CN116050624B - 一种公路道路施工综合监测方法及系统 - Google Patents
一种公路道路施工综合监测方法及系统 Download PDFInfo
- Publication number
- CN116050624B CN116050624B CN202310053317.0A CN202310053317A CN116050624B CN 116050624 B CN116050624 B CN 116050624B CN 202310053317 A CN202310053317 A CN 202310053317A CN 116050624 B CN116050624 B CN 116050624B
- Authority
- CN
- China
- Prior art keywords
- construction
- road
- stage
- information
- monitoring
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 566
- 238000012544 monitoring process Methods 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000008569 process Effects 0.000 claims abstract description 30
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000007726 management method Methods 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 230000007613 environmental effect Effects 0.000 claims description 18
- 230000002068 genetic effect Effects 0.000 claims description 16
- 239000000945 filler Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 239000002689 soil Substances 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 230000008520 organization Effects 0.000 claims description 8
- 239000002994 raw material Substances 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 2
- 239000000428 dust Substances 0.000 description 14
- 210000000349 chromosome Anatomy 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005056 compaction Methods 0.000 description 2
- 238000009430 construction management Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06314—Calendaring for a resource
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Emergency Management (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种公路道路施工综合监测方法及系统，包括：获取当前道路施工计划，进行划分，根据各阶段施工的施工特征确定阶段性施工约束；根据现施工阶段的阶段性施工约束进行施工过程的动态管理，获取现施工阶段的工程结构的三维实景模型；根据工程结构的三维实景模型及监测点的监测数据获取道路沉降形变监测值，基于深度学习构建道路沉降预测模型，对所述道路沉降形变监测值进行预测分析；获取道路沉降形变的预测值生成预警信息，根据所述预警信息对现道路施工阶段的阶段性施工约束进行调整优化。本发明对监测数据进行实时处理，降低人为处理监测数据的滞后性，有利于道路施工项目中异常安全隐患的及时发现预警，保证施工质量及安全管理。
Description
技术领域
本发明涉及施工监测技术领域，更具体的，涉及一种公路道路施工综合监测方法及系统。
背景技术
随着道路施工建设规模的不断扩大，道路土方施工的难度以及工作量加大，由于施工场地复杂、人员流动控制困难等问题，导致我国城市和乡镇的道路建设仍存在一定的难点，例如，管理人员难以把控道路施工的质量，因此提高道路施工质量、加强道路施工项目管理至关重要。同时，道路施工监测是道路建设质量的重要保证措施。通过开展施工监控工作，每种体系的道路所采用的施工方法均按预定的程序进行，施工阶段中变形等情况是可以预计的，同时可通过监测手段得到各施工阶段的实际变形。
复杂环境下的道路施工工程具有受力特点的复杂性、环境的多变性、信息数据的难获取性、数据繁多且抽象的特点，导致在施工过程中存在诸多不确定的因素。而道路施工过程中的信息化监测是保证施工安全的重要保障，而远程自动监测是降低道路施工阶段潜在安全隐患的重要手段，施工过程中的智能监测手段能够为道路的施工提出更加准确与可靠的数据，而且还能有效的降低施工成本因此，在道路施工过程中如何直观、实时的反映监测数据的变化，如何根据监测数据的变化情况及时发现安全隐患，以实现道路施工的安全管理是亟不可待需要解决的问题。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种公路道路施工综合监测方法及系统。
