本發(fā)明涉及大跨桁架鋼結(jié)構(gòu)施工過程或運營階段中撓度監(jiān)測和全場力學響應評估的，具體的是一種大跨桁架鋼結(jié)構(gòu)智能撓度監(jiān)測和全場力學響應評估方法。

背景技術(shù)：

1、在大跨桁架鋼結(jié)構(gòu)的施工與運營全周期中，精準監(jiān)測其變形狀態(tài)扮演著核心角色，它不僅關(guān)乎施工策略的科學性與工程質(zhì)量的穩(wěn)固基石，還直接影響著結(jié)構(gòu)安全性的即時評估與損傷識別的效率。然而，當前測量技術(shù)在實際應用中遭遇了多重挑戰(zhàn)。傳統(tǒng)接觸式測量方法盡管以其高精度著稱，卻受限于測量范圍的局限性、安裝維護的復雜性以及對多變工程環(huán)境的適應性不足。相比之下，非接觸式技術(shù)如gps與激光多普勒測振儀，盡管實現(xiàn)了遠程監(jiān)控的便捷，但gps在垂直方向精度上的欠缺與激光多普勒測振儀對隔振條件的嚴格要求，均限制了它們在實際應用中的效能發(fā)揮。

2、近年來，數(shù)字圖像相關(guān)方法(dic)作為視覺測量領(lǐng)域的新星，逐漸嶄露頭角。該技術(shù)依托數(shù)字相機捕捉結(jié)構(gòu)變形前后的圖像，通過精細算法分析圖像子區(qū)域的相關(guān)性變化，實現(xiàn)對變形軌跡的高精度追蹤。然而，在將其推廣至室外大跨桁架鋼結(jié)構(gòu)監(jiān)測領(lǐng)域時，還需克服以下幾項關(guān)鍵難題：

3、(1)性能與分辨率的平衡挑戰(zhàn)：在復雜多變的施工環(huán)境下，工業(yè)相機需權(quán)衡圖像分辨率、幀率與存儲能力之間的關(guān)系。高分辨率雖提升了細節(jié)捕捉能力，卻也伴隨著幀率下降與內(nèi)存消耗加劇的問題，進而制約了實時監(jiān)測的流暢性與響應速度。

4、(2)特征匹配魯棒性不足：傳統(tǒng)基于局部特征描述子(如sift、surf)的匹配方法，在面對光照變化、旋轉(zhuǎn)、縮放等環(huán)境因素時表現(xiàn)出高度敏感性，且易受噪聲與遮擋干擾，導致匹配失準或誤匹配現(xiàn)象頻發(fā)。此外，傳統(tǒng)dic算法對散斑點作為位移標識的依賴，限制了其在無預設(shè)目標模板情況下的應用靈活性，增加了前期準備工作的負擔。

5、(3)當前結(jié)構(gòu)健康監(jiān)測體系多依賴于接觸式傳感器數(shù)據(jù)，而光測數(shù)據(jù)在評估框架中的主導地位尚未確立?，F(xiàn)有的評估框架大多基于預設(shè)規(guī)范限值，難以充分利用豐富的有限元分析結(jié)果進行實時、全面的性能評價，限制了監(jiān)測系統(tǒng)的智能化與精準化水平。

技術(shù)實現(xiàn)思路

1、針對上述技術(shù)問題，本發(fā)明提出一種大跨桁架鋼結(jié)構(gòu)智能撓度監(jiān)測和全場力學響應評估方法，該方法利用一套一體化的非接觸式撓度監(jiān)測和全場力學響應評估系統(tǒng)，能夠有效實施對大跨桁架鋼結(jié)構(gòu)非接觸式全場撓度和應變監(jiān)測和評估，在力學響應監(jiān)測的便捷性、數(shù)據(jù)準確性和可靠性上均得到了顯著提升，為大跨桁架鋼結(jié)構(gòu)的安全監(jiān)測和風險評估提供了強有力的技術(shù)支持。

