一种基于深度学习的网架施工传感器优化布置方法与流程

本发明属于传感器优化布置，特别涉及一种基于深度学习的网架施工传感器优化布置方法。

背景技术：

1、在工程项目监测系统中，传感器系统作为整个项目最可靠的监视系统能够快速反映结构的整体健康状况。通过传感器系统可以实时地对结构进行监测，为后续工作打下基础。在钢网架的顶升过程中，极易产生应力集中现象导致网架杆件的变形，因此需要掌握提升单元和已安装结构的变形和受力情况，对可能出现的险情和事故提出警报，确保提升单元和已安装结构的安全。健康监测系统中传感器的布置应满足以下2个目标：①传感器的分布能够全面反映空间结构的健康信息；②测点处传感器能够对空间结构的异常变化快速感知。现有的传感器优化布置方法多以识别参数的误差最小为目标来优化传感器布置，常见的优化方法有：有效独立法(efi)，该方法是按照各候选传感器布点对目标模态分量线性独立性的贡献进行传感器位置排序；能量法，该方法从结构某自由度的模态动能或单元应变能出发，按照能量的大小进行排序，从而选择传感器的位置；模型缩减准则法，将模态反应起主要作用的自由度保留下来作为测点位置。

2、现有各类传感器优化方法难以解决整体空间问题，各种算法所依据的理论及优化目标不同，因此在同一结构的相同条件下，不同的优化算法得到的结论并不相同。对于大型空间结构，存在着各种不确定，因此在传感器布置上需要在综合多种方法的基础上，考虑具体的结构特点和测量的条件定出最佳的布置方案。传感器优化是一种多目标优化，目前传感器布置方法大多是基于最大化系统的可控性或客观性，而不是基于损伤检测，以损伤识别为目标的传感器优化亟待解决。且大多数现有传感器优化方法是基于物理模型的，导致计算效率不高还极易造成传感器布置冗余，针对以上现有传感器优化布置的缺陷，本发明提出一种基于深度学习的网架施工传感器优化布置方法。

技术实现思路

1、本发明的目的在于提供一种基于深度学习的网架施工传感器优化布置方法。

2、本发明是通过如下措施实现的：一种基于深度学习的网架施工传感器优化布置方法，其特征在于，包括，

3、以钢网架的结构形态信息和受力信息为输出参数，以传感器的布置位置信息为输出参数，构建数据库；

4、将钢网架结构信息与钢网架受力信息连接作为输入层参数，将传统传感器优化布置位置信息作为输出层参数，搭建深度神经网络进行数据训练；

5、将目标钢网架的节点信息和受力信息输入训练好的深度神经网络中，得到具体的传感器空间位置优化信息。

6、进一步地，由于传感器位置的确定参考了三种不同的传统方法，得到的结果不可避免的产生冗余，因此还包括采用hsic的非线性相关性识别方法，借助数值模拟软件模拟传感器空间位置优化信息获取情况，使用hsic方法去除信息高度相似的冗余传感器。

7、进一步地，hsic方法去除信息高度相似的冗余传感器，具体为：

8、当识别到两个高相关的传感器信息后，立即随机删除一个传感器；

9、重新对全局传感器信息进行hsic计算；

10、不断迭代，直至全局传感器无高相关的情况。最后停止迭代，完成考虑到信息采样有效性、经济性的传感器优化布置工作。

11、进一步地，搭建深度神经网络进行数据训练，包括，

12、将输入输出参数拉伸为一维矩阵并与受力信息一维矩阵拼接作为整体特征；

13、考虑到原始输入参数输出参数的维度较大，采用堆叠降噪自编码器对拼接后的数据进行降维，将不同样本下的数据大小进行统一，方便神经网络的训练。同时降维后的数据能够反映其本质特征，训练效果也会更好。

