并保存为可计算的.inp文件；同时保存损伤信息为.txt文件，作为基础数据集的标签文件，也是构建的损伤识别网络的输出；
编写count_inp.py脚本文件，用于批量计算.inp文件，并输出与损伤信息一一对应的应变场信息。
进一步的，编写的Python脚本文件create_inp.py的具体执行步骤如下：
1)导入所需要的ABAQUS库，numpy库，random库；
2)设定small_plate_well.inp文件的储存路径，设定生成的文件个数n1；
3)使用mdb.ModelFromInputFile命令导入small_plate_well.inp；
执行以下步骤n2次；
4-1)通过part对象获取单元信息，储存在变量e中；
4-2)生成空矩阵ele_damage，用于储存损伤单元；
4-3)执行子程序create_damage；
4-4)将存储损伤信息的矩阵output保存成.txt文件，以循环次数命名；
4-5)利用SectionAssignment命令给编号为ele_damage的单元赋损伤属性；
4-6)利用mdb下属的Job命令输出.inp文件，以循环次数命名；
4-7)删除创建的Job。
进一步的，编写的count_inp脚本文件的具体执行步骤如下：
1)导入所需的ABAQUS库，os库；
2)设定工作路径和存储.inp文件的路径；
3)执行以下步骤n3次：
3-1)使用os库中的函数获得.inp文件的文件名file_name；
3-2)使用mab.JobFromInputFile函数读入.inp文件并计算；
3-3)使用mdb.jobs.waitForCompletion()函数等待计算完成；
3-4)计算完成得到.odb计算结果文件，使用session.openOdb函数打开.odb计算结果文件；
3-5)通过定义session下的NumberFormat对象确定输出数据的格式；
3-6)通过session.writeFieldReport函数输出应变场，保存为.csv文件；
3-7)关闭.odb文件；
通过运行count_inp.py脚本文件，同样得到了.csv文件，并且.csv文件的文件名与.txt文件的文件名一一对应；至此，小平板基础数据集制作完成。
进一步的，所述基础数据集中每组数据包含一个.csv文件与一个.txt文件；
.csv文件中包含了64×64，共4096个单元的三向应变信息；
.txt文件中包含了4096个单元的损伤信息，0代表无损伤，1代表单元刚度削弱20％，2代表单元刚度削弱40％，3代表单元刚度削弱60％。
进一步的，将高斯白噪声加入所述基础数据集中，得到噪声数据；并通过引入服从高斯分布的随机数将所述噪声数据进行放大，得到扩充的应变场损伤数据集，包括：
将高斯白噪声加入所述基础数据集中，引入信噪比SNR来衡量噪声的大小，其计算公式如下：
式中，IS表示原始信号的能量；IN表示噪声信号的能量；ε表示应变场中的应变信号数据；N表示噪声信号数据；
并引入服从高斯分布的随机数将噪声数据进行放大，得到均值为0的高斯白噪声，将噪声与原始信号相加，得到信噪比为SNR的含噪信号signal_noise；具体公式如下：
signal_noise＝random(m)*N+ε
其中m为应变场中应变的值的个数，至此，得到扩充的应变场损伤数据集，数据集构建完毕。
本发明具有以下有益效果：
1、本发明提供了一种基于等效应变假说的地铁枕梁损伤数据集构建方法，首先，基于应变等效假说来对材料的损伤行为进行表征，并将其应用到有限元模拟中，可以获得数据量更加大、应变信息更加详细的应变场数据。庞大的应变场数据量将会给深度学习网络完成端到端自动识别的任务带来更加困难的挑战，有利于检验所构建的自动损伤识别网络模型处理复杂数据的能力，实现简单，易于理解，且适用性广。其次，利用ABAQUS软件方便的二次开发接口，编写了合适的Python脚本文件，实现了含不同损伤模型的批量化生成，并实现自动的批量化求解及所需数据的统一格式输出，最后获得响应应变场与损伤模型一一对应的数据，从而得到样本(响应应变场)与标签(损伤信息)一一对应的数据集，这样能够简化流程，提高效率，建立获得的应变场与损伤信息的直接映射。最后，通过加入一定均值的高斯白噪声，将基础数据集在一定程度上进行了扩充，进一步丰富了数据集的大小和多样化程度，更加贴近实际情况，在将其用于深度学习模型中时，能使深度学习模型具有更好的泛化能力，提高深度学习模型的鲁棒性。
