CN111691679A - 基于数字孪生的预应力钢结构智能张拉方法 - Google Patents

Abstract

本方法公开了基于数字孪生的预应力钢结构智能张拉方法涉及建筑信息技术领域，针对大跨度预应力钢结构传统张拉安全控制方法精度差、智能化程度低、主观性强、难以实现预测等问题提出一种智能张拉方法，本方法可在一定程度上解决传统拉索张拉安全控制方法精度差和智能化程度低的弊端。该方法采用数字孪生和基于深度学习的人工智能理论，以典型项目张拉为例。为大跨预应力钢结构张拉安全施工提供理论与关键技术支撑。

Description

基于数字孪生的预应力钢结构智能张拉方法

技术领域

本发明涉及建筑信息技术领域，特别涉及一种基于数字孪生的预应力钢结构智能张拉方法。

背景技术

在当前智能技术创新发展格局中，工程施工行业已经开始从过去的劳动力与能源依赖生产方式向以数据和信息集成为核心驱动力的现代化工程建造方式转变。以数字孪生、BIM、人工智能、物联网、大数据为代表的新一代信息技术，正在催生新一轮的产业革命，以智能化为导向的工程施工与安全管理理念已经开始出现，相继运用各种先进信息化技术通过交叉融合来解决可持续建造中的各类问题。

数字孪生是一种充分利用模型、数据、智能并集成多学科的技术，数字孪生模型可以与物联网、传感器等发生多级互联；数字孪生与人工智能、深度学习和数据挖掘等信息技术进行协同，可以在预应力钢结构张拉施工的多源数据采集、安全管理、智能分析与决策等方面发挥重要作用，为拉索张拉安全预测与风险控制研究提供了新的思路。

传统的安全预测方法，缺乏多因素相互作用下的预应力钢结构张拉安全风险耦合及预测控制方法的研究。

深度学习对提高感知决策，提高风险评估的客观性和精确性有良好效果，但在土木工程领域的应用很少。

发明内容

本发明的目的在于提供一种基于数字孪生的预应力钢结构智能张拉方法，能实现对预应力钢结构施工张拉过程中预应力与安全风险的管理，并提供了一种智能化的解决办法。

该方法可以针对预应力钢结构张拉进行安全分析和预测。该方法基于数字孪生理念，结合BIM技术，梳理大跨度预应力钢结构尺寸、形状、装配关系等几何信息，应力、变形等物理信息，拉索张拉施工安全风险主要诱发因素驱动及扰动作用的行为信息，张拉过程的规则信息。综合考虑拉索张拉安全风险影响因素的不确定性，依托包含与安全风险相关各种数据的数字孪生模型，挖掘张拉安全风险数据之间的异常和波动情况，得到张拉过程中的风险耦合机理。

基于数字孪生的预应力钢结构智能张拉方法，该方法包括如下步骤，建立预应力钢结构BIM缩尺模型确定测点布置；布置智能传感器收集张拉过程中的力学信息；建立数字孪生模型；建立风险耦合数字孪生模型；判断张拉构件的预应力是否符合标准的方法：应用深度学习的风险耦合数字孪生模型；张拉构件是否符合标准的判定。

所述的建立预应力钢结构BIM缩尺模型确定测点布置，根据实际工程模型确定模型试验的范围，模型试验采用与工程完全缩尺的尺寸进行试验。同时收集大跨度预应力钢结构拉索张拉特性资料及调研数据，确定试验目标、测点布置再进行试验模型用料汇总和试验设备汇总，最终建立起试验模型。

所述的布置智能传感器收集张拉过程中的力学信息，根据需要测定杆件的内力、节点坐标、节点位移，利用柱式拉压力传感器配合静态应变仪来测量拉索索力，利用振弦式应力应变传感器配合振弦式应力应变采集仪来测量撑杆内力，利用全站仪测量上环索和撑杆的位移，利用三维激光扫描仪测量结构所有构件、节点的实际位移，进行结构整体位移的测量。

所述的建立数字孪生模型，根据上述过程收集到的物理条件以及几何条件建立数字孪生模型，数字孪生模型包括轮辐式索桁架结构对应的BIM模型、有限元模型以及经过三维扫描修正后的BIM模型、有限元模型，可以动态、真实、实时的反映物理空间轮辐式索桁架的实际张拉提升过程。

所述的风险耦合数字孪生模型的建立，分析与人－机－料－法－环关联的安全风险因素的耦合关系，考虑拉索、锚头、索夹、节点连接以及张拉设备、工装、张拉速度、荷载响应、施加预应力值等耦合作用的影响并与关联规则结合构建风险因素之间的风险耦合数字孪生模型。

所述的应用深度学习的风险耦合数字孪生模型，首先预处理信息数据，以消除量纲和单位的影响；利用深度学习将关键安全风险因素的目标值与实际值映射为安全风险诱发因素，确定模型精确映射关系，建立映射关系函数。接着依据安全规则和安全评价标准，基于建立的数字孪生模型进行大跨度预应力钢结构张拉安全预测分析。

