一种高桩码头运维期结构健康监测方法及系统

专利主权项内容

1.一种高桩码头运维期结构健康监测方法，其特征在于，包括：在运维期内，获取目标高桩码头的设计数据，基于所述设计数据构建对应的高桩码头BIM模型；构建目标高桩码头的有限元数值计算模型，基于运营期影响因子，建立不同的工况条件信息，根据所述工况条件信息分析出对应的码头结构构件的内力变化、变形特征数据，将所述内力变化、变形特征数据作为模型训练数据；将所述模型训练数据导入预设神经网络模型进行训练，并基于预设神经网络模型得到高桩码头参数与预测结果之间的权重关系；根据所述高桩码头参数与预测结果之间的权重关系，结合高桩码头BIM模型进行码头结构健康位置、区域分析，并基于运营期影响因子，生成码头监测感知网络；基于所述码头监测感知网络，获取运营期码头监测数据集并进行数据预处理；将码头监测数据集导入预设神经网络模型进行基于数据分析预测的码头结构整体的内力分布及全面码头健康状态评估，并生成预测结果数据；将预测结果数据与所述高桩码头BIM模型进行数据映射并通过预设终端设备进行显示；其中，所述将所述模型训练数据导入预设神经网络模型进行训练，并基于预设神经网络模型得到高桩码头参数与预测结果之间的权重关系，具体为：ST1构建多层前馈神经网络模型；ST2初始化神经网络模型参数，初始化的参数包括高桩码头运营期间的码头设备外力参数、自然外力参数、船舶撞击力参数、码头自身属性参数；ST3将模型训练数据输入神经网络模型，通过前向传播将数据从输入层传递到输出层，产生预测结果；ST4定义均方误差损失函数来度量预测结果与实际数值计算结果之间的差距；ST5通过反向传播算法，计算损失函数对网络参数的梯度，根据梯度调整网络参数，使得损失函数值逐渐减小，采用梯度下降方法来更新神经网络的参数，使损失函数收敛；重复进行步骤ST3~ST5进行训练模型与参数更新，直至损失函数的值满足预设要求；通过训练后的多层前馈神经网络模型，得到高桩码头参数与预测结果之间的权重关系；其中，所述根据所述高桩码头参数与预测结果之间的权重关系，结合高桩码头BIM模型进行码头结构健康位置、区域分析，并基于运营期影响因子，生成码头监测感知网络，具体为：根据所述高桩码头参数与预测结果之间的权重关系，结合高桩码头BIM模型，分析出码头区域中的影响最大的区域，并标记为影响区域；基于所述影响区域，分析出监测点位置，生成监测方案；所述监测方案包括码头监测传感器的数量与位置信息；根据监测方案，结合高桩码头BIM模型进行码头结构健康位置、区域分析，并基于运营期影响因子，生成码头监测感知网络；其中，所述基于所述码头监测感知网络，获取运营期码头监测数据集并进行数据预处理，所述预处理包括去除噪声、缺失值处理、归一化数据、数据清洗、提取特征值处理。 马-克-数据