一种建筑工程结构变形重构方法

本发明涉及建筑结构健康监测领域，具体涉及一种建筑工程结构变形重构方法。

背景技术：

1、在建筑工程结构的健康监测中，结构变形监测与重构是指对结构变形进行实时测量并对其变形形态进行分析，通过直接或间接手段重构出结构的变形情况，是建筑结构健康监测的重要环节。结构变形监测与重构在对结构损伤程度及寿命预测、超阈值预警和建筑结构状态影响研究等方面都有不容忽视的作用。现有对于建筑工程结构变形重构通常是根据已测得的点位数据应用重构算法进行结构位移场重构，例如曲率法是基于离散曲率连续化以及坐标变换来对曲线的坐标值进行几何递推，得到整条曲线多点的坐标值。然而现有技术中进行结构变形重构时通常未判断插值方法可靠性，直接采取选定的插值方法进行插值处理，因此当有新的信息加入的时候，会出现整体拟合度下降进而导致精度下降。且现有技术在进行插值处理时只考虑单条曲线上的数据点位，因此在真实场景中往往会忽略其他点位与外界环境带来的扰动误差，插值数据准确度较低。此外，现有方法通过递推的方式从起始端向另一端推导，对于多固支端结构，在递推末尾会产生较大的累积误差，因此重构效果较差。

技术实现思路

1、有鉴于此，有必要提供一种建筑工程结构变形重构方法，用于解决现有技术中在进行结构变形重构时只考虑了单条曲线上的数据点位，忽略了其他点位与外界环境带来的扰动误差，以及重构末端存在较大累积误差，进而导致重构精度低的技术问题。

2、为了解决上述问题，本发明提供了一种建筑工程结构变形重构方法，包括：

3、获取仿真应变数据集，所述仿真应变数据集包括测量点数据集和应变数据集；

4、构建初始数据优化神经网络，以所述测量点数据集作为输入，以所述应变数据集作为输出训练所述初始数据优化神经网络得到训练完备的数据优化神经网络；

5、获取待重构建筑工程的结构应变数据，基于信赖域反射算法构建最优插值函数，基于所述最优插值函数对所述待重构结构应变数据进行插值处理得到插值应变数据；

6、基于训练完备的数据优化网络对所述插值应变数据进行奇异值剔除，得到优化应变数据；

7、将所述优化应变数据进行应变曲率转化得到各应变曲线的曲率数据，从所述应变曲线两端分别利用曲率数据进行重构得到双端递推重构结果，将所述双端递推重构结果合并得到各应变曲线的曲线重构结果，将各曲线重构结果合并得到最终重构结果。

8、进一步的，获取仿真应变数据，包括：

9、基于有限元仿真法得到仿真应变数据组成仿真应变数据集，将其中光纤传感器测量点位置的仿真应变数据组成测量点数据集，其他位置的仿真应变数据组成应变数据集。

10、进一步的，构建初始数据优化神经网络，以所述测量点数据集作为输入，以所述应变数据集作为输出训练所述初始数据优化神经网络得到训练完备的数据优化神经网络，包括：

11、基于径向基函数构建初始数据优化神经网络；

12、将所述测量点数据集作为输入，所述应变数据集作为输出，通过反向传播算法训练所述初始数据优化神经网络，并以均方误差函数作为损失函数衡量预测值与目标值之间的差异，通过梯度下降算法更新模型权重和偏置，直至损失不再降低得到训练完备的数据优化神经网络。

13、进一步的，获取待重构建筑工程的结构应变数据，包括：

14、分析待重构建筑工程结构的载荷传递方式，根据所述待重构建筑工程结构的载荷传递方式设置应变传感网络；

15、基于所述应变传感网络采集待重构建筑工程结构的应变数据。

16、进一步的，基于信赖域反射算法构建最优插值函数，包括：

17、构建多种插值函数，基于信赖域反射算法调整各插值函数的系数矩阵，并对插值函数进行误差率分析得到各插值函数的预处理误差；

18、比较所述各插值函数的预处理误差，根据最小预处理误差对应插值函数及对应系数矩阵得到最优插值函数。

19、进一步的，基于信赖域反射算法调整各插值函数的系数矩阵，并对插值函数进行误差率分析得到各插值函数的预处理误差，包括：

20、初始化信赖域反射算法参数和插值函数的系数矩阵，并基于所述插值函数对所述待重构结构应变数据进行插值预处理得到预处理数据；

21、根据所述预处理数据和所述待重构结构应变数据确定插值函数的预处理误差；

22、在信赖域内构建二次模型以接近所述插值函数；

23、根据所述二次模型建立约束最小二乘问题并求解得到参数增量；

24、根据所述参数增量更新所述插值函数的系数矩阵并重新计算插值函数的预处理误差。

25、进一步的，基于训练完备的数据优化网络对所述插值应变数据进行奇异值剔除，得到优化应变数据，包括：

26、设置置信度阈值，根据所述结构应变数据确定数据优化网络的置信度；

27、若所述数据优化网络的置信度满足所述置信度阈值，将所述待重构结构应变数据输入所述训练完备的数据优化网络，得到优化数据；

28、设置误差率阈值，将所述优化数据与插值应变数据进行对比；

29、若误差率高于所述误差率阈值，则根据所述优化数据对所述插值应变数据进行奇异值替换，得到优化应变数据。

30、进一步的，将所述优化应变数据进行应变曲率转化得到各应变曲线的曲率数据，从所述应变曲线两端分别利用曲率数据进行重构得到双端递推重构结果，将所述双端递推重构结果合并得到各应变曲线的曲线重构结果，将各曲线重构结果合并得到最终重构，包括：

31、基于中性层长度不变性质以及曲率和曲率半径的关系，对所述优化应变数据进行应变曲率转化得到各应变曲线的曲率数据；

32、基于切角递推法从所述应变曲线两端分别利用曲率数据进行重构得到双端递推重构结果；

33、对所述双端递推重构结果进行反距离加权合并得到应变曲线的曲线重构结果；

34、将各曲线重构结果进行平均加权合并得到最终重构结果。

35、与现有技术相比，采用上述实施例的有益效果是：在本发明提供的建筑工程结构变形重构方法中，首先，获取仿真应变数据集，所述仿真应变数据集包括测量点数据集和应变数据集；然后构建初始数据优化神经网络，以所述测量点数据集作为输入，以所述应变数据集作为输出训练所述初始数据优化神经网络得到训练完备的数据优化神经网络；获取待重构建筑工程的结构应变数据，基于信赖域反射算法构建最优插值函数，基于所述最优插值函数对所述待重构结构应变数据进行插值处理得到插值应变数据；基于训练完备的数据优化网络对所述插值应变数据进行奇异值剔除，得到优化应变数据；最后将所述优化应变数据进行应变曲率转化得到各应变曲线的曲率数据，从所述应变曲线两端分别利用曲率数据进行重构得到双端递推重构结果，将所述双端递推重构结果合并得到各应变曲线的曲线重构结果，将各曲线重构结果合并得到最终重构结果。综上，本发明通过信赖域反射算法分析结构应变数据以构建最优插值函数，通过数据优化网络优化插值应变数据，并基于双端递推重构消除递推末端误差，进而得到高精度的变形重构结果。