CN115081279A - 一种落石冲击下pccp管道结构损伤评价方法 - Google Patents

一种落石冲击下pccp管道结构损伤评价方法 Download PDF

Info

Publication number
CN115081279A
CN115081279A CN202210678953.8A CN202210678953A CN115081279A CN 115081279 A CN115081279 A CN 115081279A CN 202210678953 A CN202210678953 A CN 202210678953A CN 115081279 A CN115081279 A CN 115081279A
Authority
CN
China
Prior art keywords
rockfall
pccp
model
parameters
damage
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
CN202210678953.8A
Other languages
English (en)
Inventor
程琳
陈家敏
毛昊然
杨杰
张宇恒
潘鹏生
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202210678953.8A priority Critical patent/CN115081279A/zh
Publication of CN115081279A publication Critical patent/CN115081279A/zh
Pending legal-status Critical Current

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]
    • G06F30/10—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
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Graphics (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Devices Affording Protection Of Roads Or Walls For Sound Insulation (AREA)

Abstract

本发明公开了一种落石冲击下PCCP管道结构损伤评价方法，具体为：首先，建立PCCP“管‑土‑石”三维有限元模型，通过有限元法计算不同落石参数情况下，埋地PCCP结构损伤情况，并形成样本数据集；建立LSTM神经网络模型；并利用贝叶斯算法对神经网络模型的第一层隐含层神经元数、第二层隐含层神经元数和初始学习率l进行自动寻优，构成BO‑LSTM模型；根据现场实测的落石参数和BO‑LSTM模型，预测实际工程中PCCP结构的损伤情况。以混凝土管芯最大混凝土塑性损伤值为评价指标构建基于BO‑LSTM模型的落石冲击作用下PCCP的评价模型，用于对PCCP结构在不同落石冲击下的损伤情况进行及时准确的分析。

Description

一种落石冲击下PCCP管道结构损伤评价方法
技术领域
本发明属于管道结构评价方法技术领域，具体涉及一种落石冲击下PCCP管道结构损伤评价方法。
背景技术
PCCP自上世纪40年代问世以来，凭借着其抗渗性强、可靠性高、耐久性好、抗震性优和管理费用低等特性，被很多调水工程采用。PCCP虽然安全稳定性能好，但由于在水利工程中埋设的PCCP传输距离较长，穿越的地质单元多样，容易遇到落石冲击、滑坡、沉降等地质灾害。PCCP一旦因为大的变形而发生破坏，不仅会严重影响管线的正常运行，造成水资源的浪费；同时，管道中喷射出的高压水流极易造成次生灾害的发生，严重威胁周边群众的生命、财产安全。对于管线经过山区的埋地PCCP，在工程正常运行期间，落石作为一种在不稳定边坡容易发生的地质灾害，会对作用土体施加短暂但强有力的冲击荷载，可能导致埋地PCCP出现大变形，从而导致管体开裂，甚至引起爆管现象。因此，在落石发生后要及时对PCCP结构的安全进行快速评价，以便及时采取相应的工程措施，减少工程事故的发生。
随着数值仿真模拟技术的发展，通过数值模拟对埋地PCCP结构进行分析逐渐被许多学者采用并推广。由于建立PCCP结构的数值模型要考虑复杂的材料本构模型和非线性接触关系，通过数值模拟来进行落石冲击作用下PCCP结构安全评价需要较长的计算时间，不便于在落石灾害后对结构进行快速的安全评估。
近些年来，机器学习算法如长短时记忆网络、回归树、人工神经网络等，因其具有精度高，非线性数据挖掘能力强大等优点，被广泛的运用到结构损伤识别中。这些算法对于管道金属损失缺陷的分类识别均较好。综上所述，及时有效的对PCCP结构损伤情况做出评价已是目前亟待解决的一个问题。
发明内容
本发明的目的是提供一种落石冲击下PCCP管道结构损伤评价方法，能够快速且准确的预测落石冲击下PCCP结构的损伤情况。
本发明所采用的技术方案是，一种落石冲击下PCCP管道结构损伤评价方法，具体按照以下步骤具体实施：
步骤1，建立PCCP“管-土-石”三维有限元模型，通过有限元法计算分析不同落石参数情况下，埋地PCCP结构损伤情况，并形成样本数据集，将样本数据集的5％作为测试样本，其余作为训练样本；
步骤2，建立LSTM神经网络模型；
步骤3，利用贝叶斯算法对LSTM神经网络模型的第一层隐含层神经元数m、第二层隐含层神经元数n和初始学习率l进行自动寻优，构成BO-LSTM模型；
步骤4，当落石灾害发生后，根据现场实测的落石参数和BO-LSTM模型，预测实际工程中PCCP结构的损伤情况。
本发明的特点还在于，
步骤1中，具体为：通过有限元法计算分析不同落石参数情况下，埋地PCCP结构损伤情况，其中，落石参数包括落石半径、落石高度以及落石位置，给予落石位置的X和Y坐标、落石半径和落石高度参数若干不同的取值，这样可以得到M组落石参数的组合，对于每一组落石参数，采用PCCP“石-土-管”三维有限元模型计算对应的混凝土管芯全截面混凝土受拉损伤dt的最大值，从而形成样本数据集，并将样本数据集的5％作为测试样本，其余作为训练样本。
步骤2中，具体为：
步骤2.1，LSTM神经网络模型的表达式如式(3)所示：
Figure BDA0003698637550000031
式中：ii是输入门；fi是遗忘门；ci是更新后的细胞状态；oi是输出门；xi是输入信息；hi是获取的输出信息；Wxi、Wci、Wxf、Whf、Wcf、Wxc、Whc、Wxo、Who和Wco是权重系数；bi、bf、Be和b0是偏置量；
步骤2.2，采用两种量化指标对LSTM神经网络模型的精度进行定量的分析，分别为均方根误差和平均绝对误差；RMSE和MAE具体计算公式分别如式(4)和式(5)所示；
Figure BDA0003698637550000041
Figure BDA0003698637550000042
式中，N样本总数；hi是实际输出；
Figure BDA0003698637550000043
是预测输出。
步骤3中，具体为：在超参数m、n和l的取值范围内，随机生成初始样本点，将初始样本点输入到高斯过程中，利用训练样本对LSTM神经网络模型进行训练，利用训练好的LSTM神经网络模型计算训练集对应的PCCP混凝土管芯全截面混凝土受拉损伤dt的最大值，输出均方根误差RMSE，对高斯模型进行修正，使其更接近真实的函数分布；在修正后的高斯模型中选取下一组需要评估的样本点，利用训练好的LSTM神经网络模型对训练样本进行计算，输出RMSE，更新训练样本集合和高斯模型；迭代完成后，终止算法并退出，输出迭代过程中使得RMSE最小的训练样本点，作为最优超参数组合，从而建立落石参数与PCCP结构损伤之间复杂非线性关系的BO-LSTM模型。
本发明的有益效果是：通过结合实际工程建模进行不同落石冲击工况下的PCCP结构的有限元计算，并在此基础之上，以混凝土管芯最大混凝土塑性损伤值为评价指标构建基于BO-LSTM模型的落石冲击作用下PCCP的智能评价模型，用于对PCCP结构在不同落石冲击下的损伤情况进行及时准确的分析。
附图说明
图1是本发明一种落石冲击下PCCP管道结构损伤评价方法的流程图；