2、本发明提供了一种基于等效应变假说的地铁枕梁损伤数据集构建方法，基于枕梁的3D几何模型与其有限元模型，对基于等效假说的损伤模拟方法进行公式推导，确定损伤的模拟方式，使用该模拟方法构建应变场损伤数据。在此基础上，总结ABAQUS二次开发的基本框架，编写批量模型生成与处理、统一格式应变场输出和噪声信号添加的Python程序，构建损伤数据集。本发明选择的小平板数据集是在有限元中对薄板、壳类结构的一种简单近似模拟方式，而薄板和壳类是经典的结构形式，可在轨道交通领域中具有广泛地应用，具有很高的实际应用价值。例如(1)地铁枕梁，其主要结构即为薄板和壳类结构；(2)地铁列车防爬器；(3)高速/地铁列车车体外形等等在建模中均涉及到薄板和壳类结构的应用。
3、通过本发明的方法可用远少于传统方法的时间构建较大数量的小平板数据集，生成将其用于人工智能的深度学习中，用于训练结构较为简单的损伤识别网络以验证利用深度学习方法实现应变场损伤识别的可行性，并进行网络模型超参数的优化。同时，由于使用该方法提高了数据集的获取能力，克服了数据处理的效率问题，也可根据具体时间及精度要求，通过生成一定量的数据集并用于深度学习网络，训练出用于实时枕梁损伤识别的模型，将其用于实时损伤检测中。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是无损伤的小平板有限元模型；
图2是小平板有限元模型编号示意图；
图3是子程序creat_damage的程序流程图；
图4是count_inp脚本文件的伪代码示意图；
图5是随机生成的两组小平板损伤效果示意图；其中，深色区域为无损伤材料，浅色区域表示损伤区域，损伤程度通过颜色深浅进行表示，颜色越浅代表损伤程度越高；且图5中(a)右侧部分与图5中(b)上方部分皆表示受到了损伤，且(b)中损伤程度大于(a)；
图6是小平板基础数据集所包含的应变场信息举例；其中，图6中(a)、(b)、(c)分别代表x方向，y方向，xy方向的应变图；
图7是SNR为20dB的小平板数据集举例，其中图7中(a)、(b)、(c)分别为数据集应变场信息中x方向、y方向、xy方向的应变图，(d)为数据集中的损伤信息图；
图8是SNR为30dB的小平板数据集举例，各分图具体说明与图7中相同；
图9是实验过程中基础数据集(即不加入噪声)的应变场信息举例，其中图9中(a)、(b)、(c)分别为数据集应变场信息中x方向、y方向、xy方向的应变图；
图10是实验过程中加入SNR为30dB的高斯白噪声之后所得到的数据集中的应变场信息举例，各分图具体说明与图9中相同；
图11是实验过程中加入SNR为20dB的高斯白噪声之后所得到的数据集中的应变场信息举例，各分图具体说明与图9中相同。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。
本发明是一种基于应变等效假说的地铁枕梁应变场损伤数据集构建方法，以某地铁枕梁为研究对象，基于应变等效假说，利用有限元这种简单，成本低廉，效率高的方式得到应变场损伤数据，确定损伤，并在此基础上利用ABAQUS的二次开发，编写相关Python程序，简化操作流程，构建应变场损伤数据集。具体解释如下：
其中，应变等效性假说认为：损伤材料在应力作用下所产生的变形等效于一虚拟的无损伤材料在定义的有效应力作用下的变形，有损伤材料的实际有效的承载面积等于虚拟无损伤材料的承载面积，其在一维情况下的数学表达式为：
式中，E表示材料损伤之前的弹性模量；E'表示材料损伤之后的弹性模量；σ表示名义应力；σ'表示有效应力。
其中，有效应力与名义应力之间的关系表达式为：
式中，D表示损伤因子。
将上述两式整理后可得到：
由上可得：当材料未发生损伤时D＝0，此时材料的弹性模量未发生改变；当发生完全损伤时，D＝1，此时材料的弹性模量变为0。至此，推导出了釆用削弱材料弹性模量的方法模拟损伤的公式表达。将这种有限元损伤模拟方法带入到应变场损伤识别问题中，即为：对于给定的某组应变场信息ε，需要找到目标区域A中的所有n个损伤区域di＝(ai,ci)，其中i＝1,2,3,4,…,n，ai为A中第i个损伤的单元子集，ci表示对应单元的刚度削弱数值。具体数据集的构建包括：1)含不同损伤的模型生成；2)模型的求解并输出应变场信息；3)数据集的噪声注入。
具体的，一种基于等效应变假说的地铁枕梁损伤数据集构建方法，包括以下步骤：
步骤1、选取地铁枕梁上的一块正方形薄板或壳类结构，将其一端固定，另一端受到均布的线载荷作用，构建小平板有限元模型。
以小平板数据集的构建为例：因为薄板、壳类结构作为经典的结构形式，在轨道交通领域中具有广泛的应用，同时也是地铁枕梁的主要组成结构。小平板为64mm×64mm的正方形平板，将其一端固定，另一端受到均布的线载荷作用，构建小平板有限元模型，如图1所示。
步骤2、对所述小平板有限元模型的模型单元进行编号；在所述模型的材料模块下设定多种不同弹性模量的材料，每个弹性模量分别对应相应的损伤程度。
