CN109976147B - 一种基于智能学习的大体积混凝土温控方法 - Google Patents
一种基于智能学习的大体积混凝土温控方法 Download PDFInfo
- Publication number
- CN109976147B CN109976147B CN201910264591.6A CN201910264591A CN109976147B CN 109976147 B CN109976147 B CN 109976147B CN 201910264591 A CN201910264591 A CN 201910264591A CN 109976147 B CN109976147 B CN 109976147B
- Authority
- CN
- China
- Prior art keywords
- concrete
- temperature control
- data
- temperature
- intelligent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000004567 concrete Substances 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000004321 preservation Methods 0.000 claims abstract description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000007418 data mining Methods 0.000 claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 230000005855 radiation Effects 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 230000017525 heat dissipation Effects 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 15
- 239000000498 cooling water Substances 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000010438 heat treatment Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000011056 performance test Methods 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 6
- 239000012774 insulation material Substances 0.000 claims description 5
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 238000009413 insulation Methods 0.000 claims description 3
- 239000011435 rock Substances 0.000 claims description 3
- 238000010206 sensitivity analysis Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 238000003908 quality control method Methods 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims 1
- 238000005336 cracking Methods 0.000 abstract description 8
- 238000001816 cooling Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 4
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 229920002635 polyurethane Polymers 0.000 description 2
- 239000004814 polyurethane Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000011382 roller-compacted concrete Substances 0.000 description 2
