CN110990915A - 一种混凝土坝安全监测智能反馈系统及方法 - Google Patents
一种混凝土坝安全监测智能反馈系统及方法 Download PDFInfo
- Publication number
- CN110990915A CN110990915A CN201911139918.3A CN201911139918A CN110990915A CN 110990915 A CN110990915 A CN 110990915A CN 201911139918 A CN201911139918 A CN 201911139918A CN 110990915 A CN110990915 A CN 110990915A
- Authority
- CN
- China
- Prior art keywords
- concrete dam
- feedback
- analysis
- monitoring
- module
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 142
- 239000004567 concrete Substances 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004458 analytical method Methods 0.000 claims abstract description 101
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000006073 displacement reaction Methods 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 230000035882 stress Effects 0.000 claims description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 238000013179 statistical model Methods 0.000 claims description 10
- 230000032683 aging Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000011144 upstream manufacturing Methods 0.000 claims description 7
- 241000282461 Canis lupus Species 0.000 claims description 4
- 235000015220 hamburgers Nutrition 0.000 claims description 4
- 241000251468 Actinopterygii Species 0.000 claims description 3
- 241000283153 Cetacea Species 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000010297 mechanical methods and process Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000007774 longterm Effects 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 7
- 230000005484 gravity Effects 0.000 description 6
- 239000011382 roller-compacted concrete Substances 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000008676 import Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种混凝土坝安全监测智能反馈系统及方法，该系统包括：数据库模块：用于采集、汇总混凝土坝工程的原始监测数据；结构信息模块：用于存放混凝土坝工程的结构模型信息；智能反馈模块：用于结合混凝土坝工程的结构模型信息，对混凝土坝工程的原始监测数据进行正分析、反演分析和反馈分析；结果输出模块：用于根据反馈分析的结果，输出混凝土坝工程运行工况的反馈结果。本发明从混凝土坝长期服役的根本要求出发，有效结合人工智能技术、数值模拟方法和高性能计算技术，以及大坝安全监控理论和技术，提出该系统及方法，用于指导大坝安全稳定运行和应急决策。
