CN115096806B - 隧道钢混结构杂散电流腐蚀高风险区域识别方法及系统 - Google Patents
隧道钢混结构杂散电流腐蚀高风险区域识别方法及系统 Download PDFInfo
- Publication number
- CN115096806B CN115096806B CN202210707636.4A CN202210707636A CN115096806B CN 115096806 B CN115096806 B CN 115096806B CN 202210707636 A CN202210707636 A CN 202210707636A CN 115096806 B CN115096806 B CN 115096806B
- Authority
- CN
- China
- Prior art keywords
- kde
- potential
- risk area
- corrosion
- stray current
- 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
- 238000005260 corrosion Methods 0.000 title claims abstract description 49
- 230000007797 corrosion Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000004567 concrete Substances 0.000 title abstract description 12
- 239000011150 reinforced concrete Substances 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 229910000831 Steel Inorganic materials 0.000 claims description 23
- 239000010959 steel Substances 0.000 claims description 23
- 210000002569 neuron Anatomy 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- KFOPKOFKGJJEBW-ZSSYTAEJSA-N methyl 2-[(1s,7r,8s,9s,10r,13r,14s,17r)-1,7-dihydroxy-10,13-dimethyl-3-oxo-1,2,6,7,8,9,11,12,14,15,16,17-dodecahydrocyclopenta[a]phenanthren-17-yl]acetate Chemical compound C([C@H]1O)C2=CC(=O)C[C@H](O)[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H](CC(=O)OC)[C@@]1(C)CC2 KFOPKOFKGJJEBW-ZSSYTAEJSA-N 0.000 claims description 7
- 229910001294 Reinforcing steel Inorganic materials 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005536 corrosion prevention Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006056 electrooxidation reaction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
- G01N17/02—Electrochemical measuring systems for weathering, corrosion or corrosion-protection measurement
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental & Geological Engineering (AREA)