本发明第一方面提供了一种公路道路施工综合监测方法，包括：
获取当前道路施工计划，将所述当前道路施工计划进行划分，根据各阶段道路施工的施工特征确定阶段性施工约束；
根据现道路施工阶段的阶段性施工约束进行施工过程的动态管理，获取现道路施工阶段的工程结构的三维实景模型；
根据工程结构的三维实景模型及监测点的监测数据获取道路沉降形变监测值，基于深度学习构建道路沉降预测模型，对所述道路沉降形变监测值进行预测分析；
获取道路沉降形变的预测值生成预警信息，根据所述预警信息对现道路施工阶段的阶段性施工约束进行调整优化。
本方案中，将所述当前道路施工计划进行划分，根据各阶段道路施工的施工特征确定阶段性施工约束，具体为：
获取道路施工所在地的道路土体性质，根据道路土体性质及当前道路施工计划获取路基和路面结构层施工厚度，根据当前施工人员及施工机械信息获取道路施工工期信息；
获取目标区域的气象信息对所述道路施工工期信息进行修正，根据修正后的道路施工工期信息及施工距离信息将当前道路施工计划进行划分，生成带时序标签和位置标签的阶段道路施工计划；
通过当前道路施工计划结合施工大数据提取各阶段道路施工计划的施工原材料、施工机械及施工工艺，生成各阶段道路施工计划的施工特征；
根据所述施工特征结合施工质量要求设置符合施工质量要求的施工参数标准，通过所述施工参数标准设置各阶段施工的施工特征确定阶段性施工约束。
本方案中，根据现道路施工阶段的阶段性施工约束进行施工过程的动态管理，具体为：
提取现道路施工阶段的阶段性施工约束，根据阶段性施工约束提取施工工艺的施工参数标准，根据目标区域的环境信息设置环境参数，对不同气象环境下的施工参数标准进行补偿；
获取施工机械实时监测数据，将所述实时监测数据与环境参数补偿后的施工参数标准做对比获取偏差信息，当偏差信息大于预设偏差阈值时，则及时调整施工机械的施工参数；
实时分析施工机械的施工参数，当施工质量优于历史施工质量时，则将施工参数进行数据备份与当前环境信息匹配，通过备份数据更新对应的施工参数标准；
另外，根据施工机械实时监测数据获取施工机械的位置信息，根据现阶段道路施工计划预测施工机械的使用频率设置施工机械优先级信息；
基于优先级信息将施工机械进行位置规划，将低优先级的施工设置提前规划至下一位置标签对应的道路施工阶段。
本方案中，基于深度学习构建道路沉降预测模型，对所述道路沉降形变监测值进行预测分析，具体为：
获取当前道路施工计划中各位置标签的地质监测结果，基于数据检索获取路基沉降形变对应的地质条件，根据地质监测结果选取具有相似地质条件的位置信息；
获取各位置信息的地质监测结果，在目标区域中通过施工大数据计算其他现有监测位置与选取位置的地质监测结果的相似度，获取相似度符合预设标准的其他现有监测位置；
获取其他现有监测位置的历史监测数据，根据历史监测数据获取其各层路基填料及其沉降量，并将沉降量与环境信息匹配，构建样本数据集；
基于遗传算法对神经网络进行改进，通过样本数据集划分训练集及测试集对神经网络的拓扑结构进行训练，通过遗传算法获取神经网络中最优参数，输出道路沉降预测模型；
将选取位置的地质条件、路基填料物理参数及当前监测的道路沉降形变监测值作为道路沉降预测模型的输入，预测预设时间后的路基沉降量，生成道路沉降形变预测值。
本方案中，获取道路沉降形变的预测值生成预警信息，根据所述预警信息对现道路施工阶段的阶段性施工约束进行调整优化，具体为：
根据当前道路施工计划及选取位置的地质条件设置道路沉降形变阈值，将道路沉降形变预测值与道路沉降形变阈值进行对比；
当大于道路沉降形变阈值时，则生成预警信息，获取选取位置所处的现道路施工阶段，判断现道路施工阶段是否能够进行返工，若能够进行返工则根据道路沉降形变预测值与阈值的偏差修正阶段性施工约束；
根据修正后的阶段性施工约束进行返工操作，若不能进行返工，则将修正后的阶段性施工约束将施工大数据进行更新。
本方案中，根据目标区域当前道路施工计划制定交通组织方案，具体为：
获取目标区域内现有道路信息及当前道路施工计划，根据目标区域预设时间内的历史交通情况获取各时间段的交通需求；
通过各时间段的交通需求提取道路拥挤状况，判断所述道路拥挤状况是否大于预设拥挤阈值，若大于，则对当前道路施工计划进行评价，判断当前道路施工计划对道路拥挤的影响程度；
当所述影响程度大于预设影响程度阈值时，则获取目标区域内各道路节点的交通流量占比，获取交通流量占比低于预设流量标准的道路节点，并按照交通流量占比进行升序排序；
根据排序结果获取与施工道路联通的道路信息进行标记，根据施工道路的道路拥挤状况依据标记道路信息设置道路绕行方案，并根据实时道路拥挤状况对道路绕行方案进行更新，获取各时间段的交通组织方案。
本发明第二方面还提供了一种公路道路施工综合监测系统，该系统包括：存储器、处理器，所述存储器中包括一种公路道路施工综合监测方法程序，所述一种公路道路施工综合监测方法程序被所述处理器执行时实现如下步骤：
获取当前道路施工计划，将所述当前道路施工计划进行划分，根据各阶段道路施工的施工特征确定阶段性施工约束；
根据现道路施工阶段的阶段性施工约束进行施工过程的动态管理，获取现道路施工阶段的工程结构的三维实景模型；
根据工程结构的三维实景模型及监测点的监测数据获取道路沉降形变监测值，基于深度学习构建道路沉降预测模型，对所述道路沉降形变监测值进行预测分析；
获取道路沉降形变的预测值生成预警信息，根据所述预警信息对现道路施工阶段的阶段性施工约束进行调整优化。