- 241000124879 Grus leucogeranus Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 239000004793 Polystyrene Substances 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 229920002223 polystyrene Polymers 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/1917—Control of temperature characterised by the use of electric means using digital means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/27—Control of temperature characterised by the use of electric means with sensing element responsive to radiation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于智能学习的大体积混凝土温控方法。所述方法包括：步骤S1：采集大体积混凝土的原始数据；步骤S2：对原始数据进行预处理以形成数据仓库；步骤S3：依据任务从数据仓库中读取相关数据；步骤S4：利用多种算法进行数据挖掘分析，使系统能够基于输入数据不断进行智能学习；步骤S5：数据挖掘结果的分析利用，包括目标温控曲线的智能寻优、实际温控曲线的智能预测、通水换热措施的智能控制和保温散热措施的智能反馈；步骤S6：大体积混凝土的温度状态朝着最优方向发展，开始新的监控循环。通过采用该方法，可实现对混凝土温度的闭环智能控制，同时实现目标温控曲线生成、实际温控曲线预测及″内通水外保温″联控，可显著提高温控质量和效率，降低大体积混凝土开裂风险。
Description
【技术领域】
本发明属于大体积混凝土温控防裂领域，尤其涉及一种基于智能学习的大体积混凝土温控方法。
【背景技术】
60年来，世界坝工界针对大坝安全开展了广泛的调查研究，也取得了丰富的成果。但是直到现在还是出现″无坝不裂″的局面，大坝温控防裂是当代设计中的难点，瓶颈点，关系到水工结构设计精细化问题，关系到高拱坝的长期运行安全与稳定。要改变这种″无坝不裂″局面，在浇筑阶段对混凝土进行通水换热(冷却)温度智能控制，真正做到从开始就不出现损伤裂缝是关键。通水冷却第一次在水利工程领域中的正式应用源于20世纪30年代，1933年美国胡佛大坝(Hoover dam)首次在大体积混凝土内全面预埋通水冷却水管，获得较理想的温控防裂效果。随后，通水冷却以其灵活性、可靠性及多用性等特点，在世界各国混凝土坝施工中广泛应用。我国在1955年修建第一座混凝土拱坝-响洪甸拱坝时，首次采用了预埋冷却水管，获得了不错的防裂效果。随后，在周公宅拱坝、二滩拱坝、索风营碾压混凝土坝、三峡大坝、龙滩碾压混凝土重力坝、拉西瓦拱坝、锦屏一级拱坝与小湾拱坝等众多大型工程中得到了广泛应用。
随着网络信息技术、自动化控制技术的发展，近年来，通水冷却已经逐步由传统的人工模式逐步向自动化、智能化的方向迈进，并得到广泛应用。由清华大学林鹏、李庆斌等人研发的大体积混凝土通水冷却智能温度控制方法与系统已经在溪洛渡局部应用的基础上，在白鹤滩、乌东德等世界大型工程中全面应用，并取得了良好的温控效果；水科院张国新、李松辉等研究的大体积混凝土防裂智能监控系统也在黄登大坝中得到应用；葛洲坝王衡、谭恺炎等研制的大体积混凝土冷却通水智能控制系统在锦屏一级中得到应用，温控施工技术和施工质量都得到了显著提升。
采用冷却水管冷却混凝土的主要目标是使混凝土内部温度均匀平稳地下降并在预期时间内达到控制目标温度，由于混凝土的传热性能并不好，所以混凝土温度的滞后性很大，此外，混凝土的温度发展历程还受到周边散热边界条件的影响，如气温、日照和相邻混凝土的浇筑等边界条件的变化，需要在内部通水冷却的同时进行外部散热边界的保温控制，从而实现内外联控，降低大坝开裂风险。为了解决上述问题，清华大学于2012年在国内申请专利CN201210289192.3，提出一种在建大坝混凝土智能温度控制方法及系统，能够依据预设目标温控曲线以及混凝土的实际温度变化历程动态调整通水流量与水温等，从而使混凝土温度发展历程满足设计要求；中国水利水电科学研究院于2011年在国内申请专利CN201110399271.5，提出一种混凝土坝的温控防裂监测方法，主要采用了支持向量机模型和仿真分析的方法，实现了混凝土温度场及温度应力的预测预警功能；之后中国水利水电科学研究院于2013年在国内申请专利CN201310716982.X，提出一种大体积混凝土的智能通水方法，该方法将含气象、水文、材料、施工信息的历史数据存储到数据库，作为基础数据资料，采用有限元方法确定不同分区混凝土的理想温度过程线；根据步骤实时水温、流量、混凝土内部温度、天气预报及理想温度过程线计算各仓下一阶段的通水冷却流量；将通水冷却流量的指令下达至通水系统，完成通水冷却流量的自动调控。
