CN102693289A - 高拱坝施工的仿真方法 - Google Patents

Abstract

本发明涉及高拱坝施工的仿真方法，包括：a．对反映施工进度状况的数据进行采集；b．对采集到的数据进行数据整理和数据集成；c．通过基于两阶段频繁集理论递推方法的布尔型关联规则挖掘算法获取所述数据仓库中数据的关联关系；d．将获得的数据间的关联关系与施工仿真系统中的浇筑决策规则库中的数据进行逐一对比，完善仿真系统的浇筑决策规则库；e．根据施工的确定型参数，通过所述的关联关系进行仿真系统参数的选择。本发明高拱坝施工的仿真方法，获得了适应于工程自身特性的施工规律和施工仿真参数和各种因素对施工进度的影响规律，明显提高了仿真系统的准确性和效率，极大的加强了施工仿真系统在高拱坝施工进度控制中的指导作用。

Description

高拱坝施工的仿真方法

技术领域

本发明涉及通过数据挖掘进行水利工程的仿真设计，具体的讲是通过数据挖掘进行高拱坝施工的仿真方法。

背景技术

采用计算机仿真技术进行高拱坝施工进度分析是近年来在水利工程领域里逐渐推广使用的先进方法。其主要原理是通过对高拱坝施工过程进行概化和抽象，建立与现实施工过程相对应的计算机模拟模型，模仿实际系统的运行过程，分析系统状态随时间的动态变化规律。

施工仿真技术作为施工进度控制与决策的重要技术支撑手段，在国内外高混凝土拱坝的设计方案论证、施工期进度咨询等方面发挥了重要作用。然而随着国内300m级高拱坝的相继开工建设，高拱坝混凝土浇筑施工设备、施工组织方法、施工技术水平、组织管理手段等不断发展创新，不同工程在工程自身特性、施工单位的施工技术能力、建设单位的管理模式等各有特点，同一工程随着施工的进展在磨合程度、技术总结进步、施工资源投入等方面不断调整，传统的高拱坝浇筑施工仿真方法难以快速适应工程的各种边界条件的频繁、动态变化；另一方面，在工程实施过程中积累了大量不同来源、杂乱无章的施工数据，如何充分利用这些数据、基于工程的实际施工数据和施工仿真分析的需要进行充分分析挖掘，提取有用的仿真参数修正仿真模型、动态适应工程的变化，是关系到施工仿真成果准确性的关键之一，也是施工仿真技术面临的重要难题。

在现有施工仿真系统的研究和应用中，仿真模型的建立主要依据相关施工规范的规定、施工专家的个人经验、工程调研等，通过人工总结、归纳、概化形成仿真算法；仿真边界条件往往由仿真系统用户根据个人经验和对工程的定性认识来选择。这样使得目前的施工仿真技术存在以下缺陷：

1、水电工程的各项目分别具有唯一性的特点，各工程的施工过程和施工规律具有较强的个性，通过施工规范、专家经验等方法建立的仿真模型符合高拱坝施工的一般规律，但在对具体工程进行仿真分析时，难以充分适应具体工程自身的个性特点，影响施工仿真技术指导施工的意义。

2、未能充分利用高拱坝工程混凝土施工中产生的海量的、凌乱的实际施工数据，通过对数据的评价、分析、推理形成对工程施工有指导意义的施工规律、技术参数、施工方案。

3、未能通过对实际施工数据的动态分析，提取适合工程不同施工阶段的仿真参数，修正仿真系统模型，提高系统准确性。

发明内容

针对以上的问题，本发明提供了一种高拱坝施工的仿真方法，目的是通过对工程建设过程中海量的实际施工数据进行数据挖掘，获得或验证工程施工中各种因素对施工进度的影响规律，完善施工仿真系统模型、修正仿真规则，以提高仿真系统的准确性和效率，加强施工仿真系统在高拱坝施工进度控制中的指导作用。