本发明公开了一种公路道路施工综合监测方法及系统，包括：获取当前道路施工计划，进行划分，根据各阶段施工的施工特征确定阶段性施工约束；根据现施工阶段的阶段性施工约束进行施工过程的动态管理，获取现施工阶段的工程结构的三维实景模型；根据工程结构的三维实景模型及监测点的监测数据获取道路沉降形变监测值，基于深度学习构建道路沉降预测模型，对所述道路沉降形变监测值进行预测分析；获取道路沉降形变的预测值生成预警信息，根据所述预警信息对现道路施工阶段的阶段性施工约束进行调整优化。本发明对监测数据进行实时处理，降低人为处理监测数据的滞后性，有利于道路施工项目中异常安全隐患的及时发现预警，保证施工质量及安全管理。
附图说明
图1示出了本发明一种公路道路施工综合监测方法的流程图；
图2示出了本发明根据阶段性施工约束进行施工过程的动态管理的方法流程图；
图3示出了本发明构建道路沉降预测模型进行道路沉降形变预测的方法流程图；
图4示出了本发明一种公路道路施工综合监测系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种公路道路施工综合监测方法的流程图。
如图1所示，本发明第一方面提供了一种公路道路施工综合监测方法，包括：
S102，获取当前道路施工计划，将所述当前道路施工计划进行划分，根据各阶段道路施工的施工特征确定阶段性施工约束；
S104，根据现道路施工阶段的阶段性施工约束进行施工过程的动态管理，获取现道路施工阶段的工程结构的三维实景模型；
S106，根据工程结构的三维实景模型及监测点的监测数据获取道路沉降形变监测值，基于深度学习构建道路沉降预测模型，对所述道路沉降形变监测值进行预测分析；
S108，获取道路沉降形变的预测值生成预警信息，根据所述预警信息对现道路施工阶段的阶段性施工约束进行调整优化。
需要说明的是，获取道路施工所在地的道路土体性质，根据道路土体性质及当前道路施工计划获取路基和路面结构层施工厚度，根据当前施工人员及施工机械信息获取道路施工工期信息；获取目标区域的气象信息对所述道路施工工期信息进行修正，根据修正后的道路施工工期信息及施工距离信息将当前道路施工计划进行划分，生成带时序标签和位置标签的阶段道路施工计划，在道路施工中根据施工距离及施工工期将计划进行分割，将道路施工过程实现可视化、信息化、智能化管理，降低管理成本，提高管理效率。通过当前道路施工计划结合施工大数据提取各阶段道路施工计划的施工原材料、施工机械及施工工艺，生成各阶段道路施工计划的施工特征；根据所述施工特征结合施工质量要求设置符合施工质量要求的施工参数标准，通过所述施工参数标准设置各阶段施工的施工特征确定阶段性施工约束，根据施工约束提高道路施工管理的交互性，自动精确设置施工机械的运行参数，以减轻人员工作量。
图2示出了本发明根据阶段性施工约束进行施工过程的动态管理的方法流程图。
根据本发明实施例，根据现道路施工阶段的阶段性施工约束进行施工过程的动态管理，具体为：
S202，提取现道路施工阶段的阶段性施工约束，根据阶段性施工约束提取施工工艺的施工参数标准，根据目标区域的环境信息设置环境参数，对不同气象环境下的施工参数标准进行补偿；
S204，获取施工机械实时监测数据，将所述实时监测数据与环境参数补偿后的施工参数标准做对比获取偏差信息，当偏差信息大于预设偏差阈值时，则及时调整施工机械的施工参数；
S206，实时分析施工机械的施工参数，当施工质量优于历史施工质量时，则将施工参数进行数据备份与当前环境信息匹配，通过备份数据更新对应的施工参数标准；
S208，另外，根据施工机械实时监测数据获取施工机械的位置信息，根据现阶段道路施工计划预测施工机械的使用频率设置施工机械优先级信息；
S210，基于优先级信息将施工机械进行位置规划，将低优先级的施工设置提前规划至下一位置标签对应的道路施工阶段。
需要说明的是，利用施工设计图纸通过BIM实现三维实景模型的构建，或使用无人机进行场地扫描和使用点云数据进行三维重建，所述施工质量包括填料的压实情况及原料的搅拌情况等，通过施工机械的使用频率设置优先级进行位置规划，进而施工机械实现区域协同，在当前施工阶段对某施工机械的使用频率不高时，则优先进入下一位置标签的施工阶段，在不耽误施工总体进度的前提下，施工机械能够随时进入或者退出施工作业区域，且个别施工机械的进入或者退出不会影响整体施工进程。
图3示出了本发明构建道路沉降预测模型进行道路沉降形变预测的方法流程图。
根据本发明实施例，基于深度学习构建道路沉降预测模型，对所述道路沉降形变监测值进行预测分析，具体为：
S302，获取当前道路施工计划中各位置标签的地质监测结果，基于数据检索获取路基沉降形变对应的地质条件，根据地质监测结果选取具有相似地质条件的位置信息；
S304，获取各位置信息的地质监测结果，在目标区域中通过施工大数据计算其他现有监测位置与选取位置的地质监测结果的相似度，获取相似度符合预设标准的其他现有监测位置；
S306，获取其他现有监测位置的历史监测数据，根据历史监测数据获取其各层路基填料及其沉降量，并将沉降量与环境信息匹配，构建样本数据集；
S308，基于遗传算法对神经网络进行改进，通过样本数据集划分训练集及测试集对神经网络的拓扑结构进行训练，通过遗传算法获取神经网络中最优参数，输出道路沉降预测模型；
S310，将选取位置的地质条件、路基填料物理参数及当前监测的道路沉降形变监测值作为道路沉降预测模型的输入，预测预设时间后的路基沉降量，生成道路沉降形变预测值。
需要说明的是，通过样本数据集划分训练集及测试集并进行归一化处理，对神经网络的拓扑结构进行训练，确定神经网络的初始权值和阈值，进行编码生成遗传算法中的初始染色体种群，根据适应度函数确定染色体个体的适应度，通过适应度计算个体概率进行交叉变异后判断遗传算法是否达到预设迭代数或满足设定的相关参数，获取遗传算法优化后的最优值，将所述最优值进行解码，生成神经网络的最优权值和阈值，并通过训练集进行训练，当神经网络的测试精度达到预设标准后，结束训练，输出道路沉降预测模型。
