CN111486814A - 基于遗传算法的bim三维可视化深基坑变形预测系统 - Google Patents
基于遗传算法的bim三维可视化深基坑变形预测系统 Download PDFInfo
- Publication number
- CN111486814A CN111486814A CN202010308186.2A CN202010308186A CN111486814A CN 111486814 A CN111486814 A CN 111486814A CN 202010308186 A CN202010308186 A CN 202010308186A CN 111486814 A CN111486814 A CN 111486814A
- Authority
- CN
- China
- Prior art keywords
- foundation pit
- data
- deformation
- deep foundation
- bim
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提出基于遗传算法的BIM三维可视化深基坑变形预测系统,包括现场数据采集模块、数据处理预测分析模块和可视化模块;现场数据采集模块采集深基坑各个被测方位的水平偏移量存储为深基坑变形监测数据;数据处理预测分析模块以遗传算法对深基坑变形监测数据进行处理,拟合出深基坑变形趋势数据,深基坑变形趋势数据包括深基坑各个被测方位达到变形限制阈值的概率和时间;所述三维可视化模块数据接口管理深基坑的BIM模型;BIM数据库包括深基坑变形监测数据和深基坑变形趋势数据,以使BIM模型可视化展示深基坑的当前状态和预测状态;本发明实现了现场监测数据的实时采集、汇总、分析预测,极大地提高了基坑施工过程中的可预见性,降低风险发生的概率。
Description
技术领域
本发明涉及工程监测技术领域,尤其是基于遗传算法的BIM三维可视化深基坑变形预测系统。
背景技术
基于遗传算法的BIM三维可视化深基坑变形预测系统实现了对深基坑各项信息的采集、实现了对深基坑支护环境、周边环境的监测数据采集、实现了数据的实时传输、处理以及报警功能、实现了用户通过手机应用和PC浏览器查看实时数据的功能,保证了监测数据的实时性、准确性和完整性。
现有基坑安全监测平台虽已有采用云平台,缩短了数据采集到报表生成的时间。深基坑工程围护结构的范围较大,其失效位置任意,而监测点的数量有限。现有基坑深层水平位移的安全状态是以报表的形式反馈,这种反馈方式仅局限于被监测到的点。缺少更加直观的方法展示基坑围护结构的整体安全。
发明内容
本发明提出基于遗传算法的BIM三维可视化深基坑变形预测系统,实现了现场监测数据的实时采集、汇总、分析预测,极大地提高了基坑施工过程中的可预见性,降低风险发生的概率。
基于遗传算法的BIM三维可视化深基坑变形预测系统,所述预测系统包括现场数据采集模块、数据处理预测分析模块和可视化模块;当系统工作时,所述现场数据采集模块采集深基坑各个被测方位的水平偏移量,并把采集数据存储为深基坑变形监测数据;所述数据处理预测分析模块以遗传算法对深基坑变形监测数据进行处理,拟合出深基坑变形趋势数据,所述深基坑变形趋势数据包括深基坑各个被测方位达到变形限制阈值的概率和时间;所述三维可视化模块以BIM数据库的数据接口管理深基坑的BIM模型;所述BIM数据库包括深基坑变形监测数据和深基坑变形趋势数据,以使深基坑的BIM模型能可视化地展示深基坑的当前状态和预测状态。
所述数据处理预测分析模块可进行变形趋势拟合分析和变形概率预测,所述变形趋势拟合分析拟合出深基坑变形趋势数据的方法包括以下步骤;
步骤A1、开发基于遗传算法的数据处理方法;
步骤A2、所述数据处理方法对深基坑变形监测数据进行处理,以深基坑变形监测数据拟合出高精度的变形趋势图;
步骤A3、对深基坑各个被测方位设定变形限制阈值,以变形趋势图求解每个被测方位达到或超越该阈值的概率和时间,得到深基坑变形趋势数据。
所述现场数据采集模块采集的水平偏移量为深基坑被测方位的水平位移,即累计位移;现场数据采集模块的测斜仪测量埋设于深基坑围护结构的混凝土内部的测斜管在不同深度的倾斜角α来测读深基坑被测方位的位移量,设测量过程一个测段的深度为测量间距L,
则该深度处的水平位移偏移量为δ=Lsinα;
其中α是测斜仪的中轴线与垂直线之间的夹角,δ是该测段的水平偏移量;
当从下至上逐段累计计算水平偏移量时,则第n测段相对于测斜孔底起算点的水平偏移量为sci;