所述的张拉构件是否符合标准的判定，通过缩尺模型，进行索网结构张拉过程可能出现的安全风险状况模拟试验研究，包括拉索预应力超张拉模拟、拉索破断模拟、预应力损失模拟、支座安装误差模拟、节点支座偏差模拟、突发极端荷载变化模拟、索夹滑移影响模拟、撑杆连接破坏模拟以及人为因素误操作模拟。

本发明与现有技术相比包含的有益效果是：

(1)本发明中的数字孪生模型不仅可以考虑单一影响因素对于预应力损失和结构安全的影响，并且进一步的考虑到了多因素耦合情况下对预应力损失和结构安全的影响。

(2)传统的大跨度预应力钢结构施工安全管理是静态、理想化的，数字孪生的精准映射、虚实交互、智能干预等典型特性建立精确反映施工安全状态的数字模型，为拉索张拉提供了智能化解决的基础。

(3)相比于传统张拉过程中大量以经验为基础的施工方式且大多是定量化的，深度学习可以直接从原始的数据中提取高水平特征进行感知决策，对张拉做出定量的分析并且可以对施工全过程中预应力大小以及安全程度进行反馈。

附图说明

为了更清楚地说明本发明的技术方案，下面将对附图做简单的介绍，显而易见地，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为本方法实施的架构图。

图2为节点设计图。

具体实施方式

下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，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其他实施例，都属于本发明保护的范围。

以典型大跨度预应力钢结构-索网结构拉索张拉为例，搭建试验模型，在模型的拉索及节点等关键部位布置相应的传感器。建立缩尺模型的BIM模型，考虑拉索、锚头、索夹、节点连接以及张拉设备、工装、张拉速度、荷载响应、预应力值等耦合作用的影响，通过物联网技术和嵌入式系统，进行虚拟空间和真实空间的虚实映射，搭建多因素关联的多维多尺度数字孪生模型，实现双向的数据传输与服务。通过模型，进行索网结构张拉过程可能出现的安全风险状况模拟试验研究，包括拉索预应力超张拉模拟、拉索破断模拟、预应力损失模拟、支座安装误差模拟、节点支座偏差模拟、突发极端荷载变化模拟、索夹滑移影响模拟、撑杆连接破坏模拟以及人为因素误操作模拟。模型试验过程中拟提取预应力拉索张拉值、张拉速度与加速度、温度、风速、拉索应力、撑杆应力、构件应力应变、成形过程位移变化等参数信息。分析模拟模型试验张拉风险的时空动态过程，得到时空演化规律，并与安全风险数字孪生模型进行关联。整理原始采集数据，建立安全风险数字孪生模型，结合基于深度学习的数据耦合和安全预测及风险控制等方法，建立预测模型并结合典型项目的实测数据进行训练，然后通过控制软件进行分析和应用，实现闭环验证。

本发明公开了一种基于数字孪生的预应力钢结构智能张拉方法，此方法可以更高效准确的对预应力钢结构张拉过程进行预应力监测以及安全管理。

步骤一：根据实际工程模型确定模型试验的范围，模型试验采用与工程完全缩尺的尺寸进行试验。同时收集大跨度预应力钢结构拉索张拉特性资料及调研数据，确定试验目标、测点布置再进行试验模型用料汇总和试验设备汇总。最终建立起试验模型。

步骤二：在相应的结构上布置振弦应变计和智能传感器，依据图纸建立网架结构专项族库，根据模型搭建过程中的各项数据建立BIM模型及ansys有限元元模型现场网架张拉完成后，对其进行三维扫描获得点云数据，和理论模型进行误差拟合。

步骤三：基于数字孪生理念，结合BIM模型，综合上述多源信息，从几何、物理、行为、规则四个层面，按照几何信息和非几何信息等分类，集成与融合影响模型安全风险的行为模型和表征大跨度预应力钢结构张拉过程的规则模型，对物理空间、虚拟空间进行虚实映射建模，建立拉索张拉安全风险数字孪生模型

步骤四：在数字孪生模型基础上，进行数据特征和安全风险因素的关联规则挖掘，构建风险因素之间的风险耦合模型，得到处于关键节点位置的风险因素。

步骤五：以建立的数字孪生模型和耦合关系为基础，建立随张拉过程时间和空间变化的预应力安全模型。同时用深度学习对安全模型训练；接着依据安全规则和安全评价标准，进行张拉安全风险预测分析，得出预应力钢结构张拉全过程的拉索，

步骤六：对缩尺模型进行预应力超张拉模拟、拉索破断模拟、预应力损失模拟、支座安装误差模拟，提取预应力拉索张拉值、张拉速度与加速度、温度、风速、拉索应力、撑杆应力、构件应力应变、成形过程位移变化等参数信息。对上述的预应力安全预测体系进行训练，最终达到预应力钢结构张拉全过程智能化管理的目的。

步骤一中，测点布置包括索力测点布置、应力测点布置、位移测点布置、加速度测点布置。

步骤二中，连接节点的形式与构造尽量与实际工程设计图纸接近，但缩尺后会有一定的简化和调整，最终确定出既可以用于模型试验，又具有可实施性的合理节点形式，并且遵循力学模型相似原则。具体节点设计见图2。

步骤三中，拉索张拉安全风险数字孪生模型(包括物理空间、虚拟空间、数据及服务)，其模型可表示为：SDT＝(PS，VS，DS)，其中：SDT表示安全风险数字孪生模型；表示物理空间；VS表示虚拟空间；DS表示数据及服务。

步骤三中，影响模型的安全风险因素主要包括，温度对预应力影响，动荷载条件下对预应力的影响，拉索位移引起的预应力损失，构件位置误差等等。

步骤四中，对多风险因素耦合强度的研究考虑拉索、锚头、索夹、节点连接以及张拉设备、工装、张拉速度、荷载响应、施加预应力值等耦合作用的影响。

步骤五中，预应力安全预测模型的建立依据深度信念网络(DBN)方法，结合国内典型大跨度预应力钢结构项目的实测数据。

步骤五中，用深度学习进行安全风险预测模型训练时，使用随即失活机制防止模型出现过拟合现象。

步骤六中，训练之后的模型可用在建和已建大跨度预应力钢结构数据进行验证。

综上所述，本发明指出的基于数字孪生的预应力钢结构智能张拉方法，应用数字孪生、深度学习和风险耦合机理等研究方法，配合建模、分析等软件辅助实现了对预应力钢结构进行全张拉过程安全管理，为大跨预应力钢结构张拉安全施工提供理论与关键技术支撑。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所做的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.基于数字孪生的预应力钢结构智能张拉方法，其特征在于：该方法包括如下步骤，建立预应力钢结构BIM缩尺模型确定测点布置；布置智能传感器收集张拉过程中的力学信息；建立数字孪生模型；建立风险耦合数字孪生模型；判断预应力钢结构张拉构件的预应力是否符合标准的方法：应用深度学习的风险耦合数字孪生模型；预应力钢结构张拉构件是否符合标准的判定。

2.根据权利要求1所述的基于数字孪生的预应力钢结构智能张拉方法，其特征在于：所述的建立预应力钢结构BIM缩尺模型确定测点布置，根据实际工程模型确定模型试验的范围，模型试验采用与工程完全缩尺的尺寸进行试验；同时收集大跨度预应力钢结构拉索张拉特性资料及调研数据，确定试验目标、测点布置再进行试验模型用料汇总和试验设备汇总，最终建立起试验模型。

3.根据权利要求1所述的基于数字孪生的预应力钢结构智能张拉方法，其特征在于：所述的布置智能传感器收集张拉过程中的力学信息，根据需要测定杆件的内力、节点坐标、节点位移，利用柱式拉压力传感器配合静态应变仪来测量拉索索力，利用振弦式应力应变传感器配合振弦式应力应变采集仪来测量撑杆内力，利用全站仪测量上环索和撑杆的位移，利用三维激光扫描仪测量结构所有构件、节点的实际位移，进行结构整体位移的测量。

4.根据权利要求1所述的基于数字孪生的预应力钢结构智能张拉方法，其特征在于：所述的建立数字孪生模型，根据上述过程收集到的物理条件以及几何条件建立数字孪生模型，数字孪生模型包括轮辐式索桁架结构对应的BIM模型、有限元模型以及经过三维扫描修正后的BIM模型、有限元模型，动态、真实、实时反映物理空间轮辐式索桁架的实际张拉提升过程。

5.根据权利要求1所述的基于数字孪生的预应力钢结构智能张拉方法，其特征在于：所述的风险耦合数字孪生模型的建立，分析与人－机－料－法－环关联的安全风险因素的耦合关系，考虑拉索、锚头、索夹、节点连接以及张拉设备、工装、张拉速度、荷载响应、施加预应力值等耦合作用的影响并与关联规则结合构建风险因素之间的风险耦合数字孪生模型。

6.根据权利要求1所述的基于数字孪生的预应力钢结构智能张拉方法，其特征在于：所述的应用深度学习的风险耦合数字孪生模型，首先预处理信息数据，以消除量纲和单位的影响；利用深度学习将关键安全风险因素的目标值与实际值映射为安全风险诱发因素，确定模型精确映射关系，建立映射关系函数；接着依据安全规则和安全评价标准，基于建立的数字孪生模型进行大跨度预应力钢结构张拉安全预测分析。

7.根据权利要求1所述的基于数字孪生的预应力钢结构智能张拉方法，其特征在于：所述的预应力钢结构张拉构件是否符合标准的判定，通过缩尺模型，进行索网结构张拉过程可能出现的安全风险状况模拟试验研究，包括拉索预应力超张拉模拟、拉索破断模拟、预应力损失模拟、支座安装误差模拟、节点支座偏差模拟、突发极端荷载变化模拟、索夹滑移影响模拟、撑杆连接破坏模拟以及人为因素误操作模拟。

Images