Description
技术领域
本发明涉及混凝土坝安全监测技术领域，具体是一种混凝土坝安全监测智能反馈系统及方法。
背景技术
水利工程是国民经济基础设施的重要组成部分，在防洪安全、水资源合理利用、生态环境保护、推动国民经济发展等方面具有重要作用。大坝作为核心的水工建筑物，其安全状况对于工程正常运行和下游人民生命财产安全至关重要，一旦失事，将造成灾难性后果。我国已建成九万八千余座大坝，由于部分早期建设的大坝进入超龄服役状态而成为病险大坝，大坝安全问题日益突出。因此，对大坝进行合理有效的检查、监控、评价、维护，对确保大坝安全和公共安全具有十分重要的意义。
随着监测手段的发展和监测精度的提高，混凝土坝长期运行过程中，积累了大量的实测数据。依据实测资料对大坝原型进行反馈分析,可对大坝的工作状态作出科学评价,从而一方面为病险坝的处理提供科学依据,另一方面使大坝在确保工程安全的前提下,充分发挥工程效益。与此同时,可以检验设计施工,进一步完善坝工设计的理论和方法。
目前部分水利工程管理单位通过搭建监测数据管理平台，对各类监测信息及运行状态信息进行收集和分析评价。但现有的管理系统功能仅限于对监测数据进行简单的常规分析，例如趋势性分析，缺乏对大坝的真实安全状态进行实时反馈的功能。当前大坝安全的反馈分析工作主要依托科研院所、高校等专业机构完成。在大坝安全监测逐渐走向自动化、智能化、网络化的今天，建立功能强大的信息管理馈控系统已经成为一种发展趋势。
发明内容
本发明的目的在于提供一种混凝土坝安全监测智能反馈系统及方法，以解决现有技术中管理系统功能仅限于对监测数据进行简单的常规分析，缺乏对大坝的真实安全状态进行实时反馈的功能的问题。
为实现上述目的，本发明提供如下技术方案：
一方面，本发明提供了一种混凝土坝安全监测智能反馈系统，包括：
数据库模块：用于采集、汇总混凝土坝工程的原始监测数据；混凝土坝工程的原始监测数据包括环境量监测数据、变形监测数据、渗流监测数据和应力监测数据；
结构信息模块：用于存放混凝土坝工程的结构模型信息，结构模型信息包括几何模型信息和有限元网格模型信息；
智能反馈模块：用于结合混凝土坝工程的结构模型信息，对混凝土坝工程的原始监测数据进行正分析、反演分析和反馈分析；
结果输出模块：用于根据反馈分析的结果，输出混凝土坝工程运行工况的反馈结果；反馈结果包括变形反馈结果、应力反馈结果和预测分析及评价结果。
进一步的，数据库模块包括：
监测数据采集模块：用于采集、汇总混凝土坝工程的原始监测数据；
监测数据处理模块：用于对混凝土坝工程的原始监测数据进行查询、输出、处理和管理。
监测数据处理模块包括接口层和数据层，接口层用于对数据源文件导入系统提供接口，接口层包括本地数据访问接口和文件数据导入接口；数据层用于对数据库执行简单的增、删、改和查的功能。
进一步的，智能反馈模块包括：
正分析模块：用于建立监控模型，对混凝土坝工程的原始监测数据和结构模型信息进行正分析；
反演分析模块：用于根据正分析的结果，结合计算力学方法，反求混凝土坝工程的物理力学参数；
反馈分析模块：用于根据反演分析的结果，结合计算力学方法，反馈混凝土坝工程的运行工况。
另一方面，本发明提供了一种混凝土坝安全监测智能反馈方法，包括：
采集、汇总混凝土坝工程的原始监测数据；混凝土坝工程的原始监测数据包括环境量监测数据、变形监测数据、渗流监测数据和应力监测数据；
存放混凝土坝工程的结构模型信息，结构模型信息包括几何模型信息和有限元网格模型信息；
结合混凝土坝工程的结构模型信息，对混凝土坝工程的原始监测数据进行正分析、反演分析和反馈分析；
根据反馈分析的结果，输出混凝土坝工程运行工况的反馈结果；反馈结果包括变形反馈结果、应力反馈结果和预测分析及评价结果。
进一步的，正分析的方法包括：采用HST(Hydraulic-seasonal-time，水压-温度-时间模型)统计模型对混凝土坝工程的原始监测数据和结构模型信息进行正分析，在HST统计模型中将混凝土坝径向位移按照成因分为水压分量、温度分量和时效分量。
进一步的，采用公式(1)计算混凝土坝径向位移：
δ＝δH+δT+δθ (1)
式中：δ表示混凝土坝径向位移；δH表示水压分量；δT表示温度分量；δθ表示时效分量；