为了方便程序化实现随机损伤的生成，对所述小平板有限元模型的模型单元进行重新编号。新的编号确定左下角单元编号为1，至右上角单元编号为4096结束，如图2所示。在模型的材料(Property)模块下额外设定3种材料，弹性模量分别为164.8Gpa，123.6Gpa，82.4Gpa，分别对应损伤程度20％，40％，60％，其他材料属性同合金钢。将无损小平板模型保存为small_plate_well.cae文件。
步骤3、利用ABAQUS软件的二次开发接口，采用对应的Python脚本文件，获得每个模型单元上响应应变场与损伤信息一一对应的小平板基础数据集。
为了生产含不同损伤的模型，首先编写Python脚本文件create_inp.py，用于生成含随机损伤单元的小平板模型，并保存为可计算的.inp文件。于此同时，保存损伤信息为.txt文件，这将是数据集的标签文件，也是后面欲构建的损伤识别网络的输出。脚本的具体执行步骤如下：
1)导入所需要的ABAQUS库，numpy库，random库；
2)设定small_plate_well.inp文件的储存路径，设定生成的文件个数n1；
3)使用mdb.ModelFromInputFile命令导入small_plate_well.inp；
执行以下步骤n2次；
4-1)通过part对象获取单元信息，储存在变量e中；
4-2)生成空矩阵ele_damage，用于储存损伤单元；
4-3)执行子程序create_damage，详见图3；
4-4)将存储损伤信息的矩阵output保存成.txt文件，以循环次数命名；
4-5)利用SectionAssignment命令给编号为ele_damage的单元赋损伤属性；
4-6)利用mdb下属的Job命令输出.inp文件，以循环次数命名；
4-7)删除创建的Job。
经由上述脚本创建的损伤在三个方面有随机性：1)损伤发生的区域随机；2)损伤区域的形状随机；3)单元刚度削弱为20％，40％，60％三者的随机之一。
接着对模型进行求解并输出应变场信息，首先编写count_inp.py脚本文件，用于批量计算.inp文件，并输出应变场信息。脚本的具体执行步骤如下：
1)导入所需的ABAQUS库，os库；
2)设定工作路径和存储.inp文件的路径；
3)执行以下步骤n3(.inp文件个数)次：
3-1)使用os库中的函数获得.inp文件的文件名file_name；
3-2)使用mab.JobFromInputFile函数读入.inp文件并计算；
3-3)使用mdb.jobs.waitForCompletion()函数等待计算完成；
3-4)计算完成得到.odb计算结果文件，使用session.openOdb函数打开.odb计算结果文件；
3-5)通过定义session下的NumberFormat对象确定输出数据的格式；
3-6)通过session.writeFieldReport函数输出应变场，保存为.csv文件；
3-7)关闭.odb文件。
此部分的伪代码如图4所示：
通过运行count_inp.py脚本文件，同样得到了.csv文件，并且.csv文件的文件名与.txt文件的文件名一一对应。至此，小平板基础数据集制作完成。数据集中每组数据包含一个.csv文件与一个.txt文件。.csv文件中包含了64×64，共4096个单元的三向应变信息；.txt文件中包含了4096个单元的损伤信息，0代表无损伤，1代表单元刚度削弱20％，2代表单元刚度削弱40％，3代表单元刚度削弱60％。
通过该方法，我们所需要生成的数据集包括损伤信息和应变场信息两部分。其中，损伤是我们通过随机生成损伤单元的方式来添加的，所以损伤信息我们需要在生成损伤单元时进行保存；而应变场信息则是需要我们通过利用ABAQUS软件对包含了随机损伤单元的小平板模型进行求解得到。
其中，第一个脚本文件create_inp.py，其目的是为了生成包含随机损伤单元的小平板模型并保存下来，以便后续进行计算求解。因此，其主要思路如下：设置损伤模型存储路径——导入无损模型——创建损伤——储存损伤信息——输出损伤模型。由于创建损伤的方式是通过随机生成损伤单元来实现的，而生成损伤单元时需要通过位置信息来选择某一单元，随后赋予某一程度的损伤。因此，可以巧妙地通过创建一个与小平板模型大小维度相同的数值矩阵，来保存受到损伤单元的位置和损伤程度，确定具体的损伤信息，能够很方便地生成.txt文件并进行存储。
第二个脚本文件count_inp.py，其目的是为了调用ABAQUS对之前所生成的众多小平板模型进行求解，并输出应变场信息。因此，其主要思路如下：设置应变场信息输出路径——导入损伤模型——调用ABAQUS进行计算——整理输出数据——输出应变场数据。同时，由于该脚本文件针对每一个损伤模型运行一次，会得到一个应变场数据，即.csv文件，因此所得到的应变场信息(.csv文件)，与损伤信息(.txt)都是一一对应的，这也能更加方便我们将该数据集投入深度学习网络模型中对模型进行训练和检验。