图2是本发明实施例中落石位置位于管道跨中(X＝0m，Y＝3m)混凝土管芯最大损伤dt随落石高度和落石半径的变化图；
图3是本发明实施例中落石位置位于管道跨中(X＝0m，Y＝3m)，落石半径1.0m，落石高度20.0m工况落石与地面接触力的时程曲线图；
图4是本发明实施例中落石位置位于管道跨中(X＝0m，Y＝3m)，落石半径1.0m，落石高度20.0m工况跨中处混凝土管芯第一主应变时程图；
图5是本发明实施例中落石位置位于管道跨中(X＝0m，Y＝3m)，落石半径1.0m，落石高度20.0m工况插口处混凝土管芯第一主应变时程图；
图6是本发明实施例中落石位置位于管道跨中(X＝0m，Y＝3m)，落石半径1.0m，落石高度20.0m工况承口处混凝土管芯第一主应变时程图；
图7是本发明实施例中落石位置位于管道跨中(X＝0m，Y＝3m)，落石半径1.0m，落石高度20.0m工况混凝土管芯最大损伤分布图；
图8是本发明实施例中贝叶斯优化过程中LSTM模型预测精度的变化图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种落石冲击下PCCP管道结构损伤评价方法，如图1所示，具体按照以下步骤具体实施：
步骤1，建立不同落石参数下PCCP结构损伤的有限元分析，具体为：
建立PCCP“管-土-石”三维有限元模型，通过有限元法计算分析不同落石参数情况下，埋地PCCP结构损伤情况；
落石参数是影响落石冲击作用的直接因素，包括落石半径、落石高度以及落石位置，在可能的取值范围内，给予落石位置的X和Y坐标、落石半径和落石高度参数若干不同的取值，这样可以得到M组落石参数的组合，对于每一组落石参数，采用PCCP“石-土-管”有限元模型计算对应的混凝土管芯全截面混凝土受拉损伤dt的最大值，从而形成样本数据集，并将样本数据集的5％作为测试样本，其余作为训练样本；
M＝N1(落石X位置取值数)*N2(落石Y位置取值数)*N3(落石半径取值数)*N4(落石高度取值数)；
PCCP“管-土-石”三维有限元模型的建立过程为：
PCCP管周土体采用摩尔库伦模型，该模型用土体的摩擦角、粘聚力和剪胀角来描述土体的塑性应变情况。回填土1、回填土2、回填土3和中粗砂垫层的材料参数如表1所示。未扰动的基础土层采用线弹性模型，弹性模量和泊松比分别为4.5MPa和0.3。
表1上覆土摩尔库伦模型参数
材料 密度(kg/m<sup>3</sup>) 摩擦角(°) 粘聚力(MPa) 剪胀角(°)
回填土1 1770 30 0.004 25
回填土2 1700 30 0.008 25
回填土3 1600 30 0.003 25
中粗砂垫层 0 25 0 25
考虑到荷载作用下钢丝、钢筒的屈服特性，以及混凝土、砂浆开裂等材料的非线性特征，在落石冲击模拟过程中根据美国AWWA C304标准确定管身材料的本构关系。预应力钢丝的应力-应变关系如式(1)所示。
Figure BDA0003698637550000071
式中：σ是预应力钢丝应力；εs是预应力钢丝应变；Es是预应力钢丝弹性模量；fsu是预应力钢丝抗拉强度。
PCCP在基本荷载和落石冲击作用下结构响应的有限元分析中，PCCP各部分材料的基本参数如表2所示。
表2材料基本参数
Figure BDA0003698637550000072
有限元模型的离散主要采用了3种单元：混凝土管芯、砂浆保护层和土体模型主要使用八节点六面体线性减缩积分的实体单元(C3D8R)进行离散；钢筒和插承口钢环主要采用四节点壳单元(S4R)进行离散；预应力钢丝主要采用二节点杆单元(T3D2)进行离散。有限元网格的详细情况如表3所示。
表3模型剖分单元参数
部件 单元类型 单元数 结点数
混凝土管芯 C3D8R 17856 25152
保护层砂浆 C3D8R 5952 12480
钢筒 S4R 5760 6048
插口钢环 S4R 384 576
承口钢环 S4R 384 576
预应力钢丝 T3D2 46080 46080
地基 C3D8R 35836 42714
垫层 C3D8R 21576 24318
上覆土 C3D8R 40424 43785
合计 174252 201729
预应力施加、预应力施加采用降温法，通过指定预应力钢丝的线膨胀系数，在预定义场中设置初始温度，并在之后的分析步进行降温，利用热胀冷缩的原理来模拟钢丝预应力，并通过式(2)计算具体降温值：
Figure BDA0003698637550000081
式中：Δt是钢丝降温值；fsg是钢丝预应力，取1177.5MPa；α是钢丝的线膨胀系数，取1×10-5；Es是钢丝的弹性模量，取205000MPa。
分析工况、在模拟落石冲击作用前，先进行PCCP管线施工、运行全过程的模拟，具体分为钢丝预应力施加、管道自重施加、上覆土回填和0.60MPa的内水压力施加4个步骤，荷载施加顺序如表4所示。
表4荷载施加顺序
Figure BDA0003698637550000082
步骤2，建立LSTM神经网络模型，具体为：
步骤2.1，LSTM神经网络模型的表达式如式(3)所示：
Figure BDA0003698637550000091
