CN112949206A - 一种建筑施工地基防老化加固系统 - Google Patents
一种建筑施工地基防老化加固系统 Download PDFInfo
- Publication number
- CN112949206A CN112949206A CN202110316952.4A CN202110316952A CN112949206A CN 112949206 A CN112949206 A CN 112949206A CN 202110316952 A CN202110316952 A CN 202110316952A CN 112949206 A CN112949206 A CN 112949206A
- Authority
- CN
- China
- Prior art keywords
- information
- building construction
- module
- aging
- building
- 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.)
- Withdrawn
Links
- 238000009435 building construction Methods 0.000 title claims abstract description 100
- 230000003712 anti-aging effect Effects 0.000 title claims abstract description 31
- 230000003014 reinforcing effect Effects 0.000 title claims abstract description 19
- 230000032683 aging Effects 0.000 claims abstract description 31
- 230000035515 penetration Effects 0.000 claims abstract description 27
- 230000002787 reinforcement Effects 0.000 claims abstract description 25
- 238000009825 accumulation Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000002087 whitening effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 241000170545 Iago Species 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 1
- 239000002689 soil Substances 0.000 description 9
- 230000002265 prevention Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 239000002131 composite material Substances 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004575 stone Substances 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
- G06F30/27—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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于建筑施工技术领域，公开了一种建筑施工地基防老化加固系统，包括：温度信息获取模块、湿度信息获取模块、建筑信息获取模块、区域信息汇总模块、中央控制模块、信息分析模块、老化预测模块、透水层铺设模块、夯击贯入度确定模块、夯击加固模块。本发明提供的建筑施工地基防老化加固系统通过进行建筑施工区域的温度信息、湿度信息的获取以及进行建筑信息的获取，实现建筑施工区域的信息汇总，得到建筑物所处环境以及建筑物的信息，进行地基老化的预测更加精准；通过获取的地基老化结构确定夯击的贯入度，进行夯击的效率高且夯击加固效果好，进行防老化的效果更好；在进行夯击前铺设透水层，更好的实现防老化。
Description
技术领域
本发明属于建筑施工技术领域，尤其涉及一种建筑施工地基防老化加固系统。
背景技术
目前：地基是指建筑物下面支承基础的土体或岩体。作为建筑地基的土层分为岩石、碎石土、砂土、粉土、黏性土和人工填土。地基有天然地基和人工地基(复合地基)两类。天然地基是不需要人加固的天然土层。人工地基需要人加固处理，常见有石屑垫层、砂垫层、混合灰土回填再夯实等。地基经过长时间的环境腐蚀，会造成地基支撑能力降低，影响建筑物的安全。现有的预防地基防老化的方法是进行地基的夯击，但是无法进行夯击贯入度的确定，防老化的效果较差。
通过上述分析，现有技术存在的问题及缺陷为：现有的预防地基防老化的方法是进行地基的夯击，但是无法进行夯击贯入度的确定，防老化的效果较差。
发明内容
针对现有技术存在的问题，本发明提供了一种建筑施工地基防老化加固系统。
本发明是这样实现的，一种建筑施工地基防老化加固系统，所述建筑施工地基防老化加固系统包括：
温度信息获取模块，与中央控制模块连接，用于通过温度信息获取程序进行建筑施工区域的温度信息的获取；
湿度信息获取模块，与中央控制模块连接，用于通过湿度信息获取程序进行建筑施工区域的湿度信息的获取；
建筑信息获取模块，与中央控制模块连接，用于通过建筑信息获取程序进行建筑施工信息的获取，得到建筑施工信息；所述建筑施工信息包括建筑物高度、建筑物地基深度；
区域信息汇总模块，与中央控制模块连接，用于通过区域信息汇总程序进行建筑施工区域的信息的汇总，得到建筑施工区域汇总信息；
中央控制模块，与温度信息获取模块、湿度信息获取模块、建筑信息获取模块、区域信息汇总模块连接，用于通过主控机控制各连接模块运行，保证各个模块正常运行；
本发明实施例提供的通过主控机控制各连接模块运行，包括：建立灰色模型并通过灰色模型进行控制；
所述灰色模型是由一组灰色微分方程组成的动态模型，建立所述灰色模型GM(1,1)模型，所述建模包括：
X(0)为原始非负数据序列：X(0)＝[x(0)(1),x(0)(2),...,x(0)(n)]，对X(0)进行一次累加生成操作，得到X(0)的1-AGO序列，X(1)＝[x(1)(1),x(1)(2),...,x(1)(n)]，其中，
对序列X(1)进行紧邻均值生成操作，得到X(1)的紧邻均值生成序列Z(1)，其中z(1)(k)＝0.5[x(1)(k)+x(1)(k-1)],k＝1,2,...,n；
得到GM(1,1)的灰色微分方程：x(0)(k)+az(1)(k)＝u，以及相应的白化方程：
其中，a为发展系数，u为灰色作用量；
进行a、u的求解：采用最小二乘法
其中，
Yn＝[x(0)(2)x(0)(3)...x(0)(n)]T；白化方程的解为
相应的灰色微分方程的时间响应序列为：即k时刻的值
对序列
进行累减生成操作，即累加生成的逆运算，记为IAGO，可得预测序列
其中，
k+d时刻的预测值为：
d为系统滞后时间。
进一步，所述建筑施工地基防老化加固系统还包括：
信息分析模块，与中央控制模块连接，用于通过信息分析程序进行建筑施工区域汇总信息的分析，得到信息分析结果；
老化预测模块，与中央控制模块连接，用于通过老化预测程序依据获取的信息分析结果进行建筑地基老化的预测，得到老化预测结果；
透水层铺设模块，与中央控制模块连接，用于通过透水层铺设程序进行透水层的铺设；
夯击贯入度确定模块，与中央控制模块连接，用于通过夯击贯入度确定程序依据老化预测结果进行夯击贯入度的确定，得到夯击贯入度；
夯击加固模块，与中央控制模块连接，用于通过夯击加固程序进行夯击加固程序依据确定的夯击贯入度进行夯击加固。
进一步，所述通过温度信息获取程序进行建筑施工区域的温度信息的获取，包括：
当监测到输入的搜索词和用户属性信息时，生成携带有所述搜索词和所述用户属性信息的信息搜索请求；
将所述信息搜索请求发送至服务器，由所述服务器依据所述信息搜索请求中的搜索词和用户属性信息；从网页数据库中搜寻对应的若干匹配网页，并获取所述若干匹配网页的网页匹配信息；
当接收到所述服务器返回的网页匹配信息时，从所述网页匹配信息中提显示各匹配网页的网页标题。
进一步，所述获取所述若干匹配网页的网页匹配信息，包括：建立终端与互联网的连接，以及从网络中搜索关键词。
进一步，所述建立终端与互联网的连接，包括：
对不同类型的网络连接数据，进行数据预处理和特征提取；
根据所提取的特征，通过广义回归神经网络结合模糊聚类算法进行迭代和训练得出的聚类结果；
根据所述聚类结果，通过设置可信度权重向量和网络连接可信度算法计算相应分类的可信度估值；
通过改进的关联属性判定算法计算网络入侵规则的可信度，作为入侵检测系统中规则库动态调整的依据；
依据调整后的可信度确定是否建立终端与互联网的连接。
进一步，所述对不同类型的网络连接数据，进行数据预处理和特征提取包括：
取n条网络连接记录作为训练集，第i条记录的连续属性值作为一个向量，Xi＝{xi1,xi2,...,xij}，i＝1..n，j＝1..32，标准化计算公式为：
其中，
n为训练集的记录条数，j为属性列，AVGj和STDj分别为一个训练集中，第j列属性的平均值和标准差，x’ij为每一属性的值；
通过属性计算公式将每一属性值归一化；
通过属性计算公式将x’ij归一化到[0,1]区间，x”ij作为最终样本属性的取值，具体公式为：
其中，minj为训练集中第j列属性的最小值，MAXj为训练集中第j列属性的最大值。
进一步，所述通过改进的关联属性判定算法计算网络入侵规则的可信度，作为入侵检测系统中规则库动态调整的依据，包括：对规则库进行分段；对每个分段选取随机样本进行挖掘，读取频繁项集；根据所述频繁项集生成候选项集；扫描所述数据库，确定每一候选集的支持度，删除支持度小于阈值的候选项集；
合并分段样本的频繁项集，并扫描验证；根据对应类别属性的可信度权重向量，再次调整规则的可信度。
进一步，所述通过建筑信息获取程序进行建筑施工信息的获取，得到建筑施工信息，包括：
进行信息所在的数据库的确定，所述数据库包括一个或多个数据元；
基于所述数据元对应的信息的提取路径，获取所述数据元对应的一个或多个建筑施工的信息；所述建筑施工的信息至少包括建筑施工名称；
基于所述建筑施工名称，将一个或多个所述建筑施工的信息按照对应的建筑施工名称进行关联；
基于关联的信息得到对应的结构化数据；基于所述数据元与所述建筑施工的信息之间的对应关系，将所述结构化数据进行转化，得到对应所述数据元中的标准数据；
基于所述建筑施工名称，将对应于同一所述建筑施工名称的各所述标准数据分别与各所述标准数据对应的各所述数据元进行关联存储。
进一步，所述透水层的厚度为30～50cm。
进一步，所述夯击的能量为800～2500kN·m。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的建筑施工地基防老化加固系统通过进行建筑施工区域的温度信息、湿度信息的获取以及进行建筑信息的获取，实现建筑施工区域的信息汇总，得到建筑物所处环境以及建筑物的信息，进行地基老化的预测更加精准；通过获取的地基老化结构确定夯击的贯入度，进行夯击的效率高且夯击加固效果好，进行防老化的效果更好；在进行夯击前铺设透水层，更好的实现防老化。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，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是本发明实施例提供的建筑施工地基防老化加固系统结构框图。
图2是本发明实施例提供的建筑施工地基防老化加固方法流程图。
图3是本发明实施例提供的通过温度信息获取程序进行建筑施工区域的温度信息的获取流程图。
图4是本发明实施例提供的建立终端与互联网的连接流程图。
图5是本发明实施例提供的通过建筑信息获取程序进行建筑施工信息的获取，得到建筑施工信息流程图。
图中：1、温度信息获取模块；2、湿度信息获取模块；3、建筑信息获取模块；4、区域信息汇总模块；5、中央控制模块、6、信息分析模块；7、老化预测模块；8、透水层铺设模块；9、夯击贯入度确定模块；10、夯击加固模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种建筑施工地基防老化加固系统，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的建筑施工地基防老化加固系统包括：
温度信息获取模块1，与中央控制模块5连接，用于通过温度信息获取程序进行建筑施工区域的温度信息的获取；
湿度信息获取模块2，与中央控制模块5连接，用于通过湿度信息获取程序进行建筑施工区域的湿度信息的获取；
建筑信息获取模块3，与中央控制模块5连接，用于通过建筑信息获取程序进行建筑施工信息的获取，得到建筑施工信息；所述建筑施工信息包括建筑物高度、建筑物地基深度；
区域信息汇总模块4，与中央控制模块5连接，用于通过区域信息汇总程序进行建筑施工区域的信息的汇总，得到建筑施工区域汇总信息；
中央控制模块5，与温度信息获取模块1、湿度信息获取模块2、建筑信息获取模块3、区域信息汇总模块4、信息分析模块6、老化预测模块7、透水层铺设模块8、夯击贯入度确定模块9、夯击加固模块10连接，用于通过主控机控制各连接模块运行，保证各个模块正常运行；
信息分析模块6，与中央控制模块5连接，用于通过信息分析程序进行建筑施工区域汇总信息的分析，得到信息分析结果；
老化预测模块7，与中央控制模块5连接，用于通过老化预测程序依据获取的信息分析结果进行建筑地基老化的预测，得到老化预测结果；
透水层铺设模块8，与中央控制模块5连接，用于通过透水层铺设程序进行透水层的铺设；
夯击贯入度确定模块9，与中央控制模块5连接，用于通过夯击贯入度确定程序依据老化预测结果进行夯击贯入度的确定，得到夯击贯入度；
夯击加固模块10，与中央控制模块5连接，用于通过夯击加固程序进行夯击加固程序依据确定的夯击贯入度进行夯击加固。
如图2所示，本发明实施例提供的建筑施工地基防老化加固方法包括以下步骤：
S101，通过温度信息获取模块利用温度信息获取程序进行建筑施工区域的温度信息的获取；通过湿度信息获取模块利用湿度信息获取程序进行建筑施工区域的湿度信息的获取；
S102，通过建筑信息获取模块利用建筑信息获取程序进行建筑施工信息的获取，得到建筑施工信息；所述建筑施工信息包括建筑物高度、建筑物地基深度；
S103，通过区域信息汇总模块利用区域信息汇总程序进行建筑施工区域的信息的汇总，得到建筑施工区域汇总信息；
S104，通过中央控制模块利用主控机控制各连接模块运行，保证各个模块正常运行；通过信息分析模块利用信息分析程序进行建筑施工区域汇总信息的分析，得到信息分析结果；
S105，通过老化预测模块利用老化预测程序依据获取的信息分析结果进行建筑地基老化的预测，得到老化预测结果；通过透水层铺设模块利用透水层铺设程序进行透水层的铺设；
S106，通过夯击贯入度确定模块利用夯击贯入度确定程序依据老化预测结果进行夯击贯入度的确定，得到夯击贯入度；通过夯击加固模块利用夯击加固程序进行夯击加固程序依据确定的夯击贯入度进行夯击加固。
如图3所示，本发明实施例提供的通过温度信息获取程序进行建筑施工区域的温度信息的获取，包括：
S201，当监测到输入的搜索词和用户属性信息时，生成携带有所述搜索词和所述用户属性信息的信息搜索请求；
S202，将所述信息搜索请求发送至服务器，由所述服务器依据所述信息搜索请求中的搜索词和用户属性信息；从网页数据库中搜寻对应的若干匹配网页，并获取所述若干匹配网页的网页匹配信息；
S203，当接收到所述服务器返回的网页匹配信息时，从所述网页匹配信息中提显示各匹配网页的网页标题。
本发明实施例提供的获取所述若干匹配网页的网页匹配信息，包括：建立终端与互联网的连接，以及从网络中搜索关键词。
如图4所示，本发明实施例提供的建立终端与互联网的连接，包括：
S301，对不同类型的网络连接数据，进行数据预处理和特征提取；
S302，根据所提取的特征，通过广义回归神经网络结合模糊聚类算法进行迭代和训练得出的聚类结果；
S303，根据所述聚类结果，通过设置可信度权重向量和网络连接可信度算法计算相应分类的可信度估值；
S304，通过改进的关联属性判定算法计算网络入侵规则的可信度，作为入侵检测系统中规则库动态调整的依据；
S305，依据调整后的可信度确定是否建立终端与互联网的连接。
本发明实施例提供的对不同类型的网络连接数据，进行数据预处理和特征提取包括：
取n条网络连接记录作为训练集，第i条记录的连续属性值作为一个向量，Xi＝{xi1,xi2,...,xij}，i＝1..n，j＝1..32，标准化计算公式为：
其中，
n为训练集的记录条数，j为属性列，AVGj和STDj分别为一个训练集中，第j列属性的平均值和标准差，x’ij为每一属性的值；
通过属性计算公式将每一属性值归一化；
通过属性计算公式将x’ij归一化到[0,1]区间，x”ij作为最终样本属性的取值，具体公式为：
其中，minj为训练集中第j列属性的最小值，MAXj为训练集中第j列属性的最大值。
本发明实施例提供的通过改进的关联属性判定算法计算网络入侵规则的可信度，作为入侵检测系统中规则库动态调整的依据，包括：对规则库进行分段；对每个分段选取随机样本进行挖掘，读取频繁项集；根据所述频繁项集生成候选项集；扫描所述数据库，确定每一候选集的支持度，删除支持度小于阈值的候选项集；
合并分段样本的频繁项集，并扫描验证；根据对应类别属性的可信度权重向量，再次调整规则的可信度。
如图5所示，本发明实施例提供的通过建筑信息获取程序进行建筑施工信息的获取，得到建筑施工信息，包括：
S401，进行信息所在的数据库的确定，所述数据库包括一个或多个数据元；
S402，基于所述数据元对应的信息的提取路径，获取所述数据元对应的一个或多个建筑施工的信息；所述建筑施工的信息至少包括建筑施工名称；
S403，基于所述建筑施工名称，将一个或多个所述建筑施工的信息按照对应的建筑施工名称进行关联；
S404，基于关联的信息得到对应的结构化数据；基于所述数据元与所述建筑施工的信息之间的对应关系，将所述结构化数据进行转化，得到对应所述数据元中的标准数据；
S405，基于所述建筑施工名称，将对应于同一所述建筑施工名称的各所述标准数据分别与各所述标准数据对应的各所述数据元进行关联存储。
本发明实施例提供的通过主控机控制各连接模块运行，包括：建立灰色模型并通过灰色模型进行控制；
所述灰色模型是由一组灰色微分方程组成的动态模型，建立所述灰色模型GM(1,1)模型，所述建模包括：
X(0)为原始非负数据序列：X(0)＝[x(0)(1),x(0)(2),...,x(0)(n)]，对X(0)进行一次累加生成操作，得到X(0)的1-AGO序列，X(1)＝[x(1)(1),x(1)(2),...,x(1)(n)]，其中，
对序列X(1)进行紧邻均值生成操作，得到X(1)的紧邻均值生成序列Z(1)，其中z(1)(k)＝0.5[x(1)(k)+x(1)(k-1)],k＝1,2,...,n；
得到GM(1,1)的灰色微分方程：x(0)(k)+az(1)(k)＝u，以及相应的白化方程：
其中，a为发展系数，u为灰色作用量；
进行a、u的求解：采用最小二乘法
其中，
Yn＝[x(0)(2)x(0)(3)...x(0)(n)]T；白化方程的解为
相应的灰色微分方程的时间响应序列为：即k时刻的值
对序列
进行累减生成操作，即累加生成的逆运算，记为IAGO，可得预测序列
其中，
k+d时刻的预测值为：
d为系统滞后时间。
本发明实施例提供的透水层的厚度为30～50cm。
本发明实施例提供的夯击的能量为800～2500kN·m。
以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种建筑施工地基防老化加固系统，其特征在于，所述建筑施工地基防老化加固系统包括：
温度信息获取模块，与中央控制模块连接，用于通过温度信息获取程序进行建筑施工区域的温度信息的获取；
湿度信息获取模块，与中央控制模块连接，用于通过湿度信息获取程序进行建筑施工区域的湿度信息的获取；
建筑信息获取模块，与中央控制模块连接，用于通过建筑信息获取程序进行建筑施工信息的获取，得到建筑施工信息；所述建筑施工信息包括建筑物高度、建筑物地基深度；
区域信息汇总模块，与中央控制模块连接，用于通过区域信息汇总程序进行建筑施工区域的信息的汇总，得到建筑施工区域汇总信息；
中央控制模块，与温度信息获取模块、湿度信息获取模块、建筑信息获取模块、区域信息汇总模块连接，用于通过主控机控制各连接模块运行，保证各个模块正常运行；
本发明实施例提供的通过主控机控制各连接模块运行，包括：建立灰色模型并通过灰色模型进行控制；
所述灰色模型是由一组灰色微分方程组成的动态模型，建立所述灰色模型GM(1,1)模型，所述建模包括：
X(0)为原始非负数据序列：X(0)＝[x(0)(1),x(0)(2),...,x(0)(n)]，对X(0)进行一次累加生成操作，得到X(0)的1-AGO序列，X(1)＝[x(1)(1),x(1)(2),...,x(1)(n)]，其中，
对序列X(1)进行紧邻均值生成操作，得到X(1)的紧邻均值生成序列Z(1)，其中z(1)(k)＝0.5[x(1)(k)+x(1)(k-1)],k＝1,2,...,n；
得到GM(1,1)的灰色微分方程：x(0)(k)+az(1)(k)＝u，以及相应的白化方程：
其中，a为发展系数，u为灰色作用量；
进行a、u的求解：采用最小二乘法
其中，
Yn＝[x(0)(2)x(0)(3)...x(0)(n)]T；白化方程的解为
相应的灰色微分方程的时间响应序列为：即k时刻的值
对序列
进行累减生成操作，即累加生成的逆运算，记为IAGO，可得预测序列
其中，
k+d时刻的预测值为：
d为系统滞后时间。
2.如权利要求1所述建筑施工地基防老化加固系统，其特征在于，所述建筑施工地基防老化加固系统还包括：
信息分析模块，与中央控制模块连接，用于通过信息分析程序进行建筑施工区域汇总信息的分析，得到信息分析结果；
老化预测模块，与中央控制模块连接，用于通过老化预测程序依据获取的信息分析结果进行建筑地基老化的预测，得到老化预测结果；
透水层铺设模块，与中央控制模块连接，用于通过透水层铺设程序进行透水层的铺设；
夯击贯入度确定模块，与中央控制模块连接，用于通过夯击贯入度确定程序依据老化预测结果进行夯击贯入度的确定，得到夯击贯入度；
夯击加固模块，与中央控制模块连接，用于通过夯击加固程序进行夯击加固程序依据确定的夯击贯入度进行夯击加固。
3.如权利要求1所述建筑施工地基防老化加固系统，其特征在于，所述通过温度信息获取程序进行建筑施工区域的温度信息的获取，包括：
当监测到输入的搜索词和用户属性信息时，生成携带有所述搜索词和所述用户属性信息的信息搜索请求；
将所述信息搜索请求发送至服务器，由所述服务器依据所述信息搜索请求中的搜索词和用户属性信息；从网页数据库中搜寻对应的若干匹配网页，并获取所述若干匹配网页的网页匹配信息；
当接收到所述服务器返回的网页匹配信息时，从所述网页匹配信息中提显示各匹配网页的网页标题。
4.如权利要求3所述建筑施工地基防老化加固系统，其特征在于，所述获取所述若干匹配网页的网页匹配信息，包括：建立终端与互联网的连接，以及从网络中搜索关键词。
5.如权利要求4所述建筑施工地基防老化加固系统，其特征在于，所述建立终端与互联网的连接，包括：
对不同类型的网络连接数据，进行数据预处理和特征提取；
根据所提取的特征，通过广义回归神经网络结合模糊聚类算法进行迭代和训练得出的聚类结果；
根据所述聚类结果，通过设置可信度权重向量和网络连接可信度算法计算相应分类的可信度估值；
通过改进的关联属性判定算法计算网络入侵规则的可信度，作为入侵检测系统中规则库动态调整的依据；
依据调整后的可信度确定是否建立终端与互联网的连接。
6.如权利要求5所述建筑施工地基防老化加固系统，其特征在于，所述对不同类型的网络连接数据，进行数据预处理和特征提取包括：
取n条网络连接记录作为训练集，第i条记录的连续属性值作为一个向量，Xi＝{xi1,xi2,...,xij}，i＝1..n，j＝1..32，标准化计算公式为：
其中，
n为训练集的记录条数，j为属性列，AVGj和STDj分别为一个训练集中，第j列属性的平均值和标准差，x’ij为每一属性的值；
通过属性计算公式将每一属性值归一化；
通过属性计算公式将x’ij归一化到[0,1]区间，x”ij作为最终样本属性的取值，具体公式为：
其中，minj为训练集中第j列属性的最小值，MAXj为训练集中第j列属性的最大值。
7.如权利要求5所述建筑施工地基防老化加固系统，其特征在于，所述通过改进的关联属性判定算法计算网络入侵规则的可信度，作为入侵检测系统中规则库动态调整的依据，包括：对规则库进行分段；对每个分段选取随机样本进行挖掘，读取频繁项集；根据所述频繁项集生成候选项集；扫描所述数据库，确定每一候选集的支持度，删除支持度小于阈值的候选项集；
合并分段样本的频繁项集，并扫描验证；根据对应类别属性的可信度权重向量，再次调整规则的可信度。
8.如权利要求1所述建筑施工地基防老化加固系统，其特征在于，所述通过建筑信息获取程序进行建筑施工信息的获取，得到建筑施工信息，包括：
进行信息所在的数据库的确定，所述数据库包括一个或多个数据元；
基于所述数据元对应的信息的提取路径，获取所述数据元对应的一个或多个建筑施工的信息；所述建筑施工的信息至少包括建筑施工名称；
基于所述建筑施工名称，将一个或多个所述建筑施工的信息按照对应的建筑施工名称进行关联；
基于关联的信息得到对应的结构化数据；基于所述数据元与所述建筑施工的信息之间的对应关系，将所述结构化数据进行转化，得到对应所述数据元中的标准数据；
基于所述建筑施工名称，将对应于同一所述建筑施工名称的各所述标准数据分别与各所述标准数据对应的各所述数据元进行关联存储。
9.如权利要求2所述建筑施工地基防老化加固系统，其特征在于，所述透水层的厚度为30～50cm。
10.如权利要求2所述建筑施工地基防老化加固系统，其特征在于，所述夯击的能量为800～2500kN·m。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110316952.4A CN112949206A (zh) | 2021-03-23 | 2021-03-23 | 一种建筑施工地基防老化加固系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110316952.4A CN112949206A (zh) | 2021-03-23 | 2021-03-23 | 一种建筑施工地基防老化加固系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112949206A true CN112949206A (zh) | 2021-06-11 |
Family
ID=76226682
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110316952.4A Withdrawn CN112949206A (zh) | 2021-03-23 | 2021-03-23 | 一种建筑施工地基防老化加固系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112949206A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115012384A (zh) * | 2022-04-19 | 2022-09-06 | 安徽科旭建设集团有限公司 | 一种建筑施工地基防老化加固系统 |
| CN117538430A (zh) * | 2024-01-04 | 2024-02-09 | 西安建筑科技大学 | 一种基于数据识别的建筑结构加固方法及监测系统 |
-
2021
- 2021-03-23 CN CN202110316952.4A patent/CN112949206A/zh not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115012384A (zh) * | 2022-04-19 | 2022-09-06 | 安徽科旭建设集团有限公司 | 一种建筑施工地基防老化加固系统 |
| CN117538430A (zh) * | 2024-01-04 | 2024-02-09 | 西安建筑科技大学 | 一种基于数据识别的建筑结构加固方法及监测系统 |
| CN117538430B (zh) * | 2024-01-04 | 2024-03-26 | 西安建筑科技大学 | 一种基于数据识别的建筑结构加固方法及监测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111858803B (zh) | 一种滑坡地灾风险区划图生成方法 | |
| Shi et al. | Nonparametric and data-driven interpolation of subsurface soil stratigraphy from limited data using multiple point statistics | |
| Feng et al. | An improved artificial bee colony-random forest (IABC-RF) model for predicting the tunnel deformation due to an adjacent foundation pit excavation | |
| CN107315862B (zh) | 一种建立明挖基坑工程勘察与模拟参数关系的方法 | |
| Kirts et al. | Soil-compressibility prediction models using machine learning | |
| CN112949206A (zh) | 一种建筑施工地基防老化加固系统 | |
| He et al. | Deep convolutional neural network-based method for strength parameter prediction of jointed rock mass using drilling logging data | |
| Zhao et al. | Spatiotemporal deep learning approach on estimation of diaphragm wall deformation induced by excavation | |
| Qiu et al. | A new method for risk assessment of water inrush in a subsea tunnel crossing faults | |
| Huang et al. | An Improved KNN‐Based Slope Stability Prediction Model | |
| Eslami et al. | Deltaic soil behavior classification using CPTu records—Proposed approach and applied to fifty-four case histories | |
| CN115293316A (zh) | 基于ssa-elman中深埋厚煤层导水裂隙带预测方法 | |
| CN113323676B (zh) | 用主成分分析-长短记忆模型确定盾构机刀盘扭矩的方法 | |
| Guo et al. | Data mining technology for the identification and threshold of governing factors of landslide in the Three Gorges Reservoir area | |
| Zhang et al. | Bearing capacity of shallow foundations considering geological uncertainty and soil spatial variability | |
| CN113075744A (zh) | 一种建筑物下盾构隧道影响区域岩溶探测系统 | |
| CN116892390A (zh) | 采煤沉陷区内建筑物下压煤开采范围确定方法及装置 | |
| CN112084553A (zh) | 一种用于隧道规划的勘测方法 | |
| CN115577619A (zh) | 基于机器学习预测液化土残余抗剪强度的方法 | |
| Ye et al. | Prediction of maximum upward displacement of shield tunnel linings during construction using particle swarm optimization-random forest algorithm | |
| Shao et al. | The application of variable fuzzy sets theory on the quality assessment of surrounding rocks | |
| CN115712152A (zh) | 一种地下水库的水文综合探查系统及方法 | |
| CN115200540A (zh) | 一种矿井巷道形变监测与预警方法及系统 | |
| Marache et al. | Understanding subsurface geological and geotechnical complexity at various scales in urban soils using a 3D model | |
| CN112241601B (zh) | 一种盾构隧道地震可恢复性分析方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210611 |