采用公式(2)计算水压分量：
式中：Hu表示监测日对应的上游水头；Hu0表示始测日对应的上游水头；ai表示水压因子回归系数；
采用公式(3)计算温度分量：
式中：t表示监测日到始监测日的累计天数；t0表示建模资料系列第一个监测日到始测日的累计天数；b1i和b2i均表示温度因子回归系数；
采用公式(4)计算时效分量：
式中：θ表示监测日至始测日的累计天数t除以100；θ0表示建模资料系列第一个测值日到始测日的累计天数t0除以100；c1～c4表示时效因子回归系数。
进一步的，反演分析的方法包括：
根据正分析的结果，选择力学模型；力学模型包括线弹性模型、Burgers(伯格斯)粘弹性模型、弹塑性模型和混凝土四参数损伤模型；
选择群智能寻优算法；群智能寻优算法包括粒子群算法、灰狼算法、鲸鱼优化算法、蚁群算法和人工鱼群算法；
结合计算力学方法，根据目标函数计算目标函数值，开始寻优，获得混凝土坝工程的物理力学参数。
采用公式(5)计算目标函数值：
式中：F(Q)表示目标函数值；δj表示位移的实测值(j＝1,2,...,M)；δj′表示位移的计算值(j＝1,2,...,M)；M表示观测值数量；ΩN表示参数Q的可行域。
进一步的，群智能寻优算法的反演参数范围为：EM∈[1GPa,10GPa]，EK∈[1GPa,10GPa]，ηM∈[10GPa·a,500GPa·a]，ηK∈[1GPa·a,10GPa·a]，终止条件为：迭代次数为100次。
进一步的，反馈分析的方法包括：根据反演分析的结果，结合计算力学方法，对混凝土坝工程的运行工况进行反馈预测和分析。
近年来，随着计算机科学的不断发展，智能计算理论为研究土木工程中不精确、不完整、不确定的监测数据的知识表达、深度学习等方面提供了有效的处理技术和方法。为高效地完成大坝安全监测及管理工作，需要结合监测数据和现代技术手段，搭建一套大坝真实运行状态的智能反馈机制。本专利从混凝土坝长期服役的根本要求出发，有效结合人工智能技术、数值模拟方法和高性能计算技术，以及大坝安全监控理论和技术，提出一种混凝土坝安全监测智能反馈系统及方法，用于指导大坝安全稳定运行和应急决策。
与现有技术相比，本发明的有益效果是：
一是本发明提供的一种混凝土坝安全监测智能反馈系统及方法，具有查询、调用、处理大坝监测数据以及工程结构模型信息的功能，使相关领域的技术人员能够对工程项目信息进行科学有序的管理；
二是本发明提供的一种混凝土坝安全监测智能反馈系统及方法，有效结合人工智能技术、数值模拟方法和高性能计算技术，以及大坝安全监控理论和技术，能够对监测信息进行实时的正分析、反分析和反馈分析，所搭建的智能反馈理论方法架构具有重要的科学价值；
三是本发明提供的混凝土坝安全监测智能反馈系统及方法，能够对大坝自动化监测数据进行全链条处理，对大坝的真实安全状态进行实时反馈，该系统能协助技术人员高效地完成大坝安全监测及管理工作，具有重要的社会经济效益。
附图说明
图1是本发明实施例提供的一种混凝土坝安全监测智能反馈系统的结构图；
图2是本发明实施例提供的一种混凝土坝安全监测智能反馈方法中反演分析的流程图；
图3是本发明实施例提供的某碾压混凝土重力坝几何模型示意图；
图4是本发明实施例提供的某碾压混凝土重力坝3#坝段倒垂线IP5(该坝段监测仪器倒垂线的标号)布置位置示意图；
图5是本发明实施例提供的某碾压混凝土坝3#坝段有限元模型图；
图6是本发明实施例提供的倒垂线IP5测点所在网格节点的横截面示意图；
图7是本发明实施例提供的倒垂线IP5测值的正分析结果示意图；
图8是本发明实施例提供的倒垂线IP5测点位移反馈结果示意图。
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。
如图1，是本发明实施例提供的一种混凝土坝安全监测智能反馈系统，包括：
数据库模块：用于采集、汇总混凝土坝工程的原始监测数据；混凝土坝工程的原始监测数据包括环境量监测数据、变形监测数据、渗流监测数据和应力监测数据；
结构信息模块：用于存放混凝土坝工程的结构模型信息，结构模型信息包括几何模型信息和有限元网格模型信息；
智能反馈模块：用于结合混凝土坝工程的结构模型信息，对混凝土坝工程的原始监测数据进行正分析、反演分析和反馈分析；
结果输出模块：用于根据反馈分析的结果，输出混凝土坝工程运行工况的反馈结果；反馈结果包括变形反馈结果、应力反馈结果和预测分析及评价结果。
数据库模块包括：