- Environmental Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开隧道钢混结构杂散电流腐蚀高风险区域识别方法及系统,包括:测量地铁全线多区域钢混结构半电位信号和本体电位信号;计算电位偏移信号;计算电位偏移信号的正向均值和负向均值;计算电位偏移信号的概率密度函数;对概率密度函数进行广义极值分布拟合,获得概率密度函数位置参数;计算电位偏移信号的核密度估计结果;对电位偏移信号核密度估计进行求导;求和电位偏移信号核密度估计导数;构建腐蚀高风险区域识别数据集,数据集预处理;构建智能识别模型,腐蚀高风险区域识别;重复步骤,每24h读取电位信号数据,评估24h之内的杂散电流腐蚀高风险区域。本发明为评估地铁隧道钢混结构的杂散电流腐蚀风险提供了一种新的解决方案。
Description
技术领域
本发明涉及一种杂散电流腐蚀高风险区域识别方法,特别是一种基于动态电位偏移信号分析的杂散电流腐蚀高风险区域识别方法及监测系统。
背景技术
杂散电流会对地铁盾构隧道的钢混结构造成严重的电化学腐蚀,会严重影响地铁系统主体结构安全可靠性,对城市轨道交通长期稳定运营造成了不可忽视的威胁。杂散电流腐蚀会在钢筋附近产生腐蚀产物堆积,进而对混凝土内部产生应力作用,降低钢混结构的服役性能,严重时会导致盾构隧道结构产生局部破裂、碎落甚至诸如垮塌等灾难性事故。因此,地铁钢混结构的杂散电流腐蚀监测极其必要,对于判断盾构隧道结构的安全可靠性具有重要的实际意义。
由于钢筋埋置于混凝土内部所导致的特殊性,钢混结构的杂散电流腐蚀难以通过常规监测方法进行准确探测。半电位信号虽然能够反应腐蚀程度,但无法直接获得腐蚀速率等直接参数,因此有必要发明一种半电位信号分析方法以实现钢混结构杂散电流腐蚀状态的准确监测。
发明内容
本发明的目的是提供一种杂散电流腐蚀高风险区域识别方法及监测系统,将动态半电位信号的概率统计参数作为智能识别模型的输入端参数,借助自组织映射网络智能识别地铁全线内钢混结构的杂散电流腐蚀高风险区域。
为了达到上述目的,本发明所采用的技术方案为:
一种隧道钢混结构杂散电流腐蚀高风险区域识别方法,请参见图1-7,包括以下步骤:
步骤1:通过预埋置的参比电极监测系统,测量地铁隧道m个区间共m×n个预埋置参比电极传感器处的主体结构钢筋在24h之内的半电位信号Vp={Vp 1,1,Vp 1,2,…,Vp 1,n,Vp 2,1,Vp 2,2,…,Vp 2,n,…,Vp i,1,Vp i,2,…,Vp i,n,Vp m,1,Vp m,2,…,Vp m,n}和本体电位信号V0={V0 1,1,V0 1 ,2,…,V0 1,n,V0 2,1,V0 2,2,…,V0 2,n,…,V0 i,1,V0 i,2,…,V0 i,n,V0 m,1,V0 m,2,…,V0 m,n};其中全线内第i个区间的第j个传感器24h半电位信号和本体电位信号为(每一信号共包含k个数据):
步骤2:计算电位偏移信号ΔVp={ΔVp 1,1,ΔVp 1,2,…,ΔVp 1,n,ΔVp 2,1,ΔVp 2,2,…,ΔVp 2,n,…,ΔVp i,1,ΔVp i,2,…,ΔVp i,n,ΔVp m,1,ΔVp m,2,…,ΔVp m,n},,计算方法如下所示:
ΔVp=Vp-V0;
步骤3:计算主体结构钢筋电位偏移信号ΔVp的正向均值VA+={A+(ΔVp 1,1),A+(ΔVp 1,2),…,A+(ΔVp 1,n),A+(ΔVp 2,1),A+(ΔVp 2,2),…,A+(ΔVp 2,n),…,A+(ΔVp i,1),A+(ΔVp i ,2),…,A+(ΔVp i,n),A+(ΔVp m,1),A+(ΔVp m,2),…,A+(ΔVp m,n)}和负向均值VA-={A-(ΔVp 1,1),A-(ΔVp 1,2),…,A-(ΔVp 1,n),A-(ΔVp 2,1),A-(ΔVp 2,2),…,A-(ΔVp 2,n),…,A-(ΔVp i,1),A-(ΔVp i,2),…,A-(ΔVp i,n),A-(ΔVp m,1),A-(ΔVp m,2),…,A-(ΔVp m,n)};
步骤4:分别计算主体结构钢筋电位偏移信号ΔVp的概率密度函数VPDF={F(ΔVp 1 ,1),F(ΔVp 1,2),…,F(ΔVp 1,n),F(ΔVp 2,1),F(ΔVp 2,2),…,F(ΔVp 2,n),…,F(ΔVp i,1),F(ΔVp i ,2),…,F(ΔVp i,n),F(ΔVp m,1),F(ΔVp m,2),…,F(ΔVp m,n)};
步骤5:对概率密度函数进行广义极值分布拟合,获得概率密度函数位置参数μGEV={μp 1,1,μp 1,2,…,μp 1,n,…,μp i,1,μp i,2,…,μp i,n,μp m,1,μp m,2,…,μp m,n},电位偏移信号ΔVp的广义极值分布如下:
步骤6:分别计算主体结构钢筋电位偏移信号ΔVp的核密度估计VKDE={K(ΔVp 1,1),K(ΔVp 1,2),…,K(ΔVp 1,n),K(ΔVp 2,1),K(ΔVp 2,2),…,K(ΔVp 2,n),…,K(ΔVp i,1),K(ΔVp i ,2),…,K(ΔVp i,n),K(ΔVp m,1),K(ΔVp m,2),…,K(ΔVp m,n)},,核密度估计的计算方法如下:
步骤7:根据主体结构钢筋电位偏移信号的核密度估计结果VKDE,计算核密度估计结果的导数VKDE’={K(ΔVp 1,1)’,K(ΔVp 1,2)’,…,K(ΔVp 1,n)’,K(ΔVp 2,1)’,K(ΔVp 2,2)’,…,K(ΔVp 2,n)’,…,K(ΔVp i,1)’,K(ΔVp i,2)’,…,K(ΔVp i,n)’,K(ΔVp m,1)’,K(ΔVp m,2)’,…,K(ΔVp m,n)’};
步骤8:对主体结构钢筋电位偏移信号核密度估计结构导数VKDE’进行求和,得到SKDE={SKDE 1,1,SKDE 1,2,…,SKDE 1,n,SKDE 2,1,SKDE 2,2,…,SKDE 2,n,…,SKDE i,1,SKDE i,2,…,SKDE i,n,…,SKDE m,1,SKDE m,2,…,SKDE m,n},全线第i个区间的第j个传感器的计算方法如下:
步骤9:构建腐蚀高风险区域识别数据集合,包括:主体结构钢筋半电位正向均值VA+、主体结构钢筋半电位负向均值VA-、主体结构钢筋半电位信号概率密度函数位置参数μGEV、主体结构钢筋半电位信号核密度估计导数之和SKDE,作为分类模型的输入变量;将数据集按照70%:30%的比例划分为训练集和测试集,进行数据集预处理;
步骤10:模型输出分类结果为:低风险、中风险和高风险三类,将训练集代入自组织映射网络中进行训练,利用测试集验证分类模型的分类效果,识别当前24h之内地铁全线各个区间内监测传感器附近的腐蚀高风险区域。
进一步的,还包括步骤11:重复上述步骤1至步骤10,每24h评估一次地铁全线的杂散电流腐蚀高风险区域。
一种隧道钢混结构杂散电流腐蚀高风险区域识别方法,其特征在于,基于自组织映射网络的腐蚀高风险区域识别模型构建流程,采用Kohonen学习算法进行训练,具体过程如下:
(1)模型初始化,对输出层中各神经元权重赋值,归一化处理,得到,j=1,2,…,m。
(2)建立初始优胜邻域Nj*(0),初始化学习率η(t);
(3)计算点积从点积计算结果中搜寻最大的j*,并以此作为获胜神经元;
(4)定义优胜邻域Nj*(t),以j*为中心确定迭代次数为t时的权值调整域;
(5)对优胜邻域Nj*(t)内的所有神经元调整权重,计算公式如下:
其中,i是一个神经元所有输入边的序标,η(t,N)是训练迭代次数t和邻域内第j个神经元与获胜神经元j*之间的拓扑距离的函数。
本发明还提供一种隧道钢混结构杂散电流腐蚀高风险区域识别方法的监测系统,其特征在于,该监测系统包括参比电极、杂散电流智能传感器和上位机系统,参比电极均布于m个牵引区间内,每个牵引区间内共n个参比电极,同一牵引区间内的n个参比电极使用一个杂散电流智能传感器进行数据整合,然后上传至上位机系统。
有益效果:半电位监测是目前间接反映杂散电流作用下钢混结构腐蚀程度的主要手段。杂散电流腐蚀下的半电位信号具有强烈的动态波动特性,需要设计针对动态半电位信号的分析方法,并以此为基础评估附近区域的杂散电流腐蚀风险。为了实现基于动态半电位信号的盾构隧道钢混结构杂散电流腐蚀高风险区域识别,本发明提出了隧道钢混结构杂散电流腐蚀高风险区域识别方法及系统,基于动态半电位信号的挖掘信息对地铁全线不同区间参比电极传感器附近区域的腐蚀风险进行等级分类,最终实现利用半电位信号识别全线内的腐蚀高风险区域,从而为针对性的杂散电流腐蚀防治提供技术支撑。
本发明为评估地铁隧道钢混结构的杂散电流腐蚀风险提供了一种新的解决方案,能够通过半电位信号智能判断腐蚀高风险区域,易于实现,对于保障地铁系统长期安全稳定运营具有重要的工程意义。
附图说明
图1为本发明所提出的腐蚀高风险区域识别方法流程图;
图2为本发明中所测得的动态半电位信号Vp举例图;
图3为本发明中所计算获得的电位偏移信号ΔVp举例图;
图4为本发明中计算获得的电位偏移信号核密度估计VKDE举例图;
图5为本发明中计算获得的电位偏移信号核密度估计导数VKDE’举例图;