需要说明的是，根据当前道路施工计划及选取位置的地质条件设置道路沉降形变阈值，将道路沉降形变预测值与道路沉降形变阈值进行对比；当大于道路沉降形变阈值时，则生成预警信息，获取选取位置所处的现道路施工阶段，判断现道路施工阶段是否能够进行返工，若能够进行返工则根据道路沉降形变预测值与阈值的偏差修正阶段性施工约束；根据修正后的阶段性施工约束进行返工操作，若不能进行返工，则将修正后的阶段性施工约束将施工大数据进行更新。
需要说明的是，根据目标区域当前道路施工计划制定交通组织方案，具体为：获取目标区域内现有道路信息及当前道路施工计划，根据目标区域预设时间内的历史交通情况获取各时间段的交通需求；通过各时间段的交通需求提取道路拥挤状况，判断所述道路拥挤状况是否大于预设拥挤阈值，若大于，则对当前道路施工计划进行评价，判断当前道路施工计划对道路拥挤的影响程度；当所述影响程度大于预设影响程度阈值时，则获取目标区域内各道路节点的交通流量占比，获取交通流量占比低于预设流量标准的道路节点，并按照交通流量占比进行升序排序；根据排序结果获取与施工道路联通的道路信息进行标记，根据施工道路的道路拥挤状况依据标记道路信息设置道路绕行方案，并根据实时道路拥挤状况对道路绕行方案进行更新，获取各时间段的交通组织方案。
根据本发明实施例，通过对施工道路周边区域内的粉尘浓度进行监测，具体为：
根据施工道路的施工范围确定粉尘监测范围，获取粉尘监测范围中的粉尘浓度分布，通过所述粉尘浓度分布结合三维实景模型进行粉尘浓度的可视化显示；
获取现道路施工阶段的施工计划及气象信息，通过粉尘浓度分布基于所述施工计划及气象信息预测预设时间后的粉尘浓度信息；
判断所述预设时间后的粉尘浓度预测信息是否大于预设粉尘浓度阈值，若大于，则生成目标区域内粉尘浓度信息大于预设粉尘浓度阈值的持续时间；
预设持续时间阈值，判断所述持续时间是否大于预设时间阈值，若大于，则通过生成粉尘浓度预警信息，并根据三维实景模型进行可行性分析选取最优降尘方式。
根据本发明实施例，在道路施工过程中根据施工参数的反馈数据生成施工决策，具体为：
在现道路施工阶段的阶段性施工约束下的施工过程中，获取施工机械及施工人员的反馈数据，根据反馈数据更新道路施工计划的施工进度；
根据各个位置标签的道路施工分段的施工进度进行实时施工机械及施工人员调度，将调度决策信息通过预设方式进行发送；
获取道路施工过程中在阶段性施工约束中不存在或适应性改变的施工决策信息，根据所述施工决策信息添加阶段性施工约束的补充信息，并生成对应施工场景的偏好信息；
在后续道路施工过程中遇到相似施工场景，则提取对应的偏好信息，利用阶段性施工约束的补充信息生成施工场景的施工决策。
图4示出了本发明一种公路道路施工综合监测系统的框图。
本发明第二方面还提供了一种公路道路施工综合监测系统4，该系统包括：存储器41、处理器42，所述存储器中包括一种公路道路施工综合监测方法程序，所述一种公路道路施工综合监测方法程序被所述处理器执行时实现如下步骤：
获取当前道路施工计划，将所述当前道路施工计划进行划分，根据各阶段道路施工的施工特征确定阶段性施工约束；
根据现道路施工阶段的阶段性施工约束进行施工过程的动态管理，获取现道路施工阶段的工程结构的三维实景模型；
根据工程结构的三维实景模型及监测点的监测数据获取道路沉降形变监测值，基于深度学习构建道路沉降预测模型，对所述道路沉降形变监测值进行预测分析；
获取道路沉降形变的预测值生成预警信息，根据所述预警信息对现道路施工阶段的阶段性施工约束进行调整优化。
需要说明的是，获取道路施工所在地的道路土体性质，根据道路土体性质及当前道路施工计划获取路基和路面结构层施工厚度，根据当前施工人员及施工机械信息获取道路施工工期信息；获取目标区域的气象信息对所述道路施工工期信息进行修正，根据修正后的道路施工工期信息及施工距离信息将当前道路施工计划进行划分，生成带时序标签和位置标签的阶段道路施工计划，在道路施工中根据施工距离及施工工期将计划进行分割，将道路施工过程实现可视化、信息化、智能化管理，降低管理成本，提高管理效率。通过当前道路施工计划结合施工大数据提取各阶段道路施工计划的施工原材料、施工机械及施工工艺，生成各阶段道路施工计划的施工特征；根据所述施工特征结合施工质量要求设置符合施工质量要求的施工参数标准，通过所述施工参数标准设置各阶段施工的施工特征确定阶段性施工约束，根据施工约束提高道路施工管理的交互性，自动精确设置施工机械的运行参数，以减轻人员工作量。
根据本发明实施例，根据现道路施工阶段的阶段性施工约束进行施工过程的动态管理，具体为：
提取现道路施工阶段的阶段性施工约束，根据阶段性施工约束提取施工工艺的施工参数标准，根据目标区域的环境信息设置环境参数，对不同气象环境下的施工参数标准进行补偿；
获取施工机械实时监测数据，将所述实时监测数据与环境参数补偿后的施工参数标准做对比获取偏差信息，当偏差信息大于预设偏差阈值时，则及时调整施工机械的施工参数；
实时分析施工机械的施工参数，当施工质量优于历史施工质量时，则将施工参数进行数据备份与当前环境信息匹配，通过备份数据更新对应的施工参数标准；
另外，根据施工机械实时监测数据获取施工机械的位置信息，根据现阶段道路施工计划预测施工机械的使用频率设置施工机械优先级信息；
基于优先级信息将施工机械进行位置规划，将低优先级的施工设置提前规划至下一位置标签对应的道路施工阶段。
需要说明的是，利用施工设计图纸通过BIM实现三维实景模型的构建，或使用无人机进行场地扫描和使用点云数据进行三维重建，所述施工质量包括填料的压实情况及原料的搅拌情况等，通过施工机械的使用频率设置优先级进行位置规划，进而施工机械实现区域协同，在当前施工阶段对某施工机械的使用频率不高时，则优先进入下一位置标签的施工阶段，在不耽误施工总体进度的前提下，施工机械能够随时进入或者退出施工作业区域，且个别施工机械的进入或者退出不会影响整体施工进程。
根据本发明实施例，基于深度学习构建道路沉降预测模型，对所述道路沉降形变监测值进行预测分析，具体为：
获取当前道路施工计划中各位置标签的地质监测结果，基于数据检索获取路基沉降形变对应的地质条件，根据地质监测结果选取具有相似地质条件的位置信息；
