CN116109136A - 大体积混凝土结构开裂风险评估与预警方法 - Google Patents
大体积混凝土结构开裂风险评估与预警方法 Download PDFInfo
- Publication number
- CN116109136A CN116109136A CN202211715558.9A CN202211715558A CN116109136A CN 116109136 A CN116109136 A CN 116109136A CN 202211715558 A CN202211715558 A CN 202211715558A CN 116109136 A CN116109136 A CN 116109136A
- Authority
- CN
- China
- Prior art keywords
- temperature
- concrete structure
- monitoring
- risk
- point
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005336 cracking Methods 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 164
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 230000015654 memory Effects 0.000 claims abstract description 23
- 238000012423 maintenance Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002265 prevention Effects 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 12
- 238000012502 risk assessment Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009529 body temperature measurement Methods 0.000 description 3
- 230000036571 hydration Effects 0.000 description 3
- 238000006703 hydration reaction Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 239000003570 air Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K3/00—Thermometers giving results other than momentary value of temperature
- G01K3/08—Thermometers giving results other than momentary value of temperature giving differences of values; giving differentiated values
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K3/00—Thermometers giving results other than momentary value of temperature
- G01K3/08—Thermometers giving results other than momentary value of temperature giving differences of values; giving differentiated values
- G01K3/14—Thermometers giving results other than momentary value of temperature giving differences of values; giving differentiated values in respect of space
-