可以看出，以上现有技术仍主要基于传统的有限元仿真方法开展混凝土的温度控制，由于有限元计算的周期较长，加之模型在计算时会进行较大简化，大量与监控对象相关的数据没有被充分利用，监控的精度受到很大影响，单纯基于有限元仿真方法无法实现对混凝土温度全周期的实时感知、真实分析和动态控制。本发明旨在提出一种基于智能学习的大体积混凝土温度控制方法，将传统的有限元仿真方法与新兴的物联网、人工智能、数据挖掘等技术结合起来，实现对混凝土温度的闭环智能控制，将目标温控曲线生成、实际温控曲线预测及″内通水外保温″联控等流程系统整合，可显著提高温控质量和效率，降低开裂风险。
【发明内容】
一种基于智能学习的大体积混凝土温控方法，所述方法包括以下步骤：
步骤S1：采集大体积混凝土的原始数据；
步骤S2：对原始数据进行预处理以形成数据仓库；
步骤S3：依据任务从数据仓库中读取相关数据；
步骤S4：利用多种算法进行数据挖掘分析，使系统能够基于输入数据不断进行智能学习；
步骤S5：数据挖掘结果的分析利用，包括目标温控曲线的智能寻优、实际温控曲线的智能预测、通水换热措施的智能控制和保温散热措施的智能反馈；
步骤S6：大体积混凝土的温度状态朝着最优方向发展，开始新的监控循环。
进一步地，所述步骤S1包括：
步骤S101：混凝土发热数据的采集；
步骤S102：混凝土换热数据的采集；
步骤S103：混凝土散热数据的采集；
步骤S104：混凝土监测数据的采集；
步骤S105：混凝土性能试验数据的采集。
进一步地，所述步骤S2指对原始数据进行清洗、集成构建数据仓库的过程。
进一步地，所述步骤S3指依据特定任务从数据仓库中读取相关数据的过程。
进一步地，所述步骤S4采用的数据挖掘算法包括：分类算法、聚类算法、回归算法和频繁模式。
进一步地，所述步骤S5包括：
步骤S501：将数据挖掘分析后的输出结果作为仿真分析的输入，进行敏感性分析，智能寻优目标温控曲线；
步骤S502：将数据挖掘分析后的输出结果作为仿真分析的输入，进行温度场重构，智能预测实际温控曲线；
步骤S503：将数据挖掘分析后的输出结果作为PID控制的输入，进行通水换热控制，智能控制通水换热措施；
步骤S504：将数据挖掘分析后的输出结果作为反馈控制的输入，进行保温散热控制，智能反馈保温散热措施。
进一步地，所述步骤S6指通过智能学习对大体积混凝土进行目标寻优、实际预测、动态控制之后，监控对象状态发生变化，监控对象的相关数据需要重新采集、分析和利用，开始新的监控循环。
进一步地，所述步骤S101混凝土发热数据指混凝土的绝热温升试验数据。
进一步地，所述步骤S102混凝土的换热数据包括冷却水温、流量、管道长度、管道间距、管材换热系数。
进一步地，所述步骤S103混凝土散热数据包括混凝土散热边界的温度。
进一步地，所述散热边界包括：保温材料、相邻坝块、自然环境、天然岩基。
进一步地，所述步骤S104混凝土监测数据包括应力应变、横缝开度。
进一步地，所述步骤S105混凝土性能试验数据包括温度应力、断裂性能、抗压强度、抗拉强度。
进一步地，所述步骤S501的目标温控曲线指混凝土坝块温度场随时间的变化过程，寻优依据包括混凝土质量性能、混凝土抗裂安全、坯层覆盖质量、施工进度、成本及施工便利性。
进一步地，所述步骤S502的实际温控曲线指混凝土坝块在当前发热、换热、散热措施综合影响下温度场未来一段时间内的发展趋势。
进一步地，所述步骤S503的通水换热措施指为使混凝土坝块内部温度场朝着预设的最优目标温控曲线发展而采取的调整冷却水的温度、冷却水的流量、水管间距等通水换热措施。
进一步地，所述步骤S504的保温散热措施指为使混凝土坝块内部温度场朝着预设的最优目标温控曲线发展而采取的调整保温材料、保温材料覆盖时间、坯层覆盖质量控制、调整坝块周边气候小环境等保温散热措施。
本发明提供的基于智能学习的大体积混凝土温度控制方法，将传统的有限元仿真方法与新兴的物联网、人工智能、数据挖掘等技术结合起来，实现对混凝土温度的闭环智能控制，将目标温控曲线生成、实际温控曲线预测及″内通水外保温″联控等流程系统整合，可显著提高温控质量和效率，降低混凝土开裂风险。
【附图说明】
为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种基于智能学习的大体积混凝土温控方法的逻辑流程图；
图2为本发明一实施例的部分数据；
图3为本发明一实施例的回归分析示意图。
【具体实施方式】
