本发明公开了一种基于SN曲线与SVM的结构安全智慧监测方法，针对传统结构安全监测方法存在的局限性，该方法利用传感器网络实时采集结构物的动态载荷、振动和变形等数据，并通过数据预处理、特征提取和异常检测技术对原始数据进行处理和分析，同时，采用负荷预测和数据挖掘算法，对历史数据进行挖掘和分析，提取出结构行为的规律和趋势，基于这些分析结果，方法采用预警管理算法，制定相应的预警策略和管理措施，实现对结构安全的及时监测和预警，该系统具备灵活性和可扩展性，能够适应不同类型和规模的结构物监测需求，该方法在结构安全监测和管理方面具有较高的准确性和实用性，为结构安全领域提供了一种有效的解决方案。
1.一种基于SN曲线与SVM的结构安全智慧监测方法，其特征在于，包括以下步骤：S1：数据采集：安装传感器采集结构应力、应变、振动、温度数据；
S2：数据处理：对监测数据进行预处理，去除干扰信号、滤波、采样，提取结构的特征参数：峰值应力、疲劳循环次数、载荷频率；
S3：SN曲线建立：将结构特征参数转化为SN曲线，即疲劳循环次数‑应力振幅曲线，根据采集的历史监测数据和实验绘制结构的SN曲线，并根据曲线得到初步的SN曲线的公式，其中， 为常数，S表示循环寿命，N表示应力幅值，C和b都是实验拟合参数，C被称为强度系数，表示在单位应力幅值情况下的理论值，b被称为Basquin指数；
S4：曲线修正与精确预测：根据不同环境下的监测数据和实际情况，对不同环境下的SN曲线进行修正和调整，通过与实际测量数据的对比分析，发现曲线的偏差，并进行相应的修正，修正后的曲线反映结构在不同环境下的疲劳寿命特性，在修正曲线的过程中，采用机器学习算法SVM对监测数据进行进一步处理和分析，结合历史监测数据和实验结果，并综合考虑到如下因素：结构的应力状态、使用历史、几何形状，将不同环境下的SN曲线整合成预测模型步骤如下：数据收集：收集一系列不同应力水平下的疲劳寿命数据，并将其与相应的应力幅值和平均应力进行配对；
特征提取：从收集到的不同环境下SN曲线监测数据中提取与疲劳寿命相关的特征：应力水平、应力历程、应力幅值、平均应力，并综合考虑结构的应力状态、使用历史、几何形状，将收集到的数据进行标注，确定每个数据样本对应的疲劳寿命，将特征值和对应的疲劳寿命标签整理成一个数据集，并进行归一化处理；
数据划分：将处理完的数据集划分为训练集和测试集，将80%的数据用于训练模型，剩余的20%用于评估模型的预测性能；
模型训练：使用训练集对SVM模型进行训练，在SVM中，选择多项式核函数
其中，x和y是输入样本的特征向量，表示内积运算，d表
示多项式的阶数degree，γ*是一个缩放参数，r是常数项，并调整参数d多项式的阶数和γ*缩放参数以优化模型性能；
模型评估：使用测试集对训练好的SVM模型进行评估，通过比较预测值和实际值之间的误差指标，评估模型的预测准确性和泛化能力；
参数调优：根据模型评估结果，对SVM模型进行参数调优，使用网格搜索、交叉验证方法寻找最佳的超参数组合，并得到通用的SN曲线公式 ，其中F_env表示环境因子， 为通用的强度系数公式，RSF公式具体如下：
其中， 为设计压力承载能力，为抗震调整系数，取值为0.65， 为压力构件抗压强度减小系数，取值为0.8，Ac为截面面积， 为混凝土轴心抗压强度， 为结构剩余承载能力，为无损伤状态下的极限承载能力，DCR为破坏容限系数，用来评估结构在损伤后相对于无损伤状态下的极限承载能力的比值，无损伤状态下的设计承载能力是指结构在完好无损时所设计的能够承受的最大荷载，得到每个环境条件下的曲线的斜率、曲率、疲劳极限，用于评估材料在不同环境下的疲劳性能，提高模型的预测性能；
预测应力状态下的疲劳寿命：在获得最佳参数组合后，将该模型应用于实际疲劳寿命预测，输入新的监测数据和特征，在模型的帮助下，全面地考虑不同因素的影响，预测结构的疲劳寿命并制定维护计划。