- 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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明的大体积混凝土结构开裂风险评估与预警方法,针对有限元计算方法无法准确和及时地调整大体积混凝土结构裂缝防治措施的问题。步骤如下:沿大体积混凝土结构轴线方向将其划分为多个监测区域,安装多点远程温度监测系统,对大体积混凝土结构内、外监测点进行实时测温,获得养护开始后前N个小时内、外监测点的温度变化数据;训练与校准养护开始后前N个小时各个监测点的温度,依据长短时记忆神经网络预测未来M个小时内内监测点的温度,采用伽辽金插值方法构造未来M个小时内大体积混凝土结构温度场;计算各个立方体单元的温度梯度变化及相邻立方体单元的温差变化,据此判断大体积混凝土结构是否存在开裂风险并预警。
Description
技术领域
本发明涉及大体积混凝土施工技术领域,特别涉及一种大体积混凝土结构开裂风险评估与预警方法。
背景技术
近年来,大体积混凝土结构在建筑施工过程中得到广泛应用,大体积混凝土结构是指最小几何尺寸不小于1米的混凝土结构实体,与普通体积混凝土结构相比,大体积混凝土结构存在水化热较多、传热性能较差、热阻率较高等缺点。因此,大体积混凝土结构在养护过程中,容易在其内部和表面形成较大温差,导致混凝土产生不均匀的温度变形和温度应力,使得混凝土表面和内部生成温度裂缝,温度裂缝不仅会对混凝土结构的功能性、整体性和耐久性产生较大的不利影响,而且难以检测与维修。
目前,为解决大体积混凝土结构养护期间产生温度裂缝的问题,普遍采用有限元计算方法开展大体积混凝土温度裂缝的风险评估与预警。然而,有限元计算方法极为耗时,较难满足实时评估和智能预警的目的;而且,有限元计算模型一般需要“调参”,如果参数设置不合理,则计算结果与监测结果差别较大,导致无法满足温度裂缝风险评估和预警的准确性要求。
发明内容
针对采用现有有限元计算方法进行大体积混凝土结构养护期间温度裂缝风险评估与预警,无法准确和及时地调整裂缝防治措施的问题。本发明的目的是提供一种大体积混凝土结构开裂风险评估与预警方法。
本发明解决其技术问题所采用的技术方案是:大体积混凝土结构开裂风险评估与预警方法,步骤如下:
S1:沿拟浇筑大体积混凝土结构轴线方向将其划分为多个监测区域,混凝土浇筑完成后,在大体积混凝土柱柱体外设置一个外监测点,在每个监测区域内分别均匀设置多个内监测点,安装多点远程温度监测系统,多点远程温度监测系统包括多个设置于内监测点的无线温度传感器,一个设置于外监测点的无线温度传感器,分别与上述无线温度传感器信号连接的接收器,以及与接收器连接的监控主机,多点远程监测系统对大体积混凝土结构的内监测点和外监测点进行实时测温,获得大体积混凝土结构养护开始后前N个小时内外监测点和各个内监测点的温度变化数据;
S2:构造长短时记忆神经网络,训练与校准大体积混凝土结构养护开始后前N个小时内外监测点和各个内监测点的温度,并依据长短时记忆神经网络预测未来M个小时内大体积混凝土结构各个内监测点的温度;
S3:根据步骤S2得出的各个内监测点的温度变化数据及其分布坐标,采用伽辽金插值方法构造未来M个小时内大体积混凝土结构的温度场;
S4:计算大体积混凝土结构内各个立方体单元的温度梯度变化与相邻立方体单元的温差变化,据此判断大体积混凝土结构是否存在开裂风险并进行预警。
本发明的大体积混凝土结构开裂风险评估与预警方法,首先,将大体积混凝土结构沿其轴线划分为多个监测区域,在大体积混凝土结构外部设置一个外监测点,在每个监测区域内设置多个内监测点,通过多点远程监测系统对大体积混凝土结构的内监测点和外监测点进行实时测温,获得大体积混凝土结构养护期开始后前N个小时内的内、外温度变化数据;构造长短时记忆神经网络,训练与校准前N个小时内的大体积混凝土内、外测点温度,并预测未来M个小时内大体积混凝土各个内监测点的温度变化;根据内监测点的温度变化与测点坐标,采用伽辽金插值方法,构造未来M个小时内的大体积混凝土温度场;根据温度场的时空变化特征,计算大体积混凝土结构内各个立方体单元的温度梯度变化与相邻单元温差变化,从而判断大体积混凝土结构是否存在开裂风险并进行预警,上述监测、建模、分析、评估与预警过程贯穿大体积混凝土结构养护阶段全过程。与现有大体积混凝土开裂风险评估与预警方法相比,本发明具有以下特点和有益效果:
(1)充分结合了物联网监测系统与人工智能算法,有利于建设大体积混凝土工程风险监测与智能施工系统,提高施工水平,提升施工效率与施工精度,减少人工投入,实现建设工地的数字化和智能化;
(2)有利于实现大体积混凝土开裂风险的实时评估与智能预警,使得评估与预警结果更为准确和可靠,以便采取更为及时和有效的养护方式避免温度裂缝的产生。
进一步的,监测区域的数量不少于四个,每个监测区域的截面中心、截面对角线边缘、截面中心至对角线边缘连线的1/2处,以及截面中心至对角线边缘连线的1/4处均布设无线温度传感器。
进一步的,步骤S2中,根据监测点的数量和大体积混凝土结构的养护时长构造长短时记忆神经网络,确定输入单元和隐含单元的数量,基于前N个小时内的温度实时监测数据训练长短时记忆神经网络,为了防止训练发散以获得较好的预测结果,需要将训练序列标准化为具有零均值和单位方差的序列,如下:
进一步的,步骤S2中,在训练长短时记忆神经网络时,将训练序列移位一个时间步。
进一步的,步骤S3中,在对未来M个小时内各监测点的温度变化进行预测时,输入训练序列的最后一个时间步值进行第一次预测,然后,使用预测值作为输入参数进行下一个时间步的预测,如此循环往复,直至达到预定的预测时间。
进一步的,步骤S3中,基于预测获得的序列,需要根据步骤S2获得的训练序列均值和标准差,反标准化获得各测点未来M个小时内的预测温度,如下:
进一步的,步骤S3中,根据第i个监测点和第j个监测点的位置坐标,及第i个监测点和第j个监测点预测获得的某一时刻的温度,计算第i个监测点和第j个监测点之间的距离,第i个监测点和第j个监测点的半方差,如下:
其中,dij为第i个监测点和第j个监测点之间的净距,xi为第i个监测点的横坐标,yi为第i个监测点的纵坐标,xj为第j个监测点的横坐标,yj为第j个监测点的纵坐标,rij为平方差,Pi和Pj分别为第i个监测点和第j个监测点在未来某一时刻的温度,E为均值计算。
拟合第i个监测点和第j个监测点的净距和半方差的经验关系,根据经验关系计算未知点zo到所有监测点zi的半方差rio。
根据下式计算最优系数λi:
使用λi对已知点的温度值进行加权求和,获得未知点zo的温度估计值:
进一步的,步骤S4中,沿大体积混凝土柱轴线方向将其划分为多个立方体单元,计算大体积混凝土结构柱内所有立方体单元之间的最大温度变化梯度ΔT1,并计算相邻立方体单元的最大温差ΔT2,根据ΔT1和ΔT2,按照下表定义大体积混凝土柱的开裂风险等级,如果判断该时刻为高风险状态,则进行预警。
温差 | <![CDATA[ΔT<sub>1</sub><1℃/d]]> | <![CDATA[1℃/d≤ΔT<sub>1</sub><2℃/d]]> | <![CDATA[ΔT<sub>1</sub>≥2℃/d]]> |
<![CDATA[ΔT<sub>2</sub><10℃]]> | 低风险 | 中风险 | 高风险 |
<![CDATA[10℃≤ΔT<sub>2</sub><25℃]]> | 中风险 | 中风险 | 高风险 |
<![CDATA[ΔT<sub>2</sub>≥25℃]]> | 高风险 | 高风险 | 高风险 |
附图说明
图1为本发明的大体积混凝土结构开裂风险评估与预警方法一实施例的流程图;
图2为本发明一实施例中大体积混凝土柱的温度监测系统布设示意图;
图3为本发明一实施例中大体积混凝土柱的A测区测点温度;
图4为本发明一实施例中构造的长短时记忆神经网络的示意图;
图5为本发明一实施例中A1测点的预测温度与实测温度对比图;
图6为本发明一实施例中大体积混凝土柱预测获得的某一时刻温度场切片示意图;
图7为本发明一实施例中大体积混凝土柱开裂风险评估示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。为叙述方便,下文中所述的“上”、“下”与附图的上、下的方向一致,但这不能成为本发明技术方案的限制。
本实施例以某大体积混凝土柱为例,大体积混凝土柱的横截面尺寸为2300mm×2300mm,高度为5000mm,混凝土等级为C80,采用一次性连续浇捣,施工时间在9月下旬,养护过程历时10天。下面结合图1至图7说明本发明的大体积混凝土结构开裂风险评估与预警方法,具体步骤如下:
S1:如图2所示,根据拟浇筑大体积混凝土柱的几何尺寸,沿其轴线方向划分为A、B、C、D四个内部的监测区域,由下至上依次为A测区、B测区、C测区及D测区,混凝土浇筑完成后,在大体积混凝土柱柱体外设置一个外监测点,即图2所示的环境气温测点,在每个监测区域内分别均匀设置四个内监测点(测点A1、测点A2、测点A3、测点A4……,测点D1、测点D2、测点D3、测点D4),安装多点远程温度监测系统,多点远程温度监测系统包括16个设置于内监测点的无线温度传感器,1个设置于外监测点的无线温度传感器,分别与上述无线温度传感器信号连接的接收器,以及与接收器连接的监控主机,外监测点的无线温度传感器监测大体积混凝土柱周围环境的气温,内监测点的无线温度传感器监测大体积混凝土柱内部与表面的温度;本实施例的无线温度传感器的采样速率至少需达到分钟级别,其监测功率需满足至少一周的长期监测要求,利用多点远程监测系统对大体积混凝土柱的内监测点和外监测点进行实时测温,从而获得大体积混凝土柱养护开始后前N个小时内外监测点和各个内监测点的温度变化数据;
S2:构造长短时记忆神经网络,训练与校准大体积混凝土结构养护开始后前N个小时内外监测点和各个内监测点的温度,并依据长短时记忆神经网络预测未来M个小时内大体积混凝土柱各个内监测点的温度;
S3:根据步骤S2得出的各个内监测点的温度变化数据及其分布坐标,采用伽辽金插值方法构造未来M个小时内大体积混凝土柱的温度场;
S4:计算大体积混凝土柱内各个立方体单元的温度梯度变化与相邻立方体单元的温差变化,据此判断大体积混凝土柱是否存在开裂风险并进行预警。
本发明的大体积混凝土结构开裂风险评估与预警方法,首先,将大体积混凝土结构沿其轴线划分为多个监测区域,在大体积混凝土结构外部设置一个外监测点,在每个监测区域内设置多个内监测点,通过多点远程监测系统对大体积混凝土结构的内监测点和外监测点进行实时测温,获得大体积混凝土结构养护期开始后前N个小时内的内、外温度变化数据;构造长短时记忆神经网络,训练与校准前N个小时内的大体积混凝土内、外测点温度,并预测未来M个小时内大体积混凝土各个内监测点的温度变化;根据内监测点的温度变化与测点坐标,采用伽辽金插值方法,构造未来M个小时内的大体积混凝土温度场;根据温度场的时空变化特征,计算大体积混凝土结构内各个立方体单元的温度梯度变化与相邻单元温差变化,从而判断大体积混凝土结构是否存在开裂风险并进行预警,上述监测、建模、分析、评估与预警过程贯穿大体积混凝土结构养护阶段全过程。与现有大体积混凝土开裂风险评估与预警方法相比,本发明具有以下特点和有益效果:
(1)充分结合了物联网监测系统与人工智能算法,有利于建设大体积混凝土工程风险监测与智能施工系统,提高施工水平,提升施工效率与施工精度,减少人工投入,实现建设工地的数字化和智能化;
(2)有利于实现大体积混凝土开裂风险的实时评估与智能预警,使得评估与预警结果更为准确和可靠,以便采取更为及时和有效的养护方式避免温度裂缝的产生。
如图2所示,步骤S1中,监测区域的数量不少于四个,每个监测区域的截面中心、截面对角线边缘、截面中心至对角线边缘连线长度的1/2处,以及截面中心至对角线边缘连线长度的1/4处均布设无线温度传感器,以A测区为例,截面中心位置测点A1,对角线边缘位置A4测点,截面中心至对角线边缘连线的中心点位置A2,以及A2和A4之间的中间位置测点A3,无线温度传感器的探头埋设于大体积混凝土柱内部,其数据发射端宜露出大体积混凝土柱外表面,以免影响数据传输,无线温度传感器将采集获得的大体积混凝土温度数据传输至接收器和监控主机,并存储于温度监测数据库中。如图3所示,混凝土养护开始后,大体积混凝土柱的内部温度从入模温度35℃开始急剧上升,此后缓慢下降,且趋于稳定,同一时刻,监测区域截面中心的温度最高,越靠近边缘位置,温度越低,说明大体积混凝土柱的表面温度受环境温度的影响显著,具有较大的波动性。
如图4所示,步骤S2中,根据监测点的数量和大体积混凝土结构的养护时长构造长短时记忆神经网络,其中,带符号的矩形框代表的是神经网络层(包括多个神经元),带运算符的圆圈代表的是逐点操作,合并的线代表的是将两条线上携带的向量合并,分开的线代表的是将线上传递的向量复制一份,传给两个地方;确定输入单元和隐含单元的数量,其中,输入单元和隐含单元是长短时记忆神经网络的基本模块。基于前N个小时内的温度实时监测数据训练长短时记忆神经网络,为了防止训练发散以获得较好的预测结果,需要将训练序列标准化为具有零均值和单位方差的序列,如下:
图5所示为采用本实施例得出的测点A1的预测温度与实测温度对比图,N和M均取2,可见,构造的长短时记忆神经网络可以基于前N个小时内测点的实时监测温度,准确预测未来M个小时内的温度,误差不超过5%。
上述步骤S2中,为了让训练完成的长短时记忆神经网络具有预测下一个时间步的能力,在训练长短时记忆神经网络时,需要将训练序列移位一个时间步,即输入没有最终时间步的训练序列,学习没有初始时间步的训练序列。
上述步骤S3中,在对未来M个小时内各监测点的温度变化进行预测时,首先,输入训练序列的最后一个时间步值进行第一次预测,然后使用该预测值作为输入参数进行下一个时间步的预测,如此循环往复,直至达到预定的预测时间,同时,在每次预测时,可使用预测值更新长短时记忆神经网络的状态,
上述步骤S3中,基于预测获得的序列,需要根据步骤S2获得的训练序列均值和标准差,反标准化获得各测点未来M个小时内的预测温度,如下:
若已知新的温度监测序列,为避免当前长短时记忆神经网络状态影响未来的预测精度,应重置长短时记忆神经网络状态,采用全新的、完整的温度监测序列训练长短时记忆神经网络。
步骤S3中,根据第i个监测点和第j个监测点的位置坐标,及第i个监测点和第j个监测点预测获得的某一时刻的温度,计算第i个监测点和第j个监测点之间的距离,第i个监测点和第j个监测点的温度半方差公式,如下:
其中,dij为第i个监测点和第j个监测点之间的净距,xi为第i个监测点的横坐标,yi为第i个监测点的纵坐标,xj为第j个监测点的横坐标,yj为第j个监测点的纵坐标,rij为平方差,Pi和Pj分别为第i个监测点和第j个监测点在未来某一时刻的温度,E为均值计算。
拟合第i个监测点和第j个监测点的净距和半方差的经验关系(经验关系即根据dij和rij的数据点进行拟合获得的曲线),根据经验关系计算未知点zo到所有监测点zi的半方差rio。
根据下式计算最优系数λi:
使用λi对已知点的温度值进行加权求和,获得未知点zo的温度估计值:
图6为本实施例预测获得的大体积混凝土柱某一时刻的温度场切片,可见,基于各监测点未来M个小时的温度预测数据,采用伽辽金插值方法可以准确构造未来M个小时内大体积混凝土柱的温度场。
上述步骤S4中,沿大体积混凝土柱轴线方向,以高度40mm~100mm为间隔,将大体积混凝土结构划分为多个立方体单元,计算大体积混凝土结构柱内所有立方体单元之间的最大温度变化梯度ΔT1,同时,计算相邻立方体单元的最大温差ΔT2,根据ΔT1和ΔT2,按照下表定义大体积混凝土柱的开裂风险等级,如果判断该时刻为高风险状态,则进行预警。
温差 | <![CDATA[ΔT<sub>1</sub><1℃/d]]> | <![CDATA[1℃/d≤ΔT<sub>1</sub><2℃/d]]> | <![CDATA[ΔT<sub>1</sub>≥2℃/d]]> |
<![CDATA[ΔT<sub>2</sub><10℃]]> | 低风险 | 中风险 | 高风险 |
<![CDATA[10℃≤ΔT<sub>2</sub><25℃]]> | 中风险 | 中风险 | 高风险 |
<![CDATA[ΔT<sub>2</sub>≥25℃]]> | 高风险 | 高风险 | 高风险 |
图7为本实施例的大体积混凝土柱的开裂风险评估示意图,可见,大体积混凝土柱的开裂风险在混凝土养护开始之后快速上升,在2小时左右之后,由低风险状态迅速变为高风险状态,且持续20个小时左右,随后,因水化放热过程趋于稳定,由高风险状态下降为中风险状态,且中风险状态持续约150个小时左右,期间,因受水化过程和外界环境等因素的影响,其状态有可能在低风险与中风险之间发生跳跃,150个小时的养护后,该大体积混凝土柱的开裂风险趋于稳定,变为低风险。
为了保证预测的计算速度,可以根据数据集的类型和规模确定计算设备硬件类型。一般来说,对于大型数据集合、长序列或大型网络,可以采用GPU进行预测,其他情况下,可以采用CPU进行预测。
上述描述仅是对本发明较佳实施例的描述,并非对本发明范围的任何限定,本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于权利要求范围。
Claims (8)
1.大体积混凝土结构开裂风险评估与预警方法,其特征在于,步骤如下:
S1:沿拟浇筑大体积混凝土结构轴线方向将其划分为多个监测区域,混凝土浇筑完成后,在大体积混凝土柱柱体外设置一个外监测点,在每个监测区域内分别均匀设置多个内监测点,安装多点远程温度监测系统,多点远程温度监测系统包括多个设置于内监测点的无线温度传感器,一个设置于外监测点的无线温度传感器,分别与上述无线温度传感器信号连接的接收器,以及与接收器连接的监控主机,多点远程监测系统对大体积混凝土结构的内监测点和外监测点进行实时测温,获得大体积混凝土结构养护开始后前N个小时内外监测点和各个内监测点的温度变化数据;
S2:构造长短时记忆神经网络,训练与校准大体积混凝土结构养护开始后前N个小时内外监测点和各个内监测点的温度,并依据长短时记忆神经网络预测未来M个小时内大体积混凝土结构各个内监测点的温度;
S3:根据步骤S2得出的各个内监测点的温度变化数据及其分布坐标,采用伽辽金插值方法构造未来M个小时内大体积混凝土结构的温度场;
S4:计算大体积混凝土结构内各个立方体单元的温度梯度变化与相邻立方体单元的温差变化,据此判断大体积混凝土结构是否存在开裂风险并进行预警。
2.根据权利要求1所述的大体积混凝土结构开裂风险评估与预警方法,其特征在于:监测区域的数量不少于四个,每个监测区域的截面中心、截面对角线边缘、截面中心至对角线边缘连线的1/2处,以及截面中心至对角线边缘连线的1/4处均布设无线温度传感器。
4.根据权利要求3所述的大体积混凝土结构开裂风险评估与预警方法,其特征在于:步骤S2中,在训练长短时记忆神经网络时,将训练序列移位一个时间步。
5.根据权利要求1所述的大体积混凝土结构开裂风险评估与预警方法,其特征在于:步骤S3中,在对未来M个小时内各监测点的温度变化进行预测时,输入训练序列的最后一个时间步值进行第一次预测,然后,使用预测值作为输入参数进行下一个时间步的预测,如此循环往复,直至达到预定的预测时间。
7.根据权利要求1所述的大体积混凝土结构开裂风险评估与预警方法,其特征在于:步骤S3中,根据第i个监测点和第j个监测点的位置坐标,及第i个监测点和第j个监测点预测获得的某一时刻的温度,计算第i个监测点和第j个监测点之间的距离,第i个监测点和第j个监测点的半方差,如下:
其中,dij为第i个监测点和第j个监测点之间的净距,xi为第i个监测点的横坐标,yi为第i个监测点的纵坐标,xj为第j个监测点的横坐标,yj为第j个监测点的纵坐标,rij为平方差,Pi和Pj分别为第i个监测点和第j个监测点在未来某一时刻的温度,E为均值计算。
拟合第i个监测点和第j个监测点的净距和半方差的经验关系,根据经验关系计算未知点zo到所有监测点zi的半方差rio。
根据下式计算最优系数λi:
使用λi对已知点的温度值进行加权求和,获得未知点zo的温度估计值:
8.根据权利要求1所述的大体积混凝土结构开裂风险评估与预警方法,其特征在于:步骤S4中,沿大体积混凝土柱轴线方向将其划分为多个立方体单元,计算大体积混凝土结构柱内所有立方体单元之间的最大温度变化梯度ΔT1,并计算相邻立方体单元的最大温差ΔT2,根据ΔT1和ΔT2,按照下表定义大体积混凝土柱的开裂风险等级,如果判断该时刻为高风险状态,则进行预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211715558.9A CN116109136A (zh) | 2022-12-28 | 2022-12-28 | 大体积混凝土结构开裂风险评估与预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211715558.9A CN116109136A (zh) | 2022-12-28 | 2022-12-28 | 大体积混凝土结构开裂风险评估与预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116109136A true CN116109136A (zh) | 2023-05-12 |
Family
ID=86257434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211715558.9A Pending CN116109136A (zh) | 2022-12-28 | 2022-12-28 | 大体积混凝土结构开裂风险评估与预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109136A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556521A (zh) * | 2024-01-09 | 2024-02-13 | 深圳大学 | 基于数字孪生的高海拔隧道衬砌开裂风险监测方法及系统 |
-
2022
- 2022-12-28 CN CN202211715558.9A patent/CN116109136A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556521A (zh) * | 2024-01-09 | 2024-02-13 | 深圳大学 | 基于数字孪生的高海拔隧道衬砌开裂风险监测方法及系统 |
CN117556521B (zh) * | 2024-01-09 | 2024-04-30 | 深圳大学 | 基于数字孪生的高海拔隧道衬砌开裂风险监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110377981B (zh) | 一种数字化的施工现场混凝土预测式防裂方法 | |
CN110728093B (zh) | 一种大体积混凝土温控优化方法 | |
CN110702886B (zh) | 一种反演大体积混凝土材料参数的方法 | |
Yuan et al. | Retracted: A comparative study on predicting the rapid chloride permeability of self‐compacting concrete using meta‐heuristic algorithm and artificial intelligence techniques | |
CN116109136A (zh) | 大体积混凝土结构开裂风险评估与预警方法 | |
CN114638466B (zh) | 一种基于设计和实时监测的施工方法、装置及存储介质 | |
CN108956297B (zh) | 一种测量不同约束度下混凝土强度损伤历程的方法与装备 | |
CN105005632A (zh) | 多层耐火砖炉墙结构的高炉炉缸侵蚀预测方法 | |
CN116579217A (zh) | 一种基于数字孪生的控制阀流致振动疲劳寿命预测方法 | |
JP5962290B2 (ja) | 鋼材の熱伝達係数予測装置及び冷却制御方法 | |
CN116384193A (zh) | 基于数字孪生技术和数据融合的裂纹扩展预测方法 | |
CN113885619B (zh) | 一种超大体积混凝土的温度应力控制方法及系统 | |
CN114638164A (zh) | 一种预测电站压力管道高温蠕变寿命的方法 | |
CN117195616A (zh) | 一种基于反演参数与施工过程的孔口温度开裂风险评价方法 | |
WO2024140233A1 (zh) | 大体积混凝土结构开裂风险评估与预警方法 | |
JP3377163B2 (ja) | 自律的制御システム | |
CN110263490B (zh) | 混凝土坝体临时面应力分析方法 | |
CN117408108A (zh) | 一种基于有限元及实时监测的健康监测方法 | |
CN117249922A (zh) | 一种用于温度测试仪的温度校准方法及系统 | |
CN116147724B (zh) | 一种适用于超声水表的计量方法 | |
CN114817837B (zh) | 基于浮标平台微波辐射计的对流层参数剖面反演方法 | |
CN116718629A (zh) | 一种预应力混凝土衬砌的监测系统 | |
CN105385843A (zh) | 一种基于段末温度的热轧板坯加热控制方法 | |
CN115280094A (zh) | 用于得出热交换器的污垢的方法和设备 | |
CN118013823A (zh) | 一种基于热传导理论的钢结构温度场实时监测与预警系统 |
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 |