CN115171337A

CN115171337A - 一种用于高大模板安全施工的实时智能监测方法及系统

Info

Publication number: CN115171337A
Application number: CN202210754729.2A
Authority: CN
Inventors: 孙延华; 陈海旭; 刘忠刚
Original assignee: Guizhou University of Engineering Science
Current assignee: Guizhou University of Engineering Science
Priority date: 2022-06-30
Filing date: 2022-06-30
Publication date: 2022-10-11

Abstract

本发明公开了一种用于高大模板安全施工的实时智能监测方法及系统，涉及建筑监测技术领域。具体步骤包括如下：根据高大模板施工图纸，建立高大模板支撑体系BIM模型；利用Revit软件对所述高大模板支撑体系BIM模型进行受力分析，在水平构件受力最大处设置监测点位；根据设计的所述监测点位在现场布置传感器模块，实时监测钢管承受的压力、架体的竖向位移、倾斜度与模板沉降，得到监测信息；对所述监测信息进行分析，若存在异常情况，则生成预警信息。本发明实现了对高大模板支撑系统的各个关键环节进行监测，具有实时高效、操作方便、节省人工成本的特点。

Description

一种用于高大模板安全施工的实时智能监测方法及系统

技术领域

本发明涉及建筑监测技术领域，更具体的说是涉及一种用于高大模板安全施工的实时智能监测方法及系统。

背景技术

近年来，随着我国经济的快速发展，城市化和工业化进程的加速，城市基础设施和工业民用建设总量急剧增加，在这些工程建设领域中出现了一些空间、跨度、荷载比一般工程较大，其模板支撑体系也比一般工程更加复杂，也就是高大模板工程。目前把水平构件模板支撑体系高度超过8m、或跨度超过18m、或施工总荷载大于15kN/m²、或集中线荷载大于20kN/m的模板支撑体系称为高大模板支撑体系。由于高大模板工程在施工方法方面比较复杂，每年因高大模板支撑体系造成的坍塌等事故频繁发生，造成了较大的生命和财产的损失，因此高大模板工程应引起各方人员的高度重视。

现有技术中，高大模板支撑系统的监测一般采用人工模式，利用经纬仪、水准仪对其进行监测，通过技术人员手持采集设备，对接传感器进行数据采集，主要存在以下问题：(1)监测受天气因素影响较大，不同的天气环境，观测结果有差异；(2)受人为因素较大，不同的监测人员，监测的结果会存在一定的误差；(3)消耗核对分析时间较多，易出错，存在监测准确度和监测效率较低，监测成本较高的技术问题。

因此，对本领域人员来说，如何设计一种可实时监测、智能报警的高大模板及其支撑体系的变形监测装置，是亟待解决的问题。

发明内容

有鉴于此，本发明提供了一种用于高大模板安全施工的实时智能监测方法及系统，以解决背景技术中提出的问题。

为了实现上述目的，本发明采用如下技术方案：一种用于高大模板安全施工的实时智能监测方法，具体步骤包括如下：

根据高大模板施工图纸，建立高大模板支撑体系BIM模型；

利用Revit软件对所述高大模板支撑体系BIM模型进行受力分析，在水平构件受力最大处设置监测点位；

根据设计的所述监测点位在现场布置传感器模块，实时监测钢管承受的压力、架体的竖向位移、倾斜度与模板沉降，得到监测信息；

对所述监测信息进行分析，若存在异常情况，则生成预警信息。

可选的，对所述监测信息进行分析的具体方式为：将所述监测信息输入到预警神经网络模型中，输出预警结果。

可选的，所述预警神经网络模型的构建过程为：

可选的，对所述数据样本进行人工标注标签，判断每一组数据是否属于故障预警数据；

S2、建立多维度卷积神经网络；

S3、利用所述训练集对所述多维度卷积神经网络进行训练，形成高大模板安全预警模型；

S4、根据所述测试集对所述高大模板安全预警模型进行性能测试，根据所述性能测试的结果判断所述高大模板安全预警模型是否存在问题，若存在问题，则重复步骤S1-步骤S3，直至所述高大模板安全预警模型通过所述性能测试；

S5、将通过性能测试的高大模板安全预警模型用于实际的高大模板安全检测中，利用传感器模块采集高大模板的实时监测数据，并作为输入应用到高大模板安全预警模型中，输出所述实时监测数据对应的人工标注标签；

S6、当输出的所述人工标注标签为所述实时监测数据属于故障预警数据时，则触发报警功能，否则，不触发报警功能。

可选的，还包括将所述训练集作为所述多维度卷积神经网络的输入，并输出所述多维度卷积神经网络的预测分辨结果，并将所述预测分辨结果，与输入的所述训练集中相对应的所述人工标注标签相比较；根据所述预测分辨结果和所述人工标注标签的偏差值，对所述多维度卷积神经网络的内部参数进行调整。

另一方面，提供一种用于高大模板安全施工的实时智能监测系统，包括依次相连的模型构建模块、监测点位设置模块、现场布置模块、预警模块；其中，

所述模型构建模块，用于根据高大模板施工图纸，建立高大模板支撑体系BIM模型；

所述监测点位设置模块，用于利用Revit软件对所述高大模板支撑体系BIM模型进行受力分析，在水平构件受力最大处设置监测点位；

所述现场布置模块，用于根据设计的所述监测点位在现场布置传感器模块，实时监测钢管承受的压力、架体的竖向位移、倾斜度与模板沉降，得到监测信息；

所述预警模块，用于对所述监测信息进行分析，若存在异常情况，则生成预警信息。

可选的，所述传感器模块包括杆件倾角传感器、水平位移传感器、竖向位移传感器、杆件轴力传感器、模板沉降监测器。

可选的，还包括云计算平台和移动终端，所述云计算平台和移动终端与所述预警模块相连，预警模块将预警信息同步与所述云计算平台和移动终端。

可选的，所述传感器模块外设有保护罩。

可选的，还包括无线传输模块，所述无线传输模块与所述现场布置模块、所述预警模块相连。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种用于高大模板安全施工的实时智能监测方法及系统，具有以下有益的技术效果：

(1)实现了对高大模板支撑系统的各个关键环节进行监测，具有实时高效、操作方便的特点，并且可以节省人工成本；

(2)在高大模板支撑系统发生异常时，及时发出告警信息并通过手机客户端通知到相关人员，可以解决人工监测高大模板支撑系统效率较低的问题，保证告警及时性，降低施工安全问题的发生；

(3)基于BIM技术的高大模板安全监测信息系统实现了数据采集、传输、处理与分析一体化管理，将BIM模型、施工与监测信息、预报警处置机制、监测成果发布有机融合在一起，构建了高大模板监测管控可视化协同平台，大大提高监测人员责任心，有效指导高大模板施工，对高大模板工程施工过程中安全风险起到预防作用；

(4)根据采集到的数据建立高大模板安全预警模型，通过多维卷积神经网络对数据进行深度挖掘，从而提高高大模板安全预警模型对安全隐患诊断的准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明的方法流程图；

图2为本发明的施工工艺流程图；

图3为本发明的系统结构图。

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。

本发明实施例公开了一种用于高大模板安全施工的实时智能监测方法，如图1所示，具体步骤包括如下：

S1、根据高大模板施工图纸，建立高大模板支撑体系BIM模型；

S2、利用Revit软件对所述高大模板支撑体系BIM模型进行受力分析，在水平构件受力最大处设置监测点位；

S3、根据设计的监测点位在现场布置传感器模块，实时监测钢管承受的压力、架体的竖向位移、倾斜度与模板沉降，得到监测信息；

S4、对监测信息进行分析，若存在异常情况，则生成预警信息。

根据本发明方法进行现场施工的工艺流程如图2所示。

进一步的，对监测信息进行分析的具体方式为：将监测信息输入到预警神经网络模型中，输出预警结果。

更进一步的，预警神经网络模型的构建过程为：

S41、利用传感器模块采集数据样本，并将数据样本分为训练集和测试集，对数据样本进行人工标注标签，判断每一组数据是否属于故障预警数据；

S42、建立多维度卷积神经网络；

S43、利用训练集对多维度卷积神经网络进行训练，形成高大模板安全预警模型；

S44、根据测试集对高大模板安全预警模型进行性能测试，根据性能测试的结果判断高大模板安全预警模型是否存在问题，若存在问题，则重复步骤S41-步骤S43，直至高大模板安全预警模型通过性能测试；

S45、将通过性能测试的高大模板安全预警模型用于实际的高大模板安全检测中，利用传感器模块采集高大模板的实时监测数据，并作为输入应用到高大模板安全预警模型中，输出所述实时监测数据对应的人工标注标签；

S46、当输出的人工标注标签为所述实时监测数据属于故障预警数据时，则触发报警功能，否则，不触发报警功能。

进一步的，还包括将数据样本进行归一化处理，对归一化处理后的数据样本分为训练集和测试集。

进一步的，还包括将训练集作为所述多维度卷积神经网络的输入，并输出多维度卷积神经网络的预测分辨结果，并将预测分辨结果，与输入的训练集中相对应的人工标注标签相比较；根据预测分辨结果和人工标注标签的偏差值，对多维度卷积神经网络的内部参数进行调整。

另一方面，提供一种用于高大模板安全施工的实时智能监测系统，如图3所示，包括依次相连的模型构建模块、监测点位设置模块、现场布置模块、预警模块；其中，

模型构建模块，用于根据高大模板施工图纸，建立高大模板支撑体系BIM模型；

监测点位设置模块，用于利用Revit软件对所述高大模板支撑体系BIM模型进行受力分析，在水平构件受力最大处设置监测点位；

现场布置模块，用于根据设计的所述监测点位在现场布置传感器模块，实时监测钢管承受的压力、架体的竖向位移、倾斜度与模板沉降，得到监测信息；

预警模块，用于对监测信息进行分析，若存在异常情况，则生成预警信息。

在本实施例中，传感器模块包括杆件倾角传感器、水平位移传感器、竖向位移传感器、杆件轴力传感器、模板沉降监测器。

支架沉降监测点选在截面积较大的大梁中部，且为汇交梁受力较大的位置，在最顶上的支架，由施工单位用短钢管横担垂直引下一钢管，钢管上端固定，下端不落地不固定，再在钢管下端固定一段约1米长的钢尺作为观测尺。

在本实施例中，传感器模块外设有保护罩，用于保护各类传感器。

还包括云计算平台和移动终端，云计算平台和移动终端与预警模块相连，预警模块将预警信息同步与云计算平台和移动终端。

还包括无线传输模块，无线传输模块与现场布置模块、预警模块相连。

具体地，经预警模块分析，当传感器模块监测到变形数据中的一项或者多项的变形值时，可以通过人机交互接口来进行预警信息提示。例如，在人机交互界面上显示告警列表、将告警信息显示为不同的颜色，并且，当变形值大于或等于预设的第二预警阈值时，生成停止施工信息，并通过无线传输模块向相关现场施工人员携带的移动终端发送停止施工信息。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims

1.一种用于高大模板安全施工的实时智能监测方法，其特征在于，具体步骤包括如下：

根据高大模板施工图纸，建立高大模板支撑体系BIM模型；

2.根据权利要求1所述的一种用于高大模板安全施工的实时智能监测方法，其特征在于，对所述监测信息进行分析的具体方式为：将所述监测信息输入到预警神经网络模型中，输出预警结果。

3.根据权利要求2所述的一种用于高大模板安全施工的实时智能监测方法，其特征在于，所述预警神经网络模型的构建过程为：

S1、利用传感器模块采集数据样本，并将所述数据样本分为训练集和测试集，对所述数据样本进行人工标注标签，判断每一组数据是否属于故障预警数据；

S2、建立多维度卷积神经网络；

4.根据权利要求3所述的一种用于高大模板安全施工的实时智能监测方法，其特征在于，还包括将所述训练集作为所述多维度卷积神经网络的输入，并输出所述多维度卷积神经网络的预测分辨结果，并将所述预测分辨结果，与输入的所述训练集中相对应的所述人工标注标签相比较；根据所述预测分辨结果和所述人工标注标签的偏差值，对所述多维度卷积神经网络的内部参数进行调整。

5.一种用于高大模板安全施工的实时智能监测系统，其特征在于，包括依次相连的模型构建模块、监测点位设置模块、现场布置模块、预警模块；其中，

6.根据权利要求5所述的一种用于高大模板安全施工的实时智能监测系统，其特征在于，所述传感器模块包括杆件倾角传感器、水平位移传感器、竖向位移传感器、杆件轴力传感器、模板沉降监测器。

7.根据权利要求5所述的一种用于高大模板安全施工的实时智能监测系统，其特征在于，还包括云计算平台和移动终端，所述云计算平台和移动终端与所述预警模块相连，预警模块将预警信息同步与所述云计算平台和移动终端。

8.根据权利要求5所述的一种用于高大模板安全施工的实时智能监测系统，其特征在于，所述传感器模块外设有保护罩。

9.根据权利要求5所述的一种用于高大模板安全施工的实时智能监测系统，其特征在于，还包括无线传输模块，所述无线传输模块与所述现场布置模块、所述预警模块相连。