基于深度學習的鋼結構體育場變形監測數據處理分析

崔飛飛

(陜西國防工業職業技術學院,西安 710300)

0 引言

鋼結構體育場的變形監測是保證其安全運營的重要環節,基于深度學習的數據處理分析方法在設計時應遵循以下基本原則[1-2],即全面性、可靠性、算法模型準確性、可視化。

深度學習是由無數變量共同決定且不斷變化的算法,核心是使機器像人腦一樣進行學習分析,正確識別文字、圖像、語言等[3]。基本算法模型主要包括以下幾種。①自動編碼器。這是一種利用前饋網絡開展的深度學習策略,包括編碼器、編碼、解碼器三部分,主要應用于人口預測、醫藥、圖像處理等領域。②受限玻爾茲曼機(RBM)。是神經網絡的任意組合結構,常用于進行數據降維、分類處理及建模。③自組織映射(SOM)。是一種具有特殊網絡結構及學習規則的策略模式,基于競爭形式進行神經元響應輸出,從而獲得最終決勝者以區分神經元網絡。④深度置信(DBN)。基于大量隱含層與隨機變量層構成的貝葉斯概率形成算法,通過RBM模式進行訓練及循環輸出。⑤CNN。是一種卷積網絡形式,主要用于物體檢測與圖像處理,包括連接層、池化層、卷積層,在提取數據中具有關鍵作用。

基于深度學習算法進行鋼結構體育場變形監測需采用合適的激活函數[4],包括Sigmoid函數、Tanh函數、Relu函數、ELU函數,訓練過程中要求有大量的樣本數據,故在選擇激活函數時需提高數據均值化的函數收斂速度,節省學習時間。本研究選擇Relu函數進行關聯性探索,對訓練數據進行擬合,如公式(1)所示。

(1)

1 變形監測數據處理分析

1.1 實驗環境與模型設計

以深度學習為研究基礎,設計整個數據處理分析過程,基于Anaconda開發環境,采用Keras作為深度學習框架,以Python作為開發語言,搭建深度學習架構,配置情況如表1所示。

表1 實驗環境配置

采用ARIMA模型進行數據處理。主要基于Python語言,使用Pandas與Numpy數據處理工具,包括以下幾個步驟:

1)對監測數據進行平穩處理。

import numpy as np

def stationary_process(data):

processed_data=data

return processed_data

2)確定模型參數。

from tensorflow.keras.model simport Sequential

from tensorflow.keras.layers import Dense, LSTM

def create_model(input_shape):

model=Sequential()

model.add(LSTM(64, input_shape=input_shape))

model.add(Dense(1))

return model

3)估計未知量。

def estimate_unknowns(model, data):

predictions = model.predict(data)

return predictions

4)序列白噪聲檢驗。

from statsmodels.stats.diagnostic import acorr_ljungbox

def white_noise_test(data):

p_value=acorr_ljungbox(data, lags=1)[1]

return p_value

5)數據分析。

def data_analysis(data):

analysis_result=data

return analysis_result

建模流程如圖1所示。

1.2 變形監測方案與監測布置

鋼結構體育場在外荷載、溫度等環境下的變形量是監測的重要參數及指標。變形監測的基本原理是:在監測點提前安裝傳感器,保證傳感器在監測軟件可接收范圍內工作,利用多點監測定位技術,令傳感器傳回的數據采用同一坐標系。假定第一次測量傳回的數據坐標為(x0,y0,z0),第二次測量傳回的數據坐標為(x1,y1,z1),則監測該變形數據的空間位移為(Δx=x0-x1,Δy=y0-y1,Δz=z0-z1),如圖2所示。采用傳感器監測體育場變形數據,測量不同時間、不同地點的三維坐標數據,進行數據結果分析。

圖1 建模流程Fig.1 Modelling procedure

圖2 監測點坐標位移Fig.2 Monitoring point coordinate displacement

1.3 變形監測數據校準

由于鋼結構的載荷在一段時間內保持相對穩定,故對其結構造成極大損傷的只有周期變化的溫度。為進一步檢驗檢測數據是否發生較大的偏差,采用監測點位移與設計曲線進行吻合測試,從圖3監測結果的吻合程度來看,監測結果較可信。

圖3 監測結果對比Fig.3 Comparison of monitoring results

1.4 數據處理結果分析

分析發現,每個監測點中x與y坐標值的變化較小,主要是z向坐標值發生變化。選取其中10組數據進行分析,如表2所示。由表2可以看出,變化量較大的是第8組監測數據點,其位置在東南方向起重點,壓力集中且受力不均衡導致變化明顯。

表2 鋼結構體育場變形監測傳感數據變化量

選擇3個時間段不同溫度下鋼結構體育場在3個維度的監測點數據變化情況,統計其變化量曲線與變化率,如圖4、圖5所示。

圖4 變化量曲線Fig.4 Change curve

圖5 變化速率曲線Fig.5 Change rate curve

垂直方向變化量:上為正數,下為負數;南北方向變化量:北為正數,南為負數;東西方向變化量:東為正數,西為負數。

垂直方向變化量:上為正數,下為負數;南北方向變化量:北為正數,南為負數;東西方向變化量:東為正數,西為負數。

垂直方向。隨著溫度上升,兩側的鋼結構體育場監測數據變化較大,說明存在變形。隨著監測數據向體育場中間移動,變化量與變化率都在下降,說明中間位置受力較小。監測點在溫度上升與溫度下降時數據變化率大小基本一致,變化方向呈相反趨勢。在對稱方向的監測點數據變化量、變化趨勢、變化率基本一致。

南北方向。隨著溫度升高或降低,東西兩個方向中心監測點數據變化量與變化速率較小,兩端變化量與變化速率較大。隨著溫度升高,南邊的監測點數據向南變形,溫度降低變形方向相反。東西兩側對稱點位置檢測數據變化量、變化趨勢、變化方向趨向一致。同一數據監測點在溫度升高與溫度降低時的變化速率一致,變化趨勢相反。

東西方向。溫度升高時,東側監測點位置的數據為正數,說明東側鋼結構向東變形。西側監測點數據為負數,說明西側鋼結構向東變形。隨著溫度的降低,數據呈相反情況。但東側的監測數據為負數,西側的監測數據為正數,可知東側向西變形,西側向東變形。相同監測點位置數據的變化速率大小趨向一致,東西兩側對稱檢測點的數據變化速率與變化趨勢一致。

2 結束語

變形監測的目的是為了對鋼結構體育場的觀測數據資料進行綜合分析,判斷其安全性。將深度學習引入鋼結構體育場變形監測中,避免了傳統監測方式的缺陷,保證了監測數據的可靠性,為進一步進行數據分析提供了依據。