2.如权利要求1所述的一种基于SN曲线与SVM的结构安全智慧监测方法，其特征在于：具体步骤S3中根据采集的历史监测数据和实验绘制结构的SN曲线，具体步骤如下：S31：收集历史监测数据：获取历史监测数据，应力水平和相应的疲劳寿命，确定环境因素：温度、湿度、腐蚀介质；
S32：设计试验方案：根据选定的环境因素，设计相应的实验方案，确定试验样品的材料和几何形状，以及加载方式和加载频率，需要考虑控制参数：温度、湿度；
S33：确定试验样本：从实际使用的结构中选取代表性样本进行试验，规定试验条件和试验方法，为提高试验效率，选择小试件进行试验，并将结果推广到实际结构中，确定材料的设计值；
S34：进行试验：按照设计的工况和载荷频率进行加荷，对试样进行疲劳试验，记录结构在不同工况下的应力幅值、循环次数，以及结构发生疲劳破坏情况；
S35：整理实验得到的数据：包括正常环境条件：温度正常、湿度正常、无腐蚀介质的疲劳寿命和应力循环次数，对数据进行统计分析，使用图表工具绘制SN曲线；
S36：曲线拟合SN曲线公式：对于绘制好的SN曲线，进行曲线拟合和参数提取，根据实验数据，使用对数拟合，整合环境因素，得到SN曲线拟合公式，公式具体如下：；
其中， 为常数，S表示循环寿命，N表示应力幅值，C和b都是实验拟合参数，C被称为强度系数，表示在单位应力幅值情况下的理论值，b被称为Basquin指数，反映了应力与寿命之间的幂函数关系，取值为0.1≤b≤0.4。
一种基于SN曲线与SVM的结构安全智慧监测方法
技术领域
[0001] 本发明涉及工程结构监测和预测技术领域，具体涉及一种基于SN曲线与SVM的结构安全智慧监测方法。
背景技术
[0002] 随着建筑物的增多，结构安全监测越来越受到重视，并在工程领域得到广泛应用。在过去，结构安全监测主要依靠人工巡检和定期检测来实现。然而，这种方法存在着效率低下、成本高昂以及无法实时监测等问题。为了解决这些问题，通过使用各种传感器来实时采集结构物的数据，并利用数据分析和处理技术进行监测和评估。这些传感器可以测量结构物的位移、应变、振动、温度等参数，将采集到的数据储存并进行处理和分析,本发明使用SN曲线与SVM对结构安全进行监测和预测，SN曲线是一种经验公式，用来描述材料疲劳寿命与应力振幅的关系，在工程领域得到广泛应用，它可以用于预测材料在不同应力水平下的疲劳寿命，以及优化设计和维护策略，然而，SN曲线只是根据历史数据建立的经验模型，仅适用于相同条件下的相同材料，无法考虑其他因素对结构疲劳寿命的影响。而在实际应用中，材料的应力状态、加载方式都会对疲劳寿命产生重要影响，因此，需要综合考虑这些因素，以更准确地预测结构的疲劳寿命。
发明内容
[0003] 一种基于SN曲线与SVM的结构安全智慧监测方法，具体步骤如下：
[0004] S1：数据采集：安装传感器采集结构应力、应变、振动、温度数据，利用物联网技术实现数据的远程传输和存储；
[0005] S2：数据处理：对监测数据进行预处理，去除干扰信号、滤波、采样，提取结构的特征参数：峰值应力、疲劳循环次数、载荷频率；
[0006] S3：SN曲线建立：将结构特征参数转化为SN曲线，疲劳循环次数‑应力振幅曲线，建立SN曲线需要大量的实验数据和专业的分析技术，只有历史检测数据而没有相应的疲劳试验数据，无法准确地建立SN曲线，并根据曲线得到初步的SN曲线的公式 ，其中， 为常数，S表示循环寿命，N表示应力幅值，C和b都是实验拟合参数，C被称为强度系数，表示在单位应力幅值情况下的理论值，b被称为Basquin指数；