2、為了實現(xiàn)上述技術(shù)目的，本發(fā)明采用如下的技術(shù)方案：

3、一種大跨桁架鋼結(jié)構(gòu)智能撓度監(jiān)測和全場力學響應評估方法，包括以下步驟：

4、s1：獲取大跨桁架鋼結(jié)構(gòu)跨中關(guān)鍵節(jié)點的運動軌跡；

5、s2：構(gòu)建大跨桁架鋼結(jié)構(gòu)智能撓度監(jiān)測深度學習框架；

6、s21利用步驟s1里獲得的大跨桁架鋼結(jié)構(gòu)跨中關(guān)鍵節(jié)點的圖像以獲取這些關(guān)鍵節(jié)點的像素坐標，計算出每個關(guān)鍵節(jié)點在圖像中每個像素對應的物理距離,即圖像中每個關(guān)鍵節(jié)點對應的比例因子；

7、s22基于步驟s21中獲取的每個關(guān)鍵節(jié)點的比例因子，選取diffusion?model超分辨率重構(gòu)算法的上采樣比例，獲得重構(gòu)后圖像的比例因子，確保重構(gòu)后圖像的比例因子維持在0.1～10mm/像素的精度水平；

8、s23應用已訓練好的yolo?v8檢測算法追蹤加載后拍攝的圖像序列中大跨桁架鋼結(jié)構(gòu)每個跨中關(guān)鍵節(jié)點的位置，將yolo?v8檢測算法輸出的目標框坐標位置信息傳遞給loftr算法，利用loftr算法計算大跨桁架鋼結(jié)構(gòu)上所有跨中關(guān)鍵節(jié)點對應的圖像像素位移，基于步驟s22獲得的重構(gòu)后圖像的比例因子將每個跨中關(guān)鍵節(jié)點的圖像位移準確轉(zhuǎn)換為物理位移；

9、s3構(gòu)建基于圖神經(jīng)網(wǎng)絡gnn代理模型的結(jié)構(gòu)評估框架；

10、s31將每個跨中關(guān)鍵節(jié)點的物理位移與訓練好的gnn代理模型進行對比，通過匹配相應的力學響應狀態(tài)，利用gnn代理模型推理大跨桁架鋼結(jié)構(gòu)的全場位移和應變數(shù)據(jù)；

11、s32將gnn代理模型所展示的大跨桁架鋼結(jié)構(gòu)全場位移和應變數(shù)據(jù)與規(guī)范或用戶自定義的預警限值進行對比，以提供施工指導或觸發(fā)危險預警。

12、步驟s22中diffusion?model超分辨率重構(gòu)算法先以包含高/低分辨率黑白圖像對的大跨桁架鋼結(jié)構(gòu)數(shù)據(jù)集為訓練基礎(chǔ)，確保diffusion?model超分辨率重構(gòu)算法精準映射低至高分辨率圖像；

13、通過峰值信噪比psnr與結(jié)構(gòu)相似性指數(shù)ssim評估測試集生成的超分辨率圖像，調(diào)整至峰值信噪比psnr與結(jié)構(gòu)相似性指數(shù)ssim最大化，以達最佳性能。

14、步驟s23中yolo?v8檢測算法先構(gòu)建含鋼桁架節(jié)點標注的黑白圖像數(shù)據(jù)集進行模型訓練，實現(xiàn)鋼桁架節(jié)點精準檢測與定位，通過優(yōu)化yolo?v8檢測算法參數(shù)與超參數(shù)，提升檢測精度與整體性能。

15、步驟s23中l(wèi)oftr算法依賴含位移信息的大跨桁架鋼結(jié)構(gòu)圖像集訓練，yolo?v8檢測算法輸出目標框坐標至loftr算法，后者僅對框內(nèi)像素進行局部匹配。

16、步驟s3中的gnn代理模型的訓練首先通過計算1000個關(guān)于實際鋼桁架的有限元模型來收集數(shù)據(jù)，這些數(shù)據(jù)被轉(zhuǎn)化為圖形化表達，其中每一個圖的節(jié)點映射為鋼節(jié)點、橫桿及豎桿關(guān)鍵結(jié)構(gòu)元素，而圖的邊則勾勒出它們之間的連接關(guān)系；考慮到鋼結(jié)構(gòu)位移受溫度變化的顯著影響，將室外鋼結(jié)構(gòu)表面溫差作為一個重要的特征納入gnn代理模型中；設(shè)計gnn代理模型的架構(gòu)，包含圖卷積、注意力機制與池化層，將力學響應的預測任務轉(zhuǎn)化為圖形域中的節(jié)點分類或回歸問題，采用交叉驗證和超參數(shù)調(diào)整的技術(shù)手段，對模型進行優(yōu)化和驗證。

