CN115659757A - 基于腐蚀影响的输电杆塔风致响应计算方法、设备及介质 - Google Patents
基于腐蚀影响的输电杆塔风致响应计算方法、设备及介质 Download PDFInfo
- Publication number
- CN115659757A CN115659757A CN202211395513.8A CN202211395513A CN115659757A CN 115659757 A CN115659757 A CN 115659757A CN 202211395513 A CN202211395513 A CN 202211395513A CN 115659757 A CN115659757 A CN 115659757A
- Authority
- CN
- China
- Prior art keywords
- tower
- corrosion
- wind
- calculating
- response
- 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
Images
Landscapes
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开了基于腐蚀影响的输电杆塔风致响应计算方法、设备及介质,方法包括:S1、建立杆塔有限元模型,设置塔材力学与几何参数;划分不同腐蚀程度并计算出杆塔对应位置塔材的材料属性值,得到受到腐蚀下的杆塔有限元模型;S2、计算杆塔风荷载,将风荷载施加在杆塔各分段节点,采用非线性的分析方法对输电杆塔进行分析,得到正常杆塔响应结果A2和受腐蚀杆塔响应结果集A1;S3、将A1映射至A2并计算对应的差值,将差值作为训练标签;对特征及标签数据集进行归一化处理;S4、构建机器学习模型并进行训练,优化模型,最终得到风致杆塔响应在不同腐蚀率下误差计算模型。本发明能作为杆塔安全性能的评估和预警的参考。
Description
技术领域
本发明属于输电线路结构安全技术领域,具体涉及一种基于腐蚀影响的输电杆塔风致响应计算方法、设备及介质。
背景技术
架空输电线路是电网运行的关键部分,在面对各类工况时需要维持更高的安全可靠性。而杆塔作为输电线路的重要结构,其塔材和销钉等部件易受腐蚀,从而影响整个结构的稳定性,目前针对腐蚀的研究多集中于针对性的试验研究,忽略了在具体模型结构下部件腐蚀对整体的影响,而且腐蚀对于建模参数设置复杂难度较大,无法适应大量仿真计算的需求。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提出基于腐蚀影响的输电杆塔风致响应计算方法、设备及介质,基于有限元仿真与机器学习原理,为杆塔的受腐蚀工况下提供一种快速计算方法,为杆塔安全性能的评估和预警做参考。
为了达到上述目的,本发明采用以下技术方案:
基于腐蚀影响的输杆铁塔风致响应计算方法,包括以下步骤:
S1、根据杆塔设计规范建立有限元模型,在仿真软件中根据杆塔设计值设置塔材的力学参数与几何参数;划分不同腐蚀程度并计算出杆塔对应位置塔材的材料属性值,得到受到腐蚀下的杆塔有限元模型;
S2、根据建筑设计规范计算杆塔风荷载,将风荷载施加在杆塔各分段节点,在有限元仿真软件中仿真计算对输电杆塔进行分析,得到正常杆塔响应结果集A2;
将风荷载加到受到腐蚀影响的模型上,受腐蚀杆塔响应结果集A1;
S3、将结果集A1映射至A2并计算对应的差值,将差值作为训练标签;对特征及标签数据集进行归一化处理;
S4、以杆塔本征参数、风荷载和腐蚀程度作为特征值,构建机器学习模型并进行训练;
训练优化模型,最终得到风致杆塔响应在不同腐蚀率下误差计算模型,实现只进行风场中无腐蚀情况杆塔的仿真计算来预测出在不同腐蚀情况下的响应结果。
进一步的,同时考虑几何面积变化以及材料力学退化的影响,腐蚀塔材与无腐蚀损伤试件力学性能参数相比,腐蚀损伤试件力学性能的退化程度通过相对百分率Kr和剩余比率K′r进行描述,具体为:
Kr=(σr0-σr1)/σr0×100%
K′r=σr1/σr0×100%
其中,σr0和σr1分别为试件腐蚀前后的材性参数测定值。
进一步的,步骤S1中,划分不同腐蚀程度并计算出杆塔对应位置塔材的材料属性值,得到受到腐蚀下的杆塔有限元模型具体为:
按照0~100%划分塔材不同腐蚀程度,并计算出相应腐蚀程度下杆塔对应塔材的材料属性值,包括材料截面积和屈服强度,根据受到腐蚀下材料属性值修改原杆塔有限元模型中对应材料参数,得到受到腐蚀下的杆塔有限元模型;
在有限元仿真软件中对塔杆有限元模型进行仿真计算,得到其应力结果。
进一步的,步骤S2中,计算杆塔风荷载具体如以下公式:
F=βz×μz×μs×ω0×A×106
其中,F为风荷载,βZ为风振系数,μZ为风压高度变化系数,μS为风荷载体形系数,ω0为基本风压,A为塔身段净投影面积。
进一步的,正常杆塔响应结果集A2和受腐蚀杆塔响应结果集A1具体包括各段塔材位移、Mises应力以及主应力的响应数据。
进一步的,对特征值及标签数据集进行归一化处理,具体为:
通过遍历数据里的每一个数据,将max和min的记录下来,并通过数据与min差值与max-min比值进行数据的归一化处理:其中max为样本数据的最大值,min为样本数据的最小值。
进一步的,步骤S4中,特征值包括但不仅限于塔材空间位置、腐蚀程度、塔材力学参数和风荷载;
塔材空间位置包括其在三维空间中的高度以及和其他塔材相对位置关系参数;
腐蚀程度以百分比形式描述。
进一步的,构建机器学习模型,机器学习模型具体为:
机器学习模型采用人工神经网络,以杆塔本征参数、风荷载以及腐蚀程度作为特征值,输出结果为杆塔应力;
机器学习模型具体训练优化的步骤具体为:采用灰狼优化算法,将神经网络的隐含层数与神经元数量作为优化对象,以神经网络结果误差最小为目标进行优化,最终得到最优的神经网络结构。
本发明还包括一种计算机设备,包括存储器以及处理器,存储器存储有计算机程序,处理器执行计算机程序时实现如提供的输杆铁塔风致响应计算方法。
本发明还包括一种计算机可读存储介质,存储有计算机程序,当计算机程序被处理器执行时,实现如提供的输杆铁塔风致响应计算方法。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明为结合力学仿真与机器学习的大数据处理方法,方法将基于数据处理的算法模型代替力学建模,可大大提高对腐蚀作用下杆塔风荷载的计算速度。
2、本发明应用范围广,普适性强,在输入数据充足的情况下可适用于杆塔物理模型不存在或难以建立的情况,以较少的杆塔模型计算出多种实际场景下的响应结果,有利于开展预警和杆塔维护工作。
附图说明
图1是本发明方法的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
如图1所示,本发明,基于腐蚀影响的输电杆塔风致响应计算方法,包括以下步骤:
基于腐蚀影响的输杆铁塔风致响应计算方法,其特征在于,包括以下步骤:
S1、根据杆塔设计规范建立有限元模型,在仿真软件中根据杆塔设计值设置塔材的力学参数与几何参数;
本实施例方法同时考虑几何面积变化以及材料力学退化的影响,腐蚀塔材与无腐蚀损伤试件力学性能参数相比,腐蚀损伤试件力学性能的退化程度通过相对百分率Kr和剩余比率K′r进行描述,具体为:
Kr=(σr0-σr1)/σr0×100%
K′r=σr1/σr0×100%
其中,σr0和σr1分别为试件腐蚀前后的材性参数测定值。
划分不同腐蚀程度并计算出杆塔对应位置塔材的材料属性值,得到受到腐蚀下的杆塔有限元模型,具体为:
按照0~100%划分塔材不同腐蚀程度,并计算出相应腐蚀程度下杆塔对应塔材的材料属性值,包括材料截面积、屈服强度等力学属性,根据受到腐蚀下材料属性值修改原杆塔有限元模型中对应材料参数,得到受到腐蚀下的杆塔有限元模型;
在有限元仿真软件中对塔杆有限元模型进行仿真计算,得到其应力结果。
S2、根据建筑设计规范计算杆塔风荷载,将风荷载施加在杆塔各分段节点,在有限元仿真软件中仿真计算对输电杆塔进行分析,得到正常杆塔响应结果集A2;将风荷载加到受到腐蚀影响的模型上,受腐蚀杆塔响应结果集A1;正常杆塔响应结果集A2和受腐蚀杆塔响应结果集A1具体包括各段塔材位移、Mises应力以及主应力等的响应数据。
在本实施例中,计算杆塔风荷载具体为以下公式:
F=βz×μz×μs×ω0×A×106
其中,F为风荷载,βZ为风振系数,μZ为风压高度变化系数,μS为风荷载体形系数,ω0为基本风压,A为塔身段净投影面积。
S3、将结果集A1映射至A2并计算对应的差值,将差值作为训练标签;对特征及标签数据集进行归一化处理;在本实施例中,对特征值及标签数据集进行归一化处理,具体为:
通过遍历数据里的每一个数据,将max和min的记录下来,并通过数据与min差值与max-min比值进行数据的归一化处理:其中max为样本数据的最大值,min为样本数据的最小值。
S4、以杆塔本征参数、风荷载和腐蚀程度作为特征值,构建机器学习模型进行训练;其中,特征值包括但不仅限于塔材空间位置、腐蚀程度、塔材力学参数和风荷载;塔材空间位置包括其在三维空间中的高度以及和其他塔材相对位置关系参数;腐蚀程度以百分比形式描述。
训练优化模型,最终得到风致杆塔响应在不同腐蚀率下误差计算模型,实现只进行风场中无腐蚀情况杆塔的仿真计算来预测出在不同腐蚀情况下的响应结果。
在本实施例中,机器学习模型具体为:
机器学习模型采用人工神经网络,以杆塔本征参数(包括描述杆塔物理模型的参数如塔形、塔高、塔材等)、风荷载和腐蚀程度作为特征值,输出结果为杆塔应力;
机器学习模型训练优化的步骤具体为:采用灰狼优化算法,将神经网络的隐含层数与神经元数量作为优化对象,以神经网络结果误差最小为目标进行优化,最终得到最优的神经网络结构。
在另一个实施例中,提供了一种计算机设备,包括存储器以及处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述实施例方法。
在另一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,当计算机程序被处理器执行时,实现上述实施例方法。