[0007] S4：曲线修正与精确预测：SN曲线是一种经验公式，用来描述材料疲劳寿命与应力振幅的关系，在工程领域得到广泛应用，它可以用于预测材料在不同应力水平下的疲劳寿命，以及优化设计和维护策略，然而，SN曲线只是根据历史数据建立的经验模型，仅适用于相同条件下的相同材料，无法考虑其他因素对结构疲劳寿命的影响。而在实际应用中，材料的应力状态、加载方式都会对疲劳寿命产生重要影响，因此，需要综合考虑这些因素，以更准确地预测结构的疲劳寿命。利用智能算法和云计算等技术对监测数据进行进一步处理和分析，可以综合考虑多种因素，例如结构的应力状态、环境条件、使用历史等，通过建立更加精准的预测模型，实现对结构疲劳寿命的全面预测。根据不同环境下的监测数据和实际情况，对不同环境下的SN曲线进行修正和调整，通过与实际测量数据的对比分析，可以发现曲线的偏差和误差，并进行相应的修正，修正后的曲线反映结构在不同环境下的疲劳寿命特性，在修正曲线的过程中，采用机器学习算法SVM对监测数据进行进一步处理和分析，结合历史监测数据和实验结果，并综合考虑到如下因素：结构的应力状态、使用历史、几何形状，将不同环境下的SN曲线整合成预测模型，并得到通用的SN曲线公式 ，其中F_env表示环境因子， 为通用的强度系数公式，预测不同环境下的不同应力水平下结构能够承受的疲劳循环次数，将SN曲线转化为疲劳极限和斜率，定量地描述结构的疲劳寿命特性，以获得精确的预测结果。
[0008] 进一步的，所述的一种基于SN曲线与SVM的结构安全智慧监测方法，[0009] 具体步骤S3中利用疲劳试验数据建立结构的SN曲线具体步骤如下：
[0010] S31：收集历史监测数据：获取历史监测数据，应力水平和相应的疲劳寿命；
[0011] S32：设计不同工况和载荷频率：根据实际使用情况设计不同工况和载荷频率，结构在不同工况下所受的载荷：静荷载、动荷载、热荷载；
[0012] S33：确定试验样本：从实际使用的结构中选取代表性样本进行试验，规定试验条件和试验方法，为提高试验效率，选择小试件进行试验，并将结果推广到实际结构中，确定材料的设计值；
[0013] S34：进行试验：按照设计的工况和载荷频率进行加荷，对试样进行疲劳试验，记录结构在不同工况下的应力幅值、循环次数，以及结构发生疲劳破坏情况；
[0014] S35：数据处理：对试验得到的数据和历史监测数据进行预处理，去除噪声、滤波、采样，使其具备一致性，提取结构的特征参数：峰值应力、工作循环、载荷频率；
[0015] S36：建立SN曲线：将结构的特征参数转化为SN曲线，即疲劳循环次数‑应力振幅曲线，利用处理后的数据建立结构的SN曲线，确定SN曲线公式，公式具体如下：
[0016] ；
[0017] 其中， 为常数，S表示循环寿命，N表示应力幅值，C和b都是实验拟合参数，C被称为强度系数，表示在单位应力幅值情况下的理论值，b被称为Basquin指数，反映了应力与寿命之间的幂函数关系，取值为0.1≤b≤0.4，具体取值取决于材料的特性和疲劳试验数据的拟合情况。
[0018] 进一步的，所述的一种基于SN曲线与SVM的结构安全智慧监测方法，[0019] 具体步骤S4中采用机器学习算法SVM对监测数据进行进一步处理和分析，结合历史监测数据和实验结果，并综合考虑到如下因素：结构的应力状态、使用历史、几何形状，将不同环境下的SN曲线整合成预测模型步骤如下：
[0020] S41：数据收集：收集一系列不同应力水平下的疲劳寿命数据，并将其与相应的应力幅值和平均应力进行配对；
[0021] S42：特征提取：从收集到的SN曲线监测数据中提取与疲劳寿命相关的特征：应力水平、应力历程、应力幅值、平均应力，并综合考虑环境因素、使用历史、几何形状，将收集到的数据进行标注，确定每个数据样本对应的疲劳寿命，将特征值和对应的疲劳寿命标签整理成一个数据集，并进行归一化处理；
