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。
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),m9,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
本文链接:http://www.vipzhuanli.com/tech/sell/s_2311023.html,转载请声明来源钻瓜专利网。