在步骤A1和步骤A2中,数据处理后,可以经数据拟合得到基于遗传算法的任一个被测方位,即任一个监测点的随时间变化在某个深度平面处的数据拟合变形趋势图;深基坑未测方位的变形数值可以通过变形趋势图取点,以预测分析方法求值;预测分析方法采用自适应指数平滑法;所述自适应指数平滑法也可用于基坑安全预测或变形概率预测。
所述数据拟合包括以下步骤;
步骤S1、将围护结构的测斜数据进行二进制编码,设测量某一深度时,n为测点总数,计算某一监测点时,n为监测天数;sci为基坑变形的实测值,sli(x)为基坑位移的计算值,可通过基坑设计过程中的采用弹性地基梁有限元法进行计算,
其约束条件为|sli(x)-sci|≤容错值;
对于不在变形趋势图监测点处的深基坑实测点,其任一单元上测点i的位移可以采用线性插值计算,计算公式为:
式中xi为测点坐标;
步骤S2、选择二进制为编码方式,随机产生初始群体;
步骤S3、确定适应度函数,计算每个数值的适应度;
步骤S4、输出优化后的变形趋势图。
所述深基坑为地铁深基坑,所述深基坑围护结构的侧移变化是曲面的连续变化;当从变形趋势图计算决策数据时,计算方法以变形曲面的形式进行表达,并以圆形搜索法为检索方式来检索样本点,然后进行线性插值计算得到基坑围护结构曲面的数据;当测斜数据因传感器位置或天气因素丢失时,也可通过线性插值计算找回缺失的测斜数据。
所述自适应指数平滑法中,首先将读取数据进行预处理,对缺失数据进行插补,然后从平滑系数α=0开始,以Δα为定步长,计算一次、二次和三次平滑模型的预测值与监测值的误差平方和,直至α>1;选取最小误差平方和对应的平滑模型与平滑系数,以该模型及参数进行时间序列预测基坑变形安全的超越概率,具体步骤如下:
步骤B1、读取特定监测深度的时间序列数据作为输入数据;
步骤B2、判断输入数据是否存在缺失。如果存在缺失数据,则采用插值方法填补缺失数据;
步骤B3、令初始平滑系数α=0;
步骤B4、分别计算二次、三次指数平滑模型的预测值;
步骤B5、计算负相关系数r;
步骤B6、将计算步长Δα取为0.01,计算α=α+Δα;
步骤B7、当r接近1时;
步骤B8、选取r最大对应的平滑模型及其相应的最优平滑系数;
步骤B9、以步骤B8获得的平滑模型及最优平滑系数进行时间序列预测;
步骤B10:输出预测结果。
所述现场数据采集模块包括测斜仪检测装置和云储存器;所述测斜仪检测装置的探头设于测斜管内;当采集现场数据时,现场数据采集模块采集测斜仪检测装置的中轴线与探头内的重力摆锤铅垂线之间的夹角数据,并利用几何关系分段计算被测方位的水平偏移量,再逐段累加获得总偏移量以及沿测斜管管轴线的位移变化情况,然后在所采集数据上添加包括工程名称、时间、编号的数据标识,并通过数据上传模块把采集数据上传至云储存器;
当测斜管埋设于深基坑围护结构的混凝土内部时,测斜管需要绑扎在围护结构的钢筋笼处,使测斜管埋设在基坑围护结构内部并与之紧密结合,并能够随围护结构位移的变化产生协调变形;
所述围护结构包括围护桩、围护墙;
当埋设测斜管时,为防止测斜管扭断,需将测斜管沿钢筋笼的一条主钢筋向下布设,测斜管底端应高于钢筋笼端面0.5m以上,防止测斜管受底端渣土挤压;所述测斜管绑扎在钢筋笼内后,需要调正测斜管方向后再下放钢筋笼至预设位置,在调正方向时需使测斜管内部的一对凹槽垂直于基坑监测平面。
在步骤A1中,利用MATLAB开发基于遗传算法的数据处理方法,并利用MATLAB基于遗传算法针对深基坑变形监测数据进行变形趋势曲线的拟合计算;
其拟合计算包括以下步骤;
步骤C1:产生初始解;
步骤C2:采用二进制编码的方式表示基坑的变形值;采用圆形搜索法;
步骤C3:随机生成初始种群,该采样方法可以生成在决策变量空间均匀分布的变量组合,有利于提高算法的全局寻优性能;
步骤C4:判断适应度,评价种群;
步骤C5:对于种群中的每一个个体进行解码;
步骤C6:判断目标函数和约束条件是否满足;
步骤C7:在优化过程中如果达到了预先设定的最大进化代数,算法无法进入下一个阶段的搜索,算法停止,输出拟合后的曲线,此曲线为被测方位处每个安装现场数据采集模块的测斜孔的近似变形曲线,反映了该测斜孔的变形情况。
所述三维可视化模块通过数据接口把深基坑变形的历史监测数据、实时监测数据和变形趋势数据储存于BIM模型中;
所述深基坑BIM模型包括测点构件,测点构件的属性包括测点构件的标识号,测点构件的属性还包括测点构件数据;
所述BIM模型可根据变形趋势数据进行分级预警,并能以三维方式在外部终端或外部平台上进行可视化展示;
所述分级预警的预警信息包括分析机制和分析结果,所述分析机制包括单测点预警机制、多测项分析预警机制、风险综合报警机制,所述分析结果包括红色报警、橙色报警和黄色报警。