[0022] S43：数据划分：将处理完的数据集划分为训练集和测试集，将80%的数据用于训练模型，剩余的20%用于评估模型的预测性能；
[0023] S44：模型训练：使用训练集对SVM模型进行训练，在SVM中，选择多项式核函数其中，x和y是输入样本的特征向量，表示内积运算，d表示多项式的阶数degree，γ*是一个缩放参数，r是常数项，并调整参数d多项式的阶数和γ*缩放参数以优化模型性能；
[0024] S45：模型评估：使用测试集对训练好的SVM模型进行评估，通过比较预测值和实际值之间的误差指标，评估模型的预测准确性和泛化能力；
[0025] S46：参数调优：根据模型评估结果，对SVM模型进行参数调优，使用网格搜索、交叉验证方法寻找最佳的超参数组合，并得到通用的SN曲线公式 ，其中F_env表示环境因子，当材料在给定的环境条件下时，F_env可以通过实验或经验确定其取值。
如果环境条件很好，则F_env的值大于1，表明环境对疲劳寿命的影响较小；反之，如果环境条件较差，则F_env的值小于1，表明环境对疲劳寿命的影响较大。 为通用的强度系数公式，RSF公式具体如下：
[0026] ；
[0027] 其中， 为设计压力承载能力，为抗震调整系数，取值为0.65， 为压力构件抗压强度减小系数，取值为0.8，Ac为截面面积， 为混凝土轴心抗压强度， 为结构剩余承载能力， 为无损伤状态下的极限承载能力，DCR为破坏容限系数，用来评估结构在损伤后相对于无损伤状态下的极限承载能力的比值，无损伤状态下的设计承载能力是指结构在完好无损时所设计的能够承受的最大荷载，得到每个环境条件下的曲线的斜率、曲率、疲劳极限，用于评估材料在不同环境下的疲劳性能，提高模型的预测性能；
[0028] S47：预测应力状态下的疲劳寿命：在获得最佳参数组合后，将该模型应用于实际疲劳寿命预测，输入新的监测数据和特征，在模型的帮助下，可以预测结构的疲劳寿命并进行相关决策和维护计划制定。
[0029] 根据预测结果评估各个结构的风险和优先级，较高风险和优先级的结构需要优先进行处理和养护，制定详细的养护计划，包括具体的养护措施、时间表和资源预算，考虑到预测结果，确定需要采取的措施，根据养护计划，安排和筹措所需的资金，按照计划和预算，组织实施养护工作，在养护工作完成后，持续进行桥梁的监测和评估，通过定期检查和监控，确认养护效果，并及时发现和处理新出现的病害，持续收集和分析桥梁的数据，包括养护前后的监测数据和实际使用情况，根据数据分析结果，优化养护策略和预测模型，提高工程的使用寿命，为建筑行业提供了更高效、更安全的工作环境和运营模式。
[0030] 本发明的有益效果：通过大数据采集、分析和处理技术，该方法能够实时监测建筑结构的安全状态。这有助于避免事故和灾害的发生，提高结构的安全性。基于云计算平台，结构安全智慧监测方法可以整合和分析历史数据、实时数据和外部环境数据，为管理者提供智能决策支持。例如，根据结构健康状况和用途情况，优化维修计划、提高资源利用效率等。该方法可以将结构监测数据以可视化的方式展示，例如图表、地图等形式，使数据更易于理解和分析。这有助于管理者和决策者对结构状况进行全面评估，并制定相应的措施和计划。总体而言，基于SN曲线与SVM的结构安全智慧监测方法能够提高结构的安全性和可靠性，降低事故风险，优化维护计划，并提供智能决策支持。它为建筑行业和相关领域的各方利益相关者带来了更高效、更安全的工作环境和运营模式。
附图说明
[0031] 图1为一种基于SN曲线与SVM的结构安全智慧监测方法的流程图；
[0032] 图2为SN曲线图像；
[0033] 图3为SVM模型训练的准确率和损失率；
[0034] 图4为SVM模型预测的SN曲线和真实值对比；
具体实施方式