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例采用人工智能算法对大体积混凝土温控方法采集的数据进行分析利用，技术实现上采用了Spark 2.0ML Pipeline机器学习流程，确定特征字段(如气温、混凝土温度、龄期和混凝土热力学参数等)、分类字段、决策树回归分析结果值和通水流量，具体包括以下步骤：
步骤S1：采集大体积混凝土的原始数据。由于混凝土的特性对于控温结果有非常重要的影响，因此了解越多，效果越好。分为几个方面的数据来源：(1)混凝土生产厂家提供的参数；(2)试验室试验所用的参数；(3)现场实时采集的数据等。各参数共包括如下几个部分：
S101：混凝土发热数据的采集：指混凝土的绝热温升试验数据，各数据记为F1，F2，F3，....，Fn；
S102：混凝土换热数据的采集：包括冷却水温、流量、管道长度、管道间距、管材换热系数，各数据记为H1，H2，H3，...，Hn；
S103：混凝土散热数据的采集：包括混凝土散热边界的温度，散热边界包括：保温材料、相邻坝块、自然环境、天然岩基，各数据记为S1，S2，S3，...，Sn；
S104：混凝土监测数据的采集：包括应力应变、横缝开度，各数据记为J1，J2，J3，...，Jn。现场监测可以采用多种方法，采用数字温度计监测，组成传感器网络，定时采集数据，上报到工控机进行本地存储，最终工控机通过现场4G网络，将数据上传到云端。也可以采用分布式光纤测温(DTS)系统来采集数据；可以想到，大量基于IOT的数据必须采用成熟技术的大数据平台，本实例采用Hadoop存储数据，采用Spark来进行流式计算；
S105：混凝土性能试验数据的采集：混凝土性能试验数据包括温度应力、断裂性能、抗压强度、抗拉强度，各数据记为X1，X2，X3，...，Xn。
步骤S2：对原始数据进行预处理以形成数据集。
使用randomSplit将上述数据按照8∶2的比例分成train_df(训练数据)与test_df(测试数据)。优选的，此比例为经验数据，可以根据应用效果进行不断调整。
步骤S3：依据任务从数据集中读取相关数据。根据实际需要和计算规模，只选取数据集中的部分数据，调用.drop()方法舍弃不需要的字段。
步骤S4：利用多种算法进行数据挖掘分析，使系统能够基于输入数据不断进行智能学习。
本实施例以多决策树回归分析为例。
分为三个大的步骤：1、建立机器学习流程pipeline；2、训练；3、预测。
确定VectorAssembler，步骤S2，S3中的多个特征字段整合成Vector；
确定VectorIndexer，识别数据集中的类别特征，用如下方法：
1、获得一个向量类型的输入以及maxCategories参数；
2、基于原始数值识别哪些特征需要被类别化，其中最多maxCategories需要被类别化；
3、对于每一个类别特征计算0-based类别指标；
4、对类别特征进行索引然后将原始值转换为指标。
确定DecisionTreeRegressor，即通水流量值。现场应用时也可采用阀门的开度值。
程序实现如下步骤
(1)导入各模块(Pipeline，VectorIndexer，DecisionTreeRegressor)：sparkMLlib库函数；
(2)创建特征字段List；
(3)建立pipeline，变量为dt_pipeline，传入参数为VectorAssembler、VectorIndexer、DecisionTreeRegressor三变量；
(4)使用dt_pipeline.fit进行数据处理与训练，传入train_df训练数据，得到训练完成后的决策树模型dt_pipelineModel；
(5)调用transform方法使用模型，传入test_df测试数据进行预测。查看预测结果，产生的Schema中将有一个新的字段’prediction’，查看检验各特征向量对应的预测结果；
(6)导入Regression Evaluator模块，评估准确率；
(7)使用TrainValidation进行训练验证找出最佳模型：
7.1从包pyspark.ml.tuning导入ParamGridBuilder与TrainValidationSplit
7.2设置训练验证的参数
7.3创建TrainValidationSplit
7.4建立tvs_pipeline
7.5使用tvs_pipeline流程进行训练验证
7.6得到训练完成的最佳模型
7.8评估最佳模型
(8)使用crossValidation进行交叉验证，得到最佳模型：
8.1将数据分为n个部分，进行n次训练验证，本实施例采用n＝10
8.2导入模块ParamGridBuilder与CrossValidation
8.3创建CrossValidator
8.4建立交叉验证的cv_pipeline