图6为本发明中基于自组织映射网络的腐蚀高风险区域识别模型构建流程图;图7为本发明所使用的监测系统组成图。
具体实施方式
下面结合附图对本发明作进一步详细说明
本发明所采用的技术方案是:一种隧道钢混结构杂散电流腐蚀高风险区域识别方法,流程如图1所示,包括以下步骤:
步骤1:通过预埋置的参比电极监测系统,测量地铁隧道m个区间共m×n个预埋置参比电极传感器处的主体结构钢筋在24h之内的半电位信号Vp={Vp 1,1,Vp 1,2,…,Vp 1,n,Vp 2,1,Vp 2,2,…,Vp 2,n,…,Vp i,1,Vp i,2,…,Vp i,n,Vp m,1,Vp m,2,…,Vp m,n},如图1所示,以及本体电位信号V0={V0 1,1,V0 1,2,…,V0 1,n,V0 2,1,V0 2,2,…,V0 2,n,…,V0 i,1,V0 i,2,…,V0 i,n,V0 m,1,V0 m,2,…,V0 m,n};分别以全线内第i个区间的第j个传感器24h半电位信号和本体电位信号为例(每一信号共包含k个数据):
步骤2:计算电位偏移信号ΔVp={ΔVp 1,1,ΔVp 1,2,…,ΔVp 1,n,ΔVp 2,1,ΔVp 2,2,…,ΔVp 2,n,…,ΔVp i,1,ΔVp i,2,…,ΔVp i,n,ΔVp m,1,ΔVp m,2,…,ΔVp m,n},如图2所示,计算方法如下:
ΔVp=Vp-V0
步骤3:计算主体结构钢筋电位偏移信号ΔVp的正向均值VA+={A+(ΔVp 1,1),A+(ΔVp 1,2),…,A+(ΔVp 1,n),A+(ΔVp 2,1),A+(ΔVp 2,2),…,A+(ΔVp 2,n),…,A+(ΔVp i,1),A+(ΔVp i ,2),…,A+(ΔVp i,n),A+(ΔVp m,1),A+(ΔVp m,2),…,A+(ΔVp m,n)}和负向均值VA-={A-(ΔVp 1,1),A-(ΔVp 1,2),…,A-(ΔVp 1,n),A-(ΔVp 2,1),A-(ΔVp 2,2),…,A-(ΔVp 2,n),…,A-(ΔVp i,1),A-(ΔVp i,2),…,A-(ΔVp i,n),A-(ΔVp m,1),A-(ΔVp m,2),…,A-(ΔVp m,n)}
步骤4:分别计算主体结构钢筋电位偏移信号ΔVp的概率密度函数VPDF={F(ΔVp 1 ,1),F(ΔVp 1,2),…,F(ΔVp 1,n),F(ΔVp 2,1),F(ΔVp 2,2),…,F(ΔVp 2,n),…,F(ΔVp i,1),F(ΔVp i ,2),…,F(ΔVp i,n),F(ΔVp m,1),F(ΔVp m,2),…,F(ΔVp m,n)}
步骤5:对概率密度函数进行广义极值分布拟合,获得概率密度函数位置参数μGEV={μp 1,1,μp 1,2,…,μp 1,n,…,μp i,1,μp i,2,…,μp i,n,μp m,1,μp m,2,…,μp m,n},电位偏移信号ΔVp的广义极值分布如下所示:
步骤6:分别计算主体结构钢筋电位偏移信号ΔVp的核密度估计VKDE={K(ΔVp 1,1),K(ΔVp 1,2),…,K(ΔVp 1,n),K(ΔVp 2,1),K(ΔVp 2,2),…,K(ΔVp 2,n),…,K(ΔVp i,1),K(ΔVp i ,2),…,K(ΔVp i,n),K(ΔVp m,1),K(ΔVp m,2),…,K(ΔVp m,n)},如图4所示,核密度估计的计算方法如下:
步骤7:根据主体结构钢筋电位偏移信号的核密度估计结果VKDE,计算核密度估计结果的导数VKDE’={K(ΔVp 1,1)’,K(ΔVp 1,2)’,…,K(ΔVp 1,n)’,K(ΔVp 2,1)’,K(ΔVp 2,2)’,…,K(ΔVp 2,n)’,…,K(ΔVp i,1)’,K(ΔVp i,2)’,…,K(ΔVp i,n)’,K(ΔVp m,1)’,K(ΔVp m,2)’,…,K(ΔVp m,n)’},如图5所示
步骤8:对主体结构钢筋电位偏移信号核密度估计结构导数VKDE’进行求和,得到SKDE={SKDE 1,1,SKDE 1,2,…,SKDE 1,n,SKDE 2,1,SKDE 2,2,…,SKDE 2,n,…,SKDE i,1,SKDE i,2,…,SKDE i,n,…,SKDE m,1,SKDE m,2,…,SKDE m,n},计算方法如下所示(以全线第i个区间的第j个传感器为例):
步骤9:构建腐蚀高风险区域识别数据集合,包括:主体结构钢筋半电位正向均值VA+、主体结构钢筋半电位负向均值VA-、主体结构钢筋半电位信号概率密度函数位置参数μGEV、主体结构钢筋半电位信号核密度估计导数之和SKDE,作为分类模型的输入变量;将数据集按照70%:30%的比例划分为训练集和测试集,数据集预处理。