14、将降维后的钢网架结构信息与钢网架受力信息连接作为输入层参数，将降维后的传统传感器优化布置位置信息作为输出层参数，搭建深度神经网络进行数据训练。

15、进一步地，深度神经网络中：

16、输入层节点数设计为36个，输出层节点数设计为18个；

17、构建隐藏层层数为10层的神经网络模型，各层单元数目为[25，20，18，15，15，15，15，20，15，8]；

18、激活函数选取relu函数，其值域为0到无限大，包含了输入输出数据的值域；

19、损失函数测量的是预测值与真实值之间的差异，选择相同形状矩阵之间的欧氏距离作为损失变量；

20、优化器选择随机梯度下降，设置学习率为0.001，迭代次数为1600次，并对神经网络输入验证集数据的预测结果取四舍五入为最终预测值。

21、进一步地，在建模软件中构建不同类型、不同尺寸的钢网架实体结构并导出，获取模型中节点处的相对位置坐标作为钢网架的结构形态信息。

22、进一步地，通过abaqus数值模拟获取钢网架的抬升过程中的主要受力点，将主要受力点作为受力信息。

23、进一步地，使用改进有效独立法、遗传算法、fisher信息矩阵三种传统传感器优化布置方法，集成所有传感器布设位置，将布设位置作为传感器的布置位置信息。

24、本申请的一种实施例中：提供一种存储介质，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现所述的网架施工传感器优化布置方法。

25、本申请的一种实施例中：提供一种电子设备，其特征在于，包括：处理器和存储器，所述处理器用于执行所述存储器中存储的网架施工传感器优化布置方法的程序，以实现网架施工传感器优化布置方法。

26、本发明实施例提供的技术方案带来的有益效果是：综合现有先进基于物理模型的传感器优化布置方法，搭建钢网架抬升过程传感器优化布置位置数据库，采用深度学习模型学习布置方法并采用非线性相关性方法去除冗余传感器。克服了传统的基于物理模型的传感器优化设计中存在的计算成本较高且忽略经济性的问题；采用数据驱动的深度学习方法进行传感器优化布置设计，并采用非线性的相关性判定方法去除冗余传感器，以最大程度提高设计效率并降低经济成本，且在速度上、可移植性、可扩展性和有效性相对传统优化布置方法均有优势。

技术特征：

1.一种基于深度学习的网架施工传感器优化布置方法，其特征在于，包括，

2.根据权利要求1所述的网架施工传感器优化布置方法，其特征在于，还包括采用hsic的非线性相关性识别方法，借助数值模拟软件模拟传感器空间位置优化信息获取情况，使用hsic方法去除信息高度相似的冗余传感器。

3.根据权利要求2所述的网架施工传感器优化布置方法，其特征在于，hsic方法去除信息高度相似的冗余传感器，具体为：

4.根据权利要求1所述的网架施工传感器优化布置方法，其特征在于，搭建深度神经网络进行数据训练，包括，

5.根据权利要求1所述的网架施工传感器优化布置方法，其特征在于，深度神经网络中：

6.根据权利要求1所述的网架施工传感器优化布置方法，其特征在于，在建模软件中构建不同类型、不同尺寸的钢网架实体结构并导出，获取模型中节点处的相对位置坐标作为钢网架的结构形态信息。

7.根据权利要求1所述的网架施工传感器优化布置方法，其特征在于，通过abaqus数值模拟获取钢网架的抬升过程中的主要受力点，将主要受力点作为受力信息。

8.根据权利要求1所述的网架施工传感器优化布置方法，其特征在于，使用改进有效独立法、遗传算法、fisher信息矩阵三种传统传感器优化布置方法，集成所有传感器布设位置，将布设位置作为传感器的布置位置信息。

9.一种存储介质，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1-8中任一项所述的网架施工传感器优化布置方法。

10.一种电子设备，其特征在于，包括：处理器和存储器，所述处理器用于执行所述存储器中存储的网架施工传感器优化布置方法的程序，以实现权利要求1-9中任一项所述的网架施工传感器优化布置方法。

技术总结本发明公开了一种基于深度学习的网架施工传感器优化布置方法，属于传感器优化布置技术领域，技术方案为，包括，以钢网架的结构形态信息和受力信息为输出参数，以传感器的布置位置信息为输出参数，构建数据库；将钢网架结构信息与钢网架受力信息连接作为输入层参数，将传统传感器优化布置位置信息作为输出层参数，搭建深度神经网络进行数据训练；将目标钢网架的节点信息和受力信息输入训练好的深度神经网络中，得到具体的传感器空间位置优化信息。本发明的有益效果为：本发明采用数据驱动的深度学习方法进行传感器优化布置设计，并采用非线性的相关性判定方法去除冗余传感器，以最大程度提高设计效率并降低经济成本。技术研发人员：张龙海,孙宇,曹金辉,李伟,庄新龙,李宝弟,贾利刚,李垚,王冉受保护的技术使用者：中建八局第一建设有限公司技术研发日：技术公布日：2024/8/1