本发明实现了现场监测数据的实时采集、汇总、分析预测,极大地提高了基坑施工过程中的可预见性,降低风险发生的概率。
本发明可以让管理人员在深基坑工程中,通过各终端结合施工环境和三维模型等风险评估方法来做出预防措施,减小成本和提高工程的安全性。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
附图1是本发明的系统结构示意图;
附图2是本发明中基于遗传算法拟合曲线算法的流程示意图;
附图3是本发明的自适应指数平滑法的流程示意图;
附图4是测斜管在基坑围护结构中的布设方式;
图中:1-深基坑;2-围护结构;3-测斜管;4-钢筋笼。
具体实施方式
如图1-4所示,基于遗传算法的BIM三维可视化深基坑变形预测系统,所述预测系统包括现场数据采集模块、数据处理预测分析模块和可视化模块;当系统工作时,所述现场数据采集模块采集深基坑1各个被测方位的水平偏移量,并把采集数据存储为深基坑变形监测数据;所述数据处理预测分析模块以遗传算法对深基坑变形监测数据进行处理,拟合出深基坑变形趋势数据,所述深基坑变形趋势数据包括深基坑各个被测方位达到变形限制阈值的概率和时间;所述三维可视化模块以BIM数据库的数据接口管理深基坑的BIM模型;所述BIM数据库包括深基坑变形监测数据和深基坑变形趋势数据,以使深基坑的BIM模型能可视化地展示深基坑的当前状态和预测状态。
所述数据处理预测分析模块可进行变形趋势拟合分析和变形概率预测,所述变形趋势拟合分析拟合出深基坑变形趋势数据的方法包括以下步骤;
步骤A1、开发基于遗传算法的数据处理方法;
步骤A2、所述数据处理方法对深基坑变形监测数据进行处理,以深基坑变形监测数据拟合出高精度的变形趋势图;
步骤A3、对深基坑各个被测方位设定变形限制阈值,以变形趋势图求解每个被测方位达到或超越该阈值的概率和时间,得到深基坑变形趋势数据。
所述现场数据采集模块采集的水平偏移量为深基坑被测方位的水平位移,即累计位移;现场数据采集模块的测斜仪测量埋设于深基坑围护结构的混凝土内部的测斜管在不同深度的倾斜角α来测读深基坑被测方位的位移量,设测量过程一个测段的深度为测量间距L,
则该深度处的水平位移偏移量为δ=Lsinα;
其中α是测斜仪的中轴线与垂直线之间的夹角,δ是该测段的水平偏移量;
当从下至上逐段累计计算水平偏移量时,则第n测段相对于测斜孔底起算点的水平偏移量为sci;
在步骤A1和步骤A2中,数据处理后,可以经数据拟合得到基于遗传算法的任一个被测方位,即任一个监测点的随时间变化在某个深度平面处的数据拟合变形趋势图;深基坑未测方位的变形数值可以通过变形趋势图取点,以预测分析方法求值;预测分析方法采用自适应指数平滑法;所述自适应指数平滑法也可用于基坑安全预测或变形概率预测。
所述数据拟合包括以下步骤;
步骤S1、将围护结构的测斜数据进行二进制编码,设测量某一深度时,n为测点总数,计算某一监测点时,n为监测天数;sci为基坑变形的实测值,sli(x)为基坑位移的计算值,可通过基坑设计过程中的采用弹性地基梁有限元法进行计算,
对于不在变形趋势图监测点处的深基坑实测点,其任一单元上测点i的位移可以采用线性插值计算,计算公式为:
式中xi为测点坐标;
步骤S2、选择二进制为编码方式,随机产生初始群体;
步骤S3、确定适应度函数,计算每个数值的适应度;
步骤S4、输出优化后的变形趋势图。
所述深基坑为地铁深基坑,所述深基坑围护结构的侧移变化是曲面的连续变化;当从变形趋势图计算决策数据时,计算方法以变形曲面的形式进行表达,并以圆形搜索法为检索方式来检索样本点,然后进行线性插值计算得到基坑围护结构曲面的数据;当测斜数据因传感器位置或天气因素丢失时,也可通过线性插值计算找回缺失的测斜数据。
所述自适应指数平滑法中,首先将读取数据进行预处理,对缺失数据进行插补,然后从平滑系数α=0开始,以Δα为定步长,计算一次、二次和三次平滑模型的预测值与监测值的误差平方和,直至α>1;选取最小误差平方和对应的平滑模型与平滑系数,以该模型及参数进行时间序列预测基坑变形安全的超越概率,具体步骤如下:
步骤B1、读取特定监测深度的时间序列数据作为输入数据;
步骤B2、判断输入数据是否存在缺失。如果存在缺失数据,则采用插值方法填补缺失数据;
步骤B3、令初始平滑系数α=0;
步骤B4、分别计算二次、三次指数平滑模型的预测值;
步骤B5、计算负相关系数r;
步骤B6、将计算步长Δα取为0.01,计算α=α+Δα;
步骤B7、当r接近1时;
步骤B8、选取r最大对应的平滑模型及其相应的最优平滑系数;
步骤B9、以步骤B8获得的平滑模型及最优平滑系数进行时间序列预测;