步骤10:模型输出分类结果为:低风险、中风险和高风险三类,将训练集代入自组织映射网络中进行训练,利用测试集验证分类模型的分类效果,识别当前24h之内地铁全线各个区间内监测传感器附近的腐蚀高风险区域。
步骤11:重复上述步骤1至步骤10,每24h评估一次地铁全线的杂散电流腐蚀高风险区域。
基于自组织映射网络的腐蚀高风险区域识别模型构建流程如图6所示,采用Kohonen学习算法进行训练,具体过程如下:
(1)模型初始化,对输出层中各神经元权重赋值(小随机数),归一化处理,得到
(2)建立初始优胜邻域Nj*(0),初始化学习率η(t);
(3)计算点积从点积计算结果中搜寻最大的j*,并以此作为获胜神经元;
(4)定义优胜邻域Nj*(t),以j*为中心确定迭代次数为t时的权值调整域;
(5)对优胜邻域Nj*(t)内的所有神经元调整权重,计算公式如下:
其中,i是一个神经元所有输入边的序标,η(t,N)是训练迭代次数t和邻域内第j个神经元与获胜神经元j*之间的拓扑距离的函数。
一种基于动态极化电位信号分析的隧道钢混结构杂散电流腐蚀高风险区域识别方法,是基于如图7所示的监测系统实现的,该监测系统包括参比电极、杂散电流智能传感器和上位机系统,参比电极均布于m个牵引区间内,每个牵引区间内共n个参比电极,同一牵引区间内的n个参比电极使用一个杂散电流智能传感器进行数据整合,然后上传至上位机系统。
Claims (4)
1.一种隧道钢混结构杂散电流腐蚀高风险区域识别方法,其特征在于,包括以下步骤:
步骤1:通过预埋置的参比电极监测系统,测量地铁隧道m个区间共m×n个预埋置参比电极传感器处的主体结构钢筋在24h之内的半电位信号Vp={Vp 1,1,Vp 1,2,…,Vp 1,n,Vp 2,1,Vp 2 ,2,…,Vp 2,n,…,Vp i,1,Vp i,2,…,Vp i,n,Vp m,1,Vp m,2,…,Vp m,n}和本体电位信号V0={V0 1,1,V0 1 ,2,…,V0 1,n,V0 2,1,V0 2,2,…,V0 2,n,…,V0 i,1,V0 i,2,…,V0 i,n,V0 m,1,V0 m,2,…,V0 m,n};其中第i个区间的第j个传感器24h半电位信号和本体电位信号分别为:
步骤2:计算电位偏移信号ΔVp={ΔVp 1,1,ΔVp 1,2,…,ΔVp 1,n,ΔVp 2,1,ΔVp 2,2,…,ΔVp 2 ,n,…,ΔVp i,1,ΔVp i,2,…,ΔVp i,n,ΔVp m,1,ΔVp m,2,…,ΔVp m,n},,计算方法如下:
ΔVp=Vp-V0;
步骤3:计算主体结构钢筋电位偏移信号ΔVp的正向均值VA+={A+(ΔVp 1,1),A+(ΔVp 1 ,2),…,A+(ΔVp 1,n),A+(ΔVp 2,1),A+(ΔVp 2,2),…,A+(ΔVp 2,n),…,A+(ΔVp i,1),A+(ΔVp i,2),…,A+(ΔVp i,n),A+(ΔVp m,1),A+(ΔVp m,2),…,A+(ΔVp m,n)}和负向均值VA-={A-(ΔVp 1,1),A-(ΔVp 1,2),…,A-(ΔVp 1,n),A-(ΔVp 2,1),A-(ΔVp 2,2),…,A-(ΔVp 2,n),…,A-(ΔVp i,1),A-(ΔVp i ,2),…,A-(ΔVp i,n),A-(ΔVp m,1),A-(ΔVp m,2),…,A-(ΔVp m,n)};
步骤4:分别计算主体结构钢筋电位偏移信号ΔVp的概率密度函数VPDF={F(ΔVp 1,1),F(ΔVp 1,2),…,F(ΔVp 1,n),F(ΔVp 2,1),F(ΔVp 2,2),…,F(ΔVp 2,n),…,F(ΔVp i,1),F(ΔVp i ,2),…,F(ΔVp i,n),F(ΔVp m,1),F(ΔVp m,2),…,F(ΔVp m,n)};
步骤5:对概率密度函数进行广义极值分布拟合,获得概率密度函数位置参数μGEV={μp 1,1,μp 1,2,…,μp 1,n,…,μp i,1,μp i,2,…,μp i,n,μp m,1,μp m,2,…,μp m,n},电位偏移信号ΔVp的广义极值分布如下:
步骤6:分别计算主体结构钢筋电位偏移信号ΔVp的核密度估计VKDE={K(ΔVp 1,1),K(ΔVp 1,2),…,K(ΔVp 1,n),K(ΔVp 2,1),K(ΔVp 2,2),…,K(ΔVp 2,n),…,K(ΔVp i,1),K(ΔVp i,2),…,K(ΔVp i,n),K(ΔVp m,1),K(ΔVp m,2),…,K(ΔVp m,n)},核密度估计的计算方法如下:
步骤7:根据主体结构钢筋电位偏移信号的核密度估计结果VKDE,计算核密度估计结果的导数VKDE’={K(ΔVp 1,1)’,K(ΔVp 1,2)’,…,K(ΔVp 1,n)’,K(ΔVp 2,1)’,K(ΔVp 2,2)’,…,K(ΔVp 2,n)’,…,K(ΔVp i,1)’,K(ΔVp i,2)’,…,K(ΔVp i,n)’,K(ΔVp m,1)’,K(ΔVp m,2)’,…,K(ΔVp m ,n)’};
步骤8:对主体结构钢筋电位偏移信号核密度估计结构导数VKDE’进行求和,得到SKDE={SKDE 1,1,SKDE 1,2,…,SKDE 1,n,SKDE 2,1,SKDE 2,2,…,SKDE 2,n,…,SKDE i,1,SKDE i,2,…,SKDE i,n,…,SKDE m,1,SKDE m,2,…,SKDE m,n},全线第i个区间的第j个传感器的计算方法如下:
步骤9:构建腐蚀高风险区域识别数据集合,包括:主体结构钢筋半电位正向均值VA+、主体结构钢筋半电位负向均值VA-、主体结构钢筋半电位信号概率密度函数位置参数μGEV、主体结构钢筋半电位信号核密度估计导数之和SKDE,作为分类模型的输入变量;将数据集按照70%:30%的比例划分为训练集和测试集,进行数据集预处理,建立基于自组织映射网络的腐蚀高风险区域识别模型;
步骤10:模型输出分类结果为:低风险、中风险和高风险三类,将训练集代入自组织映射网络中进行训练,利用测试集验证分类模型的分类效果,识别当前24h之内地铁全线各个区间内监测传感器附近的腐蚀高风险区域。
2.根据权利要求1所述的隧道钢混结构杂散电流腐蚀高风险区域识别方法,其特征在于,在步骤10之后,还包括:
步骤11:重复上述步骤1至步骤10,每24h评估一次地铁全线的杂散电流腐蚀高风险区域。
3.根据权利要求1所述的隧道钢混结构杂散电流腐蚀高风险区域识别方法,其特征在于,基于自组织映射网络的腐蚀高风险区域识别模型构建流程,采用Kohonen学习算法进行训练,具体过程如下:
(1)模型初始化,对输出层中各神经元权重赋值,归一化处理,得到
(2)建立初始优胜邻域Nj*(0),初始化学习率η(t);
(3)计算点积从点积计算结果中搜寻最大的j*,并以此作为获胜神经元;
(4)定义优胜邻域Nj*(t),以j*为中心确定迭代次数为t时的权值调整域;
(5)对优胜邻域Nj*(t)内的所有神经元调整权重,计算公式如下:
其中,i是一个神经元所有输入边的序标,η(t,N)是训练迭代次数t和邻域内第j个神经元与获胜神经元j*之间的拓扑距离的函数。
4.一种用于权利要求1所述的隧道钢混结构杂散电流腐蚀高风险区域识别方法的监测系统,其特征在于,该监测系统包括参比电极、杂散电流智能传感器和上位机系统,参比电极均布于m个牵引区间内,每个牵引区间内共n个参比电极,同一牵引区间内的n个参比电极使用一个杂散电流智能传感器进行数据整合,然后上传至上位机系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210707636.4A CN115096806B (zh) | 2022-06-21 | 2022-06-21 | 隧道钢混结构杂散电流腐蚀高风险区域识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210707636.4A CN115096806B (zh) | 2022-06-21 | 2022-06-21 | 隧道钢混结构杂散电流腐蚀高风险区域识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115096806A CN115096806A (zh) | 2022-09-23 |
CN115096806B true CN115096806B (zh) | 2024-04-12 |
Family
ID=83292991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210707636.4A Active CN115096806B (zh) | 2022-06-21 | 2022-06-21 | 隧道钢混结构杂散电流腐蚀高风险区域识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115096806B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175597A (zh) * | 2011-01-21 | 2011-09-07 | 中国矿业大学 | 地铁杂散电流腐蚀在线监测系统的在线监测方法 |