获取各位置信息的地质监测结果，在目标区域中通过施工大数据计算其他现有监测位置与选取位置的地质监测结果的相似度，获取相似度符合预设标准的其他现有监测位置；
获取其他现有监测位置的历史监测数据，根据历史监测数据获取其各层路基填料及其沉降量，并将沉降量与环境信息匹配，构建样本数据集；
基于遗传算法对神经网络进行改进，通过样本数据集划分训练集及测试集对神经网络的拓扑结构进行训练，通过遗传算法获取神经网络中最优参数，输出道路沉降预测模型；
将选取位置的地质条件、路基填料物理参数及当前监测的道路沉降形变监测值作为道路沉降预测模型的输入，预测预设时间后的路基沉降量，生成道路沉降形变预测值。
需要说明的是，通过样本数据集划分训练集及测试集并进行归一化处理，对神经网络的拓扑结构进行训练，确定神经网络的初始权值和阈值，进行编码生成遗传算法中的初始染色体种群，根据适应度函数确定染色体个体的适应度，通过适应度计算个体概率进行交叉变异后判断遗传算法是否达到预设迭代数或满足设定的相关参数，获取遗传算法优化后的最优值，将所述最优值进行解码，生成神经网络的最优权值和阈值，并通过训练集进行训练，当神经网络的测试精度达到预设标准后，结束训练，输出道路沉降预测模型。
需要说明的是，根据当前道路施工计划及选取位置的地质条件设置道路沉降形变阈值，将道路沉降形变预测值与道路沉降形变阈值进行对比；当大于道路沉降形变阈值时，则生成预警信息，获取选取位置所处的现道路施工阶段，判断现道路施工阶段是否能够进行返工，若能够进行返工则根据道路沉降形变预测值与阈值的偏差修正阶段性施工约束；根据修正后的阶段性施工约束进行返工操作，若不能进行返工，则将修正后的阶段性施工约束将施工大数据进行更新。
需要说明的是，根据目标区域当前道路施工计划制定交通组织方案，具体为：获取目标区域内现有道路信息及当前道路施工计划，根据目标区域预设时间内的历史交通情况获取各时间段的交通需求；通过各时间段的交通需求提取道路拥挤状况，判断所述道路拥挤状况是否大于预设拥挤阈值，若大于，则对当前道路施工计划进行评价，判断当前道路施工计划对道路拥挤的影响程度；当所述影响程度大于预设影响程度阈值时，则获取目标区域内各道路节点的交通流量占比，获取交通流量占比低于预设流量标准的道路节点，并按照交通流量占比进行升序排序；根据排序结果获取与施工道路联通的道路信息进行标记，根据施工道路的道路拥挤状况依据标记道路信息设置道路绕行方案，并根据实时道路拥挤状况对道路绕行方案进行更新，获取各时间段的交通组织方案。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种公路道路施工综合监测方法程序，所述一种公路道路施工综合监测方法程序被处理器执行时，实现如上述任一项所述的一种公路道路施工综合监测方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.一种公路道路施工综合监测方法，其特征在于，包括以下步骤：
获取当前道路施工计划，将所述当前道路施工计划进行划分，根据各阶段道路施工的施工特征确定阶段性施工约束；
根据现道路施工阶段的阶段性施工约束进行施工过程的动态管理，获取现道路施工阶段的工程结构的三维实景模型；
根据工程结构的三维实景模型及监测点的监测数据获取道路沉降形变监测值，基于深度学习构建道路沉降预测模型，根据所述道路沉降形变监测值进行预测分析；
获取道路沉降形变的预测值生成预警信息，根据所述预警信息对现道路施工阶段的阶段性施工约束进行调整优化；
将所述当前道路施工计划进行划分，根据各阶段道路施工的施工特征确定阶段性施工约束，具体为：
获取道路施工所在地的道路土体性质，根据道路土体性质及当前道路施工计划获取路基和路面结构层施工厚度，根据当前施工人员及施工机械信息获取道路施工工期信息；
获取目标区域的气象信息对所述道路施工工期信息进行修正，根据修正后的道路施工工期信息及施工距离信息将当前道路施工计划进行划分，生成带时序标签和位置标签的阶段道路施工计划；
通过当前道路施工计划结合施工大数据提取各阶段道路施工计划的施工原材料、施工机械及施工工艺，生成各阶段道路施工计划的施工特征；
根据所述施工特征结合施工质量要求设置符合施工质量要求的施工参数标准，通过所述施工参数标准设置各阶段施工的施工特征确定阶段性施工约束；
根据现道路施工阶段的阶段性施工约束进行施工过程的动态管理，具体为：
提取现道路施工阶段的阶段性施工约束，根据阶段性施工约束提取施工工艺的施工参数标准，根据目标区域的环境信息设置环境参数，对不同气象环境下的施工参数标准进行补偿；
获取施工机械实时监测数据，将所述实时监测数据与环境参数补偿后的施工参数标准做对比获取偏差信息，当偏差信息大于预设偏差阈值时，则及时调整施工机械的施工参数；
实时分析施工机械的施工参数，当施工质量优于历史施工质量时，则将施工参数进行数据备份，并与当前环境信息匹配，通过备份数据更新对应的施工参数标准；
另外，根据施工机械实时监测数据获取施工机械的位置信息，根据现阶段道路施工计划预测施工机械的使用频率，设置施工机械优先级信息；
基于优先级信息将施工机械进行位置规划，将低优先级的施工设置提前规划至下一位置标签对应的道路施工阶段；
基于深度学习构建道路沉降预测模型，根据所述道路沉降形变监测值进行预测分析，具体为：
获取当前道路施工计划中各位置标签的地质监测结果，基于数据检索获取路基沉降形变对应的地质条件，根据地质监测结果选取具有相似地质条件的位置信息；
获取各位置信息的地质监测结果，在目标区域中通过施工大数据计算其他现有监测位置与选取位置的地质监测结果的相似度，获取相似度符合预设标准的其他现有监测位置；
获取其他现有监测位置的历史监测数据，根据历史监测数据获取其各层路基填料及其沉降量，并将沉降量与环境信息匹配，构建样本数据集；