监测数据采集模块：用于采集、汇总混凝土坝工程的原始监测数据；
监测数据处理模块：用于对混凝土坝工程的原始监测数据进行查询、输出、处理和管理。
监测数据处理模块包括接口层和数据层，接口层用于对数据源文件导入系统提供接口，接口层包括本地数据访问接口和文件数据导入接口；数据层用于对数据库执行简单的增、删、改和查的功能。
智能反馈模块包括：
正分析模块：用于建立监控模型，对混凝土坝工程的原始监测数据和结构模型信息进行正分析；
反演分析模块：用于根据正分析的结果，结合计算力学方法，反求混凝土坝工程的物理力学参数；
反馈分析模块：用于根据反演分析的结果，结合计算力学方法，反馈混凝土坝工程的运行工况。
本发明实施例提供的一种混凝土坝安全监测智能反馈方法，包括：
采集、汇总混凝土坝工程的原始监测数据；混凝土坝工程的原始监测数据包括环境量监测数据、变形监测数据、渗流监测数据和应力监测数据；
存放混凝土坝工程的结构模型信息，结构模型信息包括几何模型信息和有限元网格模型信息；
结合混凝土坝工程的结构模型信息，对混凝土坝工程的原始监测数据进行正分析、反演分析和反馈分析；
根据反馈分析的结果，输出混凝土坝工程运行工况的反馈结果；反馈结果包括变形反馈结果、应力反馈结果和预测分析及评价结果。
正分析的方法包括：采用HST统计模型对混凝土坝工程的原始监测数据和结构模型信息进行正分析，在HST统计模型中将混凝土坝径向位移按照成因分为水压分量、温度分量和时效分量。
采用公式(1)计算混凝土坝径向位移：
δ＝δH+δT+δθ (1)
式中：δ表示混凝土坝径向位移；δH表示水压分量；δT表示温度分量；δθ表示时效分量；
采用公式(2)计算水压分量：
式中：Hu表示监测日对应的上游水头；Hu0表示始测日对应的上游水头；ai表示水压因子回归系数；
采用公式(3)计算温度分量：
式中：t表示监测日到始监测日的累计天数；t0表示建模资料系列第一个监测日到始测日的累计天数；b1i和b2i均表示温度因子回归系数；
采用公式(4)计算时效分量：
式中：θ表示监测日至始测日的累计天数t除以100；θ0表示建模资料系列第一个测值日到始测日的累计天数t0除以100；c1～c4表示时效因子回归系数。
当m1＝3、m2＝3时，混凝土坝监控位移模型为式(6)：
式中：a0表示常数项；监控模型中的回归系数a0，a1，a2，a3，b11，b12，b13，b21，b22，b23，c1，c2，c3，c4通过最小二乘回归分析方法进行求解。
如图2所示，反演分析的方法包括：
根据正分析的结果，选择力学模型；力学模型包括线弹性模型、Burgers粘弹性模型、弹塑性模型和混凝土四参数损伤模型；
选择群智能寻优算法；群智能寻优算法包括粒子群算法、灰狼算法、鲸鱼优化算法、蚁群算法和人工鱼群算法；
结合计算力学方法，根据目标函数计算目标函数值，开始寻优，获得混凝土坝工程的物理力学参数。
采用公式(5)计算目标函数值：
式中：F(Q)表示目标函数值；δj表示位移的实测值(j＝1,2,...,M)；δj′表示位移的计算值(j＝1,2,...,M)；M表示观测值数量；ΩN表示参数Q的可行域。
群智能寻优算法的反演参数范围为：EM∈[1GPa,10GPa]，EK∈[1GPa,10GPa]，ηM∈[10GPa·a,500GPa·a]，ηK∈[1GPa·a,10GPa·a]，终止条件为：迭代次数为100次。
反馈分析的方法包括：根据反演分析的结果，结合计算力学方法，对混凝土坝工程的运行工况进行反馈预测和分析。
下面以一个工程实例来说明本发明：
某碾压混凝土重力坝，坝顶高程为153.00m，坝底高程为41.00m，最大坝高为112.00m，坝顶宽度为6.0m，坝体上游面84m高程以上为竖直面，84m高程以下坡度为1:0.3；下游面坡度为1:0.75，折坡点高程为145.00m。该混凝土重力坝从左岸到右岸共设有10个坝段，依次为1#～10#。
碾压混凝土重力坝工程的各类监测数据存放于数据库模块，可对相关数据执行查询、输出、处理、管理等工作。工程几何模型信息和有限元网格模型信息存放于结构信息模块，如图3所示为该碾压混凝土重力坝几何模型示意图。
如想了解3#坝段坝基的运行情况，操作步骤如下：
步骤1：输入指令，通过结构信息模块查看并调用该坝段的结构信息、监测仪器布置信息和有限元网格模型信息；通过查询可知：3#坝段埋设有一倒垂线，用于监测坝基变形(仪器编号IP5)；3#坝段倒垂线IP5布置位置示意图如图4所示；3#坝段有限元网格模型如图5所示；倒垂线IP5测点所在网格节点的横截面示意图如图6所示，其中A、B点分别对应倒垂线埋设的顶端位置和底部位置；
步骤2：输入指令，从数据库模块中选取调用3#坝段对应的监测资料，包括水位等环境量，倒垂线IP5的实测值序列；本实施例中选取得IP5，观测序列从2011年6月25日至2019年2月25日，每月25日记有一次测值的；
步骤3：智能反馈模块调用选取监测数据和有限元网格模型，进行正分析、反演分析和反馈分析：
步骤301：正分析模块中采用HST统计模型对IP5的实测值序列进行正分析，输入指令(选取建模时段)，可得到对应时段的HST统计模型，包括该时段的实测值、拟合值和各影响分量的对应值；如选取观测时段为2011年6月25日至2017年9月25日的测值，其正分析结果示意图如图7所示；
其HST统计模型参数结果为：a0＝-0.019，a1＝-2.90E-02，a2＝0，a3＝1.48E-05，b11＝-0.005，b12＝-0.138，b21＝0.021，b22＝0.097，c1＝-0.008，c2＝0.703，c3＝3.175，c4＝1.732；
步骤302：点击执行反演分析模块，依据正分析结果，点击坝基材料按钮，选取Burgers粘弹性力学模型(包含EM,EK,ηM和ηK四个参数)；点击群智能寻优算法按钮，选择灰狼算法；输入基岩待反演参数取值范围，设置为EM∈[1GPa,10GPa]，EK∈[1GPa,10GPa]，ηM∈[10GPa·a,500GPa·a]，ηK∈[1GPa·a,10GPa·a]；终止条件设置为迭代次数为100次；调用有限元程序进行计算，并输入位移监测数据，计算目标函数值，程序进入迭代过程，寻找目标函数值最小情况下的待求解参数；如选取观测时段为2011年6月25日至2017年9月25日的测值，寻优完成之后输出优化反演结果为：EM为3.5GPa，EK为3.4GPa，ηM为87.0GPa·a，ηK为1.6GPa·a；
步骤303：点击执行反馈分析模块，根据反演分析得到的结果，采用有限元方法对选择坝段的工作状态进行反馈预测和分析；如根据2011年6月25日至2017年9月25日的反演结果，对2017年9月25日至2019年2月25日的坝基顺河向位移进行反馈分析，结果如图8所示，反馈结果与实测结果吻合较好，说明坝基变形符合规律，坝基力学特性没有突变情况；此外也可根据反演参数对其他点的变形、应力结果进行反馈、预测。
步骤4：在结果输出模块，可以根据需求输出反馈分析结果，包括变形反馈结果云图、应力反馈结果云图和对应的数据文档，以及预测分析结果云图、对应的数据文档和评价文档。
本发明从混凝土坝长期服役的根本要求出发，有效结合人工智能技术、数值模拟方法和高性能计算技术，以及大坝安全监控理论和技术，提出一种混凝土坝安全监测智能反馈系统及方法，对混凝土坝自动化监测信息进行实时处理，对大坝的真实安全状态进行反馈，用于指导大坝安全稳定运行和应急决策，未来必将得到广泛应用。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种混凝土坝安全监测智能反馈系统，其特征在于，包括：
数据库模块：用于采集、汇总混凝土坝工程的原始监测数据；所述混凝土坝工程的原始监测数据包括环境量监测数据、变形监测数据、渗流监测数据和应力监测数据；
结构信息模块：用于存放混凝土坝工程的结构模型信息，所述结构模型信息包括几何模型信息和有限元网格模型信息；
智能反馈模块：用于结合所述混凝土坝工程的结构模型信息，对所述混凝土坝工程的原始监测数据进行正分析、反演分析和反馈分析；
结果输出模块：用于根据反馈分析的结果，输出混凝土坝工程运行工况的反馈结果；所述反馈结果包括变形反馈结果、应力反馈结果和预测分析及评价结果。
2.根据权利要求1所述的一种混凝土坝安全监测智能反馈系统，其特征在于，所述数据库模块包括：
监测数据采集模块：用于采集、汇总混凝土坝工程的原始监测数据；
监测数据处理模块：用于对所述混凝土坝工程的原始监测数据进行查询、输出、处理和管理。
3.根据权利要求1所述的一种混凝土坝安全监测智能反馈系统，其特征在于，所述智能反馈模块包括：
正分析模块：用于建立监控模型，对所述混凝土坝工程的原始监测数据和结构模型信息进行正分析；
反演分析模块：用于根据正分析的结果，结合计算力学方法，反求混凝土坝工程的物理力学参数；
反馈分析模块：用于根据反演分析的结果，结合计算力学方法，反馈混凝土坝工程的运行工况。
4.一种混凝土坝安全监测智能反馈方法，其特征在于，所述方法包括：