本发明的高拱坝施工的仿真方法，包括：

a．对反映施工进度状况的数据进行采集；

b．对采集到的数据进行数据整理和数据集成，其中数据整理包括填写缺失的数据值、识别或删除离群点，以及删除重复数据并解决数据的不一致性；数据集成包括根据数据库结构，设定源数据的导出接口，集成不同采集主体和不同工程的实际施工数据，建立拱坝施工进度的数据仓库；

c．通过基于两阶段频繁集理论递推方法的布尔型关联规则挖掘算法（Apriori算法）获取所述数据仓库中数据的关联关系；Apriori算法是数据挖掘技术中的基础算法，在超市货物管理、火电自动化控制等很多其它存在关联分析需求的领域都有应用，但在水电工程施工仿真技术中尚未有相关研究和应用。

d．将步骤c获得的数据间的关联关系与施工仿真系统中的浇筑决策规则库中的规则进行逐一对比，增加或更新浇筑决策规则库中的规则，所述的规则为通过对具体工程实际施工数据进行挖掘获取的数据关系；根据浇筑决策规则库中的规则通过计算机仿真技术建立高拱坝施工仿真系统；

e．根据施工的确定型参数，通过浇筑决策规则库中的规则进行仿真系统参数的选择。

在拱坝工程建设过程中，众多参建单位出于不同工作目的（如日常记录、进度分析统计、进度控制管理等），存储了大量的实际施工进度相关数据，为本发明的数据挖掘提供了海量的数据基础。本发明所采集的数据包括了反映施工进度状况的特征数据，如备仓过程中不同仓面类型的钢筋绑扎、模板拆装等各工序所耗时间，各仓面的开工、完工时间、浇筑历时、方量、小时强度、高峰强度，浇筑设备的循环周期、各工序的操作时间、维修周期、检修历时，混凝土供料系统的生产效率、故障频率、供应能力、立模时间、拆模时间、钢筋埋设、冷却水管铺设、金属结构预埋件安装时间、金属结构安装时间，缆机运行重行速度、空行速度、复合运动速度、小时循环次数、转仓衔接时间和浇筑仓面空间属性等。

而这些海量的拱坝施工进度数据从表面看往往不具有明显的变化规律和关联性，而且不同采集主体、采集方法、收集目的，所获取数据也可能存在相互矛盾和不一致的问题，且数据的组织方式和数据格式各不相同。因此通过本发明方法的步骤b对所有采集数据进行预处理，建立拱坝混凝土施工进度数据仓库，再分析数据仓库中各数据之间的关联关系，根据关联关系完善和更新仿真系统的浇筑决策规则库，使仿真系统通过自学习，不断的修正仿真算法和仿真模型。由于实际施工过程受天气、施工员熟练程度等不确定性因素的影响，某些仿真参数具有一定的波动性，因此最后仿真系统根据施工的确定型参数和浇筑决策规则库对仿真参数进行优选，达到提高仿真系统准确性和仿真效率的目的，提高施工仿真系统在高拱坝施工进度控制中的指导作用。

具体的，在步骤b的数据整理中，对缺失的数据值根据该数据属性字段的样本均值进行自动补偿；通过基于距离的离群检测方法进行离群点的识别，针对不同的字段设置相应的偏差阈值和删除阈值，对超过偏差阈值的数据进行标记辅以人工辨识或删除，对超过删除阈值的数据自动删除并记录清除日志。

具体的，步骤c包括：首先搜索所有的频繁集，这些频繁集出现的频繁性要大于预定义的最小支持度。然后由频繁集产生强关联关系，这些关系满足最小支持度和最小可信度，然后根据搜索到的频繁集产生期望的关联，产生只包含集合的项的所有关联，其中每一条的关联结果只有一项，保存大于设定的最小可信度的关联关系。