步骤B10:输出预测结果。
所述现场数据采集模块包括测斜仪检测装置和云储存器;所述测斜仪检测装置的探头设于测斜管内;当采集现场数据时,现场数据采集模块采集测斜仪检测装置的中轴线与探头内的重力摆锤铅垂线之间的夹角数据,并利用几何关系分段计算被测方位的水平偏移量,再逐段累加获得总偏移量以及沿测斜管管轴线的位移变化情况,然后在所采集数据上添加包括工程名称、时间、编号的数据标识,并通过数据上传模块把采集数据上传至云储存器;
当测斜管3埋设于深基坑围护结构的混凝土内部时,测斜管需要绑扎在围护结构2的钢筋笼4处,使测斜管埋设在基坑围护结构内部并与之紧密结合,并能够随围护结构位移的变化产生协调变形;
所述围护结构包括围护桩、围护墙;
当埋设测斜管时,为防止测斜管扭断,需将测斜管沿钢筋笼的一条主钢筋向下布设,测斜管底端应高于钢筋笼端面0.5m以上,防止测斜管受底端渣土挤压;所述测斜管绑扎在钢筋笼内后,需要调正测斜管方向后再下放钢筋笼至预设位置,在调正方向时需使测斜管内部的一对凹槽垂直于基坑监测平面。
在步骤A1中,利用MATLAB开发基于遗传算法的数据处理方法,并利用MATLAB基于遗传算法针对深基坑变形监测数据进行变形趋势曲线的拟合计算;
其拟合计算包括以下步骤;
步骤C1:产生初始解;
步骤C2:采用二进制编码的方式表示基坑的变形值;采用圆形搜索法;
步骤C3:随机生成初始种群,该采样方法可以生成在决策变量空间均匀分布的变量组合,有利于提高算法的全局寻优性能;
步骤C4:判断适应度,评价种群;
步骤C5:对于种群中的每一个个体进行解码;
步骤C6:判断目标函数和约束条件是否满足;
步骤C7:在优化过程中如果达到了预先设定的最大进化代数,算法无法进入下一个阶段的搜索,算法停止,输出拟合后的曲线,此曲线为被测方位处每个安装现场数据采集模块的测斜孔的近似变形曲线,反映了该测斜孔的变形情况。
所述三维可视化模块通过数据接口把深基坑变形的历史监测数据、实时监测数据和变形趋势数据储存于BIM模型中;
所述深基坑BIM模型包括测点构件,测点构件的属性包括测点构件的标识号,测点构件的属性还包括测点构件数据;
所述BIM模型可根据变形趋势数据进行分级预警,并能以三维方式在外部终端或外部平台上进行可视化展示;
所述分级预警的预警信息包括分析机制和分析结果,所述分析机制包括单测点预警机制、多测项分析预警机制、风险综合报警机制,所述分析结果包括红色报警、橙色报警和黄色报警。
本例中,数据处理预测分析模块在变形概率预测时,输入深基坑位移限值和传感器精度,设定预测天数;由于预测需要大量的数据作为基础,因此对于数据量太少情况下可以进行插补计算。
在以计算出的深基坑变形超越概率建立变形概率预测图表时,以红色表示超越概率为1,以绿色表示超越概率为0,过度色表示介于0~1的超越概率。即可直观地得到基坑围护结构超过位移限值的现象在不同时间下出现的超越概率。
Claims (10)
1.基于遗传算法的BIM三维可视化深基坑变形预测系统,其特征在于:所述预测系统包括现场数据采集模块、数据处理预测分析模块和可视化模块;当系统工作时,所述现场数据采集模块采集深基坑各个被测方位的水平偏移量,并把采集数据存储为深基坑变形监测数据;所述数据处理预测分析模块以遗传算法对深基坑变形监测数据进行处理,拟合出深基坑变形趋势数据,所述深基坑变形趋势数据包括深基坑各个被测方位达到变形限制阈值的概率和时间;所述三维可视化模块以BIM数据库的数据接口管理深基坑的BIM模型;所述BIM数据库包括深基坑变形监测数据和深基坑变形趋势数据,以使深基坑的BIM模型能可视化地展示深基坑的当前状态和预测状态。
2.根据权利要求1所述的基于遗传算法的BIM三维可视化深基坑变形预测系统,其特征在于:所述数据处理预测分析模块可进行变形趋势拟合分析和变形概率预测,所述变形趋势拟合分析拟合出深基坑变形趋势数据的方法包括以下步骤;
步骤A1、开发基于遗传算法的数据处理方法;
步骤A2、所述数据处理方法对深基坑变形监测数据进行处理,以深基坑变形监测数据拟合出高精度的变形趋势图;
步骤A3、对深基坑各个被测方位设定变形限制阈值,以变形趋势图求解每个被测方位达到或超越该阈值的概率和时间,得到深基坑变形趋势数据。
4.根据权利要求3所述的基于遗传算法的BIM三维可视化深基坑变形预测系统,其特征在于:在步骤A1和步骤A2中,数据处理后,可以经数据拟合得到基于遗传算法的任一个被测方位,即任一个监测点的随时间变化在某个深度平面处的数据拟合变形趋势图;深基坑未测方位的变形数值可以通过变形趋势图取点,以预测分析方法求值;预测分析方法采用自适应指数平滑法;所述自适应指数平滑法也可用于基坑安全预测或变形概率预测。
