CN114912181B - 一种基于人工智能的路面边坡安全监测分析系统 - Google Patents
一种基于人工智能的路面边坡安全监测分析系统 Download PDFInfo
- Publication number
- CN114912181B CN114912181B CN202210558174.4A CN202210558174A CN114912181B CN 114912181 B CN114912181 B CN 114912181B CN 202210558174 A CN202210558174 A CN 202210558174A CN 114912181 B CN114912181 B CN 114912181B
- Authority
- CN
- China
- Prior art keywords
- slope
- target road
- soil
- safety
- retaining wall
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 50
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 239000002689 soil Substances 0.000 claims abstract description 245
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000006073 displacement reaction Methods 0.000 claims description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 31
- 239000011148 porous material Substances 0.000 claims description 18
- 238000006467 substitution reaction Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002035 prolonged effect Effects 0.000 abstract description 3
- 238000007689 inspection Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明公开了一种基于人工智能的路面边坡安全监测分析系统,包括土壤基本信息采集模块、土壤近区域安全影响系数分析模块、护坡框基本信息获取模块、护坡框安全影响系数分析模块、挡土墙基本信息获取模块、挡土墙安全影响分析模块、路面边坡安全综合影响系数评估模块、路面边坡安全综合影响系数分析模块和数据库,根据目标路面边坡对应土壤近区域安全影响系数、护坡框安全影响系数和挡土墙安全影响系数,综合分析目标路面边坡对应的路面边坡安全综合影响系数,判断目标路面边坡的安全状态,实现了对目标路面边坡安全快速精准的判断,保障了公路的正常使用,延长了公路的使用寿命,有效的降低了路面边坡安全事故发生的概率。
Description
技术领域
本发明涉及路面边坡安全检测技术领域,涉及一种基于人工智能的路面边坡安全监测分析系统。
背景技术
随着社会经济的快速发展,连接偏远贫困地区与城乡之间道路的安全性日益凸显出来,而城乡与偏远贫困地区多为山地地区,因而对路面边坡安全管理是重中之重,而针对路面边坡安全管理还存在以下缺陷:
现有的路面边坡安全管理需要路面巡查人员对路面边坡进行巡查,并通过手动操作各种仪器对路面边坡近区域的各类型数据进行记录,从而反映了工作效率低的问题,并且无法对各类型数据进行实时的记录,存在隐藏的安全风险没有被及时发现的隐患;
现有的路面边坡安全管理需要安全分析人员通过专业知识对各类型数据变化进行分析,大体上判断路面边坡是否安全,无法精准判断各类型数据变化对路面边坡造成的影响,降低了对路面边坡安全判断的准确性和可靠性,影响了公路的正常使用,甚至会威胁到路面行驶车辆和过往行人的生命财产安全。
发明内容
为了克服背景技术中的缺点,本发明实施例提供了一种基于人工智能的路面边坡安全监测分析系统,能够有效解决上述背景技术中涉及的问题。
本发明的目的可以通过以下技术方案来实现:一种基于人工智能的路面边坡安全监测分析系统;
土壤基本信息采集模块:用于对目标路面边坡对应土壤近区域的土壤基本信息进行实时采集,得到目标路面边坡对应土壤近区域的土壤基本信息;
土壤近区域安全影响系数分析模块:用于分析目标路面边坡对应土壤近区域安全影响系数;
护坡框基本信息获取模块:用于对目标路面边坡对应斜面护坡框进行实时全方位扫描,构建目标路面边坡对应斜面护坡框的三维模型,获取目标路面边坡对应斜面护坡框的基本信息;
护坡框安全影响系数分析模块:用于分析目标路面边坡对应斜面护坡框安全影响系数;
挡土墙基本信息获取模块:用于对目标路面边坡对应挡土墙进行实时全方位扫描,构建目标路面边坡对应挡土墙的三维模型,并获取目标路面边坡对应挡土墙的基本信息;
挡土墙安全影响系数分析模块:用于分析目标路面边坡对应挡土墙安全影响系数;
路面边坡安全综合影响系数评估模块:用于通过目标路面边坡对应斜面护坡框安全影响系数、土壤近区域安全影响系数和挡土墙安全影响系数,综合评估目标路面边坡对应安全综合影响系数;
路面边坡安全综合影响系数分析模块:用于将目标路面边坡对应安全综合影响系数与预设的标准路面边坡安全综合影响系数进行对比分析,根据对比结果进行相应处理;