步骤4、将高斯白噪声加入所述基础数据集中，得到噪声数据；并通过引入服从高斯分布的随机数将所述噪声数据进行放大，得到扩充的应变场损伤数据集。
具体的，将高斯白噪声加入基础数据集中，引入信噪比(Singal to NoiseRation，SNR)来衡量噪声的大小，其计算公式如下：
式中，IS表示原始信号的能量；IN表示噪声信号的能量；ε表示应变场中的应变信号数据；N表示噪声信号数据。
并引入服从高斯分布的随机数将噪声数据进行放大，得到均值为0的高斯白噪声，将噪声与原始信号相加，得到信噪比为SNR的含噪信号signal_noise。具体公式如下：
signal_noise＝random(m)*N+ε
其中，m为应变场中应变的值的个数，N表示噪声信号数据；至此，数据集构建完毕。
以下结合具体实施例对本发明进行解释说明。
实验过程：
以小平板数据集的构建为例，小平板有限元模型所用材料为合金钢，未受损时的弹性模量为206Gpa，松比为0.3，密度为7.85g/cm3，材料特性与枕梁材料一致；小平板左侧固定，右侧受到100N/mm的均布载荷作用，方向沿x轴正方向；模型所用壳单元为S4。
通过运行脚本文件create_inp.py，生成含随机损伤单元的小平板模型，并保存为可计算的.inp文件。于此同时，保存损伤信息为.txt文件，限定损伤单元数m的下限为1，上限为205。当m取上限时，损伤面积占平板总面积的5％。生成的损伤效果如图5所示。图5中深色区域为无损伤材料，浅色区域表示损伤区域，损伤程度通过颜色深浅进行表示，颜色越浅代表损伤程度越高(详见右侧色条)，如图5中(a)中右侧部分与图5中(b)中上方部分皆表示受到了损伤，且后者损伤程度大于前者。赋予的材料属性为不同刚度削弱后的材料，分别代表一级到三级不同程度的损伤。损伤信息同时保存在有限元计算文件.inp与标签文件.txt中。设定n的值为2000，即程序生成了.inp与.txt文件各2000个，代表了2000种随机损伤，文件名按0～1999命名。
在此基础上，运行count_inp.py脚本文件，同样得到了2000个.csv文件，并且.csv文件的文件名与.txt文件的文件名一一对应，形成了小平板损伤基础数据集，数据集中包含2000组数据，为了更加形象地说明数据集的形式，随机取出一组数据，将其按单元编号复原，结果如图6所示。
其中，图6中(a)、(b)、(c)分别代表x方向、y方向、xy方向的应变图，存在于.csv文件中，即数据集中所包含的内容，可作为深度学习网络的输入数据。
在此基础上，将高斯白噪声加入到小平板基础数据集中，得到最终的损伤数据集，得到的SNR为20dB和30dB两种含噪声信号数据可视化后如图7和图8所示。其中图7和图8中(a)、(b)、(c)分别为数据集应变场信息中x方向、y方向、xy方向的应变图，(d)为数据集中的损伤信息图；
图7和图8中，含噪声的信号是从同一原始信号处理得到的。从图7和图8中可以清楚地观察到噪声信号对原始信号的污染。随着SNR的减小，污染也越来越严重，当SNR达到20dB时，已经很难在不进行数据处理的情况下直接通过传统的人工设立评判指标来精确识别损伤了。
最终的数据集内容如表1所构建的数据集所示，由表1可知，通过加入噪声的方法，将数据集的大小扩大了五倍；并且，由于加入了噪声，能够使得数据集更加接近实际，且本身更加复杂，在将其应用到神经网络中时，更有利于检验网络模型处理负责数据的能力。
表1：构建的数据集
此外，以产生2000组数据的数据集为例，将采用传统方法与本发明方法进行数据集的构建进行比较说明，实验结果如表2和表3以及图9、10、11所示。其中，表2传统方式和本发明方法的工作效率对比数据，表3为加入高斯白噪声前后的对比数据，图9-11为表3对应的数据集举例效果图对比。图9是实验过程中基础数据集(即不加入噪声)的应变场信息举例，图10是实验过程中加入SNR为30dB的高斯白噪声之后所得到的数据集中的应变场信息举例，图11是实验过程中加入SNR为20dB的高斯白噪声之后所得到的数据集中的应变场信息举例。其中，图9、图10和图11中(a)、(b)、(c)分别为数据集应变场信息中x方向、y方向、xy方向的应变图。
此外，传统方法为通过采用接触式或非接触式传感器，依次人工获取地铁枕梁损伤信号，在此基础上选取相应的损伤指标，依靠工作人员经验或采用测量工具对损伤进行确定，并利用Excel等工具对所得损伤进行统计整理成数据集。
表2：传统方式和本发明方法的工作效率对比数据
表3：加入高斯白噪声前后的对比数据