5.根据权利要求4所述的基于遗传算法的BIM三维可视化深基坑变形预测系统,其特征在于:所述数据拟合包括以下步骤;
步骤S1、将围护结构的测斜数据进行二进制编码,设测量某一深度时,n为测点总数,计算某一监测点时,n为监测天数;sci为基坑变形的实测值,sli(x)为基坑位移的计算值,可通过基坑设计过程中的采用弹性地基梁有限元法进行计算,则可确定目标函数
其约束条件为|sli(x)-sci|≤容错值;
对于不在变形趋势图监测点处的深基坑实测点,其任一单元上测点i的位移可以采用线性插值计算,计算公式为:
式中xi为测点坐标;
步骤S2、选择二进制为编码方式,随机产生初始群体;
步骤S3、确定适应度函数,计算每个数值的适应度;
步骤S4、输出优化后的变形趋势图。
6.根据权利要求4所述的基于遗传算法的BIM三维可视化深基坑变形预测系统,其特征在于:所述深基坑为地铁深基坑,所述深基坑围护结构的侧移变化是曲面的连续变化;当从变形趋势图计算决策数据时,计算方法以变形曲面的形式进行表达,并以圆形搜索法为检索方式来检索样本点,然后进行线性插值计算得到基坑围护结构曲面的数据;当测斜数据因传感器位置或天气因素丢失时,也可通过线性插值计算找回缺失的测斜数据。
7.根据权利要求4所述的基于遗传算法的BIM三维可视化深基坑变形预测系统,其特征在于:所述自适应指数平滑法中,首先将读取数据进行预处理,对缺失数据进行插补,然后从平滑系数α=0开始,以Δα为定步长,计算一次、二次和三次平滑模型的预测值与监测值的误差平方和,直至α>1;选取最小误差平方和对应的平滑模型与平滑系数,以该模型及参数进行时间序列预测基坑变形安全的超越概率,具体步骤如下:
步骤B1、读取特定监测深度的时间序列数据作为输入数据;
步骤B2、判断输入数据是否存在缺失。如果存在缺失数据,则采用插值方法填补缺失数据;
步骤B3、令初始平滑系数α=1;
步骤B4、分别计算二次、三次指数平滑模型的预测值;
步骤B5、计算负相关系数r;
步骤B6、将计算步长Δα取为0.01,计算α=α+Δα;
步骤B7、当r接近1时;
步骤B8、选取r最大对应的平滑模型及其相应的最优平滑系数;
步骤B9、以步骤B8获得的平滑模型及最优平滑系数进行时间序列预测;
步骤B10:输出预测结果。
8.根据权利要求3所述的基于遗传算法的BIM三维可视化深基坑变形预测系统,其特征在于:所述现场数据采集模块包括测斜仪检测装置和云储存器;所述测斜仪检测装置的探头设于测斜管内;当采集现场数据时,现场数据采集模块采集测斜仪检测装置的中轴线与探头内的重力摆锤铅垂线之间的夹角数据,并利用几何关系分段计算被测方位的水平偏移量,再逐段累加获得总偏移量以及沿测斜管管轴线的位移变化情况,然后在所采集数据上添加包括工程名称、时间、编号的数据标识,并通过数据上传模块把采集数据上传至云储存器;
当测斜管埋设于深基坑围护结构的混凝土内部时,测斜管需要绑扎在围护结构的钢筋笼处,使测斜管埋设在基坑围护结构内部并与之紧密结合,并能够随围护结构位移的变化产生协调变形;
所述围护结构包括围护桩、围护墙;
当埋设测斜管时,为防止测斜管扭断,需将测斜管沿钢筋笼的一条主钢筋向下布设,测斜管底端应高于钢筋笼端面0.5m以上,防止测斜管受底端渣土挤压;
所述测斜管绑扎在钢筋笼内后,需要调正测斜管方向后再下放钢筋笼至预设位置,在调正方向时需使测斜管内部的一对凹槽垂直于基坑监测平面。
9.根据权利要求2所述的基于遗传算法的BIM三维可视化深基坑变形预测系统,其特征在于:在步骤A1中,利用MATLAB开发基于遗传算法的数据处理方法,并利用MATLAB基于遗传算法针对深基坑变形监测数据进行变形趋势曲线的拟合计算;
其拟合计算包括以下步骤;
步骤C1:产生初始解;
步骤C2:采用二进制编码的方式表示基坑的变形值;采用圆形搜索法;
步骤C3:随机生成初始种群,该采样方法可以生成在决策变量空间均匀分布的变量组合,有利于提高算法的全局寻优性能;
步骤C4:判断适应度,评价种群;
步骤C5:对于种群中的每一个个体进行解码;
步骤C6:判断目标函数和约束条件是否满足;
步骤C7:在优化过程中如果达到了预先设定的最大进化代数,算法无法进入下一个阶段的搜索,算法停止,输出拟合后的曲线,此曲线为被测方位处每个安装现场数据采集模块的测斜孔的近似变形曲线,反映了该测斜孔的变形情况。
10.根据权利要求2所述的基于遗传算法的BIM三维可视化深基坑变形预测系统,其特征在于:所述三维可视化模块通过数据接口把深基坑变形的历史监测数据、实时监测数据和变形趋势数据储存于BIM模型中;
