一种大跨空间结构位移趋势预测方法及系统

本技术涉及土建工程中的大跨空间结构位移，特别是涉及到一种大跨空间结构位移趋势预测方法及系统。

背景技术：

1、土建工程中的大跨度结构是指跨度较大的建筑结构形式，其具有独特的设计和施工要求；通过大跨度结构可以创造出开阔的无柱空间，提供更大的使用灵活性和视觉通透感，常见的如大型体育馆、高铁车站等，这些结构通常具有较高的复杂性和承载能力，然而大跨度结构在具有诸多优点的同时，其施工时对材料的强度和性能要求较高，由于其跨度大、结构形式复杂，结构受力和变形会比较显著，传统的静态分析方法无法全面捕捉其位移行为，随着当前信息技术和大数据技术的发展，精确的计算和先进的施工技术已被用到设计和施工难度较大的大跨度结构中。

2、因此，如何通过有效的方法和系统来预测大跨空间结构在使用过程中的位移趋势，以提高大跨空间结构的安全性和可靠性的问题亟待解决。

技术实现思路

1、本技术的主要目的为提供一种大跨空间结构位移趋势预测方法及系统，旨在提高大跨空间结构位移的故障诊断的可靠性和准确性。

2、为了实现上述发明目的，本技术提出一种大跨空间结构位移趋势预测方法，所述方法包括：

3、获取大跨空间结构的监测数据，对监测数据进行预处理，得到第一监测数据；

4、对所述第一监测数据进行特征提取，得到环境特征数据、荷载特征数据和结构特征数据；

5、预构建向量自回归预测模型，分别将所述环境特征数据、所述荷载特征数据和所述结构特征数据输入至所述向量自回归预测模型，以使所述向量自回归模型分别输出环境特征预测数据、荷载特征预测数据和结构特征预测数据；

6、构建多项式回归预测模型，将所述环境特征预测数据、所述荷载特征预测数据和所述结构特征预测数据输入至所述多项式回归预测模型，得到大跨空间结构位移趋势预测结果。

7、上述步骤中，对所述第一监测数据进行特征提取，得到荷载特征数据，具体包括如下步骤：

8、对所述第一监测数据进行特征提取，得到静态荷载数据、动态荷载数据和变动荷载数据；将所述静态荷载数据、所述动态荷载数据和所述变动荷载数据进行加权求和处理，得到荷载特征数据；

9、所述静态荷载为所有静态荷载的数据值：

10、 ；

11、其中，是第i个静态荷载的大小，n是荷载的总数；

12、所述动态荷载数据为动态荷载的最大值：

13、；

14、其中，是时间t的动态荷载值，t是时间区间；

15、所述变动荷载数据为变动荷载在一定时间区间内的平均值，即时间平均荷载：

16、 ；

17、其中，是时间t的变动荷载数值，t是时间区间；

18、将所述静态荷载数据、所述动态荷载数据和所述变动荷载数据进行加权求和处理，得到荷载特征数据f：

19、;

20、其中，分别为所述静态荷载数据、所述动态荷载数据和变动荷载数据的权重值。

21、进一步地，对所述第一监测数据进行特征提取，得到环境特征数据，具体包括如下步骤：

22、对所述第一监测数据进行特征提取，得到温度数据、湿度数据、风速数据和大气压力数据；

23、将所述温度数据、所述湿度数据、所述风速数据和所述大气压力数据进行归一化处理，得到归一化温度数据、归一化湿度数据、归一化风速数据和归一化大气压力数据；

24、将所述归一化温度数据、所述归一化湿度数据、所述归一化风速数据和所述归一化大气压力数据进行数据融合处理，得到数据融合特征向量，并将所述数据融合特征向量作为环境特征数据。

25、进一步地，对所述第一监测数据进行特征提取，得到结构特征数据，具体包括如下步骤：

26、对所述第一监测数据进行特征提取，得到应变数据集；

27、对所述应变数据集进行方差计算，得到应变数据方差值；

28、对所述应变数据集进行均值计算，得到应变数据平均值；

29、对所述应变数据集提取极值，得到应变数据集极大值和应变数据集极小值；

30、将所述应变数据方差值、所述应变数据平均值、所述应变数据集极大值和所述应变数据集极小值构建特征向量，得到结构特征数据。

31、进一步地，所述构建多项式回归预测模型采用以下公式：

32、；

33、式中，y是大跨空间结构的位移趋势预测结果， x 1 、x 2 、x 3分别是环境特征预测数据、荷载特征预测数据和结构特征预测数据，是回归系数，是误差项。

34、进一步地，所述得到大跨空间结构位移趋势预测结果的步骤之后，还包括：

35、判断所述大跨空间结构位移趋势预测结果是否在预设位移范围内；

36、当所述大跨空间结构位移趋势预测结果在预设范围内时，基于所述大跨空间结构的位移趋势预测结果对大跨空间结构进行安全等级评估；

37、当所述大跨空间结构位移趋势预测结果不在预设范围内时，进行预警处理。

38、进一步地，所述预构建向量自回归预测模型的步骤之前，还包括：

39、获取大跨空间结构的历史特征数据集，所述历史特征数据集包括历史环境特征数据、历史荷载特征数据和历史结构特征数据；

40、将所述大跨空间结构的历史特征数据集进行归一化处理，得到大跨空间结构的归一化历史特征数据集；

41、将所述大跨空间结构的归一化历史特征数据集分为训练特征数据集和测试特征数据集；

42、基于所述训练特征数据集对所述向量自回归预测模型中进行训练，并基于所述测试特征数据集对所述向量自回归预测模型进行测试，直至所述向量自回归预测模型的预测准确性满足预设准确性阈值或达到预设次数时，停止对所述向量自回归预测模型进行测试。

43、进一步的，本发明还公开一种大跨空间结构位移趋势预测系统，所述系统包括：

44、第一监测数据模块，用于获取当前大跨空间结构的监测数据，对监测数据进行预处理，得到第一监测数据；

45、特征提取模块，用于对所述第一监测数据进行特征提取，得到环境特征数据、荷载特征数据和结构特征数据；

46、特征预测数据模块，用于预构建向量自回归预测模型，分别将所述环境特征数据、所述荷载特征数据和所述结构特征数据输入至所述向量自回归预测模型，以使所述向量自回归模型分别输出环境特征预测数据、荷载特征预测数据和结构特征预测数据；

47、大跨空间结构位移趋势预测结果模块，用于构建多项式回归预测模型，将所述环境特征预测数据、所述荷载特征预测数据和所述结构特征预测数据输入至所述多项式回归预测模型，得到大跨空间结构位移趋势预测结果。

48、本发明的有益效果是：

49、本发明通过向量自回归预测模型和多项式回归预测模型的组合，能够综合考虑环境、荷载和结构特征的影响，提供更全面的位移趋势预测，向量自回归预测模型擅长捕捉特征之间的动态关系，多项式回归模型则能处理复杂的非线性关系，提高预测的准确性及增强可靠性：多步骤预测和综合分析有助于识别潜在的结构问题，提高大跨空间结构位移预测的准确性，从而提高大跨空间结构的安全性和可靠性，另外该方法支持对监测数据进行实时处理和预测，能够及时发现异常，增强对大跨空间结构的实时监控能力。