式中：ii是输入门；fi是遗忘门；ci是更新后的细胞状态；oi是输出门；xi是输入信息；hi是获取的输出信息；Wxi、Wci、Wxf、Whf、Wcf、Wxc、Whc、Wxo、Who和Wco是权重系数；bi、bf、Be和b0是偏置量；
以落石参数(落石位置的平面X和Y坐标、落石半径和落石高度)作为输入，以PCCP“管-土-石”三维有限元模型计算的落石冲击作用后混凝土管芯全截面混凝土受拉损伤dt的最大值作为输出；
步骤2.2，采用两种量化指标对LSTM神经网络模型的精度进行定量的分析，分别为均方根误差(root mean square error,RMSE)和平均绝对误差(mean absolute error,MAE)；RMSE和MAE具体计算公式分别如式(4)和式(5)所示；
Figure BDA0003698637550000092
Figure BDA0003698637550000093
式中，N样本总数；hi是实际输出；
Figure BDA0003698637550000101
是预测输出。
步骤3，利用贝叶斯算法对LSTM神经网络模型的第一层隐含层神经元数m、第二层隐含层神经元数n和初始学习率l进行自动寻优，构成BO-LSTM模型；
具体为：在设定LSTM神经网络模型的超参数(即m、n和l)的取值范围，在超参数的取值范围内，随机生成初始样本点，将初始样本点输入到高斯过程中，利用训练样本对LSTM神经网络模型进行训练，利用训练好的LSTM神经网络模型计算训练集对应的PCCP混凝土管芯全截面混凝土受拉损伤dt的最大值，输出均方根误差RMSE，对高斯模型进行修正，使其更接近真实的函数分布；在修正后的高斯模型中选取下一组需要评估的样本点，利用训练好的LSTM神经网络模型对训练样本进行计算，输出RMSE，更新训练样本集合和高斯模型；迭代完成后，终止算法并退出，输出迭代过程中使得RMSE最小的训练样本点，作为最优超参数组合，从而建立落石参数与PCCP结构损伤之间复杂非线性关系的BO-LSTM模型；
步骤4，当落石灾害发生后，根据现场实测的落石参数和BO-LSTM模型，预测实际工程中PCCP结构的损伤情况，以便迅速掌握落石冲击对结构安全的影响程度，为落石灾害发生后调水工程中PCCP结构的运行管理和相关修复措施提供支持。
实施案例
本发明一种落石冲击下PCCP管道结构损伤评价方法，具体按照以下步骤具体实施：
步骤1，建立不同落石参数下PCCP结构损伤的有限元分析，具体为：
落石参数，X坐标以2.0m为间隔，由-4.0m变化至4.0m；Y坐标以1.5m为间隔，由0.0m至6.0m；落石半径r以0.2m为间隔，由0.8m变化至2.0m；落石高度h，以4.0m为间隔，由4.0m至20.0m。这样共有M＝5*5*7*5＝875组落石参数的不同的工况；
落石位置位于管道跨中(X＝0m，Y＝3m)混凝土管芯最大损伤dt随落石高度和落石半径的变化情况如图2所示，由图可知：落石位置固定在跨中时，随着落石半径和落石高度的增大，混凝土管芯最大受拉损伤不断增大。落石位置位于管道跨中(X＝0m，Y＝3m)，落石半径1.0m，落石高度20.0m时，落石与地面接触力的时程曲线如图3所示，计算得到的凝土管芯第一主应变的变化过程如图4-6所示，对应的混凝土管芯损伤分布如图7所示。
步骤2，将4种落石参数作为BO-LSTM智能评价模型的输入信息，混凝土管芯最大受拉损伤dt,max作为输出信息。将M＝875组落石工况打乱后，选用M×5％＝44组数据作为测试集，用于评价模型的精度，剩余的831组数据作为训练集，用于训练BO-LSTM智模型。
步骤3，贝叶斯优化过程中设置LSTM第一层隐含层神经元数m和第二层隐含层神经元数n的寻优范围为[1,500]，初始学习率l的寻优范围为[0.0001,0.01]，贝叶斯优化迭代次数为200；贝叶斯算法随迭代次数增加LSTM模型的RMSE变化如图8所示；
由图8可知，贝叶斯优化过程中，最小RMSE在前50次迭代时快速降低，第50次迭代后，最小RMSE降低速度减缓，第150次迭代后，最小RMSE不再降低。优化后，第一层隐含层神经元数m为48，第二层隐含层神经元数n为3，初始学习率l为0.009168。
步骤4，针对44组测试样本，采用训练好的BO-LSTM模型预测PCCP管芯大受拉损伤dt，计算结果及计算误差，如表5所示。采用BO-LSTM计算的受落石冲击后PCCP混凝土管芯最大受拉损伤dt有较高的精度，最大的预测误差为9.96％，并能准确的分辨出混凝土管芯未发生破坏(工况1、2)和完全开裂(工况8、9、10)的情况，且能较为准确的计算出混凝土管芯发生部分破坏的大小。
表5基于BO-LSTM模型的PCCP管芯混凝土最大损伤dt预测结果
Figure BDA0003698637550000121
Figure BDA0003698637550000131
以测试工况44为例，采用本发明的BO-LSTM模型评价方法计算时间为21s，采用有限元计算所用的时间为28836s。由此，可见本发明的计算方法可以大大提高计算效率，在落石灾害发生后可以快速准确地对PCCP结构安全进行评价。

Claims (4)

1.一种落石冲击下PCCP管道结构损伤评价方法，其特征在于，具体按照以下步骤具体实施：
步骤1，建立PCCP“管-土-石”三维有限元模型，通过有限元法计算分析不同落石参数情况下，埋地PCCP结构损伤情况，并形成样本数据集，将样本数据集的5％作为测试样本，其余作为训练样本；
步骤2，建立LSTM神经网络模型；
步骤3，利用贝叶斯算法对LSTM神经网络模型的第一层隐含层神经元数m、第二层隐含层神经元数n和初始学习率l进行自动寻优，构成BO-LSTM模型；
步骤4，当落石灾害发生后，根据现场实测的落石参数和BO-LSTM模型，预测实际工程中PCCP结构的损伤情况。
2.根据权利要求1所述的一种落石冲击下PCCP管道结构损伤评价方法，其特征在于，所述步骤1中，具体为：通过有限元法计算分析不同落石参数情况下，埋地PCCP结构损伤情况，其中，落石参数包括落石半径、落石高度以及落石位置，给予落石位置的X和Y坐标、落石半径和落石高度参数若干不同的取值，这样可以得到M组落石参数的组合，对于每一组落石参数，采用PCCP“石-土-管”三维有限元模型计算对应的混凝土管芯全截面混凝土受拉损伤dt的最大值，从而形成样本数据集，并将样本数据集的5％作为测试样本，其余作为训练样本。
3.根据权利要求1所述的一种落石冲击下PCCP管道结构损伤评价方法，其特征在于，所述步骤2中，具体为：
步骤2.1，LSTM神经网络模型的表达式如式(3)所示：
Figure FDA0003698637540000021
式中：ii是输入门；fi是遗忘门；ci是更新后的细胞状态；oi是输出门；xi是输入信息；hi是获取的输出信息；Wxi、Wci、Wxf、Whf、Wcf、Wxc、Whc、Wxo、Who和Wco是权重系数；bi、bf、Be和b0是偏置量；
步骤2.2，采用两种量化指标对LSTM神经网络模型的精度进行定量的分析，分别为均方根误差和平均绝对误差；RMSE和MAE具体计算公式分别如式(4)和式(5)所示；
Figure FDA0003698637540000022
Figure FDA0003698637540000023
式中，N样本总数；hi是实际输出；
Figure FDA0003698637540000024
是预测输出。
4.根据权利要求1所述的一种落石冲击下PCCP管道结构损伤评价方法，其特征在于，所述步骤3中，具体为：在超参数m、n和l的取值范围内，随机生成初始样本点，将初始样本点输入到高斯过程中，利用训练样本对LSTM神经网络模型进行训练，利用训练好的LSTM神经网络模型计算训练集对应的PCCP混凝土管芯全截面混凝土受拉损伤dt的最大值，输出均方根误差RMSE，对高斯模型进行修正，使其更接近真实的函数分布；在修正后的高斯模型中选取下一组需要评估的样本点，利用训练好的LSTM神经网络模型对训练样本进行计算，输出RMSE，更新训练样本集合和高斯模型；迭代完成后，终止算法并退出，输出迭代过程中使得RMSE最小的训练样本点，作为最优超参数组合，从而建立落石参数与PCCP结构损伤之间复杂非线性关系的BO-LSTM模型。
CN202210678953.8A 2022-06-16 2022-06-16 一种落石冲击下pccp管道结构损伤评价方法 Pending CN115081279A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210678953.8A CN115081279A (zh) 2022-06-16 2022-06-16 一种落石冲击下pccp管道结构损伤评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210678953.8A CN115081279A (zh) 2022-06-16 2022-06-16 一种落石冲击下pccp管道结构损伤评价方法