还需要说明的是,在本说明书中,诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.基于腐蚀影响的输杆铁塔风致响应计算方法,其特征在于,包括以下步骤:
S1、根据杆塔设计规范建立有限元模型,在仿真软件中根据杆塔设计值设置塔材的力学参数与几何参数;划分不同腐蚀程度并计算出杆塔对应位置塔材的材料属性值,得到受到腐蚀下的杆塔有限元模型;
S2、根据建筑设计规范计算杆塔风荷载,将风荷载施加在杆塔各分段节点,在有限元仿真软件中仿真计算对输电杆塔进行分析,得到正常杆塔响应结果集A2;
将风荷载加到受到腐蚀影响的模型上,受腐蚀杆塔响应结果集A1;
S3、将结果集A1映射至A2并计算对应的差值,将差值作为训练标签;对特征及标签数据集进行归一化处理;
S4、以杆塔本征参数、风荷载和腐蚀程度作为特征值,构建机器学习模型并进行训练;
训练优化模型,最终得到风致杆塔响应在不同腐蚀率下误差计算模型,实现只进行风场中无腐蚀情况杆塔的仿真计算来预测出在不同腐蚀情况下的响应结果。
2.根据权利要求1所述的基于腐蚀影响的输杆铁塔风致响应计算方法,其特征在于,同时考虑几何面积变化以及材料力学退化的影响,腐蚀塔材与无腐蚀损伤试件力学性能参数相比,腐蚀损伤试件力学性能的退化程度通过相对百分率Kr和剩余比率K′r进行描述,具体为:
Kr=(σr0-σr1)/σr0×100%
K′r=σr1/σr0×100%
其中,σr0和σr1分别为试件腐蚀前后的材性参数测定值。
3.根据权利要求1所述的基于腐蚀影响的输杆铁塔风致响应计算方法,其特征在于,步骤S1中,划分不同腐蚀程度并计算出杆塔对应位置塔材的材料属性值,得到受到腐蚀下的杆塔有限元模型具体为:
按照0~100%划分塔材不同腐蚀程度,并计算出相应腐蚀程度下杆塔对应塔材的材料属性值,包括材料截面积和屈服强度,根据受到腐蚀下材料属性值修改原杆塔有限元模型中对应材料参数,得到受到腐蚀下的杆塔有限元模型;
在有限元仿真软件中对塔杆有限元模型进行仿真计算,得到其应力结果。
4.根据权利要求1所述的基于腐蚀影响的输杆铁塔风致响应计算方法,其特征在于,步骤S2中,计算杆塔风荷载具体如以下公式:
F=βz×μz×μs×ω0×A×106
其中,F为风荷载,βZ为风振系数,μZ为风压高度变化系数,μS为风荷载体形系数,ω0为基本风压,A为塔身段净投影面积。
5.根据权利要求1所述的基于腐蚀影响的输杆铁塔风致响应计算方法,其特征在于,正常杆塔响应结果集A2和受腐蚀杆塔响应结果集A1具体包括各段塔材位移、Mises应力以及主应力的响应数据。
7.根据权利要求1所述的基于腐蚀影响的输杆铁塔风致响应计算方法,其特征在于,步骤S4中,特征值包括但不仅限于塔材空间位置、腐蚀程度、塔材力学参数和风荷载;
塔材空间位置包括其在三维空间中的高度以及和其他塔材相对位置关系参数;
腐蚀程度以百分比形式描述。
8.根据权利要求1所述的基于腐蚀影响的输杆铁塔风致响应计算方法,其特征在于,构建机器学习模型,机器学习模型具体为:
机器学习模型采用人工神经网络,以杆塔本征参数、风荷载以及腐蚀程度作为特征值,输出结果为杆塔应力;
机器学习模型具体训练优化的步骤具体为:采用灰狼优化算法,将神经网络的隐含层数与神经元数量作为优化对象,以神经网络结果误差最小为目标进行优化,最终得到最优的神经网络结构。
9.一种计算机设备,包括存储器以及处理器,存储器存储有计算机程序,其特征在于,处理器执行计算机程序时实现如权利要求1-8任一项所述方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,当计算机程序被处理器执行时,实现如权利要求1-8任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211395513.8A CN115659757A (zh) | 2022-11-09 | 2022-11-09 | 基于腐蚀影响的输电杆塔风致响应计算方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211395513.8A CN115659757A (zh) | 2022-11-09 | 2022-11-09 | 基于腐蚀影响的输电杆塔风致响应计算方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115659757A true CN115659757A (zh) | 2023-01-31 |
Family
ID=85015630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211395513.8A Pending CN115659757A (zh) | 2022-11-09 | 2022-11-09 | 基于腐蚀影响的输电杆塔风致响应计算方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115659757A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116306125A (zh) * | 2023-03-09 | 2023-06-23 | 中国电力工程顾问集团中南电力设计院有限公司 | 基于检测状态的输电杆塔结构随机建模方法 |
CN117807888A (zh) * | 2024-01-11 | 2024-04-02 | 国网湖北省电力有限公司经济技术研究院 | 一种考虑腐蚀影响的杆塔覆冰荷载计算方法、系统及设备 |
-
2022
- 2022-11-09 CN CN202211395513.8A patent/CN115659757A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116306125A (zh) * | 2023-03-09 | 2023-06-23 | 中国电力工程顾问集团中南电力设计院有限公司 | 基于检测状态的输电杆塔结构随机建模方法 |
CN116306125B (zh) * | 2023-03-09 | 2024-06-14 | 中国电力工程顾问集团中南电力设计院有限公司 | 基于检测状态的输电杆塔结构随机建模方法 |
CN117807888A (zh) * | 2024-01-11 | 2024-04-02 | 国网湖北省电力有限公司经济技术研究院 | 一种考虑腐蚀影响的杆塔覆冰荷载计算方法、系统及设备 |
CN117807888B (zh) * | 2024-01-11 | 2024-05-24 | 国网湖北省电力有限公司经济技术研究院 | 一种考虑腐蚀影响的杆塔覆冰荷载计算方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115659757A (zh) | 基于腐蚀影响的输电杆塔风致响应计算方法、设备及介质 | |
CN109973331B (zh) | 一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法 | |
CN111784061B (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
CN111881617A (zh) | 数据处理方法、风力发电机组的性能评估方法及系统 | |
CN113570138A (zh) | 一种时间卷积网络的设备剩余使用寿命预测方法及装置 | |
CN113486573A (zh) | 电缆线芯温度预测方法 | |
CN116485049B (zh) | 一种基于人工智能的电能计量误差预测与优化系统 | |
CN112287605A (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
CN115019510A (zh) | 一种基于动态自适应生成对抗网络的交通数据修复方法 | |
CN115983374A (zh) | 基于优化sa-cacgan的电缆局放数据库样本扩充方法 | |
CN115017828A (zh) | 基于双向长短时记忆网络的电力电缆故障识别方法及系统 | |
CN117421992B (zh) | 一种变压器绕组热点温度反演方法 | |
CN117609768A (zh) | 一种基于改进鲸鱼算法的立式水泵机组故障诊断方法 | |
CN113688465A (zh) | 一种基于载荷与状态结合的飞行器结构强度数字孪生方法 | |
Guo et al. | Data mining and application of ship impact spectrum acceleration based on PNN neural network | |
CN117407675A (zh) | 基于多变量重构联合动态权重的避雷器泄漏电流预测方法 | |
CN117435992A (zh) | 一种用于盾构机液压推进系统的故障预测方法及系统 | |
CN116227045B (zh) | 一种结构试件的局部应力应变场构造方法及系统 | |
CN117171957A (zh) | 一种基于蜣螂搜索算法的不同边界下的吊杆索力识别方法 | |
CN114818128B (zh) | 船体局部曲面优化神经网络建模方法及优化方法 | |
CN115659844A (zh) | 基于风电场动态模型的仿真方法、装置和计算机设备 | |
CN116050250A (zh) | 基于混合驱动模型的电网数字孪生模型建模方法及装置 | |
CN115547431A (zh) | 一种基于机器学习与渐进损伤的短切纤维复合材料疲劳性能预测方法 | |
CN117807888B (zh) | 一种考虑腐蚀影响的杆塔覆冰荷载计算方法、系统及设备 | |
CN113705093B (zh) | 一种杆塔力学响应预测方法、装置、设备和介质 |
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 |