8.5使用cv_pipeline.fit进行交叉验证
8.6评估最佳模型。
步骤S5：数据挖掘结果的分析利用，包括目标温控曲线的智能寻优、实际温控曲线的智能预测、通水换热措施的智能控制和保温散热措施的智能反馈。
包括：
步骤S501：将数据挖掘分析后的输出结果作为仿真分析的输入，进行敏感性分析，智能寻优目标温控曲线。
目标温控曲线指混凝土坝块温度场随时间的变化过程，寻优依据包括混凝土质量性能、混凝土抗裂安全、施工进度、成本及施工便利性。
利用聚类算法智能寻优最优目标温控曲线：首先通过聚类算法对现存所有浇筑坝块的温控曲线进行相似度分类，从而确定几种符合实际混凝土温度发展规律与分布特征的温度曲线模型，通过聚类算法将曲线进行分类后，可降低温控曲线的多样性，再对聚类后的几种曲线进行敏感性仿真分析，从混凝土质量性能、混凝土抗裂安全、施工进度、成本及施工便利性等角度度量曲线的优劣，自动生成最优的目标温控曲线用于新浇混凝土坝块的温度控制。
步骤S502：将数据挖掘分析后的输出结果作为仿真分析的输入，进行温度场重构，智能预测实际温控曲线。
实际温控曲线指混凝土坝块在当前发热、换热、散热措施综合影响下温度场未来一段时间内的发展趋势。
利用回归分析进行温度预测：从规律发现的角度，即y＝f(∑xi)，具体到智能通水系统中，y即单仓混凝土的内部平均温度，xi即影响单仓混凝土内部平均温度的因素，如冷却水流量、进出口水温、外界气温、混凝土龄期、仓散热面温度等，以xi为输入，y为输出进行神经网络模型的训练可以得到一个混凝土温度场预测模型，利用该模型可以实现对一定发热、散热、换热情况下混凝土温度场的预测。部分数据见图2，训练算法回归分析示意见图3。
步骤S503：将数据挖掘分析后的输出结果作为PID控制的输入，进行通水换热控制，智能控制通水换热措施。
通水换热措施指为使混凝土坝块内部温度场朝着预设的最优目标温控曲线发展而采取的调整冷却水的温度、冷却水的流量、水管间距等通水换热措施。
利用频繁模式进行通水换热措施的智能控制。将某一影响因素xi为输出(例如通水流量)，以y(混凝土实际温度)和其余xi(除流量外的所有相关影响因素)为输入，训练出反向关系模型xi＝f-1(∑xi-1，y)用于智能通水的控制，进一步采用频繁模式发现通水控制措施变化与混凝土温度变化的潜在关联，找出与一定温度值对应的高频温控措施，从而更精准地从冷却水温、冷却水流量、水管间距等措施中选择更有效的措施。
步骤S504：将数据挖掘分析后的输出结果作为反馈控制的输入，进行保温散热控制，智能反馈保温散热措施。
保温散热措施指为使混凝土坝块内部温度场朝着预设的最优目标温控曲线发展而采取的调整保温材料、保温材料覆盖时间、调整坝块周边气候小环境等保温散热措施。
利用分类算法进行保温散热措施的智能反馈。不同类型的浇筑坝块的散热边界不同，应采取的保温散热措施也不同，总体包括保温被、保温苯板、聚氨酯等多种保温措施。例如可采用图像识别技术对混凝土坝块散热边界进行动态识别，识别当前的保温状态，保温被是否被掀开、聚氨酯是否有破损、保温苯板是否有脱落等，进而反馈控制坝块各散热面的保温措施调整。有条件的情况下可通过图像识别技术对坝块边界面的红外摄影图像进行分类学习，动态识别散热边界面上的温度突变点，反馈现场施工人员采取针对性的补救措施。
步骤S6：大体积混凝土的温度状态朝着最优方向发展，开始新的监控循环。
指通过智能学习对大体积混凝土进行目标寻优、实际预测、动态控制之后，监控对象状态发生变化，监控对象的相关数据需要重新采集、分析和利用，开始新的监控循环。
最后，还需要说明的是，在本文中，术语″包括″、″包含″或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句″包括一个......″限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (15)
1.一种基于智能学习的大体积混凝土温控方法，其特征在于，所述方法包括以下步骤：
步骤S1：采集大体积混凝土的原始数据；
步骤S2：对原始数据进行预处理以形成数据仓库；
步骤S3：依据任务从数据仓库中读取相关数据；
步骤S4：利用多种算法进行数据挖掘分析，使系统能够基于输入数据不断进行智能学习；
步骤S5：数据挖掘结果的分析利用，包括目标温控曲线的智能寻优、实际温控曲线的智能预测、通水换热措施的智能控制和保温散热措施的智能反馈；
步骤S6：大体积混凝土的温度状态朝着最优方向发展，开始新的监控循环；
所述步骤S5包括：
步骤S501：将数据挖掘分析后的输出结果作为仿真分析的输入，进行敏感性分析，智能寻优目标温控曲线，
所述步骤S501的目标温控曲线指混凝土坝块温度场随时间的变化过程，寻优依据包括混凝土质量性能、混凝土抗裂安全、坯层覆盖质量、施工进度、成本及施工便利性；
