CN116342059A - 一种基于物联网的城市轨道交通地下结构智能监测系统 - Google Patents
一种基于物联网的城市轨道交通地下结构智能监测系统 Download PDFInfo
- Publication number
- CN116342059A CN116342059A CN202310253739.2A CN202310253739A CN116342059A CN 116342059 A CN116342059 A CN 116342059A CN 202310253739 A CN202310253739 A CN 202310253739A CN 116342059 A CN116342059 A CN 116342059A
- Authority
- CN
- China
- Prior art keywords
- underground structure
- module
- rail transit
- data
- structural
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000005065 mining Methods 0.000 claims abstract description 24
- 238000012423 maintenance Methods 0.000 claims abstract description 19
- 238000012800 visualization Methods 0.000 claims abstract description 13
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 239000010959 steel Substances 0.000 claims abstract description 11
- 230000005540 biological transmission Effects 0.000 claims abstract description 9
- 238000003860 storage Methods 0.000 claims abstract description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000007689 inspection Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 230000000007 visual effect Effects 0.000 claims description 19
- 230000002068 genetic effect Effects 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
Images
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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06Q10/04—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
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于物联网的城市轨道交通地下结构智能监测系统,其中实时数据传感模块用于获取待测的城市轨道交通地下结构的多源监测数据;数据传输及存储模块用于对多源监测数据进行传输和存储;风险挖掘模块用于将多源监测数据输入至结构风险挖掘模型,得到结构风险因子;预测模块用于利用结构风险因子进行风险预测,得到预测结果;可视化模块根据预测结果建立三维可视化信息模型;养护决策模块用于进行变形、碰撞、裂缝和渗漏水检查,分析地下结构中的钢筋、预应力管道及混凝土浇筑通道与钢筋之间的碰撞和变形,以确定养护优化指导方案。本发明能够对数据进行智能实时监测,动态评估,预测预警等全过程智能化监测管理,并提高监测精度。
Description
技术领域
本发明涉及轨道交通技术领域,特别是涉及一种基于物联网的城市轨道交通地下结构智能监测系统。
背景技术
轨道交通地下结构在全寿命周期内因地质条件、列车运营、地面建筑物施工等因素会发生沉降、变形、裂缝、渗漏水等病害。
以物联网、计算机、互联网、无线通讯等技术为一体的自动化监测系统迅速发展并得到了应用,有望取代传统的人工监测方法,轨道交通地下结构监测己进入了自动化、智能化和信息化时代。
但由于结构变形监测周期长、内容多且影响因素复杂,现有技术中的监测系统无法实时且准确地对城市轨道交通地下结构进行监测和预报。
发明内容
为了克服现有技术的不足,本发明的目的是提供一种基于物联网的城市轨道交通地下结构智能监测系统。
为实现上述目的,本发明提供了如下方案:
一种基于物联网的城市轨道交通地下结构智能监测系统,包括:
实时数据传感模块,用于获取待测的城市轨道交通地下结构的多源监测数据;
数据传输及存储模块,用于基于物联网技术,对所述多源监测数据进行传输和存储;
风险挖掘模块,用于将所述多源监测数据输入至结构风险挖掘模型,得到结构风险因子;
预测模块,用于利用预设的结构变形的改进的遗传BP神经网络和所述结构风险因子进行风险预测,得到预测结果;
可视化模块,用于基于Dynamo可视化编程和Revit参数化建模方法,根据所述预测结果建立三维可视化信息模型;