基于遗传算法对神经网络进行改进，通过样本数据集划分训练集及测试集对神经网络的拓扑结构进行训练，通过遗传算法获取神经网络中最优参数，输出道路沉降预测模型；
将选取位置的地质条件、路基填料物理参数及当前监测的道路沉降形变监测值作为道路沉降预测模型的输入，预测预设时间后的路基沉降量，生成道路沉降形变预测值。
2.根据权利要求1所述的一种公路道路施工综合监测方法，其特征在于，获取道路沉降形变的预测值生成预警信息，根据所述预警信息对现道路施工阶段的阶段性施工约束进行调整优化，具体为：
根据当前道路施工计划及选取位置的地质条件设置道路沉降形变阈值，将道路沉降形变预测值与道路沉降形变阈值进行对比；
当大于道路沉降形变阈值时，则生成预警信息，获取选取位置所处的现道路施工阶段，判断现道路施工阶段是否能够进行返工，若能够进行返工则根据道路沉降形变预测值与阈值的偏差修正阶段性施工约束；
根据修正后的阶段性施工约束进行返工操作，若不能进行返工，则将修正后的阶段性施工约束将施工大数据进行更新。
3.根据权利要求1所述的一种公路道路施工综合监测方法，其特征在于，还包括，根据目标区域当前道路施工计划制定交通组织方案，具体为：
获取目标区域内现有道路信息及当前道路施工计划，根据目标区域预设时间内的历史交通情况获取各时间段的交通需求；
通过各时间段的交通需求提取道路拥挤状况，判断所述道路拥挤状况是否大于预设拥挤阈值，若大于，则对当前道路施工计划进行评价，判断当前道路施工计划对道路拥挤的影响程度；
当所述影响程度大于预设影响程度阈值时，则获取目标区域内各道路节点的交通流量占比，获取交通流量占比低于预设流量标准的道路节点，并按照交通流量占比进行升序排序；
根据排序结果获取与施工道路联通的道路信息进行标记，根据施工道路的道路拥挤状况基于标记道路信息设置道路绕行方案，并根据实时道路拥挤状况对道路绕行方案进行更新，获取各时间段的交通组织方案。
4.一种公路道路施工综合监测系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种公路道路施工综合监测方法程序，所述一种公路道路施工综合监测的方法程序被所述处理器执行时实现如下步骤：
获取当前道路施工计划，将所述当前道路施工计划进行划分，根据各阶段道路施工的施工特征确定阶段性施工约束；
根据现道路施工阶段的阶段性施工约束进行施工过程的动态管理，获取现道路施工阶段的工程结构的三维实景模型；
根据工程结构的三维实景模型及监测点的监测数据获取道路沉降形变监测值，基于深度学习构建道路沉降预测模型，根据所述道路沉降形变监测值进行预测分析；
获取道路沉降形变的预测值生成预警信息，根据所述预警信息对现道路施工阶段的阶段性施工约束进行调整优化；
将所述当前道路施工计划进行划分，根据各阶段道路施工的施工特征确定阶段性施工约束，具体为：
获取道路施工所在地的道路土体性质，根据道路土体性质及当前道路施工计划获取路基和路面结构层施工厚度，根据当前施工人员及施工机械信息获取道路施工工期信息；
获取目标区域的气象信息对所述道路施工工期信息进行修正，根据修正后的道路施工工期信息及施工距离信息将当前道路施工计划进行划分，生成带时序标签和位置标签的阶段道路施工计划；
通过当前道路施工计划结合施工大数据提取各阶段道路施工计划的施工原材料、施工机械及施工工艺，生成各阶段道路施工计划的施工特征；
根据所述施工特征结合施工质量要求设置符合施工质量要求的施工参数标准，通过所述施工参数标准设置各阶段施工的施工特征确定阶段性施工约束；
根据现道路施工阶段的阶段性施工约束进行施工过程的动态管理，具体为：
提取现道路施工阶段的阶段性施工约束，根据阶段性施工约束提取施工工艺的施工参数标准，根据目标区域的环境信息设置环境参数，对不同气象环境下的施工参数标准进行补偿；
获取施工机械实时监测数据，将所述实时监测数据与环境参数补偿后的施工参数标准做对比获取偏差信息，当偏差信息大于预设偏差阈值时，则及时调整施工机械的施工参数；
实时分析施工机械的施工参数，当施工质量优于历史施工质量时，则将施工参数进行数据备份，并与当前环境信息匹配，通过备份数据更新对应的施工参数标准；
另外，根据施工机械实时监测数据获取施工机械的位置信息，根据现阶段道路施工计划预测施工机械的使用频率，设置施工机械优先级信息；
基于优先级信息将施工机械进行位置规划，将低优先级的施工设置提前规划至下一位置标签对应的道路施工阶段；
基于深度学习构建道路沉降预测模型，根据所述道路沉降形变监测值进行预测分析，具体为：
获取当前道路施工计划中各位置标签的地质监测结果，基于数据检索获取路基沉降形变对应的地质条件，根据地质监测结果选取具有相似地质条件的位置信息；
获取各位置信息的地质监测结果，在目标区域中通过施工大数据计算其他现有监测位置与选取位置的地质监测结果的相似度，获取相似度符合预设标准的其他现有监测位置；
获取其他现有监测位置的历史监测数据，根据历史监测数据获取其各层路基填料及其沉降量，并将沉降量与环境信息匹配，构建样本数据集；
基于遗传算法对神经网络进行改进，通过样本数据集划分训练集及测试集对神经网络的拓扑结构进行训练，通过遗传算法获取神经网络中最优参数，输出道路沉降预测模型；
将选取位置的地质条件、路基填料物理参数及当前监测的道路沉降形变监测值作为道路沉降预测模型的输入，预测预设时间后的路基沉降量，生成道路沉降形变预测值。
5.根据权利要求4所述的一种公路道路施工综合监测系统，其特征在于，获取道路沉降形变的预测值生成预警信息，根据所述预警信息对现道路施工阶段的阶段性施工约束进行调整优化，具体为：
根据当前道路施工计划及选取位置的地质条件设置道路沉降形变阈值，将道路沉降形变预测值与道路沉降形变阈值进行对比；
当大于道路沉降形变阈值时，则生成预警信息，获取选取位置所处的现道路施工阶段，判断现道路施工阶段是否能够进行返工，若能够进行返工则根据道路沉降形变预测值与阈值的偏差修正阶段性施工约束；
根据修正后的阶段性施工约束进行返工操作，若不能进行返工，则将修正后的阶段性施工约束将施工大数据进行更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310053317.0A CN116050624B (zh) | 2023-02-03 | 2023-02-03 | 一种公路道路施工综合监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310053317.0A CN116050624B (zh) | 2023-02-03 | 2023-02-03 | 一种公路道路施工综合监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116050624A CN116050624A (zh) | 2023-05-02 |
| CN116050624B true CN116050624B (zh) | 2023-08-22 |
Family
ID=86121654
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310053317.0A Active CN116050624B (zh) | 2023-02-03 | 2023-02-03 | 一种公路道路施工综合监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116050624B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116862432B (zh) * | 2023-07-10 | 2024-09-06 | 中交建筑集团有限公司 | 一种隧道浅埋段施工方案动态调整方法及系统 |
| CN117131773A (zh) * | 2023-08-30 | 2023-11-28 | 江苏瑞意隆建设工程有限公司 | 一种城市道路铺设填料优化方法及系统 |
| CN118037005A (zh) * | 2024-04-11 | 2024-05-14 | 成都云通工程咨询有限公司 | 一种道路施工综合监测方法、系统、设备及程序产品 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001174255A (ja) * | 1999-12-15 | 2001-06-29 | East Japan Railway Co | 道床沈下監視方法、およびこの方法を実施する装置 |
| CN105756712A (zh) * | 2016-04-18 | 2016-07-13 | 长安大学 | 一种隧道开挖变形智能预警装置及预警方法 |
| CN106649912A (zh) * | 2016-09-06 | 2017-05-10 | 中铁十六局集团北京轨道交通工程建设有限公司 | 一种地铁隧道盾构下穿既有铁路设施的沉降预测方法 |
| KR101989975B1 (ko) * | 2018-11-21 | 2019-06-19 | 한국건설기술연구원 | 지하수 수위 모니터링에 기반한 지반침하 위험 경고방법 및 지반침하 위험 경고장치 |
| CN111737808A (zh) * | 2020-08-06 | 2020-10-02 | 北京大成国测科技有限公司 | 一种基于人工神经网络的铁路路基预警系统及方法 |
| CN113204824A (zh) * | 2021-05-21 | 2021-08-03 | 上海大学 | 多模型融合的盾构施工沉降预测方法及系统 |
| CN114370853A (zh) * | 2022-02-25 | 2022-04-19 | 京沪高速铁路股份有限公司 | 高速铁路差异性沉降的监测系统、监测方法及监测终端 |
| CN114659492A (zh) * | 2019-09-06 | 2022-06-24 | 北京住总集团有限责任公司 | 一种隧道掘进用监测平台及监测方法 |
| CN114881440A (zh) * | 2022-04-26 | 2022-08-09 | 济南交通发展投资有限公司 | 一种盾构隧道下穿高铁桥风险控制方法及系统 |
| CN115167212A (zh) * | 2022-07-13 | 2022-10-11 | 中交第三航务工程局有限公司 | 基于监测平台的基坑动态施工控制系统及方法 |
| CN115324650A (zh) * | 2022-03-14 | 2022-11-11 | 北京住总集团有限责任公司 | 一种基于智能识别的预警分级系统及方法 |
| CN115419120A (zh) * | 2022-06-08 | 2022-12-02 | 山东大学 | 一种公路路基沉降监测预测方法 |
-
2023
- 2023-02-03 CN CN202310053317.0A patent/CN116050624B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001174255A (ja) * | 1999-12-15 | 2001-06-29 | East Japan Railway Co | 道床沈下監視方法、およびこの方法を実施する装置 |
| CN105756712A (zh) * | 2016-04-18 | 2016-07-13 | 长安大学 | 一种隧道开挖变形智能预警装置及预警方法 |
| CN106649912A (zh) * | 2016-09-06 | 2017-05-10 | 中铁十六局集团北京轨道交通工程建设有限公司 | 一种地铁隧道盾构下穿既有铁路设施的沉降预测方法 |
| KR101989975B1 (ko) * | 2018-11-21 | 2019-06-19 | 한국건설기술연구원 | 지하수 수위 모니터링에 기반한 지반침하 위험 경고방법 및 지반침하 위험 경고장치 |
| CN114659492A (zh) * | 2019-09-06 | 2022-06-24 | 北京住总集团有限责任公司 | 一种隧道掘进用监测平台及监测方法 |
| CN111737808A (zh) * | 2020-08-06 | 2020-10-02 | 北京大成国测科技有限公司 | 一种基于人工神经网络的铁路路基预警系统及方法 |
| CN113204824A (zh) * | 2021-05-21 | 2021-08-03 | 上海大学 | 多模型融合的盾构施工沉降预测方法及系统 |
| CN114370853A (zh) * | 2022-02-25 | 2022-04-19 | 京沪高速铁路股份有限公司 | 高速铁路差异性沉降的监测系统、监测方法及监测终端 |
| CN115324650A (zh) * | 2022-03-14 | 2022-11-11 | 北京住总集团有限责任公司 | 一种基于智能识别的预警分级系统及方法 |
| CN114881440A (zh) * | 2022-04-26 | 2022-08-09 | 济南交通发展投资有限公司 | 一种盾构隧道下穿高铁桥风险控制方法及系统 |
| CN115419120A (zh) * | 2022-06-08 | 2022-12-02 | 山东大学 | 一种公路路基沉降监测预测方法 |
| CN115167212A (zh) * | 2022-07-13 | 2022-10-11 | 中交第三航务工程局有限公司 | 基于监测平台的基坑动态施工控制系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 孙九春.软土地铁深基坑力学状态的施工控制系统研究.隧道建设(中英文).2020,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116050624A (zh) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116050624B (zh) | 一种公路道路施工综合监测方法及系统 | |
| US20230252487A1 (en) | System and method for dynamic management and control of air pollution | |
| US11720816B2 (en) | Predicting pipe failure | |
| CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
| CN113538898A (zh) | 一种基于多源数据的高速公路拥堵管控系统 | |
| CN116758744B (zh) | 基于人工智能的智慧城市运维管理方法、系统及存储介质 | |
| CN115730684A (zh) | 一种基于lstm-cnn模型的空气质量检测系统 | |
| CN117332488B (zh) | 一种基于bim技术的道路桥梁实景模型分析方法和系统 | |
| CN116975785B (zh) | 一种基于cim模型的多源异构数据融合分析方法及系统 | |
| CN117829382A (zh) | 一种公路施工进度智能预测方法及系统 | |
| CN116975990B (zh) | 一种油气化工码头三维模型的管理方法及系统 | |
| CN113222271A (zh) | 综合交通运输体系下的中小机场选址布局方法 | |
| CN117575349A (zh) | 一种基于城市数据模型的交通影响评价方法及系统 | |
| Vasiliev et al. | Decision support system for street-road network objects repair | |
| CN117635057B (zh) | 一种基于多维数据的建筑工程施工监测方法及系统 | |
| CN110503209A (zh) | 一种基于大数据的钢轨分析预警模型构建方法与系统 | |
| Dawood | BIM based bridge management system | |
| CN117390399A (zh) | 基于深度学习的公路预养护方法、系统、电子设备和介质 | |
| CN108055639A (zh) | 一种基于信令数据分析的人流密度预测方法及系统 | |
| CN110991930A (zh) | 计算公路路段尘负荷等级的方法 | |
| Berardinelli et al. | An advanced highway asset management system | |
| Kloeker et al. | Economic Analysis of Smart Roadside Infrastructure Sensors for Connected and Automated Mobility | |
| Casas et al. | Standardization of quality control plans for highway bridges in Europe: COST Action TU 1406 | |
| CN118277452B (zh) | 基于要素流动大数据的边界效应量化方法及系统 | |
| Li et al. | Application of bridge maintenance and management system with BIM technology |
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 |