[0035] 下面对本发明进一步清楚完整说明，但本发明的保护范围并不仅限于此。
[0036] 一种基于SN曲线与SVM的结构安全智慧监测方法，方法流程图如图1所示，具体步骤如下
[0037] S1：数据采集：安装传感器采集结构应力、应变、振动、温度数据，利用物联网技术实现数据的远程传输和存储；
[0038] S2：数据处理：对监测数据进行预处理，去除干扰信号、滤波、采样，提取结构的特征参数：峰值应力、疲劳循环次数、载荷频率；
[0039] S3：SN曲线建立：将结构特征参数转化为SN曲线，疲劳循环次数‑应力振幅曲线，建立SN曲线需要大量的实验数据和专业的分析技术，只有历史检测数据而没有相应的疲劳试验数据，无法准确地建立SN曲线，并根据曲线得到初步的SN曲线的公式 ，其中， 为常数，S表示循环寿命，N表示应力幅值，C和b都是实验拟合参数，C被称为强度系数，它表示在单位应力幅值情况下的理论值，b被称为Basquin指数；
[0040] S4：曲线修正与精确预测：SN曲线是一种经验公式，用来描述材料疲劳寿命与应力振幅的关系，在工程领域得到广泛应用，它可以用于预测材料在不同应力水平下的疲劳寿命，以及优化设计和维护策略，然而，SN曲线只是根据历史数据建立的经验模型，仅适用于相同条件下的相同材料，无法考虑其他因素对结构疲劳寿命的影响。而在实际应用中，材料的应力状态、加载方式都会对疲劳寿命产生重要影响，因此，需要综合考虑这些因素，以更准确地预测结构的疲劳寿命。利用智能算法和云计算等技术对监测数据进行进一步处理和分析，可以综合考虑多种因素，例如结构的应力状态、环境条件、使用历史等，通过建立更加精准的预测模型，实现对结构疲劳寿命的全面预测。根据不同环境下的监测数据和实际情况，对不同环境下的SN曲线进行修正和调整，通过与实际测量数据的对比分析，可以发现曲线的偏差和误差，并进行相应的修正，修正后的曲线反映结构在不同环境下的疲劳寿命特性，在修正曲线的过程中，采用机器学习算法SVM对监测数据进行进一步处理和分析，结合历史监测数据和实验结果，并综合考虑到如下因素：结构的应力状态、使用历史、几何形状，将不同环境下的SN曲线整合成预测模型，并得到通用的SN曲线公式 ，其中F_env表示环境因子， 为通用的强度系数公式，预测不同环境下的不同应力水平下结构能够承受的疲劳循环次数，将SN曲线转化为疲劳极限和斜率，定量地描述结构的疲劳寿命特性，以获得精确的预测结果。
[0041] 进一步的，所述的一种基于SN曲线与SVM的结构安全智慧监测方法，[0042] 具体步骤S3中利用疲劳试验数据绘制结构的SN曲线具体步骤如下：
[0043] S31：收集历史监测数据：获取历史监测数据，应力水平和相应的疲劳寿命；
[0044] S32：设计不同工况和载荷频率：根据实际使用情况设计不同工况和载荷频率，结构在不同工况下所受的载荷：静荷载、动荷载、热荷载；
[0045] S33：确定试验样本：从实际使用的结构中选取代表性样本进行试验，规定试验条件和试验方法，为提高试验效率，选择小试件进行试验，并将结果推广到实际结构中，确定材料的设计值；
[0046] S34：进行试验：按照设计的工况和载荷频率进行加荷，对试样进行疲劳试验，记录结构在不同工况下的应力幅值、循环次数，以及结构发生疲劳破坏情况；
[0047] S35：数据处理：对试验得到的数据和历史监测数据进行预处理，去除噪声、滤波、采样，使其具备一致性，提取结构的特征参数：峰值应力、工作循环、载荷频率；
[0048] S36：建立SN曲线：将结构的特征参数转化为SN曲线，即疲劳循环次数‑应力振幅曲线，利用处理后的数据建立结构的SN曲线，如图2所示，确定SN曲线公式，公式具体如下：
[0049] ；
