CN114417650B - 一种坝体安全监测方法和系统 - Google Patents
一种坝体安全监测方法和系统 Download PDFInfo
- Publication number
- CN114417650B CN114417650B CN202111489499.3A CN202111489499A CN114417650B CN 114417650 B CN114417650 B CN 114417650B CN 202111489499 A CN202111489499 A CN 202111489499A CN 114417650 B CN114417650 B CN 114417650B
- Authority
- CN
- China
- Prior art keywords
- model
- target
- deep learning
- safety monitoring
- material strength
- 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.)
- Active
Links
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
- 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
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种坝体安全监测方法和系统,基于知识驱动与数据驱动融合的深度学习方式,建立坝体材料强度参数到坝体安全监测指标集的双向映射模型,实现安全监测指标数据的预测以及坝体材料强度参数的校准与预测,从而可依据坝体安全监测指标集和材料强度参数进行坝体安全风险量化预警,进而可更加准确的对坝体进行安全监测,提高了坝体的安全性。
Description
技术领域
本申请涉及发电技术领域,更具体地,涉及一种坝体安全监测方法和系统。
背景技术
对于火电企业来说,煤炭燃烧后形成大量的粉煤灰,需要筑建专用灰场进行贮存,而粉煤灰场的灰坝是火电企业安全生产的重要环节,如坝体结构安全监测不到位,极易导致灰场溃坝事故发生,造成人身伤亡和财产损失。对于水电企业来说,库区所在地自然环境相对复杂多变,受暴雨、洪水、滑坡、崩塌、泥石流等自然灾害影响,可能存在坝体结构安全隐患,甚至造成漫坝、溃坝、水淹厂房灾难性后果。因此开展坝体安全监测预警研究,对于发电企业安全生产具有重要的理论和现实意义。
坝体安全监测目的是通过对布设监测设备并对收集的时序数据进行分类、整理、计算、分析来掌握坝体的运行性态,保障其安全运行。由于坝体安全监测种类多、设备布置分散、监测数据处理难度大和时变不易察觉,使管理过程中各类数据冗杂且信息分散,导致工程安全管理难度增大。同时,从监测量分析坝体结构与材料强度的变化,进而分析坝体的安全风险,极具技术挑战性。
当前坝体安全风险量化预警技术的原理是根据坝体结构设计方案,以结构强度参数作为自变量,以结构变形、应力、裂缝、渗流等检测指标作为因变量,建立自变量到因变量的映射模型,通过监测结构安全指标是否到达门限值来评估坝体安全,现有技术的坝体安全监测技术可分为以下三类:
第一类为坝体安全综合评价方法,多采用层次分析法,通过对各类坝体安全检测指标进行分层加权得到坝体整体安全的评价,其依赖于专家的经验,难以定量的、精准的分析坝体的风险。
第二类为针对坝体某个安全指标的历史监测数据采用各种算法模型进行预测,可以实现外界条件下特定指标是否在预设的门限值以内从而评估风险。但这种方法是对坝体安全的因变量进行分析,难以定量分析决定坝体安全的结构与材料强度等自变量是否发生变化从而导致坝体安全风险发生变化。同时该类方法是针对某个具体安全指标进行分析,不能实现坝体结构整体安全的风险定量预测。
第三类是对监测数据的异常值处理,抑制测量噪声或干扰对真实值的负面影响,其也不能实现坝体安全风险的量化预测。
因此,如何提高对坝体进行安全监测的准确性,提高坝体安全性,是目前有待解决的技术问题。
发明内容
本发明提供一种坝体安全监测方法,用以解决现有技术中对坝体进行安全监测的准确度较低的技术问题。该方法包括:
根据坝体的结构设计模型和材料强度参数的历史数据建立基于有限元模型或有限差分模型的初步本构模型,并以坝体安全监测指标集的关联指标的历史数据作为外界激励,以安全监测指标集的历史数据作为响应对所述初步本构模型进行修正后生成目标本构模型;
向所述目标本构模型随机加载输入激励并记录所述目标本构模型的输出响应,根据所述输入激励和所述输出响应建立模拟数据集,并根据所述目标本构模型和所述模拟数据集构建并训练出对安全监测指标集预测的目标深度学习模型;
基于所述目标深度学习模型构建多层感知器模型,并基于所述目标深度学习模型和材料强度参数的历史数据训练所述多层感知器模型,以生成从安全监测指标集到材料强度参数的目标逆映射模型;
基于监测到的材料强度参数的实际数据和安全监测指标集的实际数据对所述目标逆映射模型进行校准并预测出材料强度参数的最新数据,并基于材料强度参数的最新数据更新所述目标本构模型后获取新的目标本构模型;
将监测到的所述关联指标的实际数据输入所述目标深度学习模型,并根据所述目标深度学习模型输出的与安全监测指标集对应的第一数值确定坝体安全监测指标集的风险度;
将所述第一数值输入与所述新的目标本构模型对应的新的目标逆映射模型,并根据所述新的目标逆映射模型输出的与材料强度参数对应的第二数值确定坝体材料强度参数的风险度;
其中,所述多层感知器模型的输入层与输出层的参数和所述目标深度学习模型的输入层与输出层的参数相同。
相应的,本发明还提供了一种坝体安全监测系统,所述系统包括:
第一建模单元,用于根据坝体的结构设计模型和材料强度参数的历史数据建立基于有限元模型或有限差分模型的初步本构模型,并以坝体安全监测指标集的关联指标的历史数据作为外界激励,以安全监测指标集的历史数据作为响应对所述初步本构模型进行修正后生成目标本构模型;
第二建模单元,用于向所述目标本构模型随机加载输入激励并记录所述目标本构模型的输出响应,根据所述输入激励和所述输出响应建立模拟数据集,并根据所述目标本构模型和所述模拟数据集构建并训练出对安全监测指标集预测的目标深度学习模型;
第三建模单元,用于基于所述目标深度学习模型构建多层感知器模型,并基于所述目标深度学习模型和材料强度参数的历史数据训练所述多层感知器模型,以生成从安全监测指标集到材料强度参数的目标逆映射模型;
更新单元,用于基于监测到的材料强度参数的实际数据和安全监测指标集的实际数据对所述目标逆映射模型进行校准并预测出材料强度参数的最新数据,并基于材料强度参数的最新数据更新所述目标本构模型后获取新的目标本构模型;
第一确定单元,用于将监测到的所述关联指标的实际数据输入所述目标深度学习模型,并根据所述目标深度学习模型输出的与安全监测指标集对应的第一数值确定坝体安全监测指标集的风险度;
第二确定单元,用于将所述第一数值输入与所述新的目标本构模型对应的新的目标逆映射模型,并根据所述新的目标逆映射模型输出的与材料强度参数对应的第二数值确定坝体材料强度参数的风险度;
其中,所述多层感知器模型的输入层与输出层的参数和所述目标深度学习模型的输入层与输出层的参数相同。
通过应用以上技术方案,基于知识驱动与数据驱动融合的深度学习方式,建立坝体材料强度参数到坝体安全监测指标集的双向映射模型,实现安全监测指标数据的预测以及坝体材料强度参数的校准与预测,从而可依据坝体安全监测指标集和材料强度参数进行坝体安全风险量化预警,进而可更加准确的对坝体进行安全监测,提高了坝体的安全性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,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示出了本发明实施例提出的一种坝体安全监测方法的流程示意图;
图2示出了本发明另一实施例提出的一种坝体安全监测方法的流程示意图;
图3示出了本发明实施例提出的一种坝体安全监测系统的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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所有其他实施例,都属于本申请保护的范围。
本申请实施例提供一种坝体安全监测方法,基于知识驱动与数据驱动融合的深度学习方式,建立坝体材料强度参数到坝体安全监测指标集的双向映射模型,实现安全监测指标数据的预测以及坝体材料强度参数的校准与预测。如图1所示,该方法包括以下步骤:
步骤S101,根据坝体的结构设计模型和材料强度参数的历史数据建立基于有限元模型或有限差分模型的初步本构模型,并以坝体安全监测指标集的关联指标的历史数据作为外界激励,以安全监测指标集的历史数据作为响应对所述初步本构模型进行修正后生成目标本构模型。
本实施例中,预先进行数据收集,可根据坝体结构设计方案与施工方案确定坝体的结构设计模型;根据坝体各种材料的设计强度指标、工程竣工验收实测的材料强度确定材料强度参数的历史数据;根据坝体运行过程中获取的监测数据获取安全监测指标集及其关联指标的历史数据。
根据坝体的结构设计模型和材料强度参数的历史数据选择本构模型,建立基于有限元模型或有限差分模型的初步本构模型,然后以坝体安全监测指标集的关联指标的历史数据作为外界激励,以安全监测指标集的历史数据作为响应对初步本构模型进行修正,生成符合实际的目标本构模型。
步骤S102,向所述目标本构模型随机加载输入激励并记录所述目标本构模型的输出响应,根据所述输入激励和所述输出响应建立模拟数据集,并根据所述目标本构模型和所述模拟数据集构建并训练出对安全监测指标集预测的目标深度学习模型。
本实施例中,可从所述关联指标的历史数据中随机选取数据向目标本构模型加载输入激励,记录目标本构模型的输出响应,然后根据各输入激励和各输出响应建立模拟数据集,再根据目标本构模型和模拟数据集构建并训练出对安全监测指标集预测的目标深度学习模型。
为了可靠的训练出目标深度学习模型,在本申请一些实施例中,根据所述目标本构模型和所述模拟数据集构建并训练出进行安全监测指标集预测的目标深度学习模型,具体为:
根据所述目标本构模型确定深度学习的输入层与输出层的节点数及属性、网络类型和隐藏层参数,以构建出深度学习模型;
基于所述模拟数据集训练所述深度学习模型,并根据训练结果生成所述目标深度学习模型。
本实施例中,根据目标本构模型确定深度学习的输入层与输出层的节点数及属性,并设计深度学习模型的网络结构类型及隐藏层参数,构建出深度学习模型,然后基于模拟数据集对深度学习模型进行训练,生成目标深度学习模型。
需要说明的是,以上实施例的方案仅为本申请所提出的一种具体实现方案,其他根据目标本构模型和模拟数据集构建并训练出目标深度学习模型的方式均属于本申请的保护范围。
为了提高目标深度学习模型的准确性,在本申请一些实施例中,在根据训练结果生成所述目标深度学习模型之后,所述方法还包括:
基于与所述模拟数据集对应的实际监测数据对所述深度学习模型进行精细调整。
本实施例中,获取与模拟数据集对应的实际监测数据,并基于该实际监测数据对深度学习模型进行精细调整。
步骤S103,基于所述目标深度学习模型构建多层感知器模型,并基于所述目标深度学习模型和材料强度参数的历史数据训练所述多层感知器模型,以生成从安全监测指标集到材料强度参数的目标逆映射模型。
本实施例中,基于目标深度学习模型构建多层感知器模型,该多层感知器模型的输入层与输出层的参数与目标深度学习模型的输入层与输出层的参数相同,然后基于目标深度学习模型和材料强度参数的历史数据训练多层感知器模型,以生成从安全监测指标集到材料强度参数的目标逆映射模型,也即安全监测指标集为该目标逆映射模型的输入数据,材料强度参数的预测值为该目标逆映射模型的输出数据。
为了得到准确的目标逆映射模型,在本申请一些实施例中,基于所述目标深度学习模型和材料强度参数的历史数据训练所述多层感知器模型,以生成从安全监测指标集到材料强度参数的目标逆映射模型,具体为:
将所述目标深度学习模型的外界激励和材料强度参数的历史数据作为输入数据,将所述目标深度学习模型的预测值作为样本标注值训练所述多层感知器模型,以生成多层感知器逆映射模型;
基于所述多层感知器逆映射模型生成所述目标逆映射模型。
本实施例中,是将目标深度学习模型的外界激励和材料强度参数的历史数据作为多层感知模型的输入数据,将所述目标深度学习模型输出的预测值作为多层感知模型的样本标注值,对多层感知器模型进行训练得到多层感知器逆映射模型,然后基于多层感知器逆映射模型生成目标逆映射模型。
需要说明的是,以上实施例的方案仅为本申请所提出的一种具体实现方案,其他基于目标深度学习模型和材料强度参数的历史数据训练多层感知器模型并生成目标逆映射模型的方式均属于本申请的保护范围。
为了得到准确的目标逆映射模型,在本申请一些实施例中,基于所述多层感知器逆映射模型生成所述目标逆映射模型,具体为:
基于LRP算法对所述多层感知器逆映射模型进行处理;
根据处理结果生成所述目标逆映射模型。
本实施例中,基于LRP(Layer-wise Relevance Propagation,关性逐层传播)算法对多层感知器逆映射模型进行处理,生成目标逆映射模型。
LRP算法的核心是利用反向传播将高层的相关性分值递归地传播到低层直至传播到输入层。
本领域技术人员可根据实际需要选择其他的反向传播算法对多层感知器逆映射模型处理得到目标逆映射模型,这并不影响本申请的保护范围。
步骤S104,基于监测到的材料强度参数的实际数据和安全监测指标集的实际数据对所述目标逆映射模型进行校准并预测出材料强度参数的最新数据,并基于材料强度参数的最新数据更新所述目标本构模型后获取新的目标本构模型。
本实施例中,使用监测到的材料强度参数的实际数据和安全监测指标集的实际数据对所述目标逆映射模型进行校准,并基于校准后的目标逆映射模型预测出材料强度参数的最新数据,基于该材料强度参数的最新数据更新目标本构模型,提高了目标本构模型的准确性。
步骤S105,将监测到的所述关联指标的实际数据输入所述目标深度学习模型,并根据所述目标深度学习模型输出的与安全监测指标集对应的第一数值确定坝体安全监测指标集的风险度。
本实施例中,将监测到的关联指标的实际数据输入目标深度学习模型,目标深度学习模型会输出与安全监测指标集对应的第一数值,根据第一数值的置信度可确定坝体安全监测指标集的风险度。
获取第一数值的置信度的具体过程对于本领域技术人员是显而易见的,在此不再赘述。
步骤S106,将所述第一数值输入与所述新的目标本构模型对应的新的目标逆映射模型,并根据所述新的目标逆映射模型输出的与材料强度参数对应的第二数值确定坝体材料强度参数的风险度。
本实施例中,在获取新的目标本构模型后,基于该新的目标本构模型重新执行步骤S102和步骤S103可得到新的目标逆映射模型,将所述第一数值输入新的目标逆映射模型进行预测,得到与材料强度参数对应的第二数值,根据该第二数值的变化程度确定坝体材料强度参数的风险度。
通过应用以上技术方案,根据坝体的结构设计模型和材料强度参数的历史数据建立基于有限元模型或有限差分模型的初步本构模型,并以坝体安全监测指标集的关联指标的历史数据作为外界激励,以安全监测指标集的历史数据作为响应对初步本构模型进行修正后生成目标本构模型;向目标本构模型随机加载输入激励并记录目标本构模型的输出响应,根据输入激励和输出响应建立模拟数据集,并根据目标本构模型和模拟数据集构建并训练出对安全监测指标集预测的目标深度学习模型;基于目标深度学习模型构建多层感知器模型,并基于目标深度学习模型和材料强度参数的历史数据训练多层感知器模型,以生成从安全监测指标集到材料强度参数的目标逆映射模型;基于监测到的材料强度参数的实际数据和安全监测指标集的实际数据对目标逆映射模型进行校准并预测出材料强度参数的最新数据,并基于材料强度参数的最新数据更新目标本构模型后获取新的目标本构模型;将监测到的关联指标的实际数据输入目标深度学习模型,并根据目标深度学习模型输出的与安全监测指标集对应的第一数值确定坝体安全监测指标集的风险度;将第一数值输入与新的目标本构模型对应的新的目标逆映射模型,并根据新的目标逆映射模型输出的与材料强度参数对应的第二数值确定坝体材料强度参数的风险度,从而可依据坝体安全监测指标集和材料强度参数进行坝体安全风险量化预警,进而可准确的对坝体进行安全监测,提高了坝体的安全性。
为了进一步阐述本发明的技术思想,现结合具体的应用场景,对本发明的技术方案进行说明。
本申请实施例提供一种坝体安全监测方法,如图2所示,包括以下步骤:
步骤一:数据收集。
1)坝体结构设计模型:坝体结构设计方案与施工方案,明确特定坝体的结构模型;
2)坝体结构强度数据收集:坝体各种材料的设计强度指标、工程竣工验收实测的材料强度;
3)坝体安全监测的历史数据:坝体运行过程中坝体安全监测指标集以及关联指标的历史数据。
步骤二:目标本构模型建模。
1)根据坝体结构设计模型、材料强度参数,选择本构模型,初步建立基于有限元模型或有限差分模型的初步本构模型;
2)以坝体安全监测指标集的关联指标的历史数据作为外界激励,以安全监测指标集的历史数据作为响应对初步本构模型进行修正,生成目标本构模型。
步骤三:目标深度学习模型建模。
1)基于目标本构模型的数值模拟:向目标本构模型随机加载输入激励,并记录目标本构模型的输出响应,基于输入激励和输出响应构成深度学习模型预训练的模拟数据集;
2)深度学习建模:根据目标本构模型确定深度学习模型的输入层与输出层的节点数及其属性,设计深度学习模型的网络结构类型及隐藏层参数;
3)深度学习模型训练:使用模拟数据集对深度学习模型进行训练,得到目标深度学习模型。
步骤四:目标逆映射模型建模。
1)逆映射模型设计:采用多层感知器模型,其输入层与输出层参数与目标深度学习模型相同;
2)逆映射模型训练:将目标深度学习模型的外界激励与材料强度参数的历史数据作为输入数据、将目标深度学习模型输出的预测值作为样本标注值,训练多层感知器模型;
3)坝体材料强度参数的计算:采用LRP算法对多层感知器逆映射模型进行处理,生成从安全监测指标集到材料强度参数的目标逆映射模型。
步骤五:坝体实测数据微调目标深度学习模型。
使用与模拟数据集对应的实测数据对深度学习模型进行精细调整。
步骤六:更新目标本构模型。
使用坝体结构安全定期检测的材料强度参数的实际数据和安全监测指标集的实际数据对目标逆映射模型就行校准,获得材料强度参数的最新数据,并更新目标本构模型。
步骤七:坝体安全风险量化预警。
1)坝体安全监测指标集的风险量化预警:将监测到的关联指标的实际数据输入目标深度学习模型,并根据目标深度学习模型输出的安全监测指标集的数值确定坝体安全监测指标集的风险度,若该风险度超出阈值,则发出预警;
2)坝体材料强度参数的风险量化预警:将目标深度学习模型输出的安全监测指标集的数值输入与新的目标本构模型对应的新的目标逆映射模型,并根据新的目标逆映射模型输出的材料强度参数的数值确定坝体材料强度参数的风险度,若该风险度超出阈值,则发出预警。
本申请实施例还提出了一种坝体安全监测系统,如图3所示,所述系统包括:
第一建模单元301,用于根据坝体的结构设计模型和材料强度参数的历史数据建立基于有限元模型或有限差分模型的初步本构模型,并以坝体安全监测指标集的关联指标的历史数据作为外界激励,以安全监测指标集的历史数据作为响应对所述初步本构模型进行修正后生成目标本构模型;
第二建模单元302,用于向所述目标本构模型随机加载输入激励并记录所述目标本构模型的输出响应,根据所述输入激励和所述输出响应建立模拟数据集,并根据所述目标本构模型和所述模拟数据集构建并训练出对安全监测指标集预测的目标深度学习模型;
第三建模单元303,用于基于所述目标深度学习模型构建多层感知器模型,并基于所述目标深度学习模型和材料强度参数的历史数据训练所述多层感知器模型,以生成从安全监测指标集到材料强度参数的目标逆映射模型;
更新单元304,用于基于监测到的材料强度参数的实际数据和安全监测指标集的实际数据对所述目标逆映射模型进行校准并预测出材料强度参数的最新数据,并基于材料强度参数的最新数据更新所述目标本构模型后获取新的目标本构模型;
第一确定单元305,用于将监测到的所述关联指标的实际数据输入所述目标深度学习模型,并根据所述目标深度学习模型输出的与安全监测指标集对应的第一数值确定坝体安全监测指标集的风险度;
第二确定单元306,用于将所述第一数值输入与所述新的目标本构模型对应的新的目标逆映射模型,并根据所述新的目标逆映射模型输出的与材料强度参数对应的第二数值确定坝体材料强度参数的风险度;
其中,所述多层感知器模型的输入层与输出层的参数和所述目标深度学习模型的输入层与输出层的参数相同。
在本申请具体的应用场景中,第二建模单元302,具体用于:
根据所述目标本构模型确定深度学习的输入层与输出层的节点数及属性、网络类型和隐藏层参数,以构建出深度学习模型;
基于所述模拟数据集训练所述深度学习模型,并根据训练结果生成所述目标深度学习模型。
在本申请具体的应用场景中,第二建模单元302,还用于:
基于与所述模拟数据集对应的实际监测数据对所述深度学习模型进行精细调整。
在本申请具体的应用场景中,第三建模单元303,具体用于:
将所述目标深度学习模型的外界激励和材料强度参数的历史数据作为输入数据,将所述目标深度学习模型的预测值作为样本标注值训练所述多层感知器模型,以生成多层感知器逆映射模型;
基于所述多层感知器逆映射模型生成所述目标逆映射模型。
在本申请具体的应用场景中,第三建模单元303,还具体用于:
基于LRP算法对所述多层感知器逆映射模型进行处理;
根据处理结果生成所述目标逆映射模型。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种坝体安全监测方法,其特征在于,所述方法包括:
根据坝体的结构设计模型和材料强度参数的历史数据,建立基于有限元模型或有限差分模型的初步本构模型,并以坝体安全监测指标集的关联指标的历史数据作为外界激励,以安全监测指标集的历史数据作为响应对所述初步本构模型进行修正后生成目标本构模型;
向所述目标本构模型随机加载输入激励并记录所述目标本构模型的输出响应,根据所述输入激励和所述输出响应建立模拟数据集,并根据所述目标本构模型和所述模拟数据集构建并训练出对安全监测指标集预测的目标深度学习模型;
基于所述目标深度学习模型构建多层感知器模型,并基于所述目标深度学习模型和材料强度参数的历史数据训练所述多层感知器模型,以生成从安全监测指标集到材料强度参数的目标逆映射模型;
基于监测到的材料强度参数的实际数据和安全监测指标集的实际数据对所述目标逆映射模型进行校准并预测出材料强度参数的最新数据,并基于材料强度参数的最新数据更新所述目标本构模型后获取新的目标本构模型;
将监测到的所述关联指标的实际数据输入所述目标深度学习模型,并根据所述目标深度学习模型输出的与安全监测指标集对应的第一数值确定坝体安全监测指标集的风险度;
将所述第一数值输入与所述新的目标本构模型对应的新的目标逆映射模型,并根据所述新的目标逆映射模型输出的与材料强度参数对应的第二数值确定坝体材料强度参数的风险度;
其中,所述多层感知器模型的输入层与输出层的参数和所述目标深度学习模型的输入层与输出层的参数相同。
2.如权利要求1所述的方法,其特征在于,根据所述目标本构模型和所述模拟数据集构建并训练出进行安全监测指标集预测的目标深度学习模型,具体为:
根据所述目标本构模型确定深度学习的输入层与输出层的节点数及属性、网络类型和隐藏层参数,以构建出深度学习模型;
基于所述模拟数据集训练所述深度学习模型,并根据训练结果生成所述目标深度学习模型。
3.如权利要求2所述的方法,其特征在于,在根据训练结果生成所述目标深度学习模型之后,所述方法还包括:
基于与所述模拟数据集对应的实际监测数据对所述深度学习模型进行精细调整。
4.如权利要求1所述的方法,其特征在于,基于所述目标深度学习模型和材料强度参数的历史数据训练所述多层感知器模型,以生成从安全监测指标集到材料强度参数的目标逆映射模型,具体为:
将所述目标深度学习模型的外界激励和材料强度参数的历史数据作为输入数据,将所述目标深度学习模型的预测值作为样本标注值训练所述多层感知器模型,以生成多层感知器逆映射模型;
基于所述多层感知器逆映射模型生成所述目标逆映射模型。
5.如权利要求4所述的方法,其特征在于,基于所述多层感知器逆映射模型生成所述目标逆映射模型,具体为:
基于LRP算法对所述多层感知器逆映射模型进行处理;
根据处理结果生成所述目标逆映射模型。
6.一种坝体安全监测系统,其特征在于,所述系统包括:
第一建模单元,用于根据坝体的结构设计模型和材料强度参数的历史数据建立基于有限元模型或有限差分模型的初步本构模型,并以坝体安全监测指标集的关联指标的历史数据作为外界激励,以安全监测指标集的历史数据作为响应对所述初步本构模型进行修正后生成目标本构模型;
第二建模单元,用于向所述目标本构模型随机加载输入激励并记录所述目标本构模型的输出响应,根据所述输入激励和所述输出响应建立模拟数据集,并根据所述目标本构模型和所述模拟数据集构建并训练出对安全监测指标集预测的目标深度学习模型;
第三建模单元,用于基于所述目标深度学习模型构建多层感知器模型,并基于所述目标深度学习模型和材料强度参数的历史数据训练所述多层感知器模型,以生成从安全监测指标集到材料强度参数的目标逆映射模型;
更新单元,用于基于监测到的材料强度参数的实际数据和安全监测指标集的实际数据对所述目标逆映射模型进行校准并预测出材料强度参数的最新数据,并基于材料强度参数的最新数据更新所述目标本构模型后获取新的目标本构模型;
第一确定单元,用于将监测到的所述关联指标的实际数据输入所述目标深度学习模型,并根据所述目标深度学习模型输出的与安全监测指标集对应的第一数值确定坝体安全监测指标集的风险度;
第二确定单元,用于将所述第一数值输入与所述新的目标本构模型对应的新的目标逆映射模型,并根据所述新的目标逆映射模型输出的与材料强度参数对应的第二数值确定坝体材料强度参数的风险度;
其中,所述多层感知器模型的输入层与输出层的参数和所述目标深度学习模型的输入层与输出层的参数相同。
7.如权利要求6所述的系统,其特征在于,所述第二建模单元,具体用于:
根据所述目标本构模型确定深度学习的输入层与输出层的节点数及属性、网络类型和隐藏层参数,以构建出深度学习模型;
基于所述模拟数据集训练所述深度学习模型,并根据训练结果生成所述目标深度学习模型。
8.如权利要求7所述的系统,其特征在于,所述第二建模单元,还用于:
基于与所述模拟数据集对应的实际监测数据对所述深度学习模型进行精细调整。
9.如权利要求6所述的系统,其特征在于,所述第三建模单元,具体用于:
将所述目标深度学习模型的外界激励和材料强度参数的历史数据作为输入数据,将所述目标深度学习模型的预测值作为样本标注值训练所述多层感知器模型,以生成多层感知器逆映射模型;
基于所述多层感知器逆映射模型生成所述目标逆映射模型。
10.如权利要求9所述的系统,其特征在于,所述第三建模单元,还具体用于:
基于LRP算法对所述多层感知器逆映射模型进行处理;
根据处理结果生成所述目标逆映射模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111489499.3A CN114417650B (zh) | 2021-12-08 | 2021-12-08 | 一种坝体安全监测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111489499.3A CN114417650B (zh) | 2021-12-08 | 2021-12-08 | 一种坝体安全监测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114417650A CN114417650A (zh) | 2022-04-29 |
CN114417650B true CN114417650B (zh) | 2023-04-07 |
Family
ID=81264870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111489499.3A Active CN114417650B (zh) | 2021-12-08 | 2021-12-08 | 一种坝体安全监测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114417650B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115497266B (zh) * | 2022-08-11 | 2024-04-05 | 神华新街能源有限责任公司 | 矿区地下水库坝体的安全预警方法、其装置及安全预警系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881601A (zh) * | 2020-07-01 | 2020-11-03 | 中国电建集团昆明勘测设计研究院有限公司 | 一种基于深度学习与有限元单元法的土石坝材料本构模型构建方法 |
CN113191055A (zh) * | 2021-05-06 | 2021-07-30 | 河海大学 | 一种基于深度强化网络的大坝材料性能参数反演方法 |
-
2021
- 2021-12-08 CN CN202111489499.3A patent/CN114417650B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881601A (zh) * | 2020-07-01 | 2020-11-03 | 中国电建集团昆明勘测设计研究院有限公司 | 一种基于深度学习与有限元单元法的土石坝材料本构模型构建方法 |
CN113191055A (zh) * | 2021-05-06 | 2021-07-30 | 河海大学 | 一种基于深度强化网络的大坝材料性能参数反演方法 |
Non-Patent Citations (2)
Title |
---|
基于深度学习的大坝变形预测模型;郭张军等;《水电能源科学》;20200325(第03期);全文 * |
高土石坝工程安全评价与预警信息管理系统;张宗亮等;《中国工程科学》;20111215(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114417650A (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480341B (zh) | 一种基于深度学习的大坝安全综合评判方法 | |
CN106872657A (zh) | 一种多变量水质参数时序数据异常事件检测方法 | |
CN112528365B (zh) | 一种地下基础设施结构健康演化趋势预测方法 | |
CN112101431A (zh) | 电子设备故障诊断系统 | |
CN111625988A (zh) | 基于深度学习的桥梁健康管理分析与预测系统及方法 | |
CN114417650B (zh) | 一种坝体安全监测方法和系统 | |
CN114492211B (zh) | 一种基于自回归网络模型的剩余油分布预测方法 | |
CN105096041A (zh) | 一种指标异动的溯源及预测方法、装置 | |
CN108595803A (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
Santillán et al. | Dam seepage analysis based on artificial neural networks: The hysteresis phenomenon | |
CN112330184A (zh) | 施工风险的预测方法、装置、设备和介质 | |
CN117387559B (zh) | 基于数字孪生的混凝土桥监测系统及方法 | |
Hellgren et al. | Performance of data-based models for early detection of damage in concrete dams | |
Qian et al. | Surrogate-assisted seismic performance assessment incorporating vine copula captured dependence | |
Zhang et al. | Predicting growth and interaction of multiple cracks in structural systems using Dynamic Bayesian Networks | |
Cao et al. | Seismic damage identification of high arch dams based on an unsupervised deep learning approach | |
CN104504265B (zh) | 一种在役桥梁监测信息安全评估的方法 | |
Bandara | Damage identification and condition assessment of building structures using frequency response functions and neural networks | |
Yang et al. | Studies on fault diagnosis of dissolved oxygen sensor based on GA-SVM | |
Song et al. | A novel outlier detection method of long-term dam monitoring data based on SSA-NAR | |
CN116523187A (zh) | 一种基于bim的工程进度监控方法及其系统 | |
Veghar et al. | Epistemic uncertainty treatment using group method of data handling algorithm in seismic collapse fragility | |
CN103337000B (zh) | 一种油气集输系统安全监测预警方法 | |
CN113744888B (zh) | 区域流行病趋势预测预警方法及系统 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 |
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 |