所述深基坑BIM模型包括测点构件,测点构件的属性包括测点构件的标识号,测点构件的属性还包括测点构件数据;
所述BIM模型可根据变形趋势数据进行分级预警,并能以三维方式在外部终端或外部平台上进行可视化展示;
所述分级预警的预警信息包括分析机制和分析结果,所述分析机制包括单测点预警机制、多测项分析预警机制、风险综合报警机制,所述分析结果包括红色报警、橙色报警和黄色报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010308186.2A CN111486814B (zh) | 2020-04-18 | 2020-04-18 | 基于遗传算法的bim三维可视化深基坑变形预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010308186.2A CN111486814B (zh) | 2020-04-18 | 2020-04-18 | 基于遗传算法的bim三维可视化深基坑变形预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111486814A true CN111486814A (zh) | 2020-08-04 |
CN111486814B CN111486814B (zh) | 2021-11-02 |
Family
ID=71811109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010308186.2A Active CN111486814B (zh) | 2020-04-18 | 2020-04-18 | 基于遗传算法的bim三维可视化深基坑变形预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111486814B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580930A (zh) * | 2020-11-20 | 2021-03-30 | 深圳城安软通科技集团有限公司 | 基于gis的深基坑工程风险识别技术的方法及系统 |
CN112836789A (zh) * | 2020-12-27 | 2021-05-25 | 苏州大学 | 一种基于复合神经网络算法的地连墙变形动态预测方法 |
CN113051801A (zh) * | 2021-03-30 | 2021-06-29 | 广东汇涛工程科技有限公司 | 倾角传感器测量基坑深层水平位移的误差分析方法 |
CN113094780A (zh) * | 2021-03-18 | 2021-07-09 | 上海市水利工程设计研究院有限公司 | 基于bim技术的深基坑围护结构深层水平位移监测方法 |
CN113139228A (zh) * | 2021-04-22 | 2021-07-20 | 南京智慧岩土工程技术研究院有限公司 | 一种大跨度基坑复杂支撑体系结构监测点布置优化方法 |
CN113155052A (zh) * | 2021-01-05 | 2021-07-23 | 上海建工装备工程有限公司 | 一种基坑变形智能预控与3d可视化方法 |
CN114357595A (zh) * | 2022-03-11 | 2022-04-15 | 山东省物化探勘查院 | 一种基于Forecast函数预测基坑侧壁水平位移的方法及系统 |
CN114844922A (zh) * | 2022-04-25 | 2022-08-02 | 海南水文地质工程地质勘察院 | 基于物联网的基坑安全监测系统 |
CN115369885A (zh) * | 2022-08-05 | 2022-11-22 | 中国二十二冶集团有限公司 | 基于bim和无人机的深基坑施工动态监控方法 |
CN116227932A (zh) * | 2023-03-06 | 2023-06-06 | 中核大地勘察设计有限公司 | 一种基坑工程健康趋势分析预警系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014001590A (ja) * | 2012-06-20 | 2014-01-09 | Railway Technical Research Institute | 掘削土留め壁の情報化施工に用いる3次元的変形予測方法 |
CN105442642A (zh) * | 2015-12-11 | 2016-03-30 | 上海现代建筑设计集团工程建设咨询有限公司 | 带有时间轴和变形色彩的三维可视化基坑监测数据方法 |