[0050] 其中， 为常数，S表示循环寿命，N表示应力幅值，C和b都是实验拟合参数，C被称为强度系数，它表示在单位应力幅值情况下的理论值，b被称为Basquin指数，它反映了应力与寿命之间的幂函数关系，取值为0.1≤b≤0.4，具体取值取决于材料的特性和疲劳试验数据的拟合情况。
[0051] 进一步的，所述的一种基于SN曲线与SVM的结构安全智慧监测方法，[0052] 具体步骤S4中采用机器学习算法SVM对监测数据进行进一步处理和分析，结合历史监测数据和实验结果，并综合考虑到如下因素：结构的应力状态、使用历史、几何形状，将不同环境下的SN曲线整合成预测模型步骤如下：
[0053] S41：数据收集：收集一系列不同应力水平下的疲劳寿命数据，并将其与相应的应力幅值和平均应力进行配对；
[0054] S42：特征提取：从收集到的SN曲线监测数据中提取与疲劳寿命相关的特征：应力水平、应力历程、应力幅值、平均应力，并综合考虑环境因素、使用历史、几何形状，将收集到的数据进行标注，确定每个数据样本对应的疲劳寿命，将特征值和对应的疲劳寿命标签整理成一个数据集，并进行归一化处理；
[0055] S43：数据划分：将处理完的数据集划分为训练集和测试集，将80%的数据用于训练模型，剩余的20%用于评估模型的预测性能；
[0056] S44：模型训练：使用训练集对SVM模型进行训练，在SVM中，选择多项式核函数其中，x和y是输入样本的特征向量，表示内积运算，d表示多项式的阶数degree，γ*是一个缩放参数，r是常数项，并调整参数d多项式的阶数和γ*缩放参数以优化模型性能，图3为SVM模型训练的准确率和损失率；
[0057] S45：模型评估：使用测试集对训练好的SVM模型进行评估，通过比较预测值和实际值之间的误差指标，评估模型的预测准确性和泛化能力；
[0058] S46：参数调优：根据模型评估结果，对SVM模型进行参数调优，使用网格搜索、交叉验证方法寻找最佳的超参数组合，并得到通用的SN曲线公式 ，其中F_env表示环境因子，当材料在给定的环境条件下时，F_env可以通过实验或经验确定其取值。
如果环境条件很好，则F_env的值大于1，表明环境对疲劳寿命的影响较小；反之，如果环境条件较差，则F_env的值小于1，表明环境对疲劳寿命的影响较大。 为通用的强度系数公式，RSF公式具体如下：
[0059] ；
[0060] 其中， 为设计压力承载能力，为抗震调整系数，取值为0.65， 为压力构件抗压强度减小系数，取值为0.8，Ac为截面面积， 为混凝土轴心抗压强度， 为结构剩余承载能力， 为无损伤状态下的极限承载能力，DCR为破坏容限系数，用来评估结构在损伤后相对于无损伤状态下的极限承载能力的比值，无损伤状态下的设计承载能力是指结构在完好无损时所设计的能够承受的最大荷载，得到每个环境条件下的曲线的斜率、曲率、疲劳极限，用于评估材料在不同环境下的疲劳性能，提高模型的预测性能；
[0061] S47：预测应力状态下的疲劳寿命：在获得最佳参数组合后，将该模型应用于实际疲劳寿命预测，输入新的监测数据和特征，在模型的帮助下，可以预测结构的疲劳寿命并进行相关决策和维护计划制定，如图4所示为SVM模型的预测结果。
[0062] 根据预测结果评估各个结构的风险和优先级，较高风险和优先级的结构需要优先进行处理和养护，制定详细的养护计划，包括具体的养护措施、时间表和资源预算，考虑到预测结果，确定需要采取的措施，根据养护计划，安排和筹措所需的资金，按照计划和预算，组织实施养护工作，在养护工作完成后，持续进行桥梁的监测和评估，通过定期检查和监控，确认养护效果，并及时发现和处理新出现的病害，持续收集和分析桥梁的数据，包括养护前后的监测数据和实际使用情况，根据数据分析结果，优化养护策略和预测模型，提高工程的使用寿命，为建筑行业提供了更高效、更安全的工作环境和运营模式。