由表2和表3，以及图9-11，可知：在效率方面，采用本发明生成2000组地铁枕梁损伤数据集所需时间仅为传统方法的1/4左右，可显著提高数据集的构建效率；在数据大小及质量方面，通过采用本发明，对原数据集进行噪声注入，所得到的最终数据集大小为原有基础数据集的5倍，且数据内容贴近实际，更为复杂，在用于训练神经网络模型时也更有利于提高模型的泛化能力。
综上所述，本发明提供了一种基于应变等效假说的地铁枕梁应变场损伤数据集构建方法，首先基于等效应变假说，釆用削弱材料弹性模量的方法来模拟损伤，实现简单，易于理解，且适用性广；其次利用有限元的方法，通过软件二次开发，编写python脚本程序，对数据处理、指标变化统计及结果映射过程进行打包，能够简化流程，提高效率，建立获得的应变场与损伤信息的直接映射；最后通过加入高斯白噪声的方式，不仅进一步扩大数据集的量，且能够使得数据集更丰富，更贴近现实情况，在将其用于深度学习模型中时，能使深度学习模型具有更好的泛化能力，提高深度学习模型的鲁棒性。
通过本发明的方法可用远少于传统方法的时间构建较大数量的小平板数据集，生成将其用于人工智能的深度学习中，用于训练结构较为简单的损伤识别网络以验证利用深度学习方法实现应变场损伤识别的可行性，并进行网络模型超参数的优化。同时，由于使用该方法提高了数据集的获取能力，克服了数据处理的效率问题，也可根据具体时间及精度要求，通过生成一定量的数据集并用于深度学习网络，训练出用于实时枕梁损伤识别的模型，将其用于实时损伤检测中。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于等效应变假说的地铁枕梁损伤数据集构建方法，其特征在于，包括以下步骤：
选取地铁枕梁上的一块正方形薄板或壳类结构，将其一端固定，另一端受到均布的线载荷作用，构建小平板有限元模型；
对所述小平板有限元模型的模型单元进行编号；在所述模型的材料模块下设定多种不同弹性模量的材料，每个弹性模量分别对应相应的损伤程度；
利用ABAQUS软件的二次开发接口，采用对应的Python 脚本文件，获得每个模型单元上响应应变场与损伤信息一一对应的小平板基础数据集；
具体包括：
将无损小平板模型保存为 small_plate_well.cae 文件；
根据无损小平板模型文件，编写 Python 脚本文件 create_inp.py，用于生成含随机损伤单元的小平板模型，并保存为可计算的.inp 文件；同时保存损伤信息为.txt 文件，作为基础数据集的标签文件，也是构建的损伤识别网络的输出；
编写 count_inp.py 脚本文件，用于批量计算.inp 文件，并输出与损伤信息一一对应的应变场信息；
编写 Python 脚本文件 create_inp.py的具体执行步骤如下：
①导入所需要的 ABAQUS 库，numpy 库，random 库；
②设定small_plate_well.inp 文件的储存路径，设定生成的文件个数 n1；
③使用 mdb.ModelFromInputFile 命令导入 small_plate_well.inp；
执行以下步骤 n2 次；
4-1）通过 part 对象获取单元信息，储存在变量 e 中；
4-2）生成空矩阵 ele_damage，用于储存损伤单元；
4-3）执行子程序 create_damage；
4-4）将存储损伤信息的矩阵 output 保存成.txt 文件，以循环次数命名；
4-5）利用 SectionAssignment 命令给编号为 ele_damage 的单元赋损伤属性；
4-6）利用 mdb 下属的 Job 命令输出.inp 文件，以循环次数命名；
4-7）删除创建的 Job；
编写的count_inp 脚本文件的具体执行步骤如下：
1）导入所需的 ABAQUS 库，os 库；
2）设定工作路径和存储.inp 文件的路径；
3）执行以下步骤 n3次：
3-1）使用 os 库中的函数获得.inp 文件的文件名 file_name；
3-2）使用 mab.JobFromInputFile 函数读入.inp 文件并计算；
3-3）使用 mdb.jobs.waitForCompletion()函数等待计算完成；
3-4）计算完成得到.odb计算结果文件，使用 session.openOdb 函数打开.odb 计算结果文件；
3-5）通过定义 session 下的 NumberFormat 对象确定输出数据的格式；
3-6）通过 session.writeFieldReport 函数输出应变场，保存为.csv 文件；
3-7）关闭.odb 文件；
通过运行 count_inp.py 脚本文件，同样得到了.csv 文件，并且.csv 文件的文件名与.txt 文件的文件名一一对应；至此，小平板基础数据集制作完成；
所述基础数据集中每组数据包含一个.csv 文件与一个.txt 文件；