数据库:用于存储目标路面边坡对应斜面各护坡框中各端点的初始位置坐标,存储目标路面边坡对应各段挡土墙受到土壤近区域的初始推力,并存储目标路面边坡对应土壤近区域内各土壤深度子区域初始位置坐标、土壤酸碱度初始值、土壤含水量初始值和土壤孔隙水压力初始值。
在本申请较佳的技术方案中,所述土壤基本信息采集模块的具体操作如下:
将目标路面边坡对应土壤近区域按照预设的土壤深度梯度进行划分,得到目标路面边坡对应土壤近区域内各土壤深度子区域,并将目标路面边坡对应土壤近区域内各土壤深度子区域按照由浅入深的顺序编号为1,2,...,i,...,k;
通过各检测仪器对目标路面边坡对应土壤近区域内各土壤深度子区域中心位置处的土壤基本信息进行实时采集,得到目标路面边坡对应土壤近区域内各土壤深度子区域中心位置的土壤基本信息,并将目标路面边坡对应土壤近区域内各土壤深度子区域中心位置的土壤基本信息记为目标路面边坡对应土壤近区域内各土壤深度子区域的土壤基本信息,其中土壤基本信息包括土壤酸碱度、土壤含水量、土壤孔隙水压力和位置坐标,将目标路面边坡对应土壤近区域内各土壤深度子区域土壤酸碱度、土壤含水量、土壤孔隙水压力和位置坐标分别标记为PHi、Ci、Fi和Xi(xi,yi),i=1,2......k,i为目标路面边坡对应土壤近区域内各土壤深度子区域的编号。
在本申请较佳的技术方案中,所述所述土壤近区域安全影响系数分析模块的具体操作方法如下:
提取数据库中存储的目标路面边坡对应土壤近区域内各土壤深度子区域的初始位置坐标X′i(x′i,y′i);
将目标路面边坡对应土壤近区域内各土壤深度子区域的位置坐标Xi(xi,yi)和初始位置坐标X′i(x′i,y′i)代入公式得到目标路面边坡对应土壤近区域内各土壤深度子区域的位移量Hi;
将目标路面边坡对应土壤近区域内各土壤深度子区域土壤酸碱度PHi、土壤=含水量Ci、土壤孔隙水压力Fi和位移量Hi代入公式得到目标路面边坡对应土壤近区域安全影响系数T,其中λ0表示为预设的土壤综合影响因子,λ1表示为预设的土壤酸碱度影响因子,λ2表示为预设的土壤含水量影响因子,λ3表示为预设的土壤孔隙水压力影响因子,λ4表示为预设的土壤位移影响因子,PH′i、C′i、F′i分别为数据库中存储的目标路面边坡对应土壤近区域内第i个土壤深度子区域土壤酸碱度初始值、土壤含水量初始值和土壤孔隙水压力初始值,H′表示为预设的土壤允许位移误差值,k表示为目标路面边坡对应土壤近区域内土壤深度子区域的个数。
在本申请较佳的技术方案中,所述护坡框基本信息获取模块的具体实施方式为:
通过三维扫描仪对目标路面边坡对应斜面护坡框进行实时全方位扫描,得到目标路面边坡对应斜面护坡框的全方位图像,根据目标路面边坡对应斜面护坡框的全方位图像,构建目标路面边坡对应斜面护坡框的三维模型,提取目标路面边坡对应斜面护坡框的三维模型中各护坡框,将目标路面边坡对应斜面护坡框的三维模型中各护坡框依次编号为1,2,...,j,...,p;
通过目标路面边坡对应斜面护坡框的三维模型,获取目标路面边坡对应斜面各护坡框的表面积和体积,将目标路面边坡对应斜面各护坡框的表面积和体积分别标记为Sj和Vj,j=1,2,......p,j为目标路面边坡对应斜面各护坡框的编号;
通过GPS传感器实时采集目标路面边坡对应斜面各护坡框中各端点位置,将目标路面边坡对应斜面各护坡框中各端点位置坐标标记为Zjr(xjr,yjr),r=1,2......q,r表示为各端点的编号。
在本申请较佳的技术方案中,所述护坡框安全影响系数分析模块的具体操作方法如下:
将目标路面边坡对应斜面各护坡框的表面积Sj和体积Vj代入公式得到目标路面边坡对应斜面各护坡框的完整度Wj,其中S0表示为预设的护坡框标准表面积,V0为表示为预设的护坡框标准体积,η0为预设的护坡框完整度影响因子,η1为预设的护坡框面积影响因子,η2为预设的护坡框体积影响因子;
提取数据库中存储的目标路面边坡对应斜面各护坡框各端点初始位置坐标Zjr(x′jr,y′jr);
将目标路面边坡对应斜面各护坡框各个端点的位置坐标Zjr(xjr,yjr)和初始位置坐标Zjr(x′jr,y′jr)代入公式得到目标路面边坡对应斜面各护坡框的平均位移量H′j,将其记为目标路面边坡对应斜面各护坡框的位移量,其中η3表示为预设的目标路面边坡对应斜面护坡框端点位移影响因子,q表示为目标路面边坡对应斜面各护坡框端点的数量;
将目标路面边坡对应斜面各护坡框的完整度Wj和位移量H′j,代入公式得到目标路面边坡对应斜面护坡框安全影响系数A,其中/>表示为预设的护坡框完整度影响因子,/>表示为预设的护坡框位移影响因子,表示为预设的护坡框综合影响因子,W′表示为预设的护坡框完整度,H″j表示为预设的允许护坡框位移误差值,p表示为目标路面边坡对应斜面护坡框的个数。
在本申请较佳的技术方案中,所述挡土墙基本信息获取模块的具体操作方法如下:
将目标路面边坡对应挡土墙按照预设的长度进行划分,得到目标路面边坡对应的各段挡土墙,并将目标路面边坡对应各段挡土墙按照预设的顺序依次标记为1,2,...,l,...,m;
通过三维扫描仪实时对目标路面边坡对应各段挡土墙进行全方位扫描,得到目标路面边坡对应各段挡土墙的全方位图像,并根据目标路面边坡对应各段挡土墙的全方位图像,构建目标路面边坡对应各段挡土墙的三维模型;
根据目标路面边坡对应各段挡土墙的三维模型,获取目标路面边坡对应各段挡土墙的表面积和体积,将目标路面边坡对应各段挡土墙的表面积和体积标记分别标记为S′l、V′l,l=1,2......m,l为目标路面边坡对应各段挡土墙的编号;