养护决策模块,用于基于所述三维可视化信息模型,采用Navisworks进行变形、碰撞、裂缝和渗漏水检查,分析所述地下结构中的钢筋、预应力管道及混凝土浇筑通道与钢筋之间的碰撞和变形,以确定养护优化指导方案。
优选地,还包括:
评估模块,用于根据所述多源监测数据和所述预测结果进行结构安全分级评估。
优选地,所述多源监测数据包括:轨道的规范化应力指数、轨面高度、切口等级、轨距等级、轨腰深度及伸长率、桥梁的结构不均匀性指数、裂缝情况指数、垂直应力指数、隧道的结构不均匀性指数、裂缝严重度、综合站房的结构不均匀性指数、抗震性能分析、区间设施的结构不均匀性指数、功能不符的危险度。
优选地,所述数据传输及存储模块是基于B/S设计系统架构进行设计得到的。
优选地,所述风险挖掘模块包括:
历史数据库获取单元,用于获取历史地下结构事故数据库;
文本转换单元,用于将所述历史地下结构事故数据库进行文本转换,得到事故文本语料库;
预处理单元,用于对所述事故文本语料库进行预处理,得到预处理语料库;
训练单元,用于根据分词算法和BP神经网络模型构建初始模型,并将所述预处理语料库输入至所述初始模型中进行学习和训练,得到学习结果数据;
挖掘单元,用于基于预设的结构数据风险关键词对所述学习结果数据进行挖掘,得到确定好的所述风险挖掘模块和关联词特征词;所述关联词特征词为基于历史数据的地下结构风险因子。
优选地,还包括:
距离计算模块,用于基于余弦算法确定所述关联词特征词和所述地下结构风险关键词的向量距离;
风险修正模块,用于根据所述关联词特征词的词频和所述向量距离确定新的地下结构风险因子。
优选地,所述预测模块包括:
模型构建单元,用于基于所述多源监测数据构建轨道交通地下结构变形的时间序列预报模型;
补偿单元,用于采用BP神经网络方法对所述时间序列预报模型进行误差补偿,得到所述改进的遗传BP神经网络;
预测单元,用于将所述结构风险因子输入至所述改进的遗传BP神经网络中,得到所述预测结果。
优选地,所述可视化模块包括
制作单元,用于根据所述城市轨道交通地下结构的结构信息制作参数化族和BIM构件库;
定位提取单元,用于提取所述参数化族和BIM构件库的定位信息;
参数提取单元,用于提取所述参数化族和BIM构件库的参数信息;
表格制备单元,用于整理汇总所述参数化族和BIM构件库的定位信息与参数信息,形成格式规范并且可供Dynamo工具读取的输入数据表格;
可视化单元,用于在Revit软件中运行Dynamo工具进行可视化编程,调用所述参数化构件族,并读取所述输入数据表格,批量化调整构件族参数,搭建所述三维可视化信息模型。
优选地,所述养护决策模块是基于Java的Jess专家系统进行构建的。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种基于物联网的城市轨道交通地下结构智能监测系统,包括:实时数据传感模块,用于获取待测的城市轨道交通地下结构的多源监测数据;数据传输及存储模块,用于基于物联网技术,对所述多源监测数据进行传输和存储;风险挖掘模块,用于将所述多源监测数据输入至结构风险挖掘模型,得到结构风险因子;预测模块,用于利用预设的结构变形的改进的遗传BP神经网络和所述结构风险因子进行风险预测,得到预测结果;可视化模块,用于基于Dynamo可视化编程和Revit参数化建模方法,根据所述预测结果建立三维可视化信息模型;养护决策模块,用于基于所述三维可视化信息模型,采用Navisworks进行变形、碰撞、裂缝和渗漏水检查,分析所述地下结构中的钢筋、预应力管道及混凝土浇筑通道与钢筋之间的碰撞和变形,以确定养护优化指导方案。本发明能够对数据进行智能实时监测,动态评估,预测预警等全过程智能化监测管理,并通过结构风险挖掘模型和改进的遗传BP神经网络对地下结构风险进行精确监测,提高了监测精度。
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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的模块结构示意图。
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。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤,而是可选地还包括没有列出的步骤,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。
本发明的目的是提供一种基于物联网的城市轨道交通地下结构智能监测系统,能够对数据进行智能实时监测,动态评估,预测预警等全过程智能化监测管理,并通过结构风险挖掘模型和改进的遗传BP神经网络对地下结构风险进行精确监测,提高了监测精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的模块结构示意图,如图1所示,本发明提供了一种基于物联网的城市轨道交通地下结构智能监测系统,包括:
实时数据传感模块,用于获取待测的城市轨道交通地下结构的多源监测数据;轨道的规范化应力指数、轨面高度、切口等级、轨距等级、轨腰深度及伸长率、桥梁的结构不均匀性指数、裂缝情况指数、垂直应力指数、隧道的结构不均匀性指数、裂缝严重度、综合站房的结构不均匀性指数、抗震性能分析、区间设施的结构不均匀性指数、功能不符的危险度。
数据传输及存储模块,用于基于物联网技术,对所述多源监测数据进行传输和存储。
风险挖掘模块,用于将所述多源监测数据输入至结构风险挖掘模型,得到结构风险因子。
预测模块,用于利用预设的结构变形的改进的遗传BP神经网络和所述结构风险因子进行风险预测,得到预测结果。
