[发明专利]基于神经网络算法的群桩节点应力监测系统及其预警方法

权利要求书

1.基于神经网络算法的群桩节点应力监测系统，其特征在于，包括群桩结构(1)、信息传输模块(3)、信号处理器(4)及远程控制端(5)；

所述群桩结构(1)由其内部安设的应力传感器获取的各单桩节点应力数据通过安设的信号传输线(2)传送到所述信号处理器(4)上，在所述信号处理器(4)的内部安设有信息传输模块(3)，所述信息传输模块(3)将信号处理器(4)接收并处理过的各单桩节点应力数据通过无线信号传输至远程控制端(5)上。

2.根据权利要求1所述的基于神经网络算法的群桩节点应力监测系统，其特征在于，所述群桩结构(1)由若干个单桩组成；

所述单桩包括基础桩节点应力监测结构(11)、信号线管(12)、群桩柱腿(13)、连接杆(14)及开设有信号处理模块存放室(15)的导管架主体；

所述信号线管(12)的一端连接在基础桩节点应力监测结构(11)上，其另一端连接在导管架主体开设的信号处理模块存放室(15)上；

所述连接杆(14)的一端连接在导管架主体上，其另一端连接在群桩柱腿(13)上。

3.如权利要求1-2所述的基于神经网络算法的群桩节点应力监测系统的预警方法，其特征在于，

其预警过程具体步骤如下：

1)、群桩结构(1)通过应力传感器获取各单桩节点的应力数据，通过信号传输线(2)传输至信号处理器(4)中进行信号处理；

2)、安设在信号处理器(4)中的信息传输模块(3)将处理得到的数字信号传输至远程控制端(5)上；

3)、通过远程控制端(5)获取、分析各单桩应力数值，再将各单桩应力数值进行加和，从而得到其最近桩腿的荷载承载力；

4)、远程控制端(5)实时监测导管架主体的应力变化，并绘制应力动态变化曲线；若监测发现应力变化出现突变现象，则远程控制端(5)将会截取异常应力突变曲线片段，并进行应力突变现象特征的提取；

5)、将所提取的应力突变现象特征对比实验室数据，利用神经网络预测模型预测该应力突变特征下发生不均匀沉降现象的几率，并根据预测值大小在远程控制端(5)发出不同等级预警提醒。

4.根据权利要求3所述的基于神经网络算法的群桩节点应力监测系统的预警方法，其特征在于，

在步骤(4)-(5)中，所述的若监测发现应力突变现象，则将应力突变曲线进行截取并进行预警的具体步骤如下：

(一)、首先，远程控制端(5)针对同一应力监测部位，对比该部分不同时间点所监测到的应力值信息，对超出安全阈值的应力变动曲线线段进行提取，并将所提取线段在远程控制端(5)输出；

(二)、接着，将实验中导管架主体发生不均匀沉降现象的应力值变动曲线作为训练集代入神经网络模型中，从而得到应力监测节点的应力值变化特征参数；

(三)、然后，将远程控制端(5)所提取的应力值变动曲线图作为预测集代入到神经网络模型中，用以提取曲线异常变动的特征；

(四)、最后，根据神经网络模型所得到的异常变动特征与实验中出现不均匀沉降现象的异常特征参数进行对比，从而得到发生不均匀沉降状况的几率，最终再根据预警值大小发出不同预警信号。

5.根据权利要求4所述的基于神经网络算法的群桩节点应力监测系统的预警方法，其特征在于，

在步骤(四)中，所述进行不均匀沉降状况预警的预测过程包括：

(一)、将实验中出现不均匀沉降现象的应力曲线图像提取作为X₁；完成终端监测到应力值超出安全阈值时，提取相应应力变化曲线作为X₂；

(二)、G_W用于将输入数据X转换成一组特征向量，将得到的特征向量经过由Siamese函数处理后的网络结构后输出f(X₁)和f(X₂)；

(三)、利用欧拉距离计算法得到两向量之间的距离d，d＝||f(X₁)-f(X₂)||进而通过损失函数得到沉降预测值。

6.根据权利要求5所述的基于神经网络算法的群桩节点应力监测系统的预警方法，其特征在于，

在步骤(二)中，所述经过由Siamese函数处理后的网络结构后输出f(X₁)和f(X₂)的过程是：

首先，将网络结构设定损失函数，确定其处理误差在可控范围内，将多组实验室图像数据进行图像特征对比；然后，提取发生不均匀沉降现象的图像特征得到样本图像；接着，累加样本图像与远程控制端5所提取图像的相似性函数值；最后根据函数值判断导管架主体是否将可能出现不均匀沉降现象；

其中，进行图像特征相似度比较的相似度函数具体如下式所示：

式中，N表示X₁,X₂两图像是否属于同一类，N为1则表示两者不是同一类，N为0则表示两者属于同一类；P表示实验中出现不均匀沉降现象时，所表现的应力曲线图像总样本数，i表示样本下标；

式中，L_G表示损失函数，d＝||f(X_i)-f(X₂)||₂，即实验样本和所采集应力曲线样本的欧氏距离，y为1时表示两样本相似，否则说明两样本不匹配，margin表示所设定的阈值。