利用聚类算法智能寻优最优目标温控曲线：首先通过聚类算法对现存所有浇筑坝块的温控曲线进行相似度分类，从而确定几种符合实际混凝土温度发展规律与分布特征的温度曲线模型，通过聚类算法将曲线进行分类后，可降低温控曲线的多样性，再对聚类后的几种曲线进行敏感性仿真分析，从混凝土质量性能、混凝土抗裂安全、施工进度、成本及施工便利性角度度量曲线的优劣，自动生成最优的目标温控曲线用于新浇混凝土坝块的温度控制；
步骤S502：将数据挖掘分析后的输出结果作为仿真分析的输入，进行温度场重构，智能预测实际温控曲线，
利用回归分析进行温度预测：y1＝f(∑xi),y1即单仓混凝土的内部平均温度，xi即影响单仓混凝土内部平均温度的因素，以xi为输入，y1为输出进行神经网络模型的训练得到一个混凝土温度场预测模型，利用该模型实现对一定发热、散热、换热情况下混凝土温度场的预测；
步骤S503：将数据挖掘分析后的输出结果作为PID控制的输入，进行通水换热控制，智能控制通水换热措施，利用频繁模式进行通水换热措施的智能控制，将某一影响因素xj为输出，以y2和其余xj为输入，训练出反向关系模型xj＝f-1(∑xj-1,y2)用于智能通水的控制采用频繁模式发现通水控制措施变化与混凝土温度变化的潜在关联，找出与一定温度值对应的高频温控措施；
步骤S504：将数据挖掘分析后的输出结果作为反馈控制的输入，进行保温散热控制，智能反馈保温散热措施，利用分类算法进行保温散热措施的智能反馈。
2.根据权利要求1所述的基于智能学习的大体积混凝土温控方法，其特征在于，所述步骤S1包括：
步骤S101：混凝土发热数据的采集；
步骤S102：混凝土换热数据的采集；
步骤S103：混凝土散热数据的采集；
步骤S104：混凝土监测数据的采集；
步骤S105：混凝土性能试验数据的采集。
3.根据权利要求1所述的基于智能学习的大体积混凝土温控方法，其特征在于，所述步骤S2指对原始数据进行清洗、集成构建数据仓库的过程。
4.根据权利要求1所述的基于智能学习的大体积混凝土温控方法，其特征在于，所述步骤S3指依据特定任务从数据仓库中读取相关数据的过程。
5.根据权利要求1所述的基于智能学习的大体积混凝土温控方法，其特征在于，所述步骤S4采用的数据挖掘算法包括：分类算法、聚类算法、回归算法和频繁模式。
6.根据权利要求1所述的基于智能学习的大体积混凝土温控方法，其特征在于，所述步骤S6指通过智能学习对大体积混凝土进行目标寻优、实际预测、动态控制之后，监控对象状态发生变化，监控对象的相关数据需要重新采集、分析和利用，开始新的监控循环。
7.根据权利要求2所述的基于智能学习的大体积混凝土温控方法，其特征在于，所述步骤S101混凝土发热数据指混凝土的绝热温升试验数据。
8.根据权利要求2所述的基于智能学习的大体积混凝土温控方法，其特征在于，所述步骤S102混凝土的换热数据包括冷却水温、流量、管道长度、管道间距、管材换热系数。
9.根据权利要求2所述的基于智能学习的大体积混凝土温控方法，其特征在于，所述步骤S103混凝土散热数据包括混凝土散热边界的温度。
10.根据权利要求9所述的基于智能学习的大体积混凝土温控方法，其特征在于，所述散热边界包括：保温材料、相邻坝块、自然环境、天然岩基。
11.根据权利要求2所述的基于智能学习的大体积混凝土温控方法，其特征在于，所述步骤S104混凝土监测数据包括应力应变、横缝开度。
12.根据权利要求2所述的基于智能学习的大体积混凝土温控方法，其特征在于，所述步骤S105混凝土性能试验数据包括温度应力、断裂性能、抗压强度、抗拉强度。
13.根据权利要求1所述的基于智能学习的大体积混凝土温控方法，其特征在于，所述步骤S502的实际温控曲线指混凝土坝块在当前发热、换热、散热措施综合影响下温度场未来一段时间内的发展趋势。
14.根据权利要求1所述的基于智能学习的大体积混凝土温控方法，其特征在于，所述步骤S503的通水换热措施指为使混凝土坝块内部温度场朝着预设的最优目标温控曲线发展而采取的调整冷却水的温度、冷却水的流量、水管间距通水换热措施。
15.根据权利要求1所述的基于智能学习的大体积混凝土温控方法，其特征在于，所述步骤S504的保温散热措施指为使混凝土坝块内部温度场朝着预设的最优目标温控曲线发展而采取的调整保温材料、保温材料覆盖时间、坯层覆盖质量控制、调整坝块周边气候小环境保温散热措施。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910264591.6A CN109976147B (zh) | 2019-04-03 | 2019-04-03 | 一种基于智能学习的大体积混凝土温控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910264591.6A CN109976147B (zh) | 2019-04-03 | 2019-04-03 | 一种基于智能学习的大体积混凝土温控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109976147A CN109976147A (zh) | 2019-07-05 |