Publications (1)

Publication Number Publication Date
CN115081279A true CN115081279A (zh) 2022-09-20

Family

ID=83253988

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210678953.8A Pending CN115081279A (zh) 2022-06-16 2022-06-16 一种落石冲击下pccp管道结构损伤评价方法

Country Status (1)

Country Link
CN (1) CN115081279A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115563475A (zh) * 2022-10-25 2023-01-03 南京工业大学 一种挖掘机液压系统的压力软传感器
CN116306084A (zh) * 2023-01-06 2023-06-23 天津大学 一种模拟海床输气管道冲击防护的数值方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115563475A (zh) * 2022-10-25 2023-01-03 南京工业大学 一种挖掘机液压系统的压力软传感器
CN116306084A (zh) * 2023-01-06 2023-06-23 天津大学 一种模拟海床输气管道冲击防护的数值方法
CN116306084B (zh) * 2023-01-06 2023-10-27 天津大学 一种模拟海床输气管道冲击防护的数值方法

Similar Documents

Publication Publication Date Title
CN115081279A (zh) 一种落石冲击下pccp管道结构损伤评价方法
Xue et al. A two-step comprehensive evaluation model for rockburst prediction based on multiple empirical criteria
Long et al. Machine learning method to predict dynamic compressive response of concrete-like material at high strain rates
Shin et al. Methodology for quantitative hazard assessment for tunnel collapses based on case histories in Korea
CN114329709A (zh) 盾构隧道服役性能快速诊断和发展趋势预测方法
Zhou et al. Deep learning-based rapid damage assessment of RC columns under blast loading
CN111365051B (zh) 基于反馈算法传递函数的炭质岩隧道锚杆应力估算方法
Ding et al. Intelligent Classification Method for Tunnel Lining Cracks Based on PFC‐BP Neural Network
CN115654381A (zh) 一种基于图神经网络的供水管道漏损检测方法
Fu et al. Evaluation of cracking potential for concrete arch dam based on simulation feedback analysis
CN113408184A (zh) 基于遗传算法和离散元分析法的锚固边坡安全性评价方法
Sultanov et al. Underground pipeline strength under non-one-dimensional motion
CN117386355A (zh) 深埋土层中高强混凝土井壁破坏预测方法
Zhao et al. Unified egg ellipse critical threshold estimation for the deformation behavior of ultrahigh arch dams
CN115470553A (zh) 一种软岩隧道围岩大变形分级的预测方法
Wang et al. Probabilistic analysis of the longitudinal performance of shield tunnels based on a simplified finite element procedure and its surrogate model considering spatial soil variability
Zhou et al. Creep parameter inversion for high CFRDs based on improved BP neural network response surface method
Xie et al. Prediction of pipeline fatigue crack propagation under rockfall impact based on multilayer perceptron
Jiang et al. Probabilistic-based burst failure mechanism analysis and risk assessment of pipelines with random non-uniform corrosion defects, considering the interacting effects
Zhang et al. Prediction and evaluation of rockburst based on depth neural network
Wen et al. Plastic-damage analysis of concrete cutoff wall for a concrete face rockfill dam
Wu et al. In Situ Monitoring and Numerical Experiments on Vertical Deformation Profiles of Large‐Scale Underground Caverns in Giant Hydropower Stations
CN115455781A (zh) 一种落石冲击作用下的预应力钢筒混凝土挠度监测方法
Cheng et al. A BO-LSTM-Based Rapid Evaluation Method of PCCP Structural Safety under Falling Rock Impacts
Li et al. Numerical Simulation and Deformation Prediction of Deep Pit Based on PSO-BP Neural Network Inversion of Soil Parameters

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