通过压力传感器获取目标路面边坡对应各段挡土墙受到的推力,将目标路面边坡对应各段挡土墙受到土壤近区域的推力标记为F′l。
在本申请较佳的技术方案中,所述挡土墙安全影响系数分析模块的具体方法如下:
通过目标路面边坡对应斜面护坡框完整度计算公式得到目标路面边坡对应各段挡土墙的完整度W′l;
将目标路面边坡对应各段挡土墙的完整度W′l和各段挡土墙受到土壤近区域的推力F′l代入公式得到目标路面边坡对应挡土墙安全影响系数B,其中γ1表示为预设的挡土墙完整度影响因子,γ2表示为预设的挡土墙受力影响因子,γ0表示为预设的挡土墙综合影响因子,W″表示为预设的目标路面边坡对应挡土墙的标准完整度,F″l表示为数据库中存储的目标路面边坡对应第l 段挡土墙受到土壤近区域的初始推力,m为目标路面边坡对应挡土墙的段数。
在本申请较佳的技术方案中,所述路面边坡安全综合影响系数评估模块将目标路面边坡对应挡土墙安全影响系数B、土壤近区域安全影响系数T和护坡框安全影响系数A代入公式Q=A*T*B*ζ0,得到目标路面边坡对应路面边坡安全综合影响系数Q,其中ζ0为预设的综合影响因子。
在本申请较佳的技术方案中,所述路面边坡安全综合影响系数分析模块将目标路面边坡对应安全综合影响系数与预设的标准路面边坡安全综合影响系数进行对比分析,若目标路面边坡对应安全综合影响系数小于预设的标准路面边坡安全综合影响系数,表明该段道路边坡处于安全状态,若目标路面边坡对应安全综合影响系数大于预设的标准路面边坡安全综合影响系数,表明该段道路边坡处于危险状态,则发出预警指令至路面管理中心。
相对于现有技术,本发明的实施例至少具有如下优点或有益效果:
本发明提供一种基于人工智能的路面边坡安全监测分析系统,通过对目标路面边坡对应土壤近区域土壤的基本信息、护坡框的基本信息和挡土墙的基本信息进行实时采集,改善了现有的路面边坡巡查方式,提高了对路面边坡安全的巡查效率,同时解决了巡查人员无法对数据进行实时记录的弊端,从而有效降低了安全事故发生的概率。
本发明在评估目标路面边坡安全时,根据目标路面边坡对应土壤近区域的基本信息、斜面护坡框的基本信息和挡土墙的基本信息,分析路面边坡安全综合影响系数,判断目标路面边坡的安全状态,提高了目标路面边坡安全分析的可靠性和准确性,有效的保障了公路正常使用,延长了公路的使用寿命,极大程度上降低了安全事故发生的概率。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1为本发明系统模块连接图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
参照图1所示,本发明提供一种基于人工智能的路面边坡安全监测分析系统,包括土壤基本信息采集模块、土壤近区域安全影响系数分析模块、护坡框基本信息获取模块、护坡框安全影响系数分析模块、挡土墙基本信息获取模块、挡土墙安全影响系数分析模块、路面边坡安全综合影响系数评估模块、路面边坡安全综合影响系数分析模块和数据库。
所述土壤近区域安全影响系数分析模块与土壤基本信息采集模块和数据库连接,护坡框安全影响系数分析模块与护坡框基本信息获取模块和数据库连接,挡土墙安全影响系数分析模块与挡土墙基本信息获取模块和数据库连接,路面边坡安全综合影响系数评估模块与土壤近区域安全影响系数获取分析模块、护坡框安全影响系数获取分析模块、挡土墙安全影响系数分析模块连接,路面边坡安全综合影响系数分析模块和路面边坡安全综合影响系数评估模块连接。
所述土壤基本信息采集模块用于对目标路面边坡对应土壤近区域的土壤基本信息进行实时采集,得到目标路面边坡对应土壤近区域的土壤基本信息。
进一步地,所述土壤基本信息采集模块的具体操作如下:
将目标路面边坡对应土壤近区域按照预设的土壤深度梯度进行划分,得到目标路面边坡对应土壤近区域内各土壤深度子区域,并将目标路面边坡对应土壤近区域内各土壤深度子区域按照由浅入深的顺序编号为1,2,...,i,...,k;
通过各检测仪器对目标路面边坡对应土壤近区域内各土壤深度子区域中心位置处的土壤基本信息进行实时采集,得到目标路面边坡对应土壤近区域内各土壤深度子区域中心位置的土壤基本信息,并将目标路面边坡对应土壤近区域内各土壤深度子区域中心位置的土壤基本信息记为目标路面边坡对应土壤近区域内各土壤深度子区域的土壤基本信息,其中土壤基本信息包括土壤酸碱度、土壤含水量、土壤孔隙水压力和位置坐标,将目标路面边坡对应土壤近区域内各土壤深度子区域土壤酸碱度、土壤含水量、土壤孔隙水压力和位置坐标分别标记为PHi、Ci、Fi和Xi(xi,yi),i=1,2......k,i为目标路面边坡对应土壤近区域内各土壤深度子区域的编号。
需要说明的是,所述各检测仪器分别安装在目标路面边坡各土壤深度子区域的中心位置处,其中各检测仪器分别包括:锚索计、GPS 传感器、含水量传感器和酸碱度传感器。
进一步地,所述锚索计用于测量目标路面边坡对应土壤近区域内各土壤深度子区域土壤的孔隙水压力,所述GPS传感器用于测量目标路面边坡对应土壤近区域内各土壤深度子区域土壤的位置坐标,所述含水量传感器用于测量目标路面边坡对应土壤近区域内各土壤深度子区域土壤的含水量,所述酸碱度传感器用于测量目标路面边坡对应土壤近区域内各土壤深度子区域土壤的酸碱度。
本发明提供一种基于人工智能的路面边坡安全监测分析系统,通过对目标路面边坡对应土壤近区域土壤的基本信息、护坡框的基本信息和挡土墙的基本信息进行实时采集,改善了现有的路面边坡巡查方式,提高了对路面边坡安全的巡查效率,同时解决了巡查人员无法对数据进行实时记录的弊端,从而有效降低了安全事故发生的概率。
所述土壤近区域安全影响系数分析模块用于分析目标路面边坡对应土壤近区域安全影响系数。
进一步地,所述土壤近区域安全影响系数分析模块的具体操作方法如下:
提取数据库中存储的目标路面边坡对应土壤近区域内各土壤深度子区域的初始位置坐标X′i(x′i,y′i);
将目标路面边坡对应土壤近区域内各土壤深度子区域的位置坐标Xi(xi,yi)和初始位置坐标X′i(x′i,y′i)代入公式得到目标路面边坡对应土壤近区域内各土壤深度子区域的位移量Hi;
将目标路面边坡对应土壤近区域内各土壤深度子区域土壤酸碱度PHi、土壤含水量Ci、土壤孔隙水压力Fi和位移量Hi代入公式得到目标路面边坡对应土壤近区域安全影响系数T,其中λ0表示为预设的土壤综合影响因子,λ1表示为预设的土壤酸碱度影响因子,λ2表示为预设的土壤含水量影响因子,λ3表示为预设的土壤孔隙水压力影响因子,λ4表示为预设的土壤位移影响因子,PH′i、C′i、F′i分别为数据库中存储的目标路面边坡对应土壤近区域内第i个土壤深度子区域土壤酸碱度初始值、土壤含水量初始值和土壤孔隙水压力初始值,H′表示为预设的土壤允许位移误差值,k表示为目标路面边坡对应土壤近区域内土壤深度子区域的个数。
所述护坡框基本信息获取模块用于对目标路面边坡对应斜面护坡框进行实时全方位扫描,构建目标路面边坡对应斜面护坡框的三维模型,获取目标路面边坡对应斜面护坡框的基本信息。
进一步地,所述护坡框基本信息获取模块的具体实施方式为:
通过三维扫描仪对目标路面边坡对应斜面护坡框进行实时全方位扫描,得到目标路面边坡对应斜面护坡框的全方位图像,根据目标路面边坡对应斜面护坡框的全方位图像,构建目标路面边坡对应斜面护坡框的三维模型,提取目标路面边坡对应斜面护坡框的三维模型中各护坡框,将目标路面边坡对应斜面护坡框的三维模型中各护坡框依次编号为1,2,...,j,...,p;
通过目标路面边坡对应斜面护坡框的三维模型,获取目标路面边坡对应斜面各护坡框的表面积和体积,将目标路面边坡对应斜面各护坡框的表面积和体积分别标记为Sj和Vj,j=1,2,......p,j为目标路面边坡对应斜面各护坡框的编号;
通过GPS传感器实时采集目标路面边坡对应斜面各护坡框中各端点位置,将目标路面边坡对应斜面各护坡框中各端点位置坐标标记为Zjr(xjr,yjr),r=1,2......q,r表示为各端点的编号。
所述护坡框安全影响系数分析模块用于分析目标路面边坡对应斜面护坡框的安全影响系数。
进一步地,所述护坡框安全影响系数分析模块的具体操作方法如下:
将目标路面边坡对应斜面各护坡框的表面积Sj和体积Vj代入公式得到目标路面边坡对应斜面各护坡框的完整度Wj,其中S0表示为预设的护坡框标准表面积,V0为表示为预设的护坡框标准体积,η0为预设的护坡框完整度影响因子,η1为预设的护坡框面积影响因子,η2为预设的护坡框体积影响因子;
提取数据库中存储的目标路面边坡对应斜面各护坡框各端点初始位置坐标Zjr(x′jr,y′jr);
将目标路面边坡对应斜面各护坡框各个端点的位置坐标Zjr(xjr,yjr)和初始位置坐标Zjr(x′jr,y′jr)代入公式得到目标路面边坡对应斜面各护坡框的平均位移量H′j,将其记为目标路面边坡对应斜面各护坡框的位移量,其中η3表示为预设的目标路面边坡对应斜面护坡框端点位移影响因子,q表示为目标路面边坡对应斜面各护坡框端点的数量;
将目标路面边坡对应斜面各护坡框的完整度Wj和位移量H′j,代入公式得到目标路面边坡对应斜面护坡框安全影响系数A,其中/>表示为预设的护坡框完整度影响因子,/>表示为预设的护坡框位移影响因子,表示为预设的护坡框综合影响因子,W′表示为预设的护坡框完整度,H″j表示为预设的允许护坡框位移误差值,p表示为目标路面边坡对应斜面护坡框的个数。
所述挡土墙基本信息获取模块用于对目标路面边坡对应挡土墙进行实时全方位扫描,构建目标路面边坡对应挡土墙的三维模型,并获取目标路面边坡对应挡土墙的基本信息。
进一步地,所述挡土墙基本信息获取模块的具体操作方法如下:
将目标路面边坡对应挡土墙按照预设的长度进行划分,得到目标路面边坡对应的各段挡土墙,并将目标路面边坡对应各段挡土墙按照预设的顺序依次标记为1,2,...,l,...,m;
通过三维扫描仪实时对目标路面边坡对应各段挡土墙进行全方位扫描,得到目标路面边坡对应各段挡土墙的全方位图像,并根据目标路面边坡对应各段挡土墙的全方位图像,构建目标路面边坡对应各段挡土墙的三维模型;
根据目标路面边坡对应各段挡土墙的三维模型,获取目标路面边坡对应各段挡土墙的表面积和体积,将目标路面边坡对应各段挡土墙的表面积和体积标记分别标记为S′l、V′l,l=1,2......m,l为目标路面边坡对应各段挡土墙的编号;
通过压力传感器获取目标路面边坡对应各段挡土墙受到的推力,将目标路面边坡对应各段挡土墙受到土壤近区域的推力标记为F′l。
所述挡土墙安全影响系数分析模用于分析目标路面边坡对应挡土墙的安全影响系数。
进一步地,所述挡土墙安全影响系数分析模块的具体方法如下:
通过目标路面边坡对应斜面护坡框完整度计算公式得到目标路面边坡对应各段挡土墙的完整度W′l;
将目标路面边坡对应各段挡土墙的完整度W′l和各段挡土墙受到土壤近区域的推力F′l代入公式得到目标路面边坡对应挡土墙安全影响系数B,其中γ1表示为预设的挡土墙完整度影响因子,γ2表示为预设的挡土墙受力影响因子,γ0表示为预设的挡土墙综合影响因子,W″表示为预设的目标路面边坡对应挡土墙的标准完整度,F″l表示为数据库中存储的目标路面边坡对应第l 段挡土墙受到土壤近区域的初始推力,m为目标路面边坡对应挡土墙的段数。
进一步地,所述挡土墙目标路面边坡对各段挡土墙的完整度获得的具体方式为:
将目标路面边坡对应的各段挡土墙的表面积S′l和体积V′l代入公式得到目标路面边坡对应各段挡土墙的完整度W′l,其中V″l表示为预设的目标路面边坡对应第l段挡土墙标准体积,S″l表示为预设的目标路面边坡对应第l挡土墙标准表面积,μ0、μ1、μ2分别表示为预设的挡土墙完整度影响因子、表面积影响因子、体积影响因子。
所述路面边坡安全综合影响系数评估模块用于评估目标路面边坡对应安全综合影响系数。
进一步地,所述路面边坡安全综合影响系数评估模块将目标路面边坡对应挡土墙安全影响系数B、土壤近区域安全影响系数T和护坡框安全影响系数A代入公式Q=A*T*B*ζ0,得到目标路面边坡对应路面边坡安全综合影响系数Q,其中ζ0为预设的综合影响因子。
所述路面边坡安全综合影响系数分析模块用于将目标路面边坡对应安全综合影响系数与预设的标准路面边坡安全综合影响系数进行对比分析,根据对比结果进行相应处理。
进一步地,所述路面边坡安全综合影响系数分析模块将目标路面边坡对应安全综合影响系数与预设的标准路面边坡安全综合影响系数进行对比分析,若目标路面边坡对应安全综合影响系数小于预设的标准路面边坡安全综合影响系数,表明该段道路边坡处于安全状态,若目标路面边坡对应安全综合影响系数大于预设的标准路面边坡安全综合影响系数,表明该段道路边坡处于危险状态,则发出预警指令至路面管理中心。
需要说明的是,上述中当目标路面边坡对应安全综合影响系数大于预设的标准路面边坡安全综合影响系数时,则发出预警指令至路面管理中心,具体方式为:
将目标路面边坡对应挡土墙安全影响系数与预设的标准路面边坡对应挡土墙安全影响系数对比,若目标路面边坡对应挡土墙安全影响系数大于预设的标准路面边坡对应挡土墙安全影响系数,对路面管理中心发出挡土墙危险预警指令,并由路面管理中心进行相应处理;
将目标路面边坡对应土壤近区域安全影响系数与预设的标准路面边坡对应土壤近区域安全影响系数对比,若目标路面边坡对应土壤近区域安全影响系数大于预设的标准路面边坡对应土壤近区域安全影响系数,对路面管理中心发出土壤危险预警指令,并由路面管理中心进行相应处理;
将目标路面边坡对应护坡框安全影响系数与预设的标准路面边坡对应护坡框安全影响系数对比,若目标路面边坡对应护坡框安全影响系数小大于预设的标准路面边坡对应护坡框安全影响系数,若目标路面边坡对应护坡框安全影响系数大于预设的标准路面边坡对应护坡框安全影响系数,对路面管理中心发出护坡框危险预警指令,并由路面管理中心进行相应处理。
本发明在评估目标路面边坡安全时,根据目标路面边坡对应土壤近区域的基本信息、斜面护坡框的基本信息和挡土墙的基本信息,分析路面边坡安全综合影响系数,判断目标路面边坡的安全状态,提高了目标路面边坡安全分析的可靠性和准确性,有效的保障了公路正常使用,延长了公路的使用寿命,极大程度上降低了安全事故发生的概率。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (9)
1.一种基于人工智能的路面边坡安全监测分析系统,其特征在于,包括:
土壤基本信息采集模块:用于对目标路面边坡对应土壤近区域的土壤基本信息进行实时采集,得到目标路面边坡对应土壤近区域的土壤基本信息;
土壤近区域安全影响系数分析模块:用于分析目标路面边坡对应土壤近区域安全影响系数;
护坡框基本信息获取模块:用于对目标路面边坡对应斜面护坡框进行实时全方位扫描,构建目标路面边坡对应斜面护坡框的三维模型,获取目标路面边坡对应斜面护坡框的基本信息;
护坡框安全影响系数分析模块:用于分析目标路面边坡对应斜面护坡框安全影响系数;
挡土墙基本信息获取模块:用于对目标路面边坡对应挡土墙进行实时全方位扫描,构建目标路面边坡对应挡土墙的三维模型,并获取目标路面边坡对应挡土墙的基本信息;
挡土墙安全影响系数分析模块:用于分析目标路面边坡对应挡土墙安全影响系数;
路面边坡安全综合影响系数评估模块:用于通过目标路面边坡对应斜面护坡框安全影响系数、土壤近区域安全影响系数和挡土墙安全影响系数,评估目标路面边坡对应安全综合影响系数;
路面边坡安全综合影响系数分析模块:用于将目标路面边坡对应安全综合影响系数与预设的标准路面边坡安全综合影响系数进行对比分析,根据对比结果进行相应处理;
数据库:用于存储目标路面边坡对应斜面各护坡框中各端点的初始位置坐标,存储目标路面边坡对应各段挡土墙受到土壤近区域的初始推力,并存储目标路面边坡对应土壤近区域内各土壤深度子区域初始位置坐标、土壤酸碱度初始值、土壤含水量初始值和土壤孔隙水压力初始值。
2.根据权利要求1所述的一种基于人工智能的路面边坡安全监测分析系统,其特征在于:所述土壤基本信息采集模块的具体操作如下:
将目标路面边坡对应土壤近区域按照预设的土壤深度梯度进行划分,得到目标路面边坡对应土壤近区域内各土壤深度子区域,并将目标路面边坡对应土壤近区域内各土壤深度子区域按照由浅入深的顺序编号为1,2,...,i,...,k;
通过各检测仪器对目标路面边坡对应土壤近区域内各土壤深度子区域中心位置处的土壤基本信息进行实时采集,得到目标路面边坡对应土壤近区域内各土壤深度子区域中心位置的土壤基本信息,并将目标路面边坡对应土壤近区域内各土壤深度子区域中心位置的土壤基本信息记为目标路面边坡对应土壤近区域内各土壤深度子区域的土壤基本信息,其中土壤基本信息包括土壤酸碱度、土壤含水量、土壤孔隙水压力和位置坐标,将目标路面边坡对应土壤近区域内各土壤深度子区域土壤酸碱度、土壤含水量、土壤孔隙水压力和位置坐标分别标记为PHi、Ci、Fi和Xi(xi,yi),i=1,2......k,i为目标路面边坡对应土壤近区域内各土壤深度子区域的编号。
3.根据权利要求1所述的一种基于人工智能的路面边坡安全监测分析系统,其特征在于:所述土壤近区域安全影响系数分析模块的具体操作方法如下:
提取数据库中存储的目标路面边坡对应土壤近区域内各土壤深度子区域的初始位置坐标X′i(x′i,y′i);
将目标路面边坡对应土壤近区域内各土壤深度子区域的位置坐标Xi(xi,yi)和初始位置坐标X′i(x′i,y′i)代入公式得到目标路面边坡对应土壤近区域内各土壤深度子区域的位移量Hi;
将目标路面边坡对应土壤近区域内各土壤深度子区域土壤酸碱度PHi、土壤含水量Ci、土壤孔隙水压力Fi和位移量Hi代入公式得到目标路面边坡对应土壤近区域安全影响系数T,其中λ0表示为预设的土壤综合影响因子,λ1表示为预设的土壤酸碱度影响因子,λ2表示为预设的土壤含水量影响因子,λ3表示为预设的土壤孔隙水压力影响因子,λ4表示为预设的土壤位移影响因子,PH′i、C′i、Fi′分别为数据库中存储的目标路面边坡对应土壤近区域内第i个土壤深度子区域土壤酸碱度初始值、土壤含水量初始值和土壤孔隙水压力初始值,H′表示为预设的土壤允许位移误差值,k表示为目标路面边坡对应土壤近区域内土壤深度子区域的个数。
4.根据权利要求1所述的一种基于人工智能的路面边坡安全监测分析系统,其特征在于:所述护坡框基本信息获取模块的具体实施方式为:
通过三维扫描仪对目标路面边坡对应斜面护坡框进行实时全方位扫描,得到目标路面边坡对应斜面护坡框的全方位图像,根据目标路面边坡对应斜面护坡框的全方位图像,构建目标路面边坡对应斜面护坡框的三维模型,提取目标路面边坡对应斜面护坡框的三维模型中各护坡框,将目标路面边坡对应斜面护坡框的三维模型中各护坡框依次编号为1,2,...,j,...,p;
通过目标路面边坡对应斜面护坡框的三维模型,获取目标路面边坡对应斜面各护坡框的表面积和体积,将目标路面边坡对应斜面各护坡框的表面积和体积分别标记为Sj和Vj,j=1,2,......p,j为目标路面边坡对应斜面各护坡框的编号;
通过GPS传感器实时采集目标路面边坡对应斜面各护坡框中各端点位置,将目标路面边坡对应斜面各护坡框中各端点位置坐标标记为Zjr(xjr,yjr),r=1,2......q,r表示为各端点的编号。
5.根据权利要求1所述的一种基于人工智能的路面边坡安全监测分析系统,其特征在于:所述护坡框安全影响系数分析模块的具体操作方法如下:
将目标路面边坡对应斜面各护坡框的表面积Sj和体积Vj代入公式得到目标路面边坡对应斜面各护坡框的完整度Wj,其中S0表示为预设的护坡框标准表面积,V0为表示为预设的护坡框标准体积,η0为预设的护坡框完整度影响因子,η1为预设的护坡框面积影响因子,η2为预设的护坡框体积影响因子;
提取数据库中存储的目标路面边坡对应斜面各护坡框各端点初始位置坐标Zjr(x′jr,y′jr);
将目标路面边坡对应斜面各护坡框各个端点的位置坐标Zjr(xjr,yjr)和初始位置坐标Zjr(x′jr,y′jr)代入公式得到目标路面边坡对应斜面各护坡框的平均位移量H′j,将其记为目标路面边坡对应斜面各护坡框的位移量,其中η3表示为预设的目标路面边坡对应斜面护坡框端点位移影响因子,q表示为目标路面边坡对应斜面各护坡框端点的数量;
将目标路面边坡对应斜面各护坡框的完整度Wj和位移量H′j,代入公式得到目标路面边坡对应斜面护坡框安全影响系数A,其中/>表示为预设的护坡框完整度影响因子,/>表示为预设的护坡框位移影响因子,表示为预设的护坡框综合影响因子,W′表示为预设的护坡框完整度,H″j表示为预设的允许护坡框位移误差值,p表示为目标路面边坡对应斜面护坡框的个数。
6.根据权利要求1所述的一种基于人工智能的路面边坡安全监测分析系统,其特征在于:所述挡土墙基本信息获取模块的具体操作方法如下:
将目标路面边坡对应挡土墙按照预设的长度进行划分,得到目标路面边坡对应的各段挡土墙,并将目标路面边坡对应各段挡土墙按照预设的顺序依次标记为1,2,...,l,...,m;
通过三维扫描仪实时对目标路面边坡对应各段挡土墙进行全方位扫描,得到目标路面边坡对应各段挡土墙的全方位图像,并根据目标路面边坡对应各段挡土墙的全方位图像,构建目标路面边坡对应各段挡土墙的三维模型;
根据目标路面边坡对应各段挡土墙的三维模型,获取目标路面边坡对应各段挡土墙的表面积和体积,将目标路面边坡对应各段挡土墙的表面积和体积标记分别标记为S′l、Vl′,l=1,2......m,l为目标路面边坡对应各段挡土墙的编号;
通过压力传感器获取目标路面边坡对应各段挡土墙受到的推力,将目标路面边坡对应各段挡土墙受到土壤近区域的推力标记为Fl′。
7.根据权利要求1所述的一种基于人工智能的路面边坡安全监测分析系统,其特征在于:所述挡土墙安全影响系数分析模块的具体方法如下:
通过目标路面边坡对应斜面护坡框完整度计算公式得到目标路面边坡对应各段挡土墙的完整度Wl′;
将目标路面边坡对应各段挡土墙的完整度Wl′和各段挡土墙受到土壤近区域的推力Fl′代入公式得到目标路面边坡对应挡土墙安全影响系数B,其中γ1表示为预设的挡土墙完整度影响因子,γ2表示为预设的挡土墙受力影响因子,γ0表示为预设的挡土墙综合影响因子,W″表示为预设的目标路面边坡对应挡土墙的标准完整度,Fl″表示为数据库中存储的目标路面边坡对应第l段挡土墙受到土壤近区域的初始推力,m为目标路面边坡对应挡土墙的段数。