具体的，步骤d所述的浇筑决策规则库的规则由逻辑规则和关联规则组成，其中逻辑规则包括各工序的衔接关系和优先级别，如施工规范、施工技术文件等规定的工序衔接关系、浇筑优先顺序等通用知识，关联规则为通过对具体工程实际施工数据进行挖掘获取的数据关系。

可选的，步骤a中通过包括工作日志、传感器、缆机自动控制系统、信息系统数据库进行所述的数据采集。

本发明高拱坝施工的仿真方法，充分利用并分析了具体工程的实际施工数据，获得了适应于工程自身特性的施工规律和施工仿真参数，得到或验证了工程施工中各种因素对施工进度的影响规律，完善了施工仿真系统模型、修正仿真规则，明显提高了仿真系统的准确性和效率，极大的加强了施工仿真系统在高拱坝施工进度控制中的指导作用。

以下结合实施例的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实施例。在不脱离本发明上述技术思想情况下，根据本领域普通技术知识和惯用手段做出的各种替换或变更，均应包括在本发明的范围内。

具体实施方式

本发明的高拱坝施工的仿真方法，包括：

a．通过包括工作日志、传感器、缆机自动控制系统、信息系统数据库，对反映施工进度状况的数据进行采集。所述的数据包括有备仓过程中不同仓面类型的钢筋绑扎、模板拆装等各工序所耗时间，各仓面的开工、完工时间、浇筑历时、方量、小时强度、高峰强度，浇筑设备的循环周期、各工序的操作时间、维修周期、检修历时，混凝土供料系统的生产效率、故障频率、供应能力、立模时间、拆模时间、钢筋埋设、冷却水管铺设、金属结构预埋件安装时间、金属结构安装时间，缆机运行重行速度、空行速度、复合运动速度、小时循环次数、转仓衔接时间和浇筑仓面空间属性等；

b．对采集到的数据进行数据整理和数据集成，其中数据整理包括填写缺失的数据值、识别或删除离群点，以及删除重复数据并解决数据的不一致性。缺失的数据值是根据该数据属性字段的样本均值进行自动补偿；通过基于距离的离群检测方法进行离群点的识别，针对不同的字段设置相应的偏差阈值和删除阈值，对超过偏差阈值的数据进行标记辅以人工辨识或删除，对超过删除阈值的数据自动删除并记录清除日志；

数据集成包括根据数据库结构，设定源数据的导出接口，集成不同采集主体和不同工程的实际施工数据，建立拱坝施工进度的数据仓库；

c．通过基于两阶段频繁集理论递推方法的布尔型关联规则挖掘算法获取所述数据仓库中数据的关联关系。具体方法为：首先搜索所有的频繁集，这些频繁集出现的频繁性要大于预定义的最小支持度。然后由频繁集产生强关联关系，这些关系满足最小支持度和最小可信度，然后根据搜索到的频繁集产生期望的关联，产生只包含集合的项的所有关联，其中每一条关联的结果只有一项，保存大于设定的最小可信度的关联关系；

d．将步骤c获得的数据间的关联关系与施工仿真系统中的浇筑决策规则库中的规则进行逐一对比，增加或更新浇筑决策规则库中的规则，所述的规则为通过对具体工程实际施工数据进行挖掘获取的数据关系；根据浇筑决策规则库中的规则通过计算机仿真技术建立高拱坝施工仿真系统。例如：传统的仿真系统中，层间间歇期（即上下两浇筑层之间的浇筑时间间隔）作为系统输入参数时，是由人工根据仓面结构，凭经验来确定的。本发明的方法通过对某一工程的历史施工记录进行数据挖掘后分析发现，当仓面钢筋安装量超过10吨时，层间间歇期T主要由钢筋绑扎和预埋时间决定，T=t(钢筋工程量)，其中t(钢筋工程量)表示安装该钢筋工程量所需要的时间；当仓面钢筋量小于10吨，层间间歇期T由混凝土拆模龄期和拆立模时间决定，T=t(砼龄期)+t(下层模板拆除量)+t(当前仓模板安装量)，其中t的单位为吨。因此，在该工程的施工仿真系统中，需增加仓面钢筋结构量～仓面备仓时间的关联关系，从设计图纸中获取仓面钢筋结构量并按照所述的关联关系计算层间间歇期。通过对规则库的完善，使得层间间歇期的计算更符合本工程的施工水平，仿真预测成果更为准确；

浇筑决策规则库的规则由逻辑规则和关联规则组成，其中逻辑规则包括各工序的衔接关系和优先级别，关联规则为通过对具体工程实际施工数据进行挖掘获取的数据关系。

e．由于实际施工过程受天气、施工员熟练程度等不确定性因素的影响，某些仿真参数具有一定的波动性，根据施工的确定型参数，通过浇筑决策规则库的规则进行仿真系统参数的选择。如对于某浇筑仓面，根据设计图纸，其钢筋制安工程量为12吨（12吨即为确定型参数），根据关联关系，钢筋工程量区间为[10,15]的仓面满足最小置信度的钢筋安装时间取值区间为[12,14]天，仿真分析时可从推荐取值区间内选择最大值、中位值或最小值等进行模拟计算。

通过仿真系统的自学习，不断的修正仿真算法和仿真模型，最后仿真系统根据施工的确定型参数和关联关系对仿真参数进行优选，达到提高仿真系统准确性和仿真效率的目的，加强施工仿真系统在高拱坝施工进度控制中的指导作用。

Claims (5)

1.高拱坝施工的仿真方法，其特征为包括：

a．对反映施工进度状况的数据进行采集；

b．对采集到的数据进行数据整理和数据集成，其中数据整理包括填写缺失的数据值、识别或删除离群点，以及删除重复数据并解决数据的不一致性；数据集成包括根据数据库结构，设定源数据的导出接口，集成不同采集主体和不同工程的实际施工数据，建立拱坝施工进度的数据仓库；

c．通过基于两阶段频繁集理论递推方法的布尔型关联规则挖掘算法获取所述数据仓库中数据的关联关系；

d．将步骤c获得的数据间的关联关系与施工仿真系统中的浇筑决策规则库中的规则进行逐一对比，增加或更新浇筑决策规则库中的规则，所述的规则为通过对具体工程实际施工数据进行挖掘获取的数据关系；根据浇筑决策规则库中的规则通过计算机仿真技术建立高拱坝施工仿真系统；

e．根据施工的确定型参数，通过浇筑决策规则库中的规则进行仿真系统参数的选择。

2.如权利要求1所述的高拱坝施工的仿真方法，其特征为：在步骤b的数据整理中，对缺失的数据值根据该数据属性字段的样本均值进行自动补偿；通过基于距离的离群检测方法进行离群点的识别，针对不同的字段设置相应的偏差阈值和删除阈值，对超过偏差阈值的数据进行标记辅以人工辨识或删除，对超过删除阈值的数据自动删除并记录清除日志。

3.如权利要求1所述的高拱坝施工的仿真方法，其特征为步骤c包括：首先搜索所有的频繁集，这些频繁集出现的频繁性要大于预定义的最小支持度，然后由频繁集产生强关联关系，这些关系满足最小支持度和最小可信度，然后根据搜索到的频繁集产生期望的关联，产生只包含集合的项的所有关联，其中每一条的关联结果只有一项，保存大于设定的最小可信度的关联关系。

4.如权利要求1所述的高拱坝施工的仿真方法，其特征为：步骤d所述的浇筑决策规则库的规则由逻辑规则和关联规则组成，其中逻辑规则包括各工序的衔接关系和优先级别，关联规则为通过对具体工程实际施工数据进行挖掘获取的数据关系。

5.如权利要求1至4之一所述的高拱坝施工的仿真方法，其特征为：步骤a中通过包括工作日志、传感器、缆机自动控制系统、信息系统数据库进行所述的数据采集。