采集、汇总混凝土坝工程的原始监测数据；所述混凝土坝工程的原始监测数据包括环境量监测数据、变形监测数据、渗流监测数据和应力监测数据；
存放混凝土坝工程的结构模型信息，所述结构模型信息包括几何模型信息和有限元网格模型信息；
结合所述混凝土坝工程的结构信息模块，对所述混凝土坝工程的原始监测数据进行正分析、反演分析和反馈分析；
根据反馈分析的结果，输出混凝土坝工程运行工况的反馈结果；所述反馈结果包括变形反馈结果、应力反馈结果和预测分析及评价结果。
5.根据权利要求4所述的一种混凝土坝安全监测智能反馈方法，其特征在于，所述正分析的方法包括：采用HST统计模型对所述混凝土坝工程的原始监测数据和结构模型信息进行正分析，在HST统计模型中将混凝土坝径向位移按照成因分为水压分量、温度分量和时效分量。
6.根据权利要求5所述的一种混凝土坝安全监测智能反馈方法，其特征在于，采用公式(1)计算混凝土坝径向位移：
δ＝δH+δT+δθ (1)
式中：δ表示混凝土坝径向位移；δH表示水压分量；δT表示温度分量；δθ表示时效分量；
采用公式(2)计算水压分量：
式中：Hu表示监测日对应的上游水头；Hu0表示始测日对应的上游水头；ai表示水压因子回归系数；
采用公式(3)计算温度分量：
式中：t表示监测日到始监测日的累计天数；t0表示建模资料系列第一个监测日到始测日的累计天数；b1i和b2i均表示温度因子回归系数；
采用公式(4)计算时效分量：
式中：θ表示监测日至始测日的累计天数t除以100；θ0表示建模资料系列第一个测值日到始测日的累计天数t0除以100；c1～c4表示时效因子回归系数。
7.根据权利要求5所述的一种混凝土坝安全监测智能反馈方法，其特征在于，所述反演分析的方法包括：
根据正分析的结果，选择力学模型；所述力学模型包括线弹性模型、Burgers粘弹性模型、弹塑性模型和混凝土四参数损伤模型；
选择群智能寻优算法；所述群智能寻优算法包括粒子群算法、灰狼算法、鲸鱼优化算法、蚁群算法和人工鱼群算法；
结合计算力学方法，根据目标函数计算目标函数值，开始寻优，获得混凝土坝工程的物理力学参数。
8.根据权利要求7所述的一种混凝土坝安全监测智能反馈方法，其特征在于，采用公式(5)计算目标函数值：
式中：F(Q)表示目标函数值；δj表示位移的实测值(j＝1,2,...,M)；δj′表示位移的计算值(j＝1,2,...,M)；M表示观测值数量；ΩN表示参数Q的可行域。
9.根据权利要求7所述的一种混凝土坝安全监测智能反馈方法，其特征在于，所述群智能寻优算法的反演参数范围为：EM∈[1GPa,10GPa]，EK∈[1GPa,10GPa]，ηM∈[10GPa·a,500GPa·a]，ηK∈[1GPa·a,10GPa·a]，终止条件为：迭代次数为100次。
10.根据权利要求7所述的一种混凝土坝安全监测智能反馈方法，其特征在于，所述反馈分析的方法包括：根据反演分析的结果，结合计算力学方法，对混凝土坝工程的运行工况进行反馈预测和分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911139918.3A CN110990915A (zh) | 2019-11-20 | 2019-11-20 | 一种混凝土坝安全监测智能反馈系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911139918.3A CN110990915A (zh) | 2019-11-20 | 2019-11-20 | 一种混凝土坝安全监测智能反馈系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110990915A true CN110990915A (zh) | 2020-04-10 |
Family
ID=70085302
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911139918.3A Pending CN110990915A (zh) | 2019-11-20 | 2019-11-20 | 一种混凝土坝安全监测智能反馈系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110990915A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111695177A (zh) * | 2020-05-14 | 2020-09-22 | 河海大学 | 基于位移场监测数据的大坝力学参数随机反演方法及系统 |