CN105586995A (zh) * | 2016-03-04 | 2016-05-18 | 上海宝冶集团有限公司 | 基于bim的深基坑变形监测方法 |
CN109083118A (zh) * | 2018-08-07 | 2018-12-25 | 南京科技职业学院 | 一种手持式深基坑地表沉降预测装置及其工作流程 |
CN109543237A (zh) * | 2018-10-29 | 2019-03-29 | 苏州科技大学 | 基于ga-bp神经网络的基坑位移预测方法 |
CN110306605A (zh) * | 2019-06-18 | 2019-10-08 | 武汉建工集团股份有限公司 | 一种用于基坑工程自动化监测的预警系统 |
-
2020
- 2020-04-18 CN CN202010308186.2A patent/CN111486814B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014001590A (ja) * | 2012-06-20 | 2014-01-09 | Railway Technical Research Institute | 掘削土留め壁の情報化施工に用いる3次元的変形予測方法 |
CN105442642A (zh) * | 2015-12-11 | 2016-03-30 | 上海现代建筑设计集团工程建设咨询有限公司 | 带有时间轴和变形色彩的三维可视化基坑监测数据方法 |
CN105586995A (zh) * | 2016-03-04 | 2016-05-18 | 上海宝冶集团有限公司 | 基于bim的深基坑变形监测方法 |
CN109083118A (zh) * | 2018-08-07 | 2018-12-25 | 南京科技职业学院 | 一种手持式深基坑地表沉降预测装置及其工作流程 |
CN109543237A (zh) * | 2018-10-29 | 2019-03-29 | 苏州科技大学 | 基于ga-bp神经网络的基坑位移预测方法 |
CN110306605A (zh) * | 2019-06-18 | 2019-10-08 | 武汉建工集团股份有限公司 | 一种用于基坑工程自动化监测的预警系统 |
Non-Patent Citations (2)
Title |
---|
廖志刚 等: "基于BIM 技术的基坑监测管理系统研究", 《铁道建筑》 * |
王颖等: "基于神经网络的基坑变形动态预测研究", 《水利与建筑工程学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580930A (zh) * | 2020-11-20 | 2021-03-30 | 深圳城安软通科技集团有限公司 | 基于gis的深基坑工程风险识别技术的方法及系统 |
CN112836789A (zh) * | 2020-12-27 | 2021-05-25 | 苏州大学 | 一种基于复合神经网络算法的地连墙变形动态预测方法 |
CN113155052A (zh) * | 2021-01-05 | 2021-07-23 | 上海建工装备工程有限公司 | 一种基坑变形智能预控与3d可视化方法 |
CN113094780A (zh) * | 2021-03-18 | 2021-07-09 | 上海市水利工程设计研究院有限公司 | 基于bim技术的深基坑围护结构深层水平位移监测方法 |
CN113051801A (zh) * | 2021-03-30 | 2021-06-29 | 广东汇涛工程科技有限公司 | 倾角传感器测量基坑深层水平位移的误差分析方法 |
CN113139228A (zh) * | 2021-04-22 | 2021-07-20 | 南京智慧岩土工程技术研究院有限公司 | 一种大跨度基坑复杂支撑体系结构监测点布置优化方法 |
CN114357595A (zh) * | 2022-03-11 | 2022-04-15 | 山东省物化探勘查院 | 一种基于Forecast函数预测基坑侧壁水平位移的方法及系统 |
CN114844922A (zh) * | 2022-04-25 | 2022-08-02 | 海南水文地质工程地质勘察院 | 基于物联网的基坑安全监测系统 |
CN114844922B (zh) * | 2022-04-25 | 2024-03-19 | 海南水文地质工程地质勘察院 | 基于物联网的基坑安全监测系统 |
