本發(fā)明屬于結(jié)構(gòu)健康監(jiān)測(cè)與管理領(lǐng)域，尤其是一種基于物理神經(jīng)網(wǎng)絡(luò)的建筑物健康監(jiān)測(cè)與評(píng)估方法及系統(tǒng)。

背景技術(shù)：

1、建筑物健康監(jiān)測(cè)對(duì)于確保建筑結(jié)構(gòu)安全、延長(zhǎng)使用壽命和降低維護(hù)成本具有重要意義。

2、目前，建筑物健康監(jiān)測(cè)領(lǐng)域已開(kāi)展了大量研究工作；在數(shù)據(jù)獲取方面，采用了光纖傳感、無(wú)線(xiàn)傳感器網(wǎng)絡(luò)等技術(shù)實(shí)現(xiàn)多參數(shù)監(jiān)測(cè)；在數(shù)據(jù)處理方面，運(yùn)用小波變換、經(jīng)驗(yàn)?zāi)B(tài)分解等方法進(jìn)行信號(hào)降噪和特征提?。辉趽p傷識(shí)別方面，基于模態(tài)參數(shù)、振動(dòng)特征等建立了多種結(jié)構(gòu)損傷診斷模型；在性能評(píng)估方面，通過(guò)有限元分析、統(tǒng)計(jì)學(xué)習(xí)等手段構(gòu)建了結(jié)構(gòu)性能預(yù)測(cè)模型；傳統(tǒng)的機(jī)器學(xué)習(xí)方法，如支持向量機(jī)、隨機(jī)森林等，已被應(yīng)用于建筑物狀態(tài)評(píng)估和預(yù)警；然而，這些方法往往將物理模型和數(shù)據(jù)驅(qū)動(dòng)模型割裂開(kāi)來(lái)，未能充分利用建筑結(jié)構(gòu)的物理知識(shí)。

3、現(xiàn)有技術(shù)方案存在以下具體問(wèn)題：一是特征提取過(guò)程中忽視了物理約束，導(dǎo)致提取的特征可能違背能量守恒、動(dòng)量守恒等基本物理定律，影響評(píng)估結(jié)果的可靠性；二是數(shù)據(jù)融合算法未考慮傳感器空間分布的物理拓?fù)潢P(guān)系，造成局部監(jiān)測(cè)數(shù)據(jù)之間的相關(guān)性損失；三是損傷診斷模型缺乏對(duì)結(jié)構(gòu)動(dòng)力學(xué)方程的約束，使得診斷結(jié)果與實(shí)際物理機(jī)理存在偏差；四是性能評(píng)估方法未將質(zhì)量矩陣、剛度矩陣等物理參數(shù)嵌入神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，降低了模型的可解釋性；五是預(yù)警策略生成過(guò)程中未充分利用歷史決策經(jīng)驗(yàn)中蘊(yùn)含的物理知識(shí)，限制了決策方案的合理性；六是多目標(biāo)優(yōu)化過(guò)程中沒(méi)有考慮物理參數(shù)之間的耦合關(guān)系，導(dǎo)致優(yōu)化結(jié)果可能不滿(mǎn)足工程實(shí)際需求；這些技術(shù)問(wèn)題嚴(yán)重制約了建筑物健康監(jiān)測(cè)系統(tǒng)的實(shí)際應(yīng)用效果。

技術(shù)實(shí)現(xiàn)思路

1、發(fā)明目的，提供一種基于物理神經(jīng)網(wǎng)絡(luò)的建筑物健康監(jiān)測(cè)與評(píng)估方法及系統(tǒng)，以期能夠解決現(xiàn)有技術(shù)存在的至少一個(gè)技術(shù)問(wèn)題。

2、技術(shù)方案，基于物理神經(jīng)網(wǎng)絡(luò)的建筑物健康監(jiān)測(cè)與評(píng)估方法，包括如下步驟：

3、s1、獲取原始傳感數(shù)據(jù)集，并進(jìn)行數(shù)據(jù)預(yù)處理，生成標(biāo)準(zhǔn)化數(shù)據(jù)集；對(duì)標(biāo)準(zhǔn)化數(shù)據(jù)集進(jìn)行特征提取，生成特征向量集；融合特征向量集和預(yù)存儲(chǔ)的歷史特征數(shù)據(jù)，生成融合特征張量；

4、s2、對(duì)融合特征張量和預(yù)存儲(chǔ)的物理模型參數(shù)集進(jìn)行物理約束處理，生成物理約束特征矩陣；對(duì)物理約束特征矩陣進(jìn)行時(shí)序分解，并采用動(dòng)態(tài)時(shí)間規(guī)整算法進(jìn)行特征對(duì)齊，獲得時(shí)變特征矩陣；對(duì)時(shí)變特征矩陣進(jìn)行特征映射處理，生成結(jié)構(gòu)狀態(tài)特征向量；

5、s3、基于結(jié)構(gòu)狀態(tài)特征向量和預(yù)存儲(chǔ)的歷史狀態(tài)數(shù)據(jù)庫(kù)進(jìn)行狀態(tài)預(yù)測(cè)，獲得預(yù)測(cè)狀態(tài)序列；基于預(yù)測(cè)狀態(tài)序列和預(yù)存儲(chǔ)的閾值參數(shù)集進(jìn)行預(yù)警分析，得到預(yù)警指標(biāo)矩陣；對(duì)預(yù)警指標(biāo)矩陣進(jìn)行優(yōu)化分析，生成優(yōu)化參數(shù)向量；