.csv 文件中包含了 64×64，共 4096 个单元的三向应变信息；
.txt 文件中包含了 4096 个单元的损伤信息，0 代表无损伤，1 代表单元刚度削弱20%，2 代表单元刚度削弱 40%，3 代表单元刚度削弱 60%；
将高斯白噪声加入所述基础数据集中，得到噪声数据；并通过引入服从高斯分布的随机数将所述噪声数据进行放大，得到扩充的应变场损伤数据集。
2.根据权利要求1所述的一种基于等效应变假说的地铁枕梁损伤数据集构建方法，其特征在于，当材料未发生损伤时，此时材料的弹性模量未发生改变；当发生完全损伤时，此时材料的弹性模量变为 0。
3.根据权利要求1所述的一种基于等效应变假说的地铁枕梁损伤数据集构建方法，其特征在于，对所述小平板有限元模型的模型单元进行编号；在所述模型的材料模块下设定多种不同弹性模量的材料，每个弹性模量分别对应相应的损伤程度，具体为：
对所述小平板有限元模型的模型单元进行编号，确定左下角单元编号为 1，至右上角单元编号为 4096 结束；在所述模型的材料模块下额外设定 3 种材料，弹性模量分别为164.8Gpa，123.6Gpa，82.4Gpa，分别对应损伤程度为 20%，40%，60%。
4.根据权利要求1所述的一种基于等效应变假说的地铁枕梁损伤数据集构建方法，其特征在于，将高斯白噪声加入所述基础数据集中，得到噪声数据；并通过引入服从高斯分布的随机数将所述噪声数据进行放大，得到扩充的应变场损伤数据集，包括：
将高斯白噪声加入所述基础数据集中，引入信噪比SNR来衡量噪声的大小，其计算公式如下：；式中，/>表示原始信号的能量；/>表示噪声信号的能量；/>表示应变场中的应变信号数据；N表示噪声信号数据；
并引入服从高斯分布的随机数将噪声数据进行放大，得到均值为 0 的高斯白噪声，将噪声与原始信号相加，得到信噪比为 SNR 的含噪信号；具体公式如下：，其中m为应变场中应变的值的个数，N表示噪声信号数据；至此，得到扩充的应变场损伤数据集，数据集构建完毕。
CN202210591648.5A 2022-05-27 2022-05-27 一种基于等效应变假说的地铁枕梁损伤数据集构建方法 Active CN114925573B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210591648.5A CN114925573B (zh) 2022-05-27 2022-05-27 一种基于等效应变假说的地铁枕梁损伤数据集构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210591648.5A CN114925573B (zh) 2022-05-27 2022-05-27 一种基于等效应变假说的地铁枕梁损伤数据集构建方法

Publications (2)

Publication Number Publication Date
CN114925573A CN114925573A (zh) 2022-08-19
CN114925573B true CN114925573B (zh) 2024-02-09

Family

ID=82810453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210591648.5A Active CN114925573B (zh) 2022-05-27 2022-05-27 一种基于等效应变假说的地铁枕梁损伤数据集构建方法

Country Status (1)

Country Link
CN (1) CN114925573B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112948941A (zh) * 2021-03-16 2021-06-11 宁波大学 受剪构件的高周疲劳损伤数值计算方法、装置
CN114218815A (zh) * 2021-11-01 2022-03-22 华南理工大学 一种基于abaqus的磨损仿真模拟方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11244093B2 (en) * 2018-03-16 2022-02-08 Safran Aircraft Engines Method for modelling an element of a structure using finite elements

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112948941A (zh) * 2021-03-16 2021-06-11 宁波大学 受剪构件的高周疲劳损伤数值计算方法、装置