| CN109976147B true CN109976147B (zh) | 2021-07-02 |
Family
ID=67082598
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910264591.6A Active CN109976147B (zh) | 2019-04-03 | 2019-04-03 | 一种基于智能学习的大体积混凝土温控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109976147B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110515325A (zh) * | 2019-07-25 | 2019-11-29 | 清华大学 | 一种冷却水站在线联控系统 |
| CN111980027A (zh) * | 2020-08-21 | 2020-11-24 | 清华大学 | 一种蜗壳混凝土智能温控系统与方法 |
| CN112466416B (zh) * | 2020-11-03 | 2024-04-12 | 北京科技大学 | 一种结合镍基合金先验知识的材料数据清洗方法 |
| CN112561246A (zh) * | 2020-11-27 | 2021-03-26 | 国网山东省电力公司建设公司 | 一种大体积混凝土质量智能控制方法 |
| CN113885604B (zh) * | 2021-09-26 | 2022-05-17 | 中交一公局厦门检测技术有限公司 | 一种大体积混凝土智能温度监控方法、装置 |
| CN114150588B (zh) * | 2021-12-16 | 2024-04-19 | 中国公路工程咨询集团有限公司 | 一种桥梁结构大体积混凝土智能温控系统和方法 |
| CN115130769B (zh) * | 2022-07-07 | 2024-03-01 | 青岛恒小火软件有限公司 | 一种高炉喷煤制粉系统温度智能自适应方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102436722A (zh) * | 2011-12-05 | 2012-05-02 | 中国水利水电科学研究院 | 一种混凝土坝的温控防裂监测方法 |
| CN202755365U (zh) * | 2012-08-21 | 2013-02-27 | 清华大学 | 大体积混凝土实时在线个性化换热智能温度控制系统 |
| CN104298272A (zh) * | 2014-10-21 | 2015-01-21 | 中国水利水电科学研究院 | 一种新型混凝土智能温控系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101575847B1 (ko) * | 2014-12-19 | 2015-12-08 | 한국해양과학기술원 | 북반구 기후 지수를 이용한 북서태평양 해수면 온도 변동성 진단 모델링 시스템 및 방법 |
-
2019
- 2019-04-03 CN CN201910264591.6A patent/CN109976147B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102436722A (zh) * | 2011-12-05 | 2012-05-02 | 中国水利水电科学研究院 | 一种混凝土坝的温控防裂监测方法 |
| CN202755365U (zh) * | 2012-08-21 | 2013-02-27 | 清华大学 | 大体积混凝土实时在线个性化换热智能温度控制系统 |
| CN104298272A (zh) * | 2014-10-21 | 2015-01-21 | 中国水利水电科学研究院 | 一种新型混凝土智能温控系统及方法 |
| CN104298272B (zh) * | 2014-10-21 | 2017-03-29 | 中国水利水电科学研究院 | 一种混凝土智能温控系统及方法 |
Non-Patent Citations (5)
| Title |
|---|
| 基于数据挖掘技术的溪洛渡大坝施工期温度监控数据分析;苏振华 等;《水电能源科学》;20160331;第34卷(第3期);第70-73页 * |