6、s4、讀取并根據(jù)預(yù)警指標(biāo)矩陣和優(yōu)化參數(shù)向量提取關(guān)鍵指標(biāo)和決策規(guī)則，生成決策規(guī)則集；根據(jù)決策規(guī)則集和預(yù)存儲(chǔ)的歷史決策庫(kù)進(jìn)行方案生成，獲得候選方案矩陣；基于候選方案矩陣進(jìn)行評(píng)估優(yōu)化，生成決策方案序列。

7、基于物理神經(jīng)網(wǎng)絡(luò)的建筑物健康監(jiān)測(cè)與評(píng)估系統(tǒng)，包括：

8、至少一個(gè)處理器；以及，

9、與至少一個(gè)所述處理器通信連接的存儲(chǔ)器；其中，

10、所述存儲(chǔ)器存儲(chǔ)有可被所述處理器執(zhí)行的指令，所述指令用于被所述處理器執(zhí)行以實(shí)現(xiàn)所述的基于物理神經(jīng)網(wǎng)絡(luò)的建筑物健康監(jiān)測(cè)與評(píng)估方法。

11、有益效果，本發(fā)明提高了評(píng)估結(jié)果的可靠性，保留了局部監(jiān)測(cè)數(shù)據(jù)之間的相關(guān)性，使診斷結(jié)果符合實(shí)際物理機(jī)理；提高了神經(jīng)網(wǎng)絡(luò)模型的可解釋性和決策方案的合理性，確保優(yōu)化結(jié)果滿(mǎn)足工程實(shí)際需求；有效解決了傳統(tǒng)方法中存在的特征提取不符合物理規(guī)律、數(shù)據(jù)融合效果差、診斷結(jié)果偏差大、模型可解釋性差等問(wèn)題。

技術(shù)特征：

1.基于物理神經(jīng)網(wǎng)絡(luò)的建筑物健康監(jiān)測(cè)與評(píng)估方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的基于物理神經(jīng)網(wǎng)絡(luò)的建筑物健康監(jiān)測(cè)與評(píng)估方法，其特征在于，步驟s1進(jìn)一步為：

3.根據(jù)權(quán)利要求2所述的基于物理神經(jīng)網(wǎng)絡(luò)的建筑物健康監(jiān)測(cè)與評(píng)估方法，其特征在于，步驟s2進(jìn)一步為：

4.根據(jù)權(quán)利要求3所述的基于物理神經(jīng)網(wǎng)絡(luò)的建筑物健康監(jiān)測(cè)與評(píng)估方法，其特征在于，步驟s3進(jìn)一步為：

5.根據(jù)權(quán)利要求4所述的基于物理神經(jīng)網(wǎng)絡(luò)的建筑物健康監(jiān)測(cè)與評(píng)估方法，其特征在于，步驟s4進(jìn)一步為：

6.根據(jù)權(quán)利要求5所述的基于物理神經(jīng)網(wǎng)絡(luò)的建筑物健康監(jiān)測(cè)與評(píng)估方法，其特征在于，步驟s11進(jìn)一步為：

7.根據(jù)權(quán)利要求5所述的基于物理神經(jīng)網(wǎng)絡(luò)的建筑物健康監(jiān)測(cè)與評(píng)估方法，其特征在于，步驟s12進(jìn)一步為：

8.根據(jù)權(quán)利要求5所述的基于物理神經(jīng)網(wǎng)絡(luò)的建筑物健康監(jiān)測(cè)與評(píng)估方法，其特征在于，步驟s21進(jìn)一步為：

9.根據(jù)權(quán)利要求5所述的基于物理神經(jīng)網(wǎng)絡(luò)的建筑物健康監(jiān)測(cè)與評(píng)估方法，其特征在于，步驟s32進(jìn)一步為：

10.基于物理神經(jīng)網(wǎng)絡(luò)的建筑物健康監(jiān)測(cè)與評(píng)估系統(tǒng)，其特征在于，包括：

技術(shù)總結(jié)
本發(fā)明提出了一種基于物理神經(jīng)網(wǎng)絡(luò)的建筑物健康監(jiān)測(cè)與評(píng)估方法及系統(tǒng)，該方法包括通過(guò)傳感器網(wǎng)絡(luò)采集建筑物振動(dòng)、應(yīng)變、位移等監(jiān)測(cè)數(shù)據(jù)，基于小波變換和神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)預(yù)處理；將處理后的數(shù)據(jù)輸入物理約束編碼器，采用Hamilton量編碼方法映射到物理空間，結(jié)合物理模型參數(shù)構(gòu)建約束條件；利用物理約束神經(jīng)網(wǎng)絡(luò)進(jìn)行特征匹配，提取關(guān)鍵特征；采用主成分分析方法分解預(yù)警指標(biāo)，通過(guò)深度神經(jīng)網(wǎng)絡(luò)構(gòu)建參數(shù)映射；基于決策樹(shù)算法生成分層決策規(guī)則；對(duì)候選方案進(jìn)行約束檢驗(yàn)和成本計(jì)算，通過(guò)層次分析法完成方案排序。本發(fā)明將物理知識(shí)嵌入深度學(xué)習(xí)框架，提高了監(jiān)測(cè)評(píng)估的準(zhǔn)確性和可靠性。

技術(shù)研發(fā)人員：朱金波,魏斌,邱學(xué)剛,丁健,葉邦土
受保護(hù)的技術(shù)使用者：江蘇省建筑工程質(zhì)量檢測(cè)中心有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6