可视化模块,用于基于Dynamo可视化编程和Revit参数化建模方法,根据所述预测结果建立三维可视化信息模型。
养护决策模块,用于基于所述三维可视化信息模型,采用Navisworks进行变形、碰撞、裂缝和渗漏水检查,分析所述地下结构中的钢筋、预应力管道及混凝土浇筑通道与钢筋之间的碰撞和变形,以确定养护优化指导方案。
具体的,本实施例中实时数据传感模块的智能监测采集功能采用轻量高效的J2EE开发。数据库采用Mysql数据库。利用PM2来简化Node应用管理的繁琐任务,实现数据采集系统的稳定可靠持久运行。
优选地,还包括:
评估模块,用于根据所述多源监测数据和所述预测结果进行结构安全分级评估。
进一步地,本实施例中,利用对轨道交通地下结构监测获取的多源数据,构建结构安全评价体系,利用改进的遗传BP神经网络方法建立结构安全评估模型,对结构安全进行分级评估。
更进一步地,本实施例中根据不同监测内容的特点,定制化监测数据可视化系统的研发,实现对结构安全监测数据差异化展示。
优选地,所述数据传输及存储模块是基于B/S设计系统架构进行设计得到的。
具体的,本实施例中整体系统是基于B/S(Browser/Sever)设计系统架构,系统功能主要包括数据采集、数据传输、数据存储、数据服务、数据可视化、数据分析预警等。
优选地,所述风险挖掘模块包括:
历史数据库获取单元,用于获取历史地下结构事故数据库;
文本转换单元,用于将所述历史地下结构事故数据库进行文本转换,得到事故文本语料库;
预处理单元,用于对所述事故文本语料库进行预处理,得到预处理语料库;
训练单元,用于根据分词算法和BP神经网络模型构建初始模型,并将所述预处理语料库输入至所述初始模型中进行学习和训练,得到学习结果数据;
挖掘单元,用于基于预设的结构数据风险关键词对所述学习结果数据进行挖掘,得到确定好的所述风险挖掘模块和关联词特征词;所述关联词特征词为基于历史数据的地下结构风险因子。
优选地,还包括:
距离计算模块,用于基于余弦算法确定所述关联词特征词和所述地下结构风险关键词的向量距离;
风险修正模块,用于根据所述关联词特征词的词频和所述向量距离确定新的地下结构风险因子。
优选地,所述预测模块包括:
模型构建单元,用于基于所述多源监测数据构建轨道交通地下结构变形的时间序列预报模型;
补偿单元,用于采用BP神经网络方法对所述时间序列预报模型进行误差补偿,得到所述改进的遗传BP神经网络;
预测单元,用于将所述结构风险因子输入至所述改进的遗传BP神经网络中,得到所述预测结果。
具体的,本实施例中采用改进的遗传BP神经网络对轨道交通地下结构变形的时间序列预报模型进行误差补偿,建立结构变形的改进的遗传BP神经网络-时间序列融合预测模型,通过遗传算法对风险因子进行迭代优化,从而更加准确的反映轨道交通地下结构变形的时间序列变化,提高预报的精度。
优选地,所述可视化模块包括
制作单元,用于根据所述城市轨道交通地下结构的结构信息制作参数化族和BIM构件库;
定位提取单元,用于提取所述参数化族和BIM构件库的定位信息;
参数提取单元,用于提取所述参数化族和BIM构件库的参数信息;
表格制备单元,用于整理汇总所述参数化族和BIM构件库的定位信息与参数信息,形成格式规范并且可供Dynamo工具读取的输入数据表格;
可视化单元,用于在Revit软件中运行Dynamo工具进行可视化编程,调用所述参数化构件族,并读取所述输入数据表格,批量化调整构件族参数,搭建所述三维可视化信息模型。
具体的,本实施例中采用Dynamo+Revit的参数化建模方式,实现减少建模工作量、缩短建模花费的时间、提高模型的精细度、减少误差等目标。采用Dynamo+Revit的参数化建模方式,达到了统一控制桥墩模板的坡度与覆盖范围、参数化定位箱梁节段的空间位置、参数化控制节段截面形状以及统一控制预应力钢棒的定位与长度。实现减少建模工作量、缩短建模时间、提高模型精细度、避免误差等目标。
进一步地,本实施例中还包括基于GIS与WebGL开发支持BIM的三维可视化引擎,将大数据的GIS调度技术与BIM的建筑内部管理数据结构进行融合。
更进一步地,本实施例采用GIS方式,对正在施工和运维的轨道项目进行汇总;对项目的报警状态进行汇总;项目可以与地图的实时位置进行联动。
优选地,所述养护决策模块是基于Java的Jess专家系统进行构建的。
可选地,本实施例中的养护决策模块基于Java的Jess专家系统开发,采用Rete算法实现基于规则的高效推理,通过限定规则前件的条件,对前件条件进行匹配,激活后件的推理模式。总结裂缝、渗漏水等病害的养护措施,将这些养护措施形成规则前件≥规则后件的产生式规则模式。通过Jess语言将这些产生式规则构建为推理引擎的事实库与规则库,形成智能决策的知识库模块,供推理机推理匹配。
本发明的有益效果如下:
(1)本发明将采集的数据实时自动地传输至监测平台,并结合BIM+WebGIS技术实现数据的可视化管理。并根据设定的阈值进行预警。
(2)本发明采用BP神经网络方法对轨道交通地下结构变形的时间序列预报模型进行误差补偿,建立结构变形的BP一时间序列融合预测模型,从而更加准确的反映轨道交通地下结构变形的时间序列变化,提高预报的精度。
(3)本发明利用对轨道交通地下结构监测获取的多源数据,构建结构安全评价体系,利用改进的遗传BP神经网络方法建立结构安全评估模型,对结构安全进行分级评估。
(4)本发明采用基于Java的Jess专家系统,根据结构性能趋势提供日常养护建议,实现对运营线路养护信息的集成和智能决策,确保轨道交通地下结构在运营期的安全与稳定。
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。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于物联网的城市轨道交通地下结构智能监测系统,其特征在于,包括:
实时数据传感模块,用于获取待测的城市轨道交通地下结构的多源监测数据;
数据传输及存储模块,用于基于物联网技术,对所述多源监测数据进行传输和存储;
风险挖掘模块,用于将所述多源监测数据输入至结构风险挖掘模型,得到结构风险因子;
预测模块,用于利用预设的结构变形的改进的遗传BP神经网络和所述结构风险因子进行风险预测,得到预测结果;
可视化模块,用于基于Dynamo可视化编程和Revit参数化建模方法,根据所述预测结果建立三维可视化信息模型;
养护决策模块,用于基于所述三维可视化信息模型,采用Navisworks进行变形、碰撞、裂缝和渗漏水检查,分析所述地下结构中的钢筋、预应力管道及混凝土浇筑通道与钢筋之间的碰撞和变形,以确定养护优化指导方案。
2.根据权利要求1所述的基于物联网的城市轨道交通地下结构智能监测系统,其特征在于,还包括:
评估模块,用于根据所述多源监测数据和所述预测结果进行结构安全分级评估。
3.根据权利要求1所述的基于物联网的城市轨道交通地下结构智能监测系统,其特征在于,所述多源监测数据包括:轨道的规范化应力指数、轨面高度、切口等级、轨距等级、轨腰深度及伸长率、桥梁的结构不均匀性指数、裂缝情况指数、垂直应力指数、隧道的结构不均匀性指数、裂缝严重度、综合站房的结构不均匀性指数、抗震性能分析、区间设施的结构不均匀性指数、功能不符的危险度。
4.根据权利要求1所述的基于物联网的城市轨道交通地下结构智能监测系统,其特征在于,所述数据传输及存储模块是基于B/S设计系统架构进行设计得到的。
5.根据权利要求1所述的基于物联网的城市轨道交通地下结构智能监测系统,其特征在于,所述风险挖掘模块包括:
历史数据库获取单元,用于获取历史地下结构事故数据库;
文本转换单元,用于将所述历史地下结构事故数据库进行文本转换,得到事故文本语料库;
预处理单元,用于对所述事故文本语料库进行预处理,得到预处理语料库;
训练单元,用于根据分词算法和BP神经网络模型构建初始模型,并将所述预处理语料库输入至所述初始模型中进行学习和训练,得到学习结果数据;
挖掘单元,用于基于预设的结构数据风险关键词对所述学习结果数据进行挖掘,得到确定好的所述风险挖掘模块和关联词特征词;所述关联词特征词为基于历史数据的地下结构风险因子。
6.根据权利要求5所述的基于物联网的城市轨道交通地下结构智能监测系统,其特征在于,还包括:
距离计算模块,用于基于余弦算法确定所述关联词特征词和所述地下结构风险关键词的向量距离;
风险修正模块,用于根据所述关联词特征词的词频和所述向量距离确定新的地下结构风险因子。
7.根据权利要求1所述的基于物联网的城市轨道交通地下结构智能监测系统,其特征在于,所述预测模块包括:
模型构建单元,用于基于所述多源监测数据构建轨道交通地下结构变形的时间序列预报模型;
补偿单元,用于采用BP神经网络方法对所述时间序列预报模型进行误差补偿,得到所述改进的遗传BP神经网络;
预测单元,用于将所述结构风险因子输入至所述改进的遗传BP神经网络中,得到所述预测结果。
8.根据权利要求1所述的基于物联网的城市轨道交通地下结构智能监测系统,其特征在于,所述可视化模块包括
制作单元,用于根据所述城市轨道交通地下结构的结构信息制作参数化族和BIM构件库;
定位提取单元,用于提取所述参数化族和BIM构件库的定位信息;
参数提取单元,用于提取所述参数化族和BIM构件库的参数信息;
表格制备单元,用于整理汇总所述参数化族和BIM构件库的定位信息与参数信息,形成格式规范并且可供Dynamo工具读取的输入数据表格;
可视化单元,用于在Revit软件中运行Dynamo工具进行可视化编程,调用所述参数化构件族,并读取所述输入数据表格,批量化调整构件族参数,搭建所述三维可视化信息模型。
9.根据权利要求1所述的基于物联网的城市轨道交通地下结构智能监测系统,其特征在于,所述养护决策模块是基于Java的Jess专家系统进行构建的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310253739.2A CN116342059A (zh) | 2023-03-16 | 2023-03-16 | 一种基于物联网的城市轨道交通地下结构智能监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310253739.2A CN116342059A (zh) | 2023-03-16 | 2023-03-16 | 一种基于物联网的城市轨道交通地下结构智能监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116342059A true CN116342059A (zh) | 2023-06-27 |
Family
ID=86880062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310253739.2A Pending CN116342059A (zh) | 2023-03-16 | 2023-03-16 | 一种基于物联网的城市轨道交通地下结构智能监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116342059A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118036901A (zh) * | 2024-04-11 | 2024-05-14 | 广东河海工程咨询有限公司 | 一种基于智能监测的生态堤防护岸安全预警系统 |
-
2023
- 2023-03-16 CN CN202310253739.2A patent/CN116342059A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118036901A (zh) * | 2024-04-11 | 2024-05-14 | 广东河海工程咨询有限公司 | 一种基于智能监测的生态堤防护岸安全预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Critical review of data-driven decision-making in bridge operation and maintenance | |
Ren et al. | Building an ontological knowledgebase for bridge maintenance | |
CN107991873B (zh) | 一种基于卷积神经网络及bp神经网络的地铁杂散电流泄漏等级预测方法 | |
CN113806978B (zh) | 基于bim-fem的桥梁结构数字孪生体及方法 | |
CN113255811A (zh) | 一种基于bim的梁式桥多源异构数据融合决策系统 | |
CN109034641A (zh) | 管道缺陷预测方法及装置 | |
Li et al. | BIM-enabled semantic web for automated safety checks in subway construction | |
Jiménez Rios et al. | Bridge management through digital twin-based anomaly detection systems: A systematic review | |
CN115270527B (zh) | 道路塌陷风险实时评估方法、设备及存储介质 | |
Jiang et al. | Knowledge driven approach for smart bridge maintenance using big data mining | |
CN114862169A (zh) | 一种基于bim的隧道工程安全风险监测系统及方法 | |
Hartung et al. | Automatized Parametric Modeling to Enhance a data-based Maintenance Process for Infrastructure Buildings | |
CN112508336B (zh) | 一种基于结构方程模型的空间与环境效能关联测度方法 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
Zhang et al. | Multi-criteria group decision-making with cloud model and TOPSIS for alternative selection under uncertainty | |
CN117128448A (zh) | 一种lng储罐结构智能监测系统 | |
Gante et al. | Forecasting construction cost using artificial neural network for road projects in the department of public works and highways region XI | |
CN116342059A (zh) | 一种基于物联网的城市轨道交通地下结构智能监测系统 | |
CN116611785A (zh) | 一种基于大数据的输变电工程造价模型构建方法、系统、设备及介质 | |
CN116305797A (zh) | 一种基于bim和多源质量信息融合的施工风险评估系统 | |
Li et al. | Safety Evaluation of Steel Temporary Beam Service Status Based on the Combination Weighting‐Fuzzy Model of Game Theory | |
Shen et al. | LSTM combined with BIM technology in the management of small and medium-sized span highway concrete beam bridges | |
KR20220096880A (ko) | 웹 어플리케이션을 활용한 하수관로 안전관리 시스템 | |
Qing et al. | Dynamic prediction method of structural safety performance of stereo garage driven by multi-source information | |
Li et al. | A Multisource Data Fusion Modeling Prediction Method for Operation Environment of High‐Speed Train |
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 |