| CN112036008A (zh) * | 2020-07-28 | 2020-12-04 | 中国石油天然气集团有限公司 | 一种利用混合模型记录反演速度的方法及系统 |
| CN112199765A (zh) * | 2020-11-04 | 2021-01-08 | 青岛超源博创科技发展有限公司 | 混凝土大坝的分区方法、装置、电子设备及可读介质 |
| CN112417720A (zh) * | 2020-11-10 | 2021-02-26 | 中国水利水电科学研究院 | 一种谷幅收缩变形作用下拱坝长期安全度的评价方法 |
| CN115659729A (zh) * | 2022-10-14 | 2023-01-31 | 南京河海南自水电自动化有限公司 | 一种基于结构仿真计算的大坝安全监测分析方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102750443A (zh) * | 2012-06-04 | 2012-10-24 | 河海大学 | 一种碾压混凝土坝层面性态综合评价方法 |
| CN103162982A (zh) * | 2013-02-04 | 2013-06-19 | 河海大学 | 一种混凝土坝损伤场演化状态的诊断方法 |
| CN107301282A (zh) * | 2017-06-12 | 2017-10-27 | 天津大学 | 基于多源监测时序数据的混凝土坝力学参数反演方法 |
| CN109117540A (zh) * | 2018-08-02 | 2019-01-01 | 三峡大学 | 一种解决大坝混凝土力学参数反演不唯一性的概率统计分析方法 |
-
2019
- 2019-11-20 CN CN201911139918.3A patent/CN110990915A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102750443A (zh) * | 2012-06-04 | 2012-10-24 | 河海大学 | 一种碾压混凝土坝层面性态综合评价方法 |
| CN103162982A (zh) * | 2013-02-04 | 2013-06-19 | 河海大学 | 一种混凝土坝损伤场演化状态的诊断方法 |
| CN107301282A (zh) * | 2017-06-12 | 2017-10-27 | 天津大学 | 基于多源监测时序数据的混凝土坝力学参数反演方法 |
| CN109117540A (zh) * | 2018-08-02 | 2019-01-01 | 三峡大学 | 一种解决大坝混凝土力学参数反演不唯一性的概率统计分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张冬冬: "混凝土重力坝材料参数反演方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111695177A (zh) * | 2020-05-14 | 2020-09-22 | 河海大学 | 基于位移场监测数据的大坝力学参数随机反演方法及系统 |
| CN111695177B (zh) * | 2020-05-14 | 2022-10-14 | 河海大学 | 基于位移场监测数据的大坝力学参数随机反演方法及系统 |
| CN112036008A (zh) * | 2020-07-28 | 2020-12-04 | 中国石油天然气集团有限公司 | 一种利用混合模型记录反演速度的方法及系统 |
| CN112199765A (zh) * | 2020-11-04 | 2021-01-08 | 青岛超源博创科技发展有限公司 | 混凝土大坝的分区方法、装置、电子设备及可读介质 |
| CN112417720A (zh) * | 2020-11-10 | 2021-02-26 | 中国水利水电科学研究院 | 一种谷幅收缩变形作用下拱坝长期安全度的评价方法 |
| CN112417720B (zh) * | 2020-11-10 | 2021-08-10 | 中国水利水电科学研究院 | 一种谷幅收缩变形作用下拱坝长期安全度的评价方法 |