CN115369885A (zh) * | 2022-08-05 | 2022-11-22 | 中国二十二冶集团有限公司 | 基于bim和无人机的深基坑施工动态监控方法 |
CN116227932A (zh) * | 2023-03-06 | 2023-06-06 | 中核大地勘察设计有限公司 | 一种基坑工程健康趋势分析预警系统 |
CN116227932B (zh) * | 2023-03-06 | 2023-11-10 | 中核大地勘察设计有限公司 | 一种基坑工程健康趋势分析预警系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111486814B (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111486814B (zh) | 基于遗传算法的bim三维可视化深基坑变形预测系统 | |
Chowdhury et al. | Role of slope reliability analysis in landslide risk management | |
RU2451874C1 (ru) | Способ мониторинга и оценки технического состояния магистрального трубопровода и система для его реализации | |
CN102682573A (zh) | 一种基于时间序列分析的风暴潮灾害预警系统 | |
CN110795812B (zh) | 一种基于大数据分析的滑坡预测方法及系统 | |
CN114333249A (zh) | 滑坡预警方法和装置 | |
CN111259590A (zh) | 一种混凝土坝变形安全监控模型的构建方法 | |
CN114611778B (zh) | 一种基于入库流量的水库水位预警方法及系统 | |
CN109886456B (zh) | 基于pca与混合核函数lssvr的泥石流预测方法 | |
CN113802620B (zh) | 一种基坑群施工风险监测系统及方法 | |
CN115116202A (zh) | 一种滑坡灾害预警方法、装置、设备及可读存储介质 | |
CN103205972A (zh) | 一种分析基坑变形与坑外地面沉降关系的方法 | |
CN110310021A (zh) | 一种用于基坑监测预警的场地环境与监测点匹配系统 | |
CN112903008A (zh) | 基于多传感数据融合技术的山体滑坡预警方法 | |
Cowell et al. | Integrating uncertainty theories with GIS for modeling coastal hazards of climate change | |
Mrówczyńska et al. | The network structure evolutionary optimization to geodetic monitoring in the aspect of information entropy | |
CN114722662A (zh) | 埋地天然气管道地基沉降在线监测及安全性研究的方法 | |
CN116311770A (zh) | 基于物联边缘计算网关的房屋安全预警系统、方法及终端 | |
JP6705036B1 (ja) | 鋼管柱劣化予測システム | |
US20200293704A1 (en) | Method, a system and a computer program product for monitoring remote infrastructure networks | |
Ai et al. | The use of shape accel array for deformation monitoring and parameter inversion of a 300 m ultrahigh rockfill dam | |
CN116754022B (zh) | 电缆隧道的在线检测应急预警方法及系统 | |
CN116259168B (zh) | 用于油田录井的报警方法和装置 | |
WO2021199241A1 (ja) | 分析装置、分析方法及び記憶媒体 | |
JP2006183274A (ja) | 下水管網における下水管損傷予測方法及び予測装置 |
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 |