CN112861403A - 一种大型液体贮箱结构安全性评估方法 - Google Patents
一种大型液体贮箱结构安全性评估方法 Download PDFInfo
- Publication number
- CN112861403A CN112861403A CN202110173554.1A CN202110173554A CN112861403A CN 112861403 A CN112861403 A CN 112861403A CN 202110173554 A CN202110173554 A CN 202110173554A CN 112861403 A CN112861403 A CN 112861403A
- Authority
- CN
- China
- Prior art keywords
- storage tank
- liquid storage
- structural
- safety
- model
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 123
- 239000007788 liquid Substances 0.000 title claims abstract description 93
- 238000011156 evaluation Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000013210 evaluation model Methods 0.000 claims abstract description 34
- 230000007246 mechanism Effects 0.000 claims abstract description 29
- 238000004088 simulation Methods 0.000 claims abstract description 28
- 230000036541 health Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 11
- 239000000463 material Substances 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 238000005336 cracking Methods 0.000 abstract description 2
- 239000003208 petroleum Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005192 partition Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000002706 hydrostatic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种大型液体贮箱结构安全性评估方法,首先,该方法结合力学原理对影响液体贮箱结构健康的内、外部因素进行有限元分析,构建结构健康机理仿真模型;其次,利用机理仿真结果、行业标准与专家领域知识构建可同时处理各类不确定性定性与定量信息的基于置信规则库的结构安全性评估模型;最后,利用结构健康机理仿真模型生成不同工况下的结构损伤样本,弥补结构安全样本集不完整的缺陷,并将其用于训练所提结构安全性评估模型。可用于保障大型液体贮箱的结构健康并可对诸如变形、倾斜、开裂及倒塌等危险状态进行有效预防。该方法充分融合机理知识与观测数据,可应用到多种相关领域的液体贮箱安全性评估问题中。
Description
技术领域
本发明涉及大型液体贮箱的结构安全性评估技术领域,尤其涉及一种大型液体贮箱结构安全性评估方法。
背景技术
随着全球经济迅猛发展以及航空航天、石油化工等行业自身战略需求及生产需要,我国液体贮箱容积不断攀升,贮箱大型化成为了必然趋势。大型液体贮箱作为一种薄壁结构的大型工业结构件,径厚比大,刚度小,容易在地基沉降、储罐倾斜等外在作用下发生各种各样的结构变形,从而导致贮箱内可燃液体发生泄漏、爆炸等事故,带来严重的经济和环境损失。因此,大型液体贮箱的结构安全性评估对于设计潜在事故预防策略至关重要。
目前,大型液体贮箱结构安全性评估方法按照评价手段可分为四大类。1)基于失效分析的评估方法;该方法利用大量失效模式数据建立故障成因与后果之间的因果模型。但对于复杂系统来说,该方法很难做到在线动态地对模型进行结构和参数优化;2)基于数学解析模型的评估方法;该方法不受观测数据影响,利用精确的数学表达系统或机理仿真模型,可以提供透明的建模过程和可解释的结果。但对于复杂系统的评估模型,建立精确的数学解析表达式是一项巨大挑战。3)基于数据驱动的评估方法;该方法可以在难以建立解析模型的情况下对系统进行建模评估。但容易出现过拟合的问题,而且其评估结果不具有可解释性。4)基于专家知识的评估方法;该方法能有效处理小样本下的复杂系统建模问题,其评估结果能够得到很好的理解。但是,人类知识本身的模糊性和不精确性及人类知识的限制而造成的不完整性,导致了知识中含有多种不确定性。
综上,现有技术中,对大型液体贮箱的结构安全性评估方法的需求越来越迫切。
发明内容
为此,本发明提供一种大型液体贮箱结构安全性评估方法,用以克服现有技术中大型液体贮箱的结构安全性评估方法准确性的问题。
为实现上述目的,本发明提供一种大型液体贮箱结构安全性评估方法,包括针对大型液体贮箱结构安全性评估方法的构建方法和训练方法,其中,所述构建方法包括如下步骤,
步骤1:对构建结构健康机理仿真模型所需的单元类型及材料参数进行定义;
步骤2:根据所述步骤1中的参数信息构建结构健康机理仿真模型,并对结构健康机理仿真模型进行网格划分,并确定单元个数e;
步骤3:对网格划分后的结构健康机理仿真模型施加载荷F,并确定边界条件;
步骤4:对所述步骤3中施加载荷F后的结构健康机理仿真模型利用求解器进行求解,并得到整体结构变形量w,以变形云图的形式输出显示为,
K·w=F
其中,K为整体刚度矩阵,w为整体结构变形量,F为外部施加的载荷;
步骤5:通过对不同工况下产生的整体结构变形量w进行实验统计,并对得到模拟故障样本进行分析,将分析结果与行业标准、专家知识相结合,构建出在稳态载荷作用下,对大型液体贮箱结构影响的关键评估指标体系X={x1,x2,L,xm}、指标的参考值A和对应的结论D及X与D之间的逻辑关系E;
步骤6:利用所述步骤5中确定的参数X、A、D、E,构建出大型液体贮箱结构安全性评估模型,从而得到BRB模型结构为,
其中,规则权重为θk,属性权重为δ1,δ2,…,δm,xi(i=1,...,m)表示第i个影响大型液体贮箱结构变形的主要指标,且Ai={Ai,j,j=1,L,Ji}表示由第i个前提属性的Ji个参考值所组成的集合,θk(k=1,...,L)表示第k条规则的规则权重,为规则总数,δii(i=1,...,m)表示第i个前提属性的特征权重,D表示结论全集,且D={D1,L,DN};βj,k{j=1,...,N,k=1,...,L}表示相对于评价结果Dj的置信度;
所述训练方法包括如下步骤,
步骤a:构建大型液体贮箱结构安全性评估模型的优化目标函数及约束条件,并对所述大型液体贮箱结构安全性评估模型进行训练得到最优参数Ψ′和训练后的结构安全性评估模型;
步骤b:在所述步骤a中得到的训练后的结构安全性评估模型对收集到的观测数据进行评估得到匹配度和激活权重;
步骤c:当所述结构安全性评估模型中的规则被激活后,每条规则均会产生相应的输出,根据输出结果得出当前大型液体贮箱的结构变形程度。
进一步地,在所述步骤2中,通过利用自适应网络划分产生满足能量误差估计准则的网格,确定单元个数e。
进一步地,在所述步骤3对施加载荷F的载荷进行确定时,通过力学原理对影响液体贮箱结构健康的内、外部因素进行分析后确定需要施加的载荷F。
进一步地,在所述步骤a中,所述最优参数是通过结合有限元产生的模拟故障样本,再利用CMA-ES对所述大型液体贮箱结构安全性评估模型进行训练后得出的,所述最优参数为Ψ'={θ1',...,θ'L,δ'1,...,δ'L,β'1,1,...,β'N,L},训练后的大型液体贮箱结构安全性评估模型为,
其中,Ψ={θ1,...,θL,δ1,...,δL,β1,1,...,βN,L}表示模型要优化的参数,yestimated和yactual表示评估与真实的结构变形程度。
进一步地,所述步骤b中的匹配度为利用特定匹配度函数将输入的观测数据统一转化为相对于参考值的匹配度,输入xi相对于参考值Ai的匹配度计算如下:
进一步地,所述步骤b中的激活权重是通过匹配度计算输入的观测数据对第k条规则的激活权重,
其中,ωk表示第k条规则的激活权重。
进一步地,所述步骤c中,当所述结构安全性评估模型中的规则被激活时,ωk≠0。
进一步地,所述步骤c中,对于每条激活的规则,通过证据推理算法进行融合,其解析形式表示为:
进一步地,在融合L条规则后,所述BRB模型最终的输出结果表示为:
进一步地,对于第n个结果等级Dn的评估效用表示为:
其中,u(S(x*))为基于BRB构建的大型液体贮箱结构安全性评估方法的输出,即当前大型液体贮箱的结构变形程度。
与现有技术相比,本发明的有益效果在于,本发明通过提供一种大型液体贮箱结构安全性评估方法,首先,该方法结合力学原理对影响液体贮箱结构健康的内、外部因素进行有限元分析,构建结构健康机理仿真模型;其次,利用机理仿真结果、行业标准与专家领域知识构建可同时处理各类不确定性定性与定量信息的基于置信规则库的结构安全性评估模型;最后,利用结构健康机理仿真模型生成不同工况下的结构损伤样本,弥补结构安全样本集不完整的缺陷,并将其用于训练所提结构安全性评估模型。为进行更加可靠大型液体结构安全预警系统提供依据支持,填补了对大型液体贮箱结构安全性评估方法的空缺,提高了大型液体贮箱结构安全性评估方法的评估结果的精准度,从而保障了大型液体贮箱结构的安全性。
进一步地,本发明通过提供一种大型液体贮箱结构安全性评估方法,用以对大型液体贮箱结构进行评估,判断其结构的稳定性,从而有利于提高结构安全性评估方法的有效性,保证液体贮箱系统运行的可靠性,为预防预报大型液体贮箱结构安全事故提供依据。
尤其,本发明通过结合机理仿真模型,有效地弥补专家经验缺失的情况下,产生不同工况下的模拟故障样本,从而有效提高评估结果的精度,可用于保障大型液体贮箱的结构健康并可对诸如变形、倾斜、开裂及倒塌等危险状态进行有效预防。本发明通过充分融合机理知识与观测数据,具有求解速度快、精度高、过程透明、可同时处理定性与定量信息,工程适用性强等特点,可应用到多种相关领域的液体贮箱安全性评估中。
附图说明
图1为本发明所述实施例的大型液体贮箱结构安全性评估方法的构建方法和训练方法;
图2为本发明所述实施例中的石油储罐结构;
图3a为本发明所述实施例中的网格划分后内径为60m的储罐模型;
图3b为本发明所述实施例中的网格划分后内径为80m的储罐模型;
图3c为本发明所述实施例中的网格划分后内径为96m的储罐模型;
图4a为本发明所述实施例中的内径为96m储罐在极端工况9下的约束图;
图4b为本发明所述实施例中的96m储罐在极端工况9下的结构变形云图;
图5a为本发明所述实施例中内径为60m的石油储罐在不同工况下不均匀沉降与结构变形关系图;
图5b为本发明所述实施例中内径为80m的石油储罐在不同工况下不均匀沉降与结构变形关系图;
图5c为本发明所述实施例中内径为96m的石油储罐在不同工况下不均匀沉降与结构变形关系图;
图6a为本发明所述实施例中内径为60m的石油储罐在不同工况下石油储罐风载与结构变形关系图;
图6b为本发明所述实施例中内径为80m的石油储罐在不同工况下石油储罐风载与结构变形关系图;
图6c为本发明所述实施例中内径为96m的石油储罐在不同工况下石油储罐风载与结构变形关系图;
图7a为本发明所述实施例中内径为60m的石油储罐在不同工况下石油储罐液面高度与结构变形关系图;
图7b为本发明所述实施例中内径为80m的石油储罐在不同工况下石油储罐液面高度与结构变形关系图;
图7c为本发明所述实施例中内径为96m的石油储罐在不同工况下石油储罐液面高度与结构变形关系图;
图8为基于BRB的石油储罐结构安全性评估模型评估结果;
图9为基于BRB的不同石油储罐结构安全性评估方法结果对比。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示,本发明通过提供一种大型液体贮箱结构安全性评估方法,包括针对大型液体贮箱结构安全性评估方法的构建方法和训练方法;其中,所述构建方法包括如下步骤,
步骤1:对构建结构健康机理仿真模型所需的单元类型及材料参数进行定义;
步骤2:根据所述步骤1中的参数信息构建结构健康机理仿真模型,并对结构健康机理仿真模型进行网格划分,并确定单元个数e;
步骤3:对网格划分后的结构健康机理仿真模型施加载荷F,并确定边界条件;
步骤4:对所述步骤3中施加载荷F后的结构健康机理仿真模型利用求解器进行求解,并得到整体结构变形量w,以变形云图的形式输出显示为,
K·w=F
其中,K为整体刚度矩阵,w为整体结构变形量,F为外部施加的载荷;
步骤5:通过对不同工况下产生的整体结构变形量w进行实验统计,并对得到模拟故障样本进行分析,将分析结果与行业标准、专家知识相结合,构建出在稳态载荷作用下,对大型液体贮箱结构影响的关键评估指标体系X={x1,x2,L,xm}、指标的参考值A和对应的结论D及X与D之间的逻辑关系E;
步骤6:利用所述步骤5中确定的参数X、A、D、E,构建出大型液体贮箱结构安全性评估模型,从而得到BRB模型结构为,
其中,规则权重为θk,属性权重为δ1,δ2,…,δm,xi(i=1,...,m)表示第i个影响大型液体贮箱结构变形的主要指标,且Ai={Ai,j,j=1,L,Ji}表示由第i个前提属性的Ji个参考值所组成的集合,θk(k=1,...,L)表示第k条规则的规则权重,为规则总数,δi(i=1,...,m)表示第i个前提属性的特征权重,D表示结论全集,且D={D1,L,DN};βj,k{j=1,...,N,k=1,...,L}表示相对于评价结果Dj的置信度。
所述训练方法包括如下步骤,
步骤a:构建大型液体贮箱结构安全性评估模型的优化目标函数及约束条件,并对所述大型液体贮箱结构安全性评估模型进行训练得到最优参数Ψ′和训练后的结构安全性评估模型;
步骤b:在所述步骤a中得到的训练后的结构安全性评估模型对收集到的观测数据进行评估得到匹配度和激活权重;
步骤c:当所述结构安全性评估模型中的规则被激活后,每条规则均会产生相应的输出,根据输出结果得出当前大型液体贮箱的结构变形程度;
具体而言,本发明实施例中,在所述步骤1中,对单元类型和材料参数进行定义时,一般利用高阶三维实体单元划分大型液体贮箱外墙的混凝土部分,离散型加强筋单元划分预应力钢筋束。目前现有200多种单元类型,因此,需要根据实际需求进行正确选取单元类型后进行材料参数设置。
具体而言,本发明实施例中,在所述步骤2中,在对结构健康机理仿真模型进行网格划分时,为了避免因网格划分密度选取不合适而造成分析结果不准确的问题,利用自适应网络划分产生可满足能量误差估计准则的网格,并确定单元个数e。
具体而言,本发明实施例中,在所述步骤3中,对施加载荷F的载荷进行确定时,主要通过力学原理对影响液体贮箱结构健康的内、外部因素进行分析后确定需要施加的载荷F,所述步骤3中施加载荷F的确定是进行有限元机理分析中的关键之一。
具体而言,本发明实施例中,所述步骤4中,当施加载荷F完毕后,通过选择适当的求解器对问题进行求解后,得到整体结构变形量w。由于本发明所构建的大型液体贮箱结构安全性评估方法系统较为复杂,离散后的单元数较大造成w维数过高,因此,w最终是以变形云图的形式输出并显示。
具体而言,本发明实施例中,所述步骤5中,不同工况下的整体结构变形数据w是通过实验得到的。所述步骤6中的BRB是置信规则库,英文全称为belief rule base。
具体而言,本发明实施例中,所述步骤a中,通过结合有限元产生的模拟故障样本,再利用CMA-ES对所述大型液体贮箱结构安全性评估模型进行训练,得到最优参数Ψ'={θ1',...,θ'L,δ'1,...,δ'L,β'1,1,...,β'N,L}和训练后的结构安全性评估模型为
其中,Ψ={θ1,...,θL,δ1,...,δL,β1,1,...,βN,L}表示模型要优化的参数,yestimated和yactual表示评估与真实的结构变形程度。
具体而言,本发明实施例中,所述步骤b中,利用步骤a得到的最优结构安全性评估模型对收集到的观测数据进行评估。
首先,利用特定匹配度函数将输入的观测数据统一转化为相对于参考值的匹配度,输入xi相对于参考值Ai的匹配度计算如下:
其次,利用得到的匹配度计算输入的观测数据对第k条规则的激活权重:
其中,ωk表示第k条规则的激活权重。
具体而言,本发明实施例中,在所述步骤c中,当所述结构安全性评估模型中的规则被激活时,即ωk≠0时,对于每条激活的规则,均可以通过证据推理算法进行融合,其解析形式可以表示为:
其中,u(S(x*))为基于BRB构建的大型液体贮箱结构安全性评估方法的输出,即当前大型液体贮箱的结构变形程度。
请参阅图2所示,本发明提供一种可燃气体贮存设施泄漏无线监测传感器优化部署方法,其中,选取容积为5万m3、10万m3、15万m3的三种不同尺寸的石油储罐(如图1)作为研究对象,主要研究在稳态作用力下储罐整体结构变形情况。通过机理分析可知,大型液体贮箱结构变形与温度、尺寸、液面高度、风力四个指标有关。根据标准GB6479和GB713-2008规定,16MnR材料的使用温度在-40~450℃,所以,外界环境温度对储罐结构的影响可以直接忽略。因此,本发明只分析不均匀沉降量、液面高度、风力大小、贮箱尺寸四个因素对储罐结构变形的影响。
具体而言,本发明实施例中,首先,先确定三种储罐模型,储罐结构均采用16MnR材料、弹性模量为2.0E5MPa、泊松比0.3,液体密度870kg/mm3,且储罐罐壁为变壁厚度,罐顶为自由浮顶罐,其中,5万m3储罐的内径为60m,10万m3储罐的内径为80m,15万m3储罐的内径为96m,具体参数如下表1所示,
表1:石油储罐主要部件的材料参数
请参阅图3a-3c所示,本发明实施例中采用ANSYS19.0建立三种尺寸下的储罐几何模型,并进行网格划分,确定离散后模型的单元个数e,e为947265482655981。
请参阅图4a所示,本发明实施例中,对储罐几何模型施加载荷F确定为,
F={G,US,P,p}
其中,G表示重力,US表示不均匀沉降,P为液体静压力,p为沿罐周的风载荷分布函数。
同时,设置罐顶为自由边界,在储罐底板施加弹性支撑约束来模拟地基对储罐的支撑,对储罐底板施加沿环向、径向固定约束。
请参阅图4b所示,本发明实施例中为了确定不均匀沉降、液面高度、尺寸及风力四个因素对储罐整体结构变形的影响程度,确定关键指标。通过控制单一变量法,设计了共27种不同模拟实验工况,具体工况如下表2所示,
表2模拟实验工况表
通过施加不同大小不同类型的F,可产生多张大型立式液体贮箱变形云图。96m储罐在极端工况9下的结构变形云图。
请参阅图5a-7c所示,本发明实施例中,为了考虑三种因素对储罐结构造成的影响,利用ANSYS软件对三种尺寸的储罐模型进行了分析,如图示出不同尺寸不同工况下石油储罐不均匀沉降、风载和液面高度分别对石油储罐结构变形的数据通过ANSYS有限元分析,可以得出以下规律:
①不均匀沉降与储罐整体结构变形量成正比关系。
②风载与储罐整体结构变形量成正比关系。
③液面高度对储罐整体结构变形基本不造成影响。
④不同尺寸储罐在不同工况下,对储罐整体结构变形造成的影响不显著。
⑤若储罐处于狂风极端情况下,其他因素对储罐造成影响可以忽略不计。
因此,选择不均匀沉降、风载两个因素作为储罐结构安全性评估方法的关键指标,即X={x1,x2}。
具体而言,本发明实施例中,属性参考值A的设置可根据API 653-2009《地上储罐检验、修理、改建》、GB 50009-2012《建筑结构载荷规范》进行设置,对于不均匀沉降差,选取6个参考值,分别是负大(Negative large,L)、负中(negative medium,NM)、负小(negative,NS)、零(Zero)、小(small,s)、中(medium,M)、大(Nnegative large,L)。
其中,不均匀沉降差等级和参考值如下表3所示,
表3:不均匀沉降差等级和参考值/mm
对于风载,选取3个参考值,分别为微风(Small)、强风(Medium)、狂风(Large),风载等级和参考值如下表4所示,
表4:风载等级和参考值/pa
参考等级 | 微风S | 强风M | 狂风L |
参考值 | 2102.4pa | 21024pa | 105120pa |
结论D根据《地质灾害风险评估方法》、《建筑变形测量规范》(JGJ8-2007)等标准,将储罐结构的安全性状态分为低、中等和危险,分别用Very Small(VS)、Medium(M)和High(H)、Very High(VH)表示,如下表5所示,
表5:储罐沉降严重/储罐结构破坏程度和参考值
参考等级 | VS | M | H | VH |
参考值 | 0 | 0.3 | 0.7 | 1 |
根据上述确定的参数,构建大型液体贮箱结构安全性评估模型。得到初始的IF-THEN规则库,如下表6所示,
表6:初始IF-THEN规则库
具体而言,本发明实施例中,建立的储罐仿真模型在27种不同工况下产生带标签的故障样本,共计1462组数据。采用静力水准仪传感器、风力传感器采集从2012年到2019年间石油储罐的不均匀沉降及风力的观测数据,共19组。
在模拟样本中随机选取960组数据作为训练样本,后500组作为测试样本。为避免专家局限性导致的规则库初始参数的不准确性,利用CMA-ES算法对模型进行优化,得到最优参数Ψ'={0.4776,0.9650...,0.9883,0.5710,0.5271,1,0.2480,...,0.9283},利用训练好的模型,对油罐的19组实测数据进行评估,评估结果如下表7所示,
表7:BRB模型与专家评估结果对比
请参阅图8所示,其为基于BRB的石油储罐结构安全性评估模型评估结果,本发明实施例通过将BRB模型的评估结果与海南水文地质工程地质勘察院的评估结果进行对比,评估结果基本保持一致,准确度在89.5%,证明了所构建模型评估的有效性。
请参阅图9所示,其为不同石油储罐结构安全性评估方法结果,本发明实施例为了进一步说明本发明的有效性,分别与支持向量机(SVM)结构安全性评估方法、反向传播(BP)结构安全性评估方法、模糊推理结构安全性评估方法进行了对比,评估对比结果评估误差如表8所示,
表8:比较测试中的MSE输出
Method | BRB | Fuzzy inference | BP | SVM |
MSE | 2.90E-04 | 6.30E-03 | 5.75E-04 | 5.83E-04 |
通过本实施例得出,在故障样本匮乏和在某些极端情况下,专家经验缺乏的情况下,由专家根据经验构建规则会导致规则的可信度及可靠度降低,同时由于故障样本极度缺乏导致了无法对模型进行有效的训练,这些都导致液体贮箱结构安全性评估模型的评估精度下降。本发明所述的大型液体贮箱结构安全性评估方法能够较好地结合机理仿真模型,从而弥补专家经验缺失并产生不同工况下的模拟故障样本,可有效提高评估结果的精度。相比海南水文地质工程地质勘察院对实测数据的评估结果,本发明所述方法的评估结果基本接近,准确率在89.5%,证明了所构建模型评估的可行性。与其它现有的结构安全性评估方法相比,本发明所述方法均具有较大优势。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种大型液体贮箱结构安全性评估方法,其特征在于,包括针对大型液体贮箱结构安全性评估方法的构建方法和训练方法,其中,所述构建方法包括如下步骤,
步骤1:对构建结构健康机理仿真模型所需的单元类型及材料参数进行定义;
步骤2:根据所述步骤1中的参数信息构建结构健康机理仿真模型,并对结构健康机理仿真模型进行网格划分,并确定单元个数e;
步骤3:对网格划分后的结构健康机理仿真模型施加载荷F,并确定边界条件;
步骤4:对所述步骤3中施加载荷F后的结构健康机理仿真模型利用求解器进行求解,并得到整体结构变形量w,以变形云图的形式输出显示为,
K·w=F
其中,K为整体刚度矩阵,w为整体结构变形量,F为外部施加的载荷;
步骤5:通过对不同工况下的产生的整体结构变形w数据进行实验统计,并对得到模拟故障样本进行分析,将分析结果与行业标准、专家知识相结合,构建出在稳态载荷作用下,对大型液体贮箱结构影响的关键评估指标体系X={x1,x2,L,xm}、指标的参考值A和对应的结论D及X与D之间的逻辑关系E;
步骤6:利用所述步骤5中确定的参数X、A、D、E,构建出大型液体贮箱结构安全性评估模型,从而得到BRB模型结构为,
其中,规则权重为θk,属性权重为δ1,δ2,…,δm,xi(i=1,...,m)表示第i个影响大型液体贮箱结构变形的主要指标,且Ai={Ai,j,j=1,L,Ji}表示由第i个前提属性的Ji个参考值所组成的集合,θk(k=1,...,L)表示第k条规则的规则权重,为规则总数,δi(i=1,...,m)表示第i个前提属性的特征权重,D表示结论全集,且D={D1,L,DN};βj,k{j=1,...,N,k=1,...,L}表示相对于评价结果Dj的置信度;
所述训练方法包括如下步骤,
步骤a:构建大型液体贮箱结构安全性评估模型的优化目标函数及约束条件,并对所述大型液体贮箱结构安全性评估模型进行训练得到最优参数Ψ′和训练后的结构安全性评估模型;
步骤b:在所述步骤a中得到的训练后的结构安全性评估模型对收集到的观测数据进行评估得到匹配度和激活权重;
步骤c:当所述结构安全性评估模型中的规则被激活后,每条规则均会产生相应的输出,根据输出结果得出当前大型液体贮箱的结构变形程度。
2.根据权利要求1所述的大型液体贮箱结构安全性评估方法,其特征在于,在所述步骤2中,通过利用自适应网络划分产生满足能量误差估计准则的网格,确定单元个数e。
3.根据权利要求1所述的大型液体贮箱结构安全性评估方法,其特征在于,在所述步骤3对施加载荷F的载荷进行确定时,通过力学原理对影响液体贮箱结构健康的内、外部因素进行分析后确定需要施加的载荷F。
7.根据权利要求1所述的大型液体贮箱结构安全性评估方法,其特征在于,所述步骤c中,当所述结构安全性评估模型中的规则被激活时,ωk≠0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110173554.1A CN112861403B (zh) | 2021-02-09 | 2021-02-09 | 一种大型液体贮箱结构安全性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110173554.1A CN112861403B (zh) | 2021-02-09 | 2021-02-09 | 一种大型液体贮箱结构安全性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112861403A true CN112861403A (zh) | 2021-05-28 |
CN112861403B CN112861403B (zh) | 2022-12-20 |
Family
ID=75989249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110173554.1A Active CN112861403B (zh) | 2021-02-09 | 2021-02-09 | 一种大型液体贮箱结构安全性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861403B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100068743A (ko) * | 2008-12-15 | 2010-06-24 | 한국원자력연구원 | 방사성폐기물 처분시스템 평가를 위한 지하수/핵종 거동 모사 및 가시화장치 |
CN106022630A (zh) * | 2016-05-30 | 2016-10-12 | 重庆大学 | 一种液氧加注系统运行安全评估方法 |
CN106169113A (zh) * | 2016-05-30 | 2016-11-30 | 重庆大学 | 一种液氢加注控制系统安全性实时评估方法 |
CN109685366A (zh) * | 2018-12-24 | 2019-04-26 | 中国人民解放军32181部队 | 基于异变数据的装备健康状态评估方法 |
CN110348752A (zh) * | 2019-07-16 | 2019-10-18 | 中国人民解放军火箭军工程大学 | 一种考虑环境干扰的大型工业系统结构安全性评估方法 |
CN112001058A (zh) * | 2020-06-30 | 2020-11-27 | 同恩(上海)工程技术有限公司 | 一种用于监测结构整体安全性评估的综合评价模型及方法 |
CN112069685A (zh) * | 2020-09-09 | 2020-12-11 | 中国人民解放军火箭军工程大学 | 一种考虑可解释性的复杂机电系统健康评估方法及系统 |
-
2021
- 2021-02-09 CN CN202110173554.1A patent/CN112861403B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100068743A (ko) * | 2008-12-15 | 2010-06-24 | 한국원자력연구원 | 방사성폐기물 처분시스템 평가를 위한 지하수/핵종 거동 모사 및 가시화장치 |
CN106022630A (zh) * | 2016-05-30 | 2016-10-12 | 重庆大学 | 一种液氧加注系统运行安全评估方法 |
CN106169113A (zh) * | 2016-05-30 | 2016-11-30 | 重庆大学 | 一种液氢加注控制系统安全性实时评估方法 |
CN109685366A (zh) * | 2018-12-24 | 2019-04-26 | 中国人民解放军32181部队 | 基于异变数据的装备健康状态评估方法 |
CN110348752A (zh) * | 2019-07-16 | 2019-10-18 | 中国人民解放军火箭军工程大学 | 一种考虑环境干扰的大型工业系统结构安全性评估方法 |
CN112001058A (zh) * | 2020-06-30 | 2020-11-27 | 同恩(上海)工程技术有限公司 | 一种用于监测结构整体安全性评估的综合评价模型及方法 |
CN112069685A (zh) * | 2020-09-09 | 2020-12-11 | 中国人民解放军火箭军工程大学 | 一种考虑可解释性的复杂机电系统健康评估方法及系统 |
Non-Patent Citations (3)
Title |
---|
XUEMIN LIU; HAITAO LI; JINGLUN ZHOU; LONG CHENG: ""A safety risk assessment method considering epistemic uncertainty"", 《2012 INTERNATIONAL CONFERENCE ON QUALITY, RELIABILITY, RISK, MAINTENANCE, AND SAFETY ENGINEERING》 * |
胡昌华等: "考虑环境干扰的液体运载火箭结构安全性评估方法", 《中国科学:信息科学》 * |
陈军军等: "基于故障模式的表面张力贮箱可靠性评估", 《质量与可靠性》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112861403B (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Critical review of data-driven decision-making in bridge operation and maintenance | |
Xie et al. | The promise of implementing machine learning in earthquake engineering: A state-of-the-art review | |
Fang et al. | Fatigue crack growth prediction method for offshore platform based on digital twin | |
Pan et al. | Modeling risks in dependent systems: A Copula-Bayesian approach | |
Zhou et al. | Using Bayesian network for safety risk analysis of diaphragm wall deflection based on field data | |
Zhang et al. | Developing a cloud model based risk assessment methodology for tunnel-induced damage to existing pipelines | |
Su et al. | Dynamic non-probabilistic reliability evaluation and service life prediction for arch dams considering time-varying effects | |
Yazdi | Retracted article: an extension of the fuzzy improved risk graph and fuzzy analytical hierarchy process for determination of chemical complex safety integrity levels | |
CN115456331B (zh) | 多维多测点模型在线监控算法在监测分析系统平台的应用 | |
Li et al. | An integrated surrogate model-driven and improved termite life cycle optimizer for damage identification in dams | |
Xu et al. | Failure analysis and control of natural gas pipelines under excavation impact based on machine learning scheme | |
CN111414692A (zh) | 基于贝叶斯修正模型的压力表校验台可靠性评估方法 | |
Qu et al. | Probabilistic reliability assessment of twin tunnels considering fluid–solid coupling with physics-guided machine learning | |
Shan et al. | Damage tracking and evaluation of RC columns with structural performances by using seismic monitoring data | |
Chen et al. | Spatio‐temporal data mining method for joint cracks in concrete dam based on association rules | |
Pradeep et al. | Ensemble unit and AI techniques for prediction of rock strain | |
CN112861403B (zh) | 一种大型液体贮箱结构安全性评估方法 | |
JP4817363B2 (ja) | 危険度評価システム | |
Jagan et al. | Reliability analysis of simply supported beam using GRNN, ELM and GPR | |
Sharma et al. | A review of modeling and data mining techniques applied for analyzing steel bridges | |
CN111582634A (zh) | 一种地下大空间施工多因素安全分级方法及系统 | |
CN103337000B (zh) | 一种油气集输系统安全监测预警方法 | |
Zhang et al. | Hybrid BN approach to analyzing risk in tunnel-induced bridge damage | |
Wang et al. | Application of mechanical product design parameter optimization based on machine learning in identification | |
Haas | Prediction of Structural Reliability Through an Alternative Variability-Based Methodology |
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 |