| CN115659729A (zh) * | 2022-10-14 | 2023-01-31 | 南京河海南自水电自动化有限公司 | 一种基于结构仿真计算的大坝安全监测分析方法及系统 |
| CN115659729B (zh) * | 2022-10-14 | 2024-04-16 | 南京河海南自水电自动化有限公司 | 一种基于结构仿真计算的大坝安全监测分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110990915A (zh) | 一种混凝土坝安全监测智能反馈系统及方法 | |
| CN108876019A (zh) | 一种基于大数据的用电负荷预测方法及系统 | |
| CN111127246A (zh) | 一种输电线路工程造价的智能预测方法 | |
| CN109800898A (zh) | 一种智能短期负荷预测方法及系统 | |
| CN115759378A (zh) | 一种基于数字孪生的大坝安全分析预警系统及方法 | |
| Yu et al. | A regional wind power probabilistic forecast method based on deep quantile regression | |
| Zhou et al. | Forecasting the evolution of hydropower generation | |
| CN111199298A (zh) | 基于神经网络的洪水预报方法与系统 | |
| CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
| Zhang et al. | Downstream water level prediction of reservoir based on convolutional neural network and long short-term memory network | |
| CN112836789A (zh) | 一种基于复合神经网络算法的地连墙变形动态预测方法 | |
| Li et al. | An improved gray model for aquaculture water quality prediction | |
| CN111311026A (zh) | 一种顾及数据特征、模型和校正的径流非线性预测方法 | |
| CN109345021A (zh) | 一种采用lstm建模预测劳动力需求增量的方法 | |
| CN117422165A (zh) | 一种基于低碳排放的城市输水系统水量预测方法及系统 | |
| CN111144629A (zh) | 一种水力发电站来水量预测方法及系统 | |
| CN116523187A (zh) | 一种基于bim的工程进度监控方法及其系统 | |
| CN109213800A (zh) | 一种烟草虫情预测系统及方法 | |
| Prashanthi et al. | A comparative study of the performance of machine learning based load forecasting methods | |
| CN114492945A (zh) | 电力市场背景下的短期光伏功率预测方法、介质及设备 | |
| Sun et al. | Water temperature prediction in sea cucumber aquaculture ponds by RBF neural network model | |
| Wang et al. | Air quality data analysis and forecasting platform based on big data | |
| CN113673145A (zh) | 基于pca-lstm神经网络的地表沉降预测方法 | |
| CN113256018B (zh) | 一种基于条件分位数回归模型的风电功率超短期概率预测方法 | |
| Jie et al. | An intelligent prediction model of settlement deformation for the earth-rock dam |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |