CN114626580A - 一种建筑工地扬尘浓度预测方法及系统 - Google Patents

一种建筑工地扬尘浓度预测方法及系统 Download PDF

Info

Publication number
CN114626580A
CN114626580A CN202210177570.2A CN202210177570A CN114626580A CN 114626580 A CN114626580 A CN 114626580A CN 202210177570 A CN202210177570 A CN 202210177570A CN 114626580 A CN114626580 A CN 114626580A
Authority
CN
China
Prior art keywords
data
dust concentration
detection
dust
detection point
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.)
Pending
Application number
CN202210177570.2A
Other languages
English (en)
Inventor
王婷
赵浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei Shengji Technology Co ltd
Original Assignee
Hubei Shengji Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei Shengji Technology Co ltd filed Critical Hubei Shengji Technology Co ltd
Priority to CN202210177570.2A priority Critical patent/CN114626580A/zh
Publication of CN114626580A publication Critical patent/CN114626580A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/30—Construction
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Environmental & Geological Engineering (AREA)
  • Toxicology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种建筑工地扬尘浓度预测方法，包括以下步骤：在建筑工地内设置多个检测点，获取检测点任一时刻的扬尘浓度数据和环境信息；采用神经网络模型构建建筑工地的扬尘浓度预测初始模型；获取各检测点的多个不同时刻的扬尘浓度数据和环境信息，对各检测点的扬尘浓度数据进行修正，得到各检测点的扬尘浓度修正数据；得到建筑工地的扬尘浓度预测模型；将需要预测的检测点实时的环境信息输入到扬尘浓度预测模型中，即可得到检测点实时的扬尘浓度修正数据，再对扬尘浓度修正数据进行处理，即可得到需要预测的检测点的扬尘浓度预测数据。本发明提供建筑工地扬尘浓度预测方法及系统，根据建筑工地实时的环境信息对建筑工地的扬尘浓度进行预测。

Description

一种建筑工地扬尘浓度预测方法及系统
技术领域
本发明涉及建筑工地管理领域。更具体地说，本发明涉及一种建筑工地扬尘浓度预测方法及系统。
背景技术
扬尘是由于地面上的尘土在风力、人为带动及其他带动飞扬而进入大气的开放性污染源，是环境空气中总悬浮颗粒物的重要组成部分。在建筑工地中，主要在扬尘较大的时候通过浇水来实现对扬尘的控制。目前市场上已经有了针对建筑工地所使用的扬尘浓度检测装置，但是没有针对建筑工地扬尘浓度的预测，在环境变化时，不能够提前做准备。
发明内容
本发明的目的是提供一种建筑工地扬尘浓度预测方法及系统，根据建筑工地实时的温度数据、湿度数据、气压数据、风速数据和降雨量数据对建筑工地的扬尘浓度进行预测。
为了实现根据本发明的这些目的和其它优点，提供了一种建筑工地扬尘浓度预测方法，包括以下步骤：
在建筑工地内设置多个检测点，获取所述检测点任一时刻的扬尘浓度数据和环境信息，其中所述环境信息至少包括其对应的所述检测点的温度数据、湿度数据、气压数据、风速数据和降雨量数据；
采用神经网络模型构建建筑工地的扬尘浓度预测初始模型；
获取各所述检测点的多个不同时刻的所述扬尘浓度数据和所述环境信息，对各所述检测点的所述扬尘浓度数据进行修正，得到各所述检测点的扬尘浓度修正数据；
以各所述检测点的所述扬尘浓度修正数据作为期望输出，所述环境信息作为输入样本对所述扬尘浓度预测初始模型进行训练，得到建筑工地的扬尘浓度预测模型；
将需要预测的所述检测点实时的所述环境信息输入到所述扬尘浓度预测模型中，即可得到所述检测点实时的扬尘浓度修正数据，再对所述扬尘浓度修正数据进行处理，即可得到需要预测的所述检测点的扬尘浓度预测数据。
优选的是，所述的一种建筑工地扬尘浓度预测方法中，对各所述检测点的所述扬尘浓度数据进行修正时，包括以下步骤：
根据所述检测点的扬尘主要来源，对所述扬尘浓度数据进行第一次处理：
W1 = A W0
上式中，W1 为对所述扬尘浓度数据进行第一次处理后得到的数据；W0为所述扬尘浓度数据；A为第一修正系数；
根据所述检测点的施工阶段，对W1进行修正：
W2 = B W1
上式中，W2 为所述检测点修正后的数据；B为第二修正系数。
优选的是，所述的一种建筑工地扬尘浓度预测方法中，所述第一修正系数的计算方法如下：
取同一段时间内多个不同时刻各所述检测点的扬尘浓度数据并计算其平均值
Figure 55518DEST_PATH_IMAGE002
，选择多个
Figure 48882DEST_PATH_IMAGE002
中数值最小的为
Figure 990162DEST_PATH_IMAGE004
，则
A =
Figure 727174DEST_PATH_IMAGE006
优选的是，所述的一种建筑工地扬尘浓度预测方法中，所述第二修正系数的计算方法如下：
取各所述检测点各施工阶段时多个不同时刻的扬尘浓度数据并计算其平均值
Figure 250559DEST_PATH_IMAGE008
，选择多个
Figure 618086DEST_PATH_IMAGE008
中数值最小的为
Figure 859712DEST_PATH_IMAGE010
，则
B =
Figure 321786DEST_PATH_IMAGE012
优选的是，所述的一种建筑工地扬尘浓度预测方法中，所述神经网络模型为BP神经网络模型。
本发明还提供一种智能化管道缺陷检测系统，采用上述任意一项所述的方法，包括多个数据检测装置和处理器，所述检测点均设有所述数据检测装置，并通过所述数据检测装置获取所述检测点任一时刻的扬尘浓度数据和环境信息，所述数据检测装置与所述处理器电连接。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任意一项所述的方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本发明的建筑工地扬尘浓度预测方法及系统，基于建筑工地的历史数据建模，根据建筑工地实时的温度数据、湿度数据、气压数据、风速数据和降雨量数据对建筑工地的扬尘浓度进行预测。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明所述的流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
需要说明的是，在本发明的描述中，术语“横向”、“纵向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，并不是指示或暗示所指的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。
如图1所示，本发明的实施例提供一种建筑工地扬尘浓度预测方法，包括以下步骤：
在建筑工地内设置多个检测点，获取所述检测点任一时刻的扬尘浓度数据和环境信息，其中所述环境信息至少包括其对应的所述检测点的温度数据、湿度数据、气压数据、风速数据和降雨量数据；
采用神经网络模型构建建筑工地的扬尘浓度预测初始模型；所述神经网络模型为BP神经网络模型；
获取各所述检测点的多个不同时刻的所述扬尘浓度数据和所述环境信息，对各所述检测点的所述扬尘浓度数据进行修正，得到各所述检测点的扬尘浓度修正数据；
以各所述检测点的所述扬尘浓度修正数据作为期望输出，所述环境信息作为输入样本对所述扬尘浓度预测初始模型进行训练，得到建筑工地的扬尘浓度预测模型；
将需要预测的所述检测点实时的所述环境信息输入到所述扬尘浓度预测模型中，即可得到所述检测点实时的扬尘浓度修正数据，再对所述扬尘浓度修正数据进行处理，即可得到需要预测的所述检测点的扬尘浓度预测数据。
该实施例中，BP神经网络模型是一种对非线性可微分函数进行权值训练的多层网络。它的最大特点是仅仅借助样本数据，无需建立系统的数学模型，就可对系统实现由m个输入神经元的模式向量p组成的pm空间到yn空间n(为输出节点数)的高度非线性映射。BP神经网络模型是为了解决多层前向神经网络的权系数优化而提出来的；所以BP神经网络模型也暗示着神经网络的拓扑结构是一种无反馈的多层前向网络。故而.有时也称无反馈多层前向网络为BP神经网络模型。在人工神经网络的实际应用中，80%一90%的神经网络模型是采用BP神经网络模型或它的变化形式。BP神经网络模型是用于前馈多层网络的学习算法。
优选地，作为本发明另外一个实施例，对各所述检测点的所述扬尘浓度数据进行修正时，包括以下步骤：
根据所述检测点的扬尘主要来源，对所述扬尘浓度数据进行第一次处理：
W1 = A W0
上式中，W1 为对所述扬尘浓度数据进行第一次处理后得到的数据；W0为所述扬尘浓度数据；A为第一修正系数；
根据所述检测点的施工阶段，对W1进行修正：
W2 = B W1
上式中，W2 为所述检测点修正后的数据；B为第二修正系数。
优选地，作为本发明另外一个实施例，所述第一修正系数的计算方法如下：
取同一段时间内多个不同时刻各所述检测点的扬尘浓度数据并计算其平均值
Figure 965257DEST_PATH_IMAGE002
，选择多个
Figure 300423DEST_PATH_IMAGE002
中数值最小的为
Figure 967028DEST_PATH_IMAGE004
，则
A =
Figure 45842DEST_PATH_IMAGE006
优选地，作为本发明另外一个实施例，所述第二修正系数的计算方法如下：
取各所述检测点各施工阶段时多个不同时刻的扬尘浓度数据并计算其平均值
Figure 730771DEST_PATH_IMAGE008
，选择多个
Figure 502417DEST_PATH_IMAGE008
中数值最小的为
Figure 453056DEST_PATH_IMAGE010
，则
B =
Figure 273244DEST_PATH_IMAGE012
优选地，作为本发明另外一个实施例，所述神经网络模型为BP神经网络模型。
本发明还提供一种智能化管道缺陷检测系统，采用上述任意一项所述的方法，包括多个数据检测装置和处理器，所述检测点均设有所述数据检测装置，并通过所述数据检测装置获取所述检测点任一时刻的扬尘浓度数据和环境信息，所述数据检测装置与所述处理器电连接。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任意一项所述的方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的实施例。

Claims (8)

1.一种建筑工地扬尘浓度预测方法，其特征在于，包括以下步骤：
在建筑工地内设置多个检测点，获取所述检测点任一时刻的扬尘浓度数据和环境信息，其中所述环境信息至少包括其对应的所述检测点的温度数据、湿度数据、气压数据、风速数据和降雨量数据；
采用神经网络模型构建建筑工地的扬尘浓度预测初始模型；
获取各所述检测点的多个不同时刻的所述扬尘浓度数据和所述环境信息，对各所述检测点的所述扬尘浓度数据进行修正，得到各所述检测点的扬尘浓度修正数据；
以各所述检测点的所述扬尘浓度修正数据作为期望输出，所述环境信息作为输入样本对所述扬尘浓度预测初始模型进行训练，得到建筑工地的扬尘浓度预测模型；
将需要预测的所述检测点实时的所述环境信息输入到所述扬尘浓度预测模型中，即可得到所述检测点实时的扬尘浓度修正数据，再对所述扬尘浓度修正数据进行处理，即可得到需要预测的所述检测点的扬尘浓度预测数据。
2.如权利要求1所述的一种建筑工地扬尘浓度预测方法，其特征在于，对各所述检测点的所述扬尘浓度数据进行修正时，包括以下步骤：
根据所述检测点的扬尘主要来源，对所述扬尘浓度数据进行第一次处理：
W1 = A W0
上式中，W1 为对所述扬尘浓度数据进行第一次处理后得到的数据；W0为所述扬尘浓度数据；A为第一修正系数；
根据所述检测点的施工阶段，对W1进行修正：
W2 = B W1
上式中，W2 为所述检测点修正后的数据；B为第二修正系数。
3.如权利要求2所述的一种建筑工地扬尘浓度预测方法，其特征在于，所述第一修正系数的计算方法如下：
取同一段时间内多个不同时刻各所述检测点的扬尘浓度数据并计算其平均值
Figure 740124DEST_PATH_IMAGE002
，选择多个
Figure 844215DEST_PATH_IMAGE002
中数值最小的为
Figure 623952DEST_PATH_IMAGE004
，则
A =
Figure 956845DEST_PATH_IMAGE006
。
4.如权利要求3所述的一种建筑工地扬尘浓度预测方法，其特征在于，所述第二修正系数的计算方法如下：
取各所述检测点各施工阶段时多个不同时刻的扬尘浓度数据并计算其平均值
Figure 771217DEST_PATH_IMAGE008
，选择多个
Figure 593679DEST_PATH_IMAGE008
中数值最小的为
Figure 47663DEST_PATH_IMAGE010
，则
B =
Figure 246563DEST_PATH_IMAGE012
。
5.如权利要求1所述的一种建筑工地扬尘浓度预测方法，其特征在于，所述神经网络模型为BP神经网络模型。
6.一种智能化管道缺陷检测系统，采用如权利要求1至5中任意一项所述的方法，其特征在于，包括多个数据检测装置和处理器，所述检测点均设有所述数据检测装置，并通过所述数据检测装置获取所述检测点任一时刻的扬尘浓度数据和环境信息，所述数据检测装置与所述处理器电连接。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5中任意一项所述的方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5中任一项所述的方法的步骤。
CN202210177570.2A 2022-02-25 2022-02-25 一种建筑工地扬尘浓度预测方法及系统 Pending CN114626580A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210177570.2A CN114626580A (zh) 2022-02-25 2022-02-25 一种建筑工地扬尘浓度预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210177570.2A CN114626580A (zh) 2022-02-25 2022-02-25 一种建筑工地扬尘浓度预测方法及系统

Publications (1)

Publication Number Publication Date
CN114626580A true CN114626580A (zh) 2022-06-14

Family

ID=81899264

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210177570.2A Pending CN114626580A (zh) 2022-02-25 2022-02-25 一种建筑工地扬尘浓度预测方法及系统

Country Status (1)

Country Link
CN (1) CN114626580A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114842349A (zh) * 2022-07-01 2022-08-02 山东高速德建建筑科技股份有限公司 一种基于信息技术的建筑施工环境保护方法和系统
CN117196109A (zh) * 2023-09-15 2023-12-08 中煤科工集团重庆研究院有限公司 一种基于多源信息融合的煤矿井下粉尘浓度预测修正方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114842349A (zh) * 2022-07-01 2022-08-02 山东高速德建建筑科技股份有限公司 一种基于信息技术的建筑施工环境保护方法和系统
CN114842349B (zh) * 2022-07-01 2022-09-06 山东高速德建建筑科技股份有限公司 一种基于信息技术的建筑施工环境保护方法和系统
CN117196109A (zh) * 2023-09-15 2023-12-08 中煤科工集团重庆研究院有限公司 一种基于多源信息融合的煤矿井下粉尘浓度预测修正方法
CN117196109B (zh) * 2023-09-15 2024-04-05 中煤科工集团重庆研究院有限公司 一种基于多源信息融合的煤矿井下粉尘浓度预测修正方法

Similar Documents

Publication Publication Date Title
CN114626580A (zh) 一种建筑工地扬尘浓度预测方法及系统
CN111639787B (zh) 一种基于图卷积网络的时空数据预测方法
CN105159216B (zh) 鸡舍环境氨气浓度智能监测系统
US20200379417A1 (en) Techniques for using machine learning for control and predictive maintenance of buildings
CN111783987A (zh) 基于改进bp神经网络的农田参考作物蒸散量预测方法
CN106499656B (zh) 一种风扇风速智能控制方法
US20230144498A1 (en) Simulation and automated control of physical systems
CN115661547B (zh) 一种基于知识图谱的植物灌溉养护方法及系统
CN110456026A (zh) 一种土壤墒情监测方法及装置
CN115392791B (zh) 基于物联网的智慧城市公用设施管理方法、系统和介质
CN108399470A (zh) 一种基于多示例遗传神经网络的室内pm2.5预测方法
CN106815635A (zh) 一种绝缘子表面等值附盐密度的预测系统及方法
CN114266502A (zh) 一种洪水受灾损失评估方法和仿真推演系统
CN107392398A (zh) 一种农业管理方法、雾计算平台及系统
CN106227127A (zh) 发电设备智能监控装置和监控方法
Jiang et al. Hybrid PSO and GA for neural network evolutionary in monthly rainfall forecasting
CN113960925A (zh) 基于人工智能的楼宇能耗控制方法及装置
CN106228029B (zh) 基于众包的量化问题求解方法和装置
CN116046018B (zh) 一种应用于mems陀螺仪的温度补偿方法
CN111157909B (zh) 一种电量曲线更新方法、装置、云服务器及电池
CN110910263A (zh) 一种基于ga-bp神经网络粮情监测方法
KR102619200B1 (ko) 인공지능 기반 환경설비 자동제어를 위한 뉴럴 네트워크 모델 생성 방법 및 컴퓨터 프로그램
CN114065646B (zh) 基于混合优化算法的能耗预测方法、云计算平台及系统
CN115034159A (zh) 一种海上风电场的功率预测方法、装置、存储介质及系统
CN114755926A (zh) 一种基于强化学习的多智能体系统最优一致性的控制方法

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