本发明专利技术提供一种高寒环境下等厚度水泥土搅拌墙智能监测方法及系统，涉及水泥土搅拌墙监测技术领域，包括设置一个或多个传感器，基于无线传输方式分别获取一个或多个传感器采集的数据，并对采集的数据进行处理得到监测数据，对所述监测数据进行自适应分解并提取不同时频尺度的特征，得到多个候选特征，针对多个候选特征利用联合互信息最小化方法基于联合互信息进行降维和优化处理，以构建目标特征子集，基于不同类型的核函数构建目标多核极限学习机模型，利用所述目标多核极限学习机模型对所述目标特征子集进行处理，以预测水泥土搅拌墙的性能变化趋势，得到预测结果。
【技术实现步骤摘要】
本专利技术涉及水泥土搅拌墙监测技术，尤其涉及一种高寒环境下等厚度水泥土搅拌墙智能监测方法及系统。
技术介绍
1、在高寒地区进行土木工程建设，尤其是利用等厚度水泥土搅拌墙进行地基加固时，面临着极端气候和复杂地质条件的双重挑战。传统的水泥土搅拌墙监测方法依赖于物理采样和人工观测，这些方法不仅耗时长、成本高，而且在恶劣的高寒环境中难以实施，更无法满足实时监测的需求。此外，传统监测技术在处理和分析大规模监测数据时存在显著局限，难以从复杂的监测数据中有效提取关键信息，从而影响监测结果的准确性和实用性。
技术实现思路
1、本专利技术实施例提供一种高寒环境下等厚度水泥土搅拌墙智能监测方法及系统，能够解决现有技术中的问题。
2、本专利技术实施例的第一方面，
3、提供一种高寒环境下等厚度水泥土搅拌墙智能监测方法，包括：
4、设置一个或多个传感器，基于无线传输方式分别获取一个或多个传感器采集的数据，并对采集的数据进行处理得到监测数据，所述传感器包括温度传感器、湿度传感器、应变传感器、位移传感器、倾斜传感器中的一种或多种，采集的数据包括搅拌墙不同深度的温度、搅拌墙内外温差、搅拌墙不同深度的湿度、应变值、位移值、倾斜值中的一种或多种；
5、对所述监测数据进行自适应分解并提取不同时频尺度的特征，得到多个候选特征，针对多个候选特征利用联合互信息最小化方法基于联合互信息进行降维和优化处理，以构建目标特征子集，所述联合互信息表示特征之间的依赖性和关联程度；
<
p>6、基于不同类型的核函数构建目标多核极限学习机模型，利用所述目标多核极限学习机模型对所述目标特征子集进行处理，以预测水泥土搅拌墙的性能变化趋势，得到预测结果，所述水泥土搅拌墙的性能包括强度、稳定性、耐久性、结构中的一种或多种。7、在一种可选的实施例中，设置一个或多个传感器，基于无线传输方式分别获取一个或多个传感器采集的数据，并对采集的数据进行处理得到监测数据，包括：
8、采用分层布设的方式在搅拌墙的顶部、中部和底部分别设置温度传感器，以采集搅拌墙不同深度的温度作为监测数据，并在搅拌墙的内外两侧对称设置温度传感器，以采集搅拌墙内外温差作为监测数据；
9、采用分层布设的方式在搅拌墙内的顶部、中部和底部分别设置多个湿度传感器，以采集搅拌墙不同深度的湿度，并对多个湿度传感器采集的数据进行加权平均作为监测数据；
10、采用嵌入式布设方式在搅拌墙的中部和底部分别设置应变传感器，以采集搅拌墙竖向和水平方向的应变值作为监测数据，并在监测断面的中心和边缘处分别设置4个应变传感器以形成应变监测阵列，以采集应变值作为监测数据；
11、采用自适应卡尔曼滤波算法分别对位移传感器采集的位移值、倾斜传感器采集的倾斜值进行滤波，其中动态调整滤波参数，以消除噪声和异常干扰，以滤波后的位移值和滤波后的倾斜值作为监测数据。
12、在一种可选的实施例中，自适应分解包括变分模态分解vmd，对所述监测数据进行自适应分解并提取不同时频尺度的特征，得到多个候选特征，包括：
13、对所述监测数据利用变分模态分解vmd模型进行优化求解，得到k个固有模态函数imf分量，每个固有模态函数imf分量表示对应监测数据的局部振荡模式，所述变分模态分解vmd模型包括第一目标函数和约束条件，所述变分模态分解vmd模型的第一目标函数的公式如下：
14、；
15、其中，uk为第k个固有模态函数imf分量，wk为第k个固有模态函数imf分量对应的中心频率，k为固有模态函数imf分量的标识，k为固有模态函数imf分量的总数，t为时间，uk(t)为时间t下的第k个固有模态函数imf分量，δ(·)为狄拉克函数，表示对时间t的一阶导数，j为预设参数；
16、所述变分模态分解vmd模型的约束条件的公式如下：
17、；
18、其中，z(t)为时间t下的监测数据；
19、针对每个固有模态函数imf分量，将该固有模态函数imf分量重构为m维的空间向量，基于空间向量间的距离和预设相似度阈值计算模式匹配的概率，基于模式匹配的概率比值计算每个固有模态函数imf分量的样本熵以得到多个候选特征，其公式如下：
20、；