17、步驟s1具體是：

18、施工準備階段，使用超聲波測距儀量測工地平整場地至大跨桁架鋼結(jié)構(gòu)跨中關(guān)鍵節(jié)點位置的水平與垂直距離，依據(jù)小孔成像原理，對黑白工業(yè)相機的視場范圍進行預估；

19、利用所述黑白工業(yè)相機完整記錄大跨桁架鋼結(jié)構(gòu)跨中關(guān)鍵節(jié)點的運動軌跡。

20、步驟s21具體是：

21、使用所述超聲波測距儀精準測量大跨桁架鋼結(jié)構(gòu)的跨中關(guān)鍵節(jié)點到所述黑白工業(yè)相機靶面中心的距離，隨后，利用電腦識別出相機視圖中這些跨中關(guān)鍵節(jié)點的像素坐標，基于幾何關(guān)系，計算出其對應的比例因子。

22、步驟s22具體是：

23、使用黑白工業(yè)相機在施工過程或運營階段捕獲一系列包含大跨桁架鋼結(jié)構(gòu)跨中關(guān)鍵節(jié)點的圖像，并從中選定一張加載前的圖像作為基準參考圖像，將研究焦點集中在大跨桁架鋼結(jié)構(gòu)上，對采集的所有圖像進行裁剪，僅保留大跨桁架鋼結(jié)構(gòu)梁的主體部分，基于步驟s3中計算出的比例因子，選取diffusion?model超分辨率重構(gòu)算法的上采樣比例，獲得重構(gòu)后圖像的比例因子，以確保重構(gòu)后圖像的比例因子維持在0.1～10mm/像素的精度水平。

24、所述裁剪操作具體是針對黑白工業(yè)相機捕獲的所有圖像，專注于大跨桁架鋼結(jié)構(gòu)梁在圖像中占據(jù)的方形像素區(qū)域，即該區(qū)域由上下左右四個坐標點定義，對所有圖片中的這些方形像素區(qū)域的并集進行精準裁剪，并以其替換原圖像。

25、有益效果：

26、第一、本發(fā)明一種大跨桁架鋼結(jié)構(gòu)智能撓度監(jiān)測與全場力學響應評估的方法，融合機器視覺和圖神經(jīng)網(wǎng)絡算法，在識別技術(shù)上，提出了一種深度學習框架，突破了傳統(tǒng)黑白工業(yè)相機低像素和需安裝目標散斑點的局限，顯著擴大了監(jiān)測系統(tǒng)的部署范圍，并實現(xiàn)了對大跨桁架鋼結(jié)構(gòu)節(jié)點的自動識別和目標匹配。

27、第二、本發(fā)明進一步開發(fā)了基于圖神經(jīng)網(wǎng)絡的代理模型，能夠迅速根據(jù)現(xiàn)場有限的跨中關(guān)鍵節(jié)點的監(jiān)測位移數(shù)據(jù)推理出結(jié)構(gòu)的全場位移和應變信息。同時通過將圖神經(jīng)網(wǎng)絡的代理模型生成的全場位移和應變數(shù)據(jù)與預設(shè)的規(guī)范或用戶自定義的預警限值進行對比，能夠為施工提供實時指導，并在必要時觸發(fā)危險預警。

28、第三，相較于傳統(tǒng)的接觸式監(jiān)測手段，本發(fā)明能夠有效實施對大跨桁架鋼結(jié)構(gòu)多個關(guān)鍵節(jié)點的智能識別與非接觸式撓度和應變監(jiān)測，能夠安全、快速、準確的監(jiān)測大跨桁架鋼結(jié)構(gòu)施工過程或運營階段中的力學響應變化，為結(jié)構(gòu)安全評估提供了堅實的數(shù)據(jù)基礎(chǔ)。