CN102879323A (zh) * | 2012-10-10 | 2013-01-16 | 中国矿业大学 | 地铁杂散电流腐蚀实验系统 |
CN107870147A (zh) * | 2017-12-15 | 2018-04-03 | 北京科技大学 | 一种混凝土内钢筋初始锈蚀时间预测方法 |
CN108562782A (zh) * | 2018-07-17 | 2018-09-21 | 国网湖南省电力有限公司 | 一种杂散电流的获取方法及杂散电流的检测系统 |
CN108827867A (zh) * | 2018-04-23 | 2018-11-16 | 中国矿业大学 | 一种基于数据挖掘技术的地铁杂散电流腐蚀特征信息的提取方法 |
CN110749541A (zh) * | 2019-09-28 | 2020-02-04 | 徐州中矿传动轨道科技有限公司 | 地铁杂散电流腐蚀模拟实验台及腐蚀过程参数预测方法 |
CN110750880A (zh) * | 2019-09-28 | 2020-02-04 | 徐州中矿传动轨道科技有限公司 | 一种埋地管道地铁杂散电流腐蚀防护方法 |
CN113433057A (zh) * | 2021-06-02 | 2021-09-24 | 中国矿业大学 | 一种埋地金属管道杂散电流腐蚀速率预测装置及方法 |
CN113609640A (zh) * | 2021-06-29 | 2021-11-05 | 中国矿业大学 | 一种受地铁杂散电流腐蚀影响的埋地管线剩余寿命预测方法 |
CN114154414A (zh) * | 2021-11-30 | 2022-03-08 | 徐州中矿传动轨道科技有限公司 | 基于云计算的地铁杂散电流泄漏高风险区间识别方法、系统及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10883918B2 (en) * | 2019-05-31 | 2021-01-05 | Xiaodong Sun Yang | Multielectrode probes for monitoring fluctuating stray current effects and AC interference on corrosion of buried pipelines and metal structures |
-
2022
- 2022-06-21 CN CN202210707636.4A patent/CN115096806B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175597A (zh) * | 2011-01-21 | 2011-09-07 | 中国矿业大学 | 地铁杂散电流腐蚀在线监测系统的在线监测方法 |
CN102879323A (zh) * | 2012-10-10 | 2013-01-16 | 中国矿业大学 | 地铁杂散电流腐蚀实验系统 |
CN107870147A (zh) * | 2017-12-15 | 2018-04-03 | 北京科技大学 | 一种混凝土内钢筋初始锈蚀时间预测方法 |
CN108827867A (zh) * | 2018-04-23 | 2018-11-16 | 中国矿业大学 | 一种基于数据挖掘技术的地铁杂散电流腐蚀特征信息的提取方法 |
CN108562782A (zh) * | 2018-07-17 | 2018-09-21 | 国网湖南省电力有限公司 | 一种杂散电流的获取方法及杂散电流的检测系统 |
CN110749541A (zh) * | 2019-09-28 | 2020-02-04 | 徐州中矿传动轨道科技有限公司 | 地铁杂散电流腐蚀模拟实验台及腐蚀过程参数预测方法 |
CN110750880A (zh) * | 2019-09-28 | 2020-02-04 | 徐州中矿传动轨道科技有限公司 | 一种埋地管道地铁杂散电流腐蚀防护方法 |
CN113433057A (zh) * | 2021-06-02 | 2021-09-24 | 中国矿业大学 | 一种埋地金属管道杂散电流腐蚀速率预测装置及方法 |