CN114218815A (zh) * 2021-11-01 2022-03-22 华南理工大学 一种基于abaqus的磨损仿真模拟方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Deep learning based structural damage identification for the strain field of a subway bolster;chengxing yang;Alexandria Engineering Journal;全文 *
基于CNN-LSTM混合架构神经网络的桥梁损伤识别方法研究;皇鹏飞;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑;全文 *
基于损伤理论的铝合金板料成形极限研究;张学广;中国博士学位论文全文数据库 工程科技Ⅰ辑;全文 *
薄板的后屈曲损伤分析与疲劳寿命预估;肖浩;胡伟平;张淼;孟庆春;;北京航空航天大学学报(03);全文 *

Also Published As

Publication number Publication date
CN114925573A (zh) 2022-08-19

Similar Documents

Publication Publication Date Title
Lefik et al. Artificial neural network as an incremental non-linear constitutive model for a finite element code
CN107563067A (zh) 基于自适应代理模型的结构可靠性分析方法
CN107315862B (zh) 一种建立明挖基坑工程勘察与模拟参数关系的方法
CN112001110B (zh) 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法
EP4075281A1 (en) Ann-based program test method and test system, and application
CN103135132A (zh) Cpu/gpu协同并行计算的混合域全波形反演方法
CN104376214A (zh) 基于数据驱动的脉动风速模拟方法
CN107862170A (zh) 一种基于动态缩聚的有限元模型修正方法
CN105825269A (zh) 一种基于并行自动编码机的特征学习方法及系统
CN106952000A (zh) 一种喀斯特区域滑坡灾害风险动态评估方法
CN105975702B (zh) 斜拉桥健康监测传感器优化布置方法和系统
CN110110406B (zh) 一种基于Excel计算平台实现LS-SVM模型的边坡稳定性预测方法
CN102495926A (zh) 三维原始模型的检验方法及装置
CN114925573B (zh) 一种基于等效应变假说的地铁枕梁损伤数据集构建方法
CN113836625A (zh) 一种基于能力谱法的输电塔抗震性能等级划分方法及系统
CN108759648A (zh) 基于机器学习的探地雷达检测方法
Hui et al. Application of grey system theory to forecast the growth of larch
CN106934729A (zh) 建筑检测鉴定方法及装置
CN108733907B (zh) 探索元胞自动机模型的尺度敏感性的耦合方法
CN109933921B (zh) 一种滚石灾害风险评估方法、装置、系统及存储介质
CN106997472A (zh) 用户信用模型的用户特征分类方法、用户信用评估方法及装置
CN113836805B (zh) 一种列车表面压力预测方法、装置、电子设备及存储介质
CN111291490B (zh) 一种结构多尺度异类响应的非线性映射智能建模方法
Zhu et al. Structural damage identification considering uncertainties in nonuniform measurement conditions based on convolution neural networks
Yang et al. Multi-Stage Damage Identification Method Based on Integrated Neural Network

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