高精度變形測(cè)量技術(shù)與數(shù)據(jù)處理方法.pdf

1、隨著經(jīng)濟(jì)的發(fā)展和科技的進(jìn)步，大型工程的建設(shè)規(guī)模和速度都呈井噴式增長，隨之而來的各種工程事故也層出不窮，變形測(cè)量工作就顯得愈加重要。本文從變形測(cè)量技術(shù)以及數(shù)據(jù)處理方法的角度出發(fā)，重點(diǎn)對(duì)變形測(cè)量基本理論、工業(yè)檢測(cè)曲面擬合、實(shí)時(shí)動(dòng)態(tài)變形測(cè)量及數(shù)據(jù)處理、變形數(shù)據(jù)預(yù)測(cè)以及基于變形測(cè)量的巖土力學(xué)參數(shù)反演幾個(gè)方面進(jìn)行了一定的探討，主要研究內(nèi)容集中在如下的幾個(gè)方面： (1)變形測(cè)量基本理論的研究闡述了論文研究的背景以及意義，辨析了變形測(cè)量的含義

2、以及研究的內(nèi)容和范圍，重點(diǎn)是變形監(jiān)測(cè)和變形檢測(cè)的聯(lián)系和區(qū)別，介紹了當(dāng)今變形測(cè)量技術(shù)的研究進(jìn)展，主要是當(dāng)前發(fā)展迅速、應(yīng)用前景廣泛的幾種新興測(cè)量技術(shù)，并且總結(jié)了變形測(cè)量數(shù)據(jù)處理方法的國內(nèi)外研究現(xiàn)狀和進(jìn)展。 (2)基于改進(jìn)遺傳算法的工業(yè)檢測(cè)曲面擬合針對(duì)有明確表達(dá)式的工業(yè)曲面，從參數(shù)辨識(shí)的角度提出將平移、旋轉(zhuǎn)參數(shù)以及標(biāo)準(zhǔn)曲面表達(dá)參數(shù)作為需辨識(shí)的量，采用遺傳算法通過種群進(jìn)化的方式求得這些參數(shù)。由于傳統(tǒng)的遺傳算法存在一定的缺陷，從選擇算子、

3、交叉算子、變異算子等幾個(gè)方面對(duì)其進(jìn)行了改進(jìn)。在兩個(gè)工程實(shí)例中應(yīng)用了該方法，表明了該方法的有效性，并且通過比較發(fā)現(xiàn)，對(duì)遺傳算法的改進(jìn)起到了一定的效果，改進(jìn)方法的收斂速度有了較大提高，同實(shí)測(cè)值比較的均方誤差更小，并且能夠有效避免陷入局部極小。 (3)實(shí)時(shí)動(dòng)態(tài)變形測(cè)量及數(shù)據(jù)處理介紹了實(shí)時(shí)動(dòng)態(tài)變形測(cè)量技術(shù)的定義、特點(diǎn)以及三種實(shí)時(shí)動(dòng)態(tài)變形測(cè)量系統(tǒng)模式；提出了一種RTK—GPS精度測(cè)試的方法，即模擬幾種常見的運(yùn)動(dòng)方式，分別是直線運(yùn)動(dòng)、正弦運(yùn)

4、動(dòng)以及旋轉(zhuǎn)運(yùn)動(dòng)，并且進(jìn)行了這三種模擬運(yùn)動(dòng)狀態(tài)下RTK—GPS的精度測(cè)試；探討了小波分析在動(dòng)態(tài)變形測(cè)量數(shù)據(jù)處理中的應(yīng)用，主要是在消噪以及特征提取中的應(yīng)用；分析了建筑物振動(dòng)多頻率成分分析的必要性，提出了兩種分析方法，分別簡(jiǎn)稱為頻譜分析法以及GA分析法，并且通過一個(gè)模擬算例以及一個(gè)工程實(shí)例將兩種方法進(jìn)行了比較，認(rèn)為頻譜辨識(shí)法是一種應(yīng)用較簡(jiǎn)便的近似方法，GA辨識(shí)法能夠取得更加準(zhǔn)確的頻率、振幅等振動(dòng)參數(shù)；提出將動(dòng)態(tài)測(cè)量技術(shù)用于橋梁撞擊問題研究的探

5、討，并且用實(shí)驗(yàn)說明了該方法的可行性。 (4)變形數(shù)據(jù)預(yù)測(cè)總結(jié)了變形數(shù)據(jù)預(yù)測(cè)的研究進(jìn)展；提出了能夠顧及多點(diǎn)之間的關(guān)聯(lián)信息的灰色關(guān)聯(lián)預(yù)測(cè)模型；進(jìn)行了將小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于變形數(shù)據(jù)預(yù)測(cè)的嘗試，相對(duì)于一般的前饋神經(jīng)網(wǎng)絡(luò)增加了平移和縮放兩個(gè)自由度；改進(jìn)了BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，提高了BP神經(jīng)網(wǎng)絡(luò)的泛化能力并且加快了收斂速度；提出采用并且改進(jìn)了GMDH神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，使網(wǎng)絡(luò)的泛化能力和收斂速度有了較大的改善；提出采用最優(yōu)加權(quán)組合預(yù)測(cè)模型以及基

6、于預(yù)測(cè)有效度的組合預(yù)測(cè)模型，能夠綜合利用不同預(yù)測(cè)模型所提供的信息，改進(jìn)預(yù)測(cè)效果。每種方法的提出以及改進(jìn)均用工程實(shí)例證明了其有效性，表明了本文所提出或改進(jìn)的方法具有一定的實(shí)用價(jià)值。 (5)基于變形測(cè)量的巖土力學(xué)參數(shù)反演分析了巖土力學(xué)參數(shù)反演的特點(diǎn)，總結(jié)了基于變形測(cè)量的參數(shù)反演研究進(jìn)展，提出了一種基于有限元和神經(jīng)網(wǎng)絡(luò)、遺傳算法兩種人工智能算法的變形測(cè)量參數(shù)反演方法，在一個(gè)連拱隧道的工程實(shí)例中進(jìn)行了應(yīng)用，并且與基于有限元和神經(jīng)網(wǎng)絡(luò)的參