CN113609640A (zh) * | 2021-06-29 | 2021-11-05 | 中国矿业大学 | 一种受地铁杂散电流腐蚀影响的埋地管线剩余寿命预测方法 |
CN114154414A (zh) * | 2021-11-30 | 2022-03-08 | 徐州中矿传动轨道科技有限公司 | 基于云计算的地铁杂散电流泄漏高风险区间识别方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115096806A (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263866B (zh) | 一种基于深度学习的电力用户负荷区间预测方法 | |
Qu et al. | Genetic optimization method of pantograph and catenary comprehensive monitor status prediction model based on adadelta deep neural network | |
CN103093643B (zh) | 一种确定公共停车场泊位数的方法 | |
CN104200005A (zh) | 基于神经网络的桥梁损伤识别方法 | |
CN104200265A (zh) | 一种改进的基于神经网络的桥梁损伤识别方法 | |
CN113723010A (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
CN113297790A (zh) | 一种基于稀疏贝叶斯宽度学习的高铁轨道响应预测方法 | |
Chen et al. | A combination model for evaluating deformation regional characteristics of arch dams using time series clustering and residual correction | |
CN115271204A (zh) | 一种基于高频智能巡检数据的路面性能动态预测方法 | |
Gao et al. | Detection of multi-type data anomaly for structural health monitoring using pattern recognition neural network | |
CN114757365A (zh) | 一种基于深度学习的高速铁路路基沉降预测及预警方法 | |
CN112163669A (zh) | 基于bp神经网络的路面沉陷预测方法 | |
CN110188399B (zh) | 一种基于多相关序列的大坝安全监测单测点评价方法 | |
Xu et al. | A Bayesian approach for site-specific extreme load prediction of large scale bridges | |
CN113640712B (zh) | 一种舰船垂向感应磁场垂向分量的预测方法 | |
CN112819087B (zh) | 一种基于模块化神经网络的出水bod传感器异常检测方法 | |
CN114692692A (zh) | 一种基于微波衰减信号融合核极限学习机的降雪识别方法 | |
CN117150445B (zh) | 一种区间隧道近距离下穿河流的沉降监测和评价方法 | |
CN115096806B (zh) | 隧道钢混结构杂散电流腐蚀高风险区域识别方法及系统 | |
CN113408190A (zh) | 基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法 | |
CN117272232A (zh) | 数据融合的隧道监测方法、装置、计算机设备及存储介质 | |
CN116451322A (zh) | 基于贝叶斯优化的lstm深度学习网络的力学预测方法 | |
CN114881204A (zh) | 基于路元拆分和ga-bp神经网络模型的路面平整度预测方法 | |
CN111444658B (zh) | 一种槽型轨几何参数趋势预测方法及系统 | |
CN113973403A (zh) | 基于结构离散测点拓扑的温致应变场重分布智能感知方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |