CN113486592B - 一种考虑多因素影响的胶结料结构性能演化预测方法 - Google Patents

Abstract

本发明公开了一种考虑多因素影响的胶结料结构性能演化预测方法，其包括采集骨料的进料速度和骨料视频；采集的骨料视频进行抽帧，并对抽帧的图像进行预处理后，提取每块骨料的轮廓图像；将所有轮廓图像输入已训练的骨料识别网络模型进行骨料级配识别；根据骨料的进料速度和骨料视频，识别每单位立方体骨料的骨料数量，并采用分形维数计算公式计算骨料的分形维数；根据进入拌合站的骨料级配，读取对应骨料级配下的配合比、水胶比和砂率及预设个影响因素；选取胶结坝浇筑中与预设个影响因素相同的影响因素；将选取的影响因素、当前的环境温度和环境湿度输入已训练的抗压强度识别网络模型进行抗压强度预测。

Description

一种考虑多因素影响的胶结料结构性能演化预测方法

技术领域

本发明属于胶结料拌和控制技术领域，具体涉及一种考虑多因素影响的胶结料结构性能演化预测方法。

背景技术

大坝在施工过程，由于大坝不同部位，对大坝的设计抗压强度也不一样，大坝不同部位的承力作用不一样，其设计抗压强度也会存在较大的差异，所以大坝在施工时，必须保证抗压强度满足设计要求，才能保证安全稳定的投入使用。

目前大坝的抗压强度与其配合比及养护周期存在很大的关联度，现有胶结坝是一种土石坝和混凝土坝之外的胶结坝新型筑坝体系，其筑坝材料广源化，包括天然河床砂砾料、基岩和边坡开挖料、人工破碎骨料等当地材料，由于其骨料级配不唯一，然后施工过程中采用现场试验方法确定的抗压强度又很费时间。往往施工时间与采样试验时间存在间隔，影响施工进度，而且采样后的回填也会影响大坝整体的施工状态，且很难以保证最终的抗压强度准确达到设计值。采用统一配合比进行浇筑，同样使得胶结坝的抗压强度难以保证。

发明内容

针对现有技术中的上述不足，本发明通过建立多座施工的胶结坝经验数据库，进行机器学习，基于考虑的多因素影响的胶结料结构性能的指标，建立胶结料结构性能及其影响因素之间预测模型，能够快速预测胶结坝在不同龄期下的抗压强度。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种考虑多因素影响的胶结料结构性能演化预测方法，其包括步骤：

S1、采集进入拌合站的骨料进口的骨料的进料速度和骨料在传输带上平铺汇入的骨料视频；

S2、采用第一边缘服务器对采集的骨料视频进行抽帧，并对抽帧的图像进行预处理后，采用阈值分割方法分割出所有图像中的每块骨料的轮廓图像；

S3、将所有轮廓图像输入已训练的骨料识别网络模型进行骨料级配识别，并将识别结果占比最大的级配作为胶结坝中骨料的骨料级配；

S4、根据骨料的进料速度和骨料视频，采用第二边缘服务器识别每单位立方体骨料的骨料数量，并采用分形维数计算公式计算骨料的分形维数；

S5、根据进入拌合站的骨料级配，读取云端服务器中对应骨料级配下的配合比、水胶比和砂率及灰色关联法计算的与抗压强度最相关的预设个影响因素；

S6、选取骨料的分形维数、砂率、水胶比和胶结坝各原料的重量中与预设个影响因素相同的影响因素；以及

S7、将选取的影响因素、当前的环境温度和环境湿度输入已训练的抗压强度识别网络模型进行抗压强度预测，得到抗压强度与龄期之间的关系曲线。

本发明的有益效果为：本方案首先通过骨料级配识别，基于骨料级配进行配合比的选择，这样可以保证最终确定的配合比更加适配对应的骨料，可以保证浇筑出来的大坝的力学性能。

之后本方案在基于适合相应骨料级配的配合比，通过神经网络对不同龄期下胶结坝的抗压强度进行预测，这样管理人员可以根据胶结坝的设计抗压强度确定其龄期及养护条件，以快速保证修建的大坝的抗压强度达到设计值。

附图说明

图1为考虑多因素影响的胶结料结构性能演化预测方法的流程图。

图2为骨料进料口的结构示意图。

图3所示为本发明实施例提供的经验系数a的分布情况示意图。

具体实施方案

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

参考图1，图1示出了考虑多因素影响的胶结料结构性能演化预测方法的流程图；如图1所示，该方法S包括步骤S1至步骤S7。

在步骤S1中，采集进入拌合站的骨料进口的骨料的进料速度和骨料在传输带上平铺汇入的骨料视频；其中的进料速度，可以采用测速仪来实现。

如图2所示，本方案在骨料进口处设置一块挡板2，通过升降推杆3调整挡板2的高度，以调整骨料进口1的开度，并在挡板2朝向骨料汇入方向的表面布置多个压力传感器，通过压力传感器对挡板2表面受到的压力进行采集，避免骨料进口1过小影响到骨料的顺利汇入。

实施时，本方案优选骨料在传输带上平铺汇入的骨料视频的采集方法包括：

调整骨料进料口的宽度至预设宽度，并采用振动进料方式使进入的骨料采用平铺的方式顺着传输带进入拌合站；

采用图像采集装置从垂直于传输带的角度，采集距离传输带预设距离的图像，并实时采集调整进料口宽度的挡板受到的压力；

当挡板受到的压力在预设连续时长内大于预设压力时，调整挡板上升预设高度；当挡板受到的压力在预设连续时长内等于零时，调整挡板下降预设高度。

在本方案中的骨料视频也可以采用探地雷达扫描形成的视频。

在步骤S2中，采用第一边缘服务器对采集的骨料视频进行抽帧，并对抽帧的图像进行预处理后，采用阈值分割方法分割出所有图像中的每块骨料的轮廓图像。

本方案每15s抽取一帧，这样可以确保均匀涵盖视频中的所有的骨料，以保证后续骨料级配识别的准确性。本方案预处理主要目的是将高清彩色图像转换为灰度图像，方便后续骨料轮廓的分割。

在步骤S3中，将所有轮廓图像输入已训练的骨料识别网络模型进行骨料级配识别，并将识别结果占比最大的级配作为胶结坝中骨料的骨料级配；

在本发明的一个实施例中，所述骨料识别网络模型的训练方法包括：

S31、将胶结坝的骨料筛分为300～150mm、150～80mm、80～40mm、40～20mm 和20～5mm五个级配；

S32、获取每个骨料不同角度的照片，并将位于同一级配的骨料的所有照片划分为一个样本训练集；

S33、采用每个样本训练集分别训练一个独立的卷积神经网络，得到子网络模型，所有的卷积神经网络的网络结构相同；

S34、采用所有级配对应的子网络模型构成已训练的骨料识别网络模型。

本方案根据骨料体积进行骨料级配的确定，可以保证骨料级配更具有代表性，之后再通过骨料不同角度的数据采集进行训练，可以保证自然状态下随机分布的骨料级配识别的准确性。

采用骨料识别网络模型对骨料级配识别时，每个轮廓图像均需要输入五个子网络模型进行识别，选取可靠度最高的识别结果作为轮廓图像对应骨料最终的识别结果。

在步骤S4中，根据骨料的进料速度和骨料视频，采用第二边缘服务器识别每单位立方体骨料的骨料数量，并采用分形维数计算公式计算骨料的分形维数；

实施时，本方案优选所述步骤S4进一步包括：

根据进料速度和进料口的实时宽度，计算每立方骨料经过的时间，并将骨料视频截取成若干视频段；

采用阈值分割方法分割出每个视频段的中每块骨料的轮廓图像，并统计得到每个视频段的骨料数量；

计算所有视频段的骨料数量的加权平均值作为每单位立方体骨料的骨料数量，之后计算骨料的分形维数：

d＝lim_ε→0[log N(ε)/log(1/ε)]，N(ε)＝(1/ε)³

其中，ε为单位立方体一边的长度；N(ε)为单位立方体内骨料数量。

在步骤S5中，根据进入拌合站的骨料级配，读取云端服务器中对应骨料级配下的配合比、水胶比和砂率及灰色关联法计算的与抗压强度最相关的预设个影响因素。

本方案在云端服务器中存储有大量目前已修建的胶结坝的配合比，若是已修建的胶结坝配合比没有涵盖比较全的骨料级配，可以通过室内试验构建不同骨料级配下的配合比，尽量使得云端服务器存储的每个骨料级配能够涵盖所有的尺寸。

在本发明的一个实施例中，采用灰色关联法计算与抗压强度最相关的预设个影响因素的获取方法包括：

S51、以胶结坝的抗压强度为母序列X₀＝{x₀(k)}，以胶结坝拌和的性能指标为子序列X_i＝{x_i(k)}，i＝1,2,...,n，k＝1,2,...,m，n为胶结坝拌和的性能指标总数， x_i(k)为第i个性能指标在第k时刻对应的抗压强度；

S52、对子序列中的元素进行初始化，得到初始化子序列元素x_i′(k)：

S53、根据初始化子序列元素x′_i(k)计算子序列与母序列对应元素的绝对差值Δ0_i(k)：

Δ0_i(k)＝|x′₀(k)-x′_i(k)|

S54、获取绝对差值最小值M₁＝min|x′₀(k)-x′_i(k)|与绝对差值最大值 M₂＝max|x′₀(k)-x′_i(k)|；

S55、根据绝对差值最小值M₁和绝对差值最大值M₂计算得到子序列与母序列对应元素的关联系数r_0i(k)：

其中，为分辨系数，取值为0.5；

S56、根据关联系数r_0i(k)计算每个性能指标与抗压强度的灰色关联度 r(X₀,X_i)：

r(X₀,X_i)＝∑r_0i(k)/n

S57、将每个性能指标与抗压强度的灰色关联度r(X₀,X_i)按从大到小的顺序进行排序，选取前面预设个与抗压强度最相关的预设个影响因素。

本发明实施例中，以粒度分形维数、引气剂掺量、减水剂掺量、水泥用量、胶结材料总量、粉煤灰用量、用水量、砂率和水胶比等胶结坝拌和的性能指标为子序列，以胶结砂砾石28d抗压强度为母序列，计算各因素与抗压强度之间的灰色关联度，计算结果如表1所示。

表1灰色关联度计算结果

从表1中可以看出，各因素与抗压强度的灰关联度均大于0.6，说明这些因素对胶结砂砾石的抗压强度均有重要影响。

其中，粒度分形维数、砂率：骨料的级配影响了砂浆、净浆的包裹作用，进而影响了水泥和粉煤灰与水反应而产生的胶结作用，对于胶结砂砾石来说，分析结果表明，骨料级配是影响其强度的首要因素。砂率与抗压强度之间的灰色关联度为0.646，小于粒度分形维数与抗压强度之间的灰色关联度，这是因为砂率仅表示了砂子占骨料的比例，无法考虑石子比例的影响。

引气剂掺量、减水剂掺量：样本中采用引气剂和减水剂的较少，按61组数据来进行关联度分析，会导致计算结果偏大，提取掺有减水剂的25组数据进行单独分析，结果表明减水剂掺量与抗压强度之间的灰色关联度为0.719，略小于 61组数据计算得到的结果。同样提取掺有引气剂的11组数据进行单独分析，结果表明引气剂掺量与抗压强度之间的灰色关联度为0.654，小于61组数据计算得到的结果。说明在进行灰关联度分析时，样本的选取会对试验结果产生影响，应选尽量多的选取具有代表性的样本。

水泥用量、胶结材料总量、粉煤灰用量：水泥用量对胶结砂砾石的强度势必会产生影响，分析结果表明，水泥用量的灰色关联度为0.716，大于粉煤灰用量的灰色关联度0.664，这与试验、理论研究结果一致，胶结材料总量的影响介于二者之间。

用水量、水胶比：用水量与胶结砂砾石抗压强度之间的灰色关联度为0.660，而水胶比与胶结砂砾石抗压强度之间的灰色关联度为0.638，研究结果表明对于胶结砂砾石来说，水胶比的影响弱于水泥用量等，这是因为减水剂的掺入影响了用水量和水胶比的分析结果，剔除掺有减水剂的配合比，再次分析用水量和水胶比的影响程度，结果表明用水量与胶结砂砾石抗压强度之间的灰色关联度为0.678，而水胶比与胶结砂砾石抗压强度之间的灰色关联度为0.690，说明水胶比对抗压强度的影响大于用水量的影响。

综上所述，各因素对抗压强度的影响依次为粒度分形维数＞减水剂掺量＞水泥用量＞水胶比＞用水量＞胶结材料总量＞粉煤灰用量＞引气剂掺量＞砂率。

在步骤S6中，选取骨料的分形维数、砂率、水胶比和胶结坝各原料的重量中与预设个影响因素相同的影响因素。

在步骤S7中，将选取的影响因素、当前的环境温度和环境湿度输入已训练的抗压强度识别网络模型进行抗压强度预测，得到抗压强度与龄期之间的关系曲线。

实施时，本方案优选所述抗压强度识别网络模型的训练方法包括：

S71、获取已修建的胶结坝的配合比、浇筑时的环境温度、环境湿度及7d、 28d、90d、120d和180d龄期的抗压强度；

S72、采用同一胶结坝与抗压强度最相关的预设个影响因素、浇筑时的环境温度、环境湿度及7d、28d、90d和180d龄期的抗压强度作为一个训练样本；

S73、判断所有训练样本中，每个骨料级配下的每个尺寸对应的训练样本是否均大于预设数量；若是进入步骤S75，否则进入步骤S74；

S74、调整骨料级配下每个尺寸对应胶结坝的配合比、环境温度、环境湿度，并对同一骨料尺寸开展若干组室内试验，得到7d、28d、90d、120d和180d龄期的抗压强度，之后返回步骤S73；

S75、采用所有的训练样本构成训练数据，将训练数据输入卷积神经网络之中，对神经网络进行训练；

S76、采用Adam算法作为网络参数的优化算法对卷积神经网络进行优化，训练至损失值小于设定阈值时，将此时的网络参数保存为最终的网络参数，得到训练完成的抗压强度识别网络模型。

在步骤S74中，当龄期≤28d时，采用测试的方式获得每个骨料级配下的每个尺寸的抗压强度；

当龄期n＞28d时，根据每个骨料级配下每个尺寸的28d龄期的抗压强度 C(28)，计算胶结坝的抗压强度：

C(n)＝a*C(28)*ln(n)

其中，C(n)为龄期为n天时的胶结坝的抗压强度，n为胶结坝的龄期a为经验系数，0.3≤a≤0.4。

从胶结坝的抗压强度的公式可知，只要给出a的取值和胶结颗粒料抗压强度 (7～180d)，就可以预测胶结颗粒料长龄期抗压强度。考虑胶结颗粒料材料本身的离散性，a为一个取值范围，不是固定值，同时为了保证预测范围的可用性，该范围应尽量小。试件大小应为150mm×150mm×150mm湿筛试件。

采用胶结颗粒料抗压强度经验公式对49组试验数据分别拟合分析，分析结果如表2所示：

表249组数据拟合分析试验结果

从表2可以看出，拟合结果相关性系数较高，经验系数a最大值为0.51，最小值为0.27。对经验系数a的值进行进一步分析，从图3可以看出，经验系数a取值集中在0.30～0.44之间，达到了41组，即84％。从胶结颗粒料抗压强度经验公式可知，经验系数a取值越大，计算得到的抗压强度值越大，因此，可以保守些，取值小一些，根据分析结果，本发明实施例中建议经验系数a取值为0.3～0.4。

实施时，考虑多因素影响的胶结料结构性能演化预测方法还包括将步骤S1 中采集的胶结坝原料的重量、进料速度和骨料视频存储至云端服务器。云端服务器，可以对采集的基础数据进行存储，这样可以方便管理人员后续进行查询。

本方案骨料视频的处理分别在两个边缘服务器上进行，余下的处理主要在主服务器上实现，把多个计算量比较的数据分别放在不同的服务器上处理，可以大幅度提高预测速度。

Claims (7)

1.一种考虑多因素影响的胶结料结构性能演化预测方法，其特征在于，包括步骤：

S1、采集进入拌合站的骨料进口的骨料的进料速度和骨料在传输带上平铺汇入的骨料视频；

S2、采用第一边缘服务器对采集的骨料视频进行抽帧，并对抽帧的图像进行预处理后，采用阈值分割方法分割出所有图像中的每块骨料的轮廓图像；

S3、将所有轮廓图像输入已训练的骨料识别网络模型进行骨料级配识别，并将识别结果占比最大的级配作为胶结坝中骨料的骨料级配；

S4、根据骨料的进料速度和骨料视频，采用第二边缘服务器识别每单位立方体骨料的骨料数量，并采用分形维数计算公式计算骨料的分形维数；

S5、根据进入拌合站的骨料级配，读取云端服务器中对应骨料级配下的配合比、水胶比和砂率及灰色关联法计算的与抗压强度最相关的预设个影响因素；

S6、选取骨料的分形维数、砂率、水胶比和胶结坝各原料的重量中与预设个影响因素相同的影响因素；以及

S7、将选取的影响因素、当前的环境温度和环境湿度输入已训练的抗压强度识别网络模型进行抗压强度预测，得到抗压强度与龄期之间的关系曲线；

所述步骤S4进一步包括：

根据进料速度和进料口的实时宽度，计算每立方骨料经过的时间，并将骨料视频截取成若干视频段；

采用阈值分割方法分割出每个视频段的中每块骨料的轮廓图像，并统计得到每个视频段的骨料数量；

计算所有视频段的骨料数量的加权平均值作为每单位立方体骨料的骨料数量，之后计算骨料的分形维数：

其中，ε为单位立方体一边的长度；为单位立方体内骨料数量；

采用灰色关联法计算与抗压强度最相关的预设个影响因素的获取方法包括：

S51、以胶结坝的抗压强度为母序列，以胶结坝拌和的性能指标为子序列，/>，/>，n为胶结坝拌和的性能指标总数，/>为第i个性能指标在第k时刻对应的抗压强度；

S52、对子序列中的元素进行初始化，得到初始化子序列元素：

S53、根据初始化子序列元素计算子序列与母序列对应元素的绝对差值/>：

S54、获取绝对差值最小值与绝对差值最大值；

S55、根据绝对差值最小值M ₁和绝对差值最大值M ₂计算得到子序列与母序列对应元素的关联系数：

其中，为分辨系数，取值为0.5；

S56、根据关联系数计算每个性能指标与抗压强度的灰色关联度/>：

S57、将每个性能指标与抗压强度的灰色关联度按从大到小的顺序进行排序，选取前面预设个与抗压强度最相关的预设个影响因素。

2.根据权利要求1所述的考虑多因素影响的胶结料结构性能演化预测方法，其特征在于，所述骨料识别网络模型的训练方法包括：

S31、将胶结坝的骨料筛分为300~150mm、150~80mm、80~40mm、40~20mm和20~5mm五个级配；

S32、获取每个骨料不同角度的照片，并将位于同一级配的骨料的所有照片划分为一个样本训练集；

S33、采用每个样本训练集分别训练一个独立的卷积神经网络，得到子网络模型，所有的卷积神经网络的网络结构相同；

S34、采用所有级配对应的子网络模型构成已训练的骨料识别网络模型。

3.根据权利要求1所述的考虑多因素影响的胶结料结构性能演化预测方法，其特征在于，所述骨料在传输带上平铺汇入的骨料视频的采集方法包括：

调整骨料进料口的宽度至预设宽度，并采用振动进料方式使进入的骨料采用平铺的方式顺着传输带进入拌合站；

采用图像采集装置从垂直于传输带的角度，采集距离传输带预设距离的图像，并实时采集调整进料口宽度的挡板受到的压力；

当挡板受到的压力在预设连续时长内大于预设压力时，调整挡板上升预设高度；当挡板受到的压力在预设连续时长内等于零时，调整挡板下降预设高度。

4.根据权利要求1所述的考虑多因素影响的胶结料结构性能演化预测方法，其特征在于，所述骨料视频为采用探地雷达扫描形成的视频。

5.根据权利要求1所述的考虑多因素影响的胶结料结构性能演化预测方法，其特征在于，所述抗压强度识别网络模型的训练方法包括：

S71、获取已修建的胶结坝的配合比、浇筑时的环境温度、环境湿度及7d、28d、90d、120d和180d龄期的抗压强度；

S72、采用同一胶结坝与抗压强度最相关的预设个影响因素、浇筑时的环境温度、环境湿度及7d、28d、90d和180d龄期的抗压强度作为一个训练样本；

S73、判断所有训练样本中，每个骨料级配下的每个尺寸对应的训练样本是否均大于预设数量；若是进入步骤S75，否则进入步骤S74；

S74、调整骨料级配下每个尺寸对应胶结坝的配合比、环境温度、环境湿度，并对同一骨料尺寸开展若干组室内试验，得到7d、28d、90d、120d和180d龄期的抗压强度，之后返回步骤S73；

S75、采用所有的训练样本构成训练数据，将训练数据输入卷积神经网络之中，对神经网络进行训练；

S76、采用Adam算法作为网络参数的优化算法对卷积神经网络进行优化，训练至损失值小于设定阈值时，将此时的网络参数保存为最终的网络参数，得到训练完成的抗压强度识别网络模型。

6.根据权利要求5所述的考虑多因素影响的胶结料结构性能演化预测方法，其特征在于，当龄期≤28d时，采用测试的方式获得每个骨料级配下的每个尺寸的抗压强度；

当龄期n＞28d时，根据每个骨料级配下每个尺寸的28d龄期的抗压强度C(28)，计算胶结坝的抗压强度：

C(n)=a* C(28) *ln(n)

其中，C(n)为龄期为n天时的胶结坝的抗压强度，n为胶结坝的龄期a为经验系数，0.3≤a≤0.4。

7.根据权利要求1-6任一所述的考虑多因素影响的胶结料结构性能演化预测方法，其特征在于，还包括将步骤S1中采集的胶结坝原料的重量、进料速度和骨料视频存储至云端服务器。