21、其中，sampenk表示第k个固有模态函数imf分量对应的样本熵，m表示空间维度，r表示预设相似度阈值，bm(r)表示空间维度m和预设相似度阈值r下模式匹配的概率。
22、在一种可选的实施例中，针对多个候选特征利用联合互信息最小化方法基于联合互信息进行降维和优化处理，以构建目标特征子集，包括：
23、从多个候选特征中确定已选特征子集；
24、基于多个候选特征与标签特征的联合概率分布，以及多个候选特征与标签特征的边缘概率分布，计算多个候选特征与标签特征之间的互信息量；
25、基于已选特征子集与标签特征的联合概率分布，以及在预设条件下已选特征子集与标签特征的边缘概率分布，计算已选特征子集与标签特征之间的条件互信息量；
26、以多个候选特征与标签特征之间的互信息量与已选特征子集与标签特征之间的条件互信息量之间的差值，作为已选特征子集、多个候选特征和标签特征之间的联合互信息量，并以最小化联合互信息量为目标进行优化求解，以对多个候选特征进行降维和优化处理；
27、迭代执行从多个候选特征中确定已选特征子集以及之后的步骤，直至目标特征子集的数量达到预设特征数量阈值或者满足预设性能要求，得到目标特征子集。
28、在一种可选的实施例中，计算多个候选特征与标签特征之间的互信息量的公式如下：
29、 ；
30、其中，i(xk；c)表示多个候选特征与标签特征之间的互信息量，xk表示候选特征，c表示标签特征，xk为单个候选特征的值，ci为单个标签特征的值，p()表示概率分布函数；
31、计算已选特征子集与标签特征之间的条件互信息量的公式如下：
32、；
33、其中，i(xj；c|y)表示已选特征子集与标签特征之间的条件互信息量，xj表示已选特征子集中的已选特征，y为给定条件，xj表示已选特征子集中单个已选特征的值，y表示给定条件的值；
34、计算已选特征子集、多个候选特征和标签特征之间的联合互信息量的公式如下：
35、；
36、其中，i(xk；xj；c)表示已选特征子集、多个候选特征和标签特征之间的联合互信息量；
37、以最小化联合互信息量为目标进行优化求解的公式如下：
38、；
39、其中，表示最小化联合互信息量的优化目标，f表示多个候选特征的集合，s表示已选特征子集。
40、在一种可选的实施例中，基于不同类型的核函数构建目标多核极限学习机模型，包括：
41、基于高斯核函数和线性核函数进行组合，得到复合核函数，其中高斯核函数的本文档来自技高网
...
【技术保护点】
1.一种高寒环境下等厚度水泥土搅拌墙智能监测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，设置一个或多个传感器，基于无线传输方式分别获取一个或多个传感器采集的数据，并对采集的数据进行处理得到监测数据，包括：
3.根据权利要求1所述的方法，其特征在于，自适应分解包括变分模态分解VMD，对所述监测数据进行自适应分解并提取不同时频尺度的特征，得到多个候选特征，包括：
4.根据权利要求1所述的方法，其特征在于，针对多个候选特征利用联合互信息最小化方法基于联合互信息进行降维和优化处理，以构建目标特征子集，包括：
5.根据权利要求4所述的方法，其特征在于，计算多个候选特征与标签特征之间的互信息量的公式如下：
6.根据权利要求1所述的方法，其特征在于，基于不同类型的核函数构建目标多核极限学习机模型，包括：
7.根据权利要求6所述的方法，其特征在于，第二目标函数的公式如下：
8.一种高寒环境下等厚度水泥土搅拌墙智能监测系统，用于实现前述权利要求1-7中任一项所述的方法，其特征在于，包括：p>
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
...
【技术特征摘要】
1.一种高寒环境下等厚度水泥土搅拌墙智能监测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，设置一个或多个传感器，基于无线传输方式分别获取一个或多个传感器采集的数据，并对采集的数据进行处理得到监测数据，包括：
3.根据权利要求1所述的方法，其特征在于，自适应分解包括变分模态分解vmd，对所述监测数据进行自适应分解并提取不同时频尺度的特征，得到多个候选特征，包括：
4.根据权利要求1所述的方法，其特征在于，针对多个候选特征利用联合互信息最小化方法基于联合互信息进行降维和优化处理，以构建目标特征子集，包括：
5.根据权利要求4所...
【专利技术属性】
技术研发人员：任彦华，刘永超，王兔龙，刘秀凤，李斌，张乃恭，吴君，王磊，李刚，
申请(专利权)人：天津市博川岩土工程有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。