8.根据权利要求1所述的一种基于人工智能的路面边坡安全监测分析系统,其特征在于:所述路面边坡安全综合影响系数评估模块将目标路面边坡对应挡土墙安全影响系数B、土壤近区域安全影响系数T和护坡框安全影响系数A代入公式Q=A*T*B*ζ0,得到目标路面边坡对应路面边坡安全综合影响系数Q,其中ζ0为预设的综合影响因子。
9.根据权利要求1所述的一种基于人工智能的路面边坡安全监测分析系统,其特征在于:所述路面边坡安全综合影响系数分析模块将目标路面边坡对应安全综合影响系数与预设的标准路面边坡安全综合影响系数进行对比分析,若目标路面边坡对应安全综合影响系数小于预设的标准路面边坡安全综合影响系数,表明该段道路边坡处于安全状态,若目标路面边坡对应安全综合影响系数大于预设的标准路面边坡安全综合影响系数,表明该段道路边坡处于危险状态,则发出预警指令至路面管理中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210558174.4A CN114912181B (zh) | 2022-05-21 | 2022-05-21 | 一种基于人工智能的路面边坡安全监测分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210558174.4A CN114912181B (zh) | 2022-05-21 | 2022-05-21 | 一种基于人工智能的路面边坡安全监测分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114912181A CN114912181A (zh) | 2022-08-16 |
CN114912181B true CN114912181B (zh) | 2023-10-13 |
Family
ID=82769075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210558174.4A Active CN114912181B (zh) | 2022-05-21 | 2022-05-21 | 一种基于人工智能的路面边坡安全监测分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114912181B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116343441B (zh) * | 2023-03-29 | 2023-11-24 | 安徽光谷智能科技股份有限公司 | 一种基于多维度实时监控的高速公路安全监控系统 |
CN116309552B (zh) * | 2023-05-12 | 2023-08-29 | 西南交通大学 | 既有线老旧挡墙的健康状态评估方法、装置、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018119880A1 (zh) * | 2016-12-29 | 2018-07-05 | 柳成荫 | 一种基于降雨量及土壤湿度的降雨型滑坡预警方法及装置 |
CN109443431A (zh) * | 2018-10-31 | 2019-03-08 | 广西路桥工程集团有限公司 | 一种公路边坡智能监控及维护系统 |
CN112435443A (zh) * | 2020-11-11 | 2021-03-02 | 深圳中神电子科技有限公司 | 一种基于大数据分析的地质灾害监测预警系统 |
CN112487545A (zh) * | 2021-01-05 | 2021-03-12 | 深圳市中勘勘测设计有限公司 | 基于大数据轴力监测的边坡安全实时监测预警系统 |
CN114170761A (zh) * | 2021-11-24 | 2022-03-11 | 山西工程技术学院 | 一种基于大数据的边坡状态监测系统及方法 |
CN114353876A (zh) * | 2022-01-07 | 2022-04-15 | 兰州大学 | 一种黄土公路边坡健康监测方法 |
CN114459539A (zh) * | 2022-01-25 | 2022-05-10 | 海南谨行信息科技有限公司 | 一种基于人工智能的双线隧道开挖安全在线监测分析系统 |
-
2022
- 2022-05-21 CN CN202210558174.4A patent/CN114912181B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018119880A1 (zh) * | 2016-12-29 | 2018-07-05 | 柳成荫 | 一种基于降雨量及土壤湿度的降雨型滑坡预警方法及装置 |
CN109443431A (zh) * | 2018-10-31 | 2019-03-08 | 广西路桥工程集团有限公司 | 一种公路边坡智能监控及维护系统 |
CN112435443A (zh) * | 2020-11-11 | 2021-03-02 | 深圳中神电子科技有限公司 | 一种基于大数据分析的地质灾害监测预警系统 |
CN112487545A (zh) * | 2021-01-05 | 2021-03-12 | 深圳市中勘勘测设计有限公司 | 基于大数据轴力监测的边坡安全实时监测预警系统 |
CN114170761A (zh) * | 2021-11-24 | 2022-03-11 | 山西工程技术学院 | 一种基于大数据的边坡状态监测系统及方法 |
CN114353876A (zh) * | 2022-01-07 | 2022-04-15 | 兰州大学 | 一种黄土公路边坡健康监测方法 |
CN114459539A (zh) * | 2022-01-25 | 2022-05-10 | 海南谨行信息科技有限公司 | 一种基于人工智能的双线隧道开挖安全在线监测分析系统 |
Non-Patent Citations (2)
Title |
---|
Shadow Detection in Slope Monitoring Based on Digital Image Processing;Bingjie Li et al.;《IEEE》;20210427;第1-5页 * |
基于大数据的贵州边坡地质灾害监测系统设计与实现;吴夏筠;《中国优秀硕士学位论文全文数据库信息科技辑》;20220515;第1-95页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114912181A (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114912181B (zh) | 一种基于人工智能的路面边坡安全监测分析系统 | |
US11634987B2 (en) | Safety early warning method and device for full-section tunneling of tunnel featuring dynamic water and weak surrounding rock | |
CN106053475B (zh) | 基于主动式全景视觉的隧道病害全断面动态快速检测装置 | |
CN103778681B (zh) | 一种车载高速公路巡检系统及数据获取和处理方法 | |
JP2019196680A (ja) | 舗装情報収集点検システム、舗装情報収集点検方法、及びプログラム | |
US20160133008A1 (en) | Crack data collection method and crack data collection program | |
CN109374631B (zh) | 一种隧道状态评测方法 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
CN116343441B (zh) | 一种基于多维度实时监控的高速公路安全监控系统 | |
CN109186706A (zh) | 一种用于城市雨洪淹没区预警的方法 | |
CN115147002A (zh) | 一种基于人工智能的交通隧道智能化运维监控调控管理系统 | |
CN116091477A (zh) | 基于深度学习多模态图像融合的建筑外墙缺陷检测方法 | |
JP2021026353A (ja) | 路面性状調査システム、路面性状調査方法、及び路面性状調査プログラム | |
Belloni et al. | Tack project: tunnel and bridge automatic crack monitoring using deep learning and photogrammetry | |
CN111881566B (zh) | 基于实景仿真的滑坡位移检测方法及装置 | |
US20230108779A1 (en) | Road deterioration diagnostic device, road deterioration diagnostic system, roaddeterioration diagnostic method, and recording medium | |
CN117789064A (zh) | 一种基于多源数据的公路边坡无人机巡检预警系统 | |
CN117211244A (zh) | 一种软土地基回填后沉降监测系统 | |
JP3500425B2 (ja) | 可視画像式路面状況把握装置における路面状況判定方法 | |
CN116091456A (zh) | 一种行车道路能见度检测方法 | |
CN115035340A (zh) | 遥感影像分类结果验证方法 | |
JP2003240869A (ja) | 路面状況判定方法 | |
Ekpenyong et al. | Comparative study of the road roughness measurement of roadlab pro and roadroid applicatons for IRI data collection in Nigeria | |
CN110930447A (zh) | 基于Android的无人值守雪深测量方法 | |
JP2933158B2 (ja) | 画像処理を用いた水位計測方法および水位計測装置 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231115 Address after: No. 60, Group 17, Laowei Village, Liji Township, Guannan County, Lianyungang, Jiangsu Province, 223500 Patentee after: Song Dangjian Address before: 430040 No. 18, Haikou Second Road, Dongxihu District, Wuhan City, Hubei Province Patentee before: Wuhan taibaiteng Construction Service Co.,Ltd. |