| 大体积混凝土真实温度场演化规律试验;林鹏 等;《清华大学学报（自然科学版）》;20151231;第55卷(第1期);第27-32页 * |
| 大型水利水电工程施工智能控制成套技术及应用;樊启祥 等;《水利学报》;20160731;第47卷(第7期);第916-933页 * |
| 并行机器学习算法基础体系前沿进展综述;刘斌 等;《计算机工程与应用》;20170627;第53卷(第11期);第31-36页 * |
| 溪洛渡拱坝施工期混凝土中期降温速率与通水冷却参数关系挖掘;商桑;《三峡大学硕士学位论文》;20180321;正文第16、19和30页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109976147A (zh) | 2019-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109976147B (zh) | 一种基于智能学习的大体积混凝土温控方法 | |
| CN103912966B (zh) | 一种地源热泵制冷系统优化控制方法 | |
| CN102436722B (zh) | 一种混凝土坝的温控防裂监测方法 | |
| CN109583585B (zh) | 一种电站锅炉壁温预测神经网络模型的构建方法 | |
| CN104200268B (zh) | 一种基于粒子群优化极限学习机的带钢出口厚度预测方法 | |
| CN103302777B (zh) | 一种基于神经网络的轮胎硫化机能耗异常检测方法 | |
| CN109992900A (zh) | 一种大体积混凝土多场实时在线协同智能仿真方法和系统 | |
| CN102183621A (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
| Li et al. | Dynamic time features expanding and extracting method for prediction model of sintering process quality index | |
| CN111178621A (zh) | 一种电采暖负荷预测支持向量回归机模型的参数优化方法 | |
| CN102184287B (zh) | 一种废塑料炼油燃烧优化的建模方法 | |
| Wang et al. | Evaluation of compaction quality based on SVR with CFA: case study on compaction quality of earth-rock dam | |
| CN109389238B (zh) | 一种基于岭回归的短期负荷预测方法及装置 | |
| CN108228819A (zh) | 基于大数据平台的大坝变形预测方法 | |
| Chen et al. | Optimization for CFRP pultrusion process based on genetic algorithm-neural network | |
| Zuo et al. | Data Mining of the Thermal Performance of Cool‐Pipes in Massive Concrete via In Situ Monitoring | |
| CN117066496B (zh) | 一种铸造冷却控制方法及系统 | |
| CN117195616A (zh) | 一种基于反演参数与施工过程的孔口温度开裂风险评价方法 | |
| Dong et al. | Research and application of back propagation neural network-based linear constrained optimization method | |
| CN101339177A (zh) | 基于神经网络的烧结矿FeO预报系统 | |
| CN105930936B (zh) | 一种生产流通过程中食品所含微生物的生长预测方法 | |
| Li et al. | An ANN-based short-term temperature forecast model for mass concrete cooling control | |
| CN109886316B (zh) | 基于云系相似度权重分配的变压器状态参量组合预测方法 | |
| CN116505556A (zh) | 基于一次调频的风电场功率控制系统及方法 | |
| CN104713410A (zh) | 一种调控冷却塔出水温度的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |