CN116579069A - 大体积混凝土结构温控策略智能设计方法和装置 - Google Patents

大体积混凝土结构温控策略智能设计方法和装置 Download PDF

Info

Publication number
CN116579069A
CN116579069A CN202310849954.9A CN202310849954A CN116579069A CN 116579069 A CN116579069 A CN 116579069A CN 202310849954 A CN202310849954 A CN 202310849954A CN 116579069 A CN116579069 A CN 116579069A
Authority
CN
China
Prior art keywords
cooling
model
temperature
stress
safety
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.)
Granted
Application number
CN202310849954.9A
Other languages
English (en)
Other versions
CN116579069B (zh
Inventor
马睿
李庆斌
胡昱
刘兆麟
张凤强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202310849954.9A priority Critical patent/CN116579069B/zh
Publication of CN116579069A publication Critical patent/CN116579069A/zh
Application granted granted Critical
Publication of CN116579069B publication Critical patent/CN116579069B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/14—Pipes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Structural Engineering (AREA)
  • Civil Engineering (AREA)
  • Architecture (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种大体积混凝土结构温控策略智能设计方法和装置，涉及混凝土温控及策略智能设计领域，包括：构建全过程温度应力仿真模型得到大体积混凝土结构在不同冷却策略影响下的时空温度应力分布规律；构建机理‑数据双驱动代理模型来进行大体积混凝土结构的应力预测和安全评估；构建多目标智能优化模型，来根据多目标函数和约束条件获得满足要求的Pareto解集；构建多准则决策模型，来从满足要求的Pareto解集中获得成本最优冷却策略。本发明能够为大体积混凝土结构提供“安全‑质量‑效率‑成本”均衡的冷却策略，可大幅降低时空全域安全评估的时间，可在确保结构安全的同时发挥材料性能优势，大幅提高冷却速率，降低冷却成本。

Description

大体积混凝土结构温控策略智能设计方法和装置
技术领域
本发明涉及混凝土温控及策略智能设计技术领域，尤其涉及一种大体积混凝土结构温控策略智能设计方法和装置。
背景技术
温度裂缝严重影响混凝土结构施工期与运行期安全，特别是对于大坝、核电站安全壳、桥墩、闸墩等大体积混凝土结构。后冷却系统是管理应力最有效的主动控制手段，温控策略直接决定大体积混凝土结构安全、材料质量、施工效率和工程成本。温度荷载下大体积混凝土结构致裂机理复杂。因此，设计温控策略需要考虑材料热力学性能、结构约束特性、施工过程、边界条件以及冷却系统的影响。然而，由于缺乏均衡的判别准则与多目标智能优化方法，传统冷却策略在安全、质量、效率和成本方面表现失衡。因此，亟需一种机理-数据双驱动的多目标智能优化方法，为工程提供“安全-效率-质量-成本”均衡的温控策略，进而实现大体积混凝土结构时-空温度应力的精准调控和管理，这对达到安全、高质、高效、经济的智能建造目标至关重要。
发明内容
有鉴于此，本发明提供一种大体积混凝土结构温控策略智能设计方法和装置，以解决上述提及的至少一个问题。
为了实现上述目的，本发明采用以下方案：
根据本发明的第一方面，提供一种大体积混凝土结构温控策略智能设计方法，所述方法包括：构建全过程温度应力仿真模型，来通过热力学耦合计算实现从浇注到温度稳定的全过程模拟，并基于破坏准则评估安全性，得到大体积混凝土结构在不同冷却策略影响下的时空温度应力分布规律；构建机理-数据双驱动代理模型来进行大体积混凝土结构的应力预测，并通过所述全过程温度应力仿真模型提供的训练数据集对所述构建机理-数据双驱动代理模型进行训练，使所述构建机理-数据双驱动代理模型的预测精度达到预设要求；构建多目标智能优化模型，来根据多目标函数和约束条件获得满足安全、质量、效率均衡的Pareto解集，所述Pareto解集为冷却策略的集合，其中所述多目标函数通过所述构建机理-数据双驱动代理模型输出的预测应力进行计算；构建多准则决策模型，考虑冷却系统成本特性，来从所述满足安全、质量、效率均衡的Pareto解集中获得最优冷却策略。
作为本发明的一个实施例，上述方法中通过热力学耦合计算实现从浇注到温度稳定的全过程模拟包括：通过热力学耦合计算实现从浇注到温度稳定的温度场模拟和应力场模拟，其中所述温度场模拟采用热传导理论计算，所述应力场模拟采用有限单元法分析；所述基于破坏准则评估安全性包括：采用最大拉应力准则计算来评估安全性。
作为本发明的一个实施例，上述方法中温度场模拟采用热传导理论计算包括：基于热传导、混凝土材料的水化放热机理和冷却水管的降温特性，采用热传导理论进行计算；所述应力场模拟采用有限单元法分析包括：基于大体积混凝土结构自重、温变、徐变特性的影响，采用有限单元法进行分析。
作为本发明的一个实施例，上述方法还包括：基于所述全过程温度应力仿真模型获得参数敏感性分析结果；所述构建机理-数据双驱动代理模型来进行大体积混凝土结构的应力预测，并通过所述全过程温度应力仿真模型提供的训练数据集对所述构建机理-数据双驱动代理模型进行训练，使所述构建机理-数据双驱动代理模型的预测精度达到预设要求包括：基于所述全过程温度应力仿真模型的时空温度应力分布规律以及所述参数敏感性分析结果筛选出输入特征；选择XGBoost作为训练算法，将所述输入特征作为机理-数据双驱动代理模型的输入，将结构响应作为输出；基于冷却系统性能参数范围正交化生成冷却策略，并通过所述全过程温度应力仿真模型计算构建训练数据集；基于所述训练数据集对所述机理-数据双驱动代理模型进行训练，使所述构建机理-数据双驱动代理模型的预测精度达到预设要求。
作为本发明的一个实施例，上述方法中输入特征包括：冷却策略、材料性能、结构约束效应和冷却时间，其中所述冷却策略包括冷却水管间距、通水温度和通水流量；所述材料性能包括残余水化热；所述结构约束效应包括高程指标； 所述结构响应包括：结构应力、温度和变形响应。
作为本发明的一个实施例，上述方法中所述多目标函数包括材料质量评估函数QEF和冷却效率评估函数EEF，所述约束条件包括结构安全约束和冷却系统性能约束；所述材料质量评估函数QEF以全部单元全过程的安全系数与设计安全系数的靠近程度评估材料质量利用效率；所述冷却效率评估函数EEF以全部单元冷却到稳定温度场的时间评估整体冷却效率；所述结构安全约束依据混凝土最大拉应力破坏准则排除违反结构安全约束的冷却策略；所述冷却系统性能约束依据冷却系统能力限制策略种群生成空间。
作为本发明的一个实施例，上述方法中构建多准则决策模型，考虑冷却系统成本特性，来从所述满足安全、质量、效率均衡的Pareto解集中获得最优冷却策略包括：将基于不同类型的决策指标正向化，并形成决策矩阵；将所述决策矩阵归一化，以便于不同类型决策指标的直接对比；根据决策指标类型确定最优和最劣指标，并求解正理想解和负理想解；计算每个候选解到理想解与负理想解的距离，根据所述距离计算出每个候选解与最优解的相似度；按照冷却成本综合指标进行排序，得到安全-质量-效率-成本均衡的最优策略及方案。
作为本发明的一个实施例，上述方法中决策指标包括极大指标、极小指标、区间型指标和中间型指标，所述极大指标是水管间距，所述极小指标是冷却水流量，所述区间型指标是冷却时间，所述中间型指标是冷却水温。
根据本发明的第二方面，提供一种大体积混凝土结构温控策略智能设计装置，所述装置包括：仿真模型构建单元，用于构建全过程温度应力仿真模型，来通过热力学耦合计算实现从浇注到温度稳定的全过程模拟，并基于破坏准则评估安全性，得到大体积混凝土结构在不同冷却策略影响下的时空温度应力分布规律；代理模型构建单元，用于构建机理-数据双驱动代理模型来进行大体积混凝土结构的应力预测，并通过所述全过程温度应力仿真模型提供的训练数据集对所述构建机理-数据双驱动代理模型进行训练，使所述构建机理-数据双驱动代理模型的预测精度达到预设要求；优化模型构建单元，用于构建多目标智能优化模型，来根据多目标函数和约束条件获得满足安全、质量、效率均衡的Pareto解集，所述Pareto解集为冷却策略的集合，其中所述多目标函数通过所述构建机理-数据双驱动代理模型输出的预测应力进行计算；决策模型构建单元，用于构建多准则决策模型，考虑冷却系统成本特性，来从所述满足安全、质量、效率均衡的Pareto解集中获得最优冷却策略。
作为本发明的一个实施例，上述装置中全过程温度应力仿真模型通过热力学耦合计算实现从浇注到温度稳定的全过程模拟包括：通过热力学耦合计算实现从浇注到温度稳定的温度场模拟和应力场模拟，其中所述温度场模拟采用热传导理论计算，所述应力场模拟采用有限单元法分析；所述基于破坏准则评估安全性包括：采用最大拉应力准则计算来评估安全性。
作为本发明的一个实施例，上述装置中温度场模拟采用热传导理论计算包括：基于热传导、混凝土材料的水化放热机理和冷却水管的降温特性，采用热传导理论进行计算；所述应力场模拟采用有限单元法分析包括：基于大体积混凝土结构自重、温变、徐变特性的影响，采用有限单元法进行分析。
作为本发明的一个实施例，上述装置还包括：敏感性分析单元，用于基于所述全过程温度应力仿真模型获得参数敏感性分析结果；上述代理模型构建单元具体包括：筛选模块，用于基于所述全过程温度应力仿真模型的时空温度应力分布规律以及所述参数敏感性分析结果筛选出输入特征；算法选择模块，用于选择XGBoost作为训练算法，将所述输入特征作为机理-数据双驱动代理模型的输入，将结构响应作为输出；训练集构建模块，用于基于冷却系统性能参数范围正交化生成冷却策略，并通过所述全过程温度应力仿真模型计算构建训练数据集；训练模块，用于基于所述训练数据集对所述机理-数据双驱动代理模型进行训练，使所述构建机理-数据双驱动代理模型的预测精度达到预设要求。
作为本发明的一个实施例，上述输入特征包括：冷却策略、材料性能、结构约束效应和冷却时间，其中所述冷却策略包括冷却水管间距、通水温度和通水流量；所述材料性能包括残余水化热；所述结构约束效应包括高程指标； 所述结构响应包括：结构应力、温度和变形响应。
作为本发明的一个实施例，上述多目标函数包括材料质量评估函数QEF和冷却效率评估函数EEF，所述约束条件包括结构安全约束和冷却系统性能约束；所述材料质量评估函数QEF以全部单元全过程的安全系数与设计安全系数的靠近程度评估材料质量利用效率；所述冷却效率评估函数EEF以全部单元冷却到稳定温度场的时间评估整体冷却效率；所述结构安全约束依据混凝土最大拉应力破坏准则排除违反结构安全约束的冷却策略；所述冷却系统性能约束依据冷却系统能力限制策略种群生成空间。
作为本发明的一个实施例，上述决策模型构建单元具体包括：决策矩阵生成模块，用于将基于不同类型的决策指标正向化，并形成决策矩阵；归一化模块，用于将所述决策矩阵归一化，以便于不同类型决策指标的直接对比；理想解求解模块，用于根据决策指标类型确定最优和最劣指标，并求解正理想解和负理想解；距离计算模块，用于计算每个候选解到理想解与负理想解的距离，根据所述距离计算出每个候选解与最优解的相似度；最优策略获取模块，用于按照冷却成本综合指标进行排序，得到安全-质量-效率-成本均衡的最优策略及方案。
作为本发明的一个实施例，上述决策指标包括极大指标、极小指标、区间型指标和中间型指标，所述极大指标是水管间距，所述极小指标是冷却水流量，所述区间型指标是冷却时间，所述中间型指标是冷却水温。
根据本发明的第三方面，提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，处理器执行所述计算机程序时实现上述方法的步骤。
根据本发明的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
由上述技术方案可知，本发明提供的大体积混凝土结构温控策略智能设计方法和装置，全过程温度应力仿真模型能够有效模拟不同冷却策略下的温度和应力演化过程，机理-数据双驱动代理模型的预测精度可以达到预设精度，其配合全过程温度应力仿真模型使得单个策略全域应力预测所需时间大幅降低，能够为目标智能优化模型提供快速评估依据。与传统策略对比，多准则决策模型输出的最后优化的温控策略可以使安全性和冷却效率都得到提高、冷却成本得以降低。
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的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1是本申请实施例提供的一种大体积混凝土结构温控策略智能设计方法的流程示意图；
图2是本申请实施例提供的全过程温度应力仿真模型的实现流程图；
图3是本申请实施例提供的机理-数据双驱动代理模型的实现流程图；
图4是本申请实施例提供的机理-数据双驱动代理模型构建的具体流程示意图；
图5是本申请实施例提供的多目标智能优化模型的实现流程图；
图6是本申请实施例提供的多准则决策模型构建的具体流程示意图；
图7是本申请实施例提供的多准则决策模型的实现流程图；
图8是本申请实施例提供的一种大体积混凝土结构温控策略智能设计装置的结构示意图；
图9是本申请实施例提供的决策模型构建单元的结构示意图；
图10是本申请实施例提供的电子设备的系统构成示意框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
大体积混凝土结构温控策略智能设计方法的目标在于准确、快速、高效的提供满足要求的冷却策略以实现时-空温度应力的管理。从工程角度而言，其目标可以分为三个层次，首先要确保结构安全性能，进而要发挥材料性能、提升施工效率，最后控制成本。因此，本申请实现的关键在于以下四个方面：首先，需要构建全过程温度应力仿真模型准确评估结构全生命周期安全性；第二，需要构建机理-数据双驱动代理模型准确、快速地评估冷却策略，为多目标智能优化模型提供支撑；第三，针对质量与效率的多目标优化问题，需要基于群智能算法构建多目标智能优化模型高效寻找潜在的非支配解集；最后，构建多准则决策模型，基于冷却系统成本特性指标评估冷却策略，获得最优的均衡策略。
如图1所示为本申请实施例提供的一种大体积混凝土结构温控策略智能设计方法的流程示意图，该方法包括如下步骤：
步骤S101：构建全过程温度应力仿真模型，来通过热力学耦合计算实现从浇注到温度稳定的全过程模拟，并基于破坏准则评估安全性，得到大体积混凝土结构在不同冷却策略影响下的时空温度应力分布规律。
随时间和空间变化的温度和应力是评价混凝土结构安全性的最重要指标。混凝土结构施工期温度应力由结构几何特性（SP）、材料热力学特性（MP）、混凝土浇注进度（PS）、冷却系统策略（CS）以及外界条件（BC）共同决定。复杂的大体积混凝土结构通常由多个浇注单元组成，由于混凝土水化放热多，导热性能差，每个浇注单元温度控制时间长达3个月甚至更多。因此，温度应力演化评估不仅需要考虑结构约束的复杂性、材料性能的非线性、冷却策略的时滞性以及不同单元的浇注顺序，还要考虑时间和空间的全局性。
因此，本申请通过热力学耦合计算实现从浇注到温度稳定的全过程模拟，并基于破坏准则评估安全性，进而得到大体积混凝土结构在不同冷却策略影响下的时空温度应力分布规律。
优选的，上述的通过热力学耦合计算实现从浇注到温度稳定的全过程模拟可以包括：通过热力学耦合计算实现从浇注到温度稳定的温度场模拟和应力场模拟，其中所述温度场模拟采用热传导理论计算，所述应力场模拟采用有限单元法分析；所述基于破坏准则评估安全性包括：采用最大拉应力准则计算来评估安全性。即本步骤具体可以通过图2所示的实现流程予以实现。
由图2可见，为了准确评估不同温控策略下的温度和应力响应，需要将工程结构的设计参数（包括几何模型、材料参数、初始条件和边界条件）和冷却系统参数（包括水管材质、水管间距、冷却水温、通水流量）考虑在内。
在全过程热力学耦合仿真计算方面，主要是温度场模拟计算和应力场模拟计算，其中温度场模拟计算主要是基于热传导、混凝土材料的水化放热机理和冷却水管的降温特性，采用热传导理论进行计算。应力场模拟计算主要是基于大体积混凝土结构自重、温变、徐变特性的影响，采用有限单元法进行分析。安全评估方面则是考虑混凝土强度与应力发展水平，基于最大应力破坏准则计算全过程安全系数，强度评估将温度和湿度影响下的等效龄期考虑在内，以便更加准确的评估安全性。施工方面主要考虑建造过程中的单元浇注顺序。
上述全过程温度应力仿真模型可以通过MSC.Marc软件以及Python开发自动化仿真计算与后处理程序，该程序可以依据冷却策略自主计算并输出时空应力和温度。自动化仿真程序可以为后续机理-数据双驱动代理模型提供训练数据集支撑。
步骤S102：构建机理-数据双驱动代理模型来进行大体积混凝土结构的应力预测，并通过所述全过程温度应力仿真模型提供的训练数据集对所述构建机理-数据双驱动代理模型进行训练，使所述构建机理-数据双驱动代理模型的预测精度达到预设要求。
机理-数据双驱动代理模型的目标在于建立关键因素与结构时空响应之间的关系，准确、快速评价不同冷却策略对结构时空应力的影响。因此，合理的输入特征、合适的算法、优质的训练数据集对于保证代理模型准确性与可解释性、提升代理模型训练效率至关重要。
该机理-数据双驱动代理模型的实现流程可以参见图3，由图3可见，本步骤具体可以包括如图4所示的子步骤：
步骤S1021：基于所述全过程温度应力仿真模型的时空温度应力分布规律以及所述参数敏感性分析结果筛选出输入特征。这里的参数敏感性分析结果也可以由前述全过程温度应力仿真模型获得。
优选的，这里的筛选出的输入特征可以包括冷却策略、材料性能、结构约束效应和冷却时间。从温度演化的角度分为冷却和放热。一方面，冷却系统是调控温度进而调整应力的核心，而冷却策略主要包括冷却水管的间距、通水温度和通水流量；另一方面，当边界条件稳定时，混凝土材料的水化放热量是唯一的热源，直接决定冷却策略的效果，因此可以将残余水化热作为评估材料性能的特征；此外，应力的演化在时间和空间上有显著的差异，因此，可以采用高程作为结构约束效应的特征。这里将冷却策略、材料性能、结构约束效应和冷却时间等机理筛选为输入特征，能够有效排除不重要的特征、降低输入特征维度、提升训练效率和预测精度。
有了上述输入特征，本步骤所构建的机理-数据双驱动代理模型可以通过下式（1）来表示：
上式中，表示为某个时间步某个高程的浇筑块应力水平，f xgb1 表示代理模型隐式函数，CS dis 表示冷却水管的间距，CS wt 表示通水温度，CS Q 表示通水水量，M rhh 表示残余水化热，S rd 表示结构空间约束，Time表示某个时间步某个高程浇筑块的温度。
步骤S1022：选择XGBoost作为训练算法，将所述输入特征作为机理-数据双驱动代理模型的输入，将结构响应作为输出。
鉴于多维的特征和全过程温度应力仿真模型规模庞大的数据量，传统的RBF、克里格模型、多项式响应面算法等在效率方面难以满足要求，本申请选择基于集成学习Boosting框架的XGBoost算法实现代理模型。如图3所示，这里机理-数据双驱动代理模型输出的结构响应可以包括结构应力、温度和变形响应。
步骤S1023：基于冷却系统性能参数范围正交化生成冷却策略，并通过所述全过程温度应力仿真模型计算构建训练数据集。
步骤S1024：基于所述训练数据集对所述机理-数据双驱动代理模型进行训练，使所述构建机理-数据双驱动代理模型的预测精度达到预设要求。
至于在训练过程中机理-数据双驱动代理模型的评估，则可以采用RMSE、MAE和R²，其中RMSE是平均平方根误差，用于测量预测值和实际值之间的平均距离。MAE测量预测值和实际值之间的平均绝对差异，它对离群值不太敏感。R²衡量模型与数据的拟合程度，并提供自变量解释的因变量变异比例的指示。
步骤S103：构建多目标智能优化模型，来根据多目标函数和约束条件获得满足安全、质量、效率均衡的Pareto解集，所述Pareto解集为冷却策略的集合，其中所述多目标函数通过所述构建机理-数据双驱动代理模型输出的预测应力进行计算。
多目标智能优化模型的目标是获取满足安全、质量、效率均衡的Pareto解集（即非劣最优解集）。因此根据约束条件、目标函数求解Pareto解集是解决多目标优化问题的关键。
首先，约束条件分为结构安全约束和冷却系统性能约束两种，其中结构安全约束是依据混凝土最大拉应力破坏准则排除违反结构安全约束的冷却策略，比如可以依据凝土破坏准则构建结构安全评估函数（SEF）来排除违反结构安全约束的冷却策略，通过考虑等效龄期的方式将温度历程对材料强度发展影响考虑在内。SEF公式如下式（2）所示：
上式中，CS dis 表示冷却水管的间距，CS wt 表示通水温度，CS Q 表示通水水量，M rhh 表示残余水化热，S rd 表示结构空间约束，Time表示某个时间步某个高程浇筑块的温度，k ij 为第i高程的浇筑块在j龄期的安全系数，其计算时调用机理-数据双驱动代理模型预测应力，通过最大拉应力准则计算安全系数；为第i高程浇筑块涉及要求的最低安全系数。
在计算过程中，通过SEF生成约束违反（CV）矩阵，基于可行性法则计算每个个体违反约束程度。当SEF<0时，则说明违反约束，SEF的值越小，违反约束的程度越高，因此在计算个体适应度时将约束矩阵参数传入调整适应度。这样做的目的是使违反约束的解在遗传选择过程中失去优势，最终被淘汰，进而确保了可行解均满足安全性要求。
冷却系统性能约束是依据冷却系统能力限制策略种群生成空间。冷却水管策略直接影响冷却效率：较小的间距可以带来更好的冷却性能，然而，较小的间距会增加施工难度和成本，通常间距根据结构特点和冷却效率进行选择，为了便于施工控制通常为整数；冷却水的温度也是影响冷却系统性能的一个重要因素，较低的水温可以提供更好的冷却性能，然而，给水制冷能耗极高，特别是在环境温度较高的情况下，能耗随温度降低非线性快速增长，但由于混凝土导热性差，因此降温速度增长较慢，因此冷却水温通常基于环境温度、目标温度、成本等共同确定；冷却水的流速是影响冷却性能的另一个关键参数，更高的流速可以提高冷却效率，然而，较高的流速会增加能耗和爆管的可能性，进而增加开裂风险和维修成本。
其次，目标函数可以包括材料质量评估函数（QEF）和冷却效率评估函数（EEF），其中QEF以全部单元全过程的安全系数与设计安全系数的靠近程度评估材料质量利用效率，QEF越小，则说明材料性能发挥的越充分。（对于大坝而言，通常由于结构不同部位约束程度不同，因而其设计安全系数也有所不同，安全系数则反映结构的安全储备，例如混凝土与基岩接近的强约束区域，安全要求高于脱离约束的区域）；而EEF以全部单元冷却到稳定温度场的时间评估整体冷却效率，总时间越低效率越高（不同浇筑单元由于边界条件的差异，相同冷却策略下到达稳定温度的时间有所差异，因此要将所有单元到达最终温度的时间考虑在内，以达到全局最优的目标）。优化的目标是最小化QEF和EEF。
因此，目标函数QEF可以通过下式（3）表示：
上式中，CS dis 表示冷却水管的间距，CS wt 表示通水温度，CS Q 表示通水水量，k ij 为第i高程的浇筑块在j龄期的安全系数，其计算时调用机理-数据双驱动代理模型预测应力，通过最大拉应力准则计算安全系数；为第i高程浇筑块涉及要求的最低安全系数。
目标函数EEF可以通过下式（4）表示：
上式中，CS dis 表示冷却水管的间距，CS wt 表示通水温度，CS Q 表示通水水量，为第i高程的浇筑块在冷却至目标温度的时间，可以通过调用机理-数据双驱动代理模型预测应力，并通过应力过程曲线达到最大应力的位置来计算/>。
目前，Pareto解集求解方法包括评价函数法、分层排序法等经典优化方法，以及进化算法、粒子群算法等智能优化算。其中，进化算法由于其全局搜索能力强、效率高、鲁棒性等诸多优点应用广泛，特别是NSGA2算法能够适应各类目标优化函数和约束条件，因此本申请基于NSGA2算法构建多目标智能优化模型，高效求解全局时空最优的冷却策略Pareto解集。如图5所示为多目标智能优化模型的实现流程图，由图5描述了 NSGA2算法的执行流程图，在此不再对其展开进行描述。
步骤S104：构建多准则决策模型，考虑冷却系统成本特性，来从所述满足安全、质量、效率均衡的Pareto解集中获得最优冷却策略。
本申请中多准则决策模型的目标在于根据冷却系统设计-运行成本特性，从满足安全-质量-效率的Pareto解集中选择最经济的方案。
优选的 ，如图6所示，本步骤具体可以包括如下子步骤：
步骤S1041：将基于不同类型的决策指标正向化，并形成决策矩阵。
这里的决策指标可以包括极大指标、极小指标、区间型指标和中间型指标。在实际工程中，水管间距是极大指标，水管间距越大成本越低，因为可以大量降低材料、人工、空间等成本，特别是对于大坝建设而言，在仓面上运输、存储、施工成本巨大。冷却水流量是极小指标，流量越小效益越高，因为大流量的冷却通水需要通过大功率水泵实现，会产生大量额外的能量消耗，特别是大坝建设过程中，受限于空间，通水系统需要克服大高差。冷却水温是中间型指标，由于冷却水温决定了冷却水管周围的温度梯度，一方面，如果水温过低导致温度梯度过大，会导致水管周围开裂风险增加，另一方面，冷却水管水温过高则影响降温的效率，另外，冷却水温控制需要大功率压缩机，正所周知，压缩机属于高能耗设备，需要支付高昂的降温费用，特别是如果外部环境温度远高于目标温度。冷却时间是区间型指标，一方面，冷却时间过长会导致成本增加，另一方面，冷却时间过短会导致混凝土水化放热还未完全结束，进而导致后期温度回升情况的产生，对结构产生不利影响，根据混凝土热力学特性，通常在28d龄期左右释放60~80%水化热，达到90d设计龄期时释放90%以上水化热，因此，冷却时间需要与混凝土材料设计强度达标时间一致，这里的冷却时间可以由上述机理-数据双驱动代理模型提供。
步骤S1042：将所述决策矩阵归一化，以便于不同类型决策指标的直接对比。
步骤S1043：根据决策指标类型确定最优和最劣指标，并求解正理想解和负理想解。
步骤S1044：计算每个候选解到理想解与负理想解的距离，根据所述距离计算出每个候选解与最优解的相似度。
步骤S1045：按照冷却成本综合指标进行排序，得到安全-质量-效率-成本均衡的最优策略及方案。
具体的，冷却成本综合指标可以按照下述公式（5）得到：
上式中，CCC i 为第i个方案与最优方案的接近程度，即为冷却成本综合指标，为第i个方案与正理想解的距离，/>为第i个方案与负理想解的距离，ωj为第j个指标所占权重，本实施例提供通用的评估方法，因此不同指标权重均相同ωj=1，因此公式中不做显示。
本多准则决策模型的实现流程可以参见图7所示，关于图7已经在上述步骤中进行了描述，在此就不再对其进行赘述了。
由上述技术方案可知，本发明提供的大体积混凝土结构温控策略智能设计方法，全过程温度应力仿真模型能够有效模拟不同冷却策略下的温度和应力演化过程，机理-数据双驱动代理模型的预测精度可以达到预设精度，其配合全过程温度应力仿真模型使得单个策略全域应力预测所需时间大幅降低，能够为目标智能优化模型提供快速评估依据。与传统策略对比，多准则决策模型输出的最后优化的温控策略可以使安全性和冷却效率都得到提高、冷却成本得以降低。
下面继续通过一具体的实施例来对上述方法进行进一步的说明。混凝土拱坝是典型的复杂大体积混凝土结构，拱坝由多个浇筑单元组成，每个浇筑单元高度通常为3m，宽度为20m，长度最长可达95m，每个单元混凝土浇筑量可达到4000m³，是典型的大体积混凝土结构，因此需要通过冷却通水系统控制温度，以防止温度裂缝产生。因此均衡的冷却策略对于保证安全、质量、效率与成本至关重要。本实施例以双坝段24个浇筑块的混凝土拱坝作为典型案例说明上述方法的实施过程。
（1）基于工程构建全过程温度应力仿真模型。
现场实际冷却过程分为四个步骤：首先根据冷却策略埋设PVC塑料制作的冷却水管，确保冷却水管间距符合标准；然后浇注混凝土，通常一个浇筑仓高度为3m，因此要铺设多层冷却水管，并为冷却水管配置冷却水机组；浇注完成后冷却通水系统根据设定的冷却策略控制混凝土单元的温度，直到混凝土单元达到目标温度；最后，通过控制每个浇筑单元的温度实现整体温度应力的控制。基于此，以拱坝工程典型河床坝段作为对象建立模型，开展均衡策略研究，其中每个坝段12个浇筑单元，每个浇筑仓的规格为20*80*3m，并绘制正六面体单元，结点数为9529、单元数为7680。
全过程温度应力仿真机理模型通过热力学耦合计算实现整个结构从浇注到温度稳定的全过程模拟，并基于破坏准则评估安全性，如图2所示。为了准确评估不同温控策略下的温度和应力响应，需要将工程结构的设计参数（包括结构特性、材料特性、建造特性和边界条件）和冷却系统参数考虑在内。多场耦合分析的关键在于温度场和力学场。温度场方面：主要考虑热传导、混凝土材料的水化放热机理和冷却水管的降温特性；力学场方面：主要考虑结构自重、温变、徐变特性的影响；安全评估方面，考虑混凝土强度与应力发展水平，基于最大应力破坏准则计算全过程安全系数，强度评估将温度和湿度影响下的等效龄期考虑在内，以便更加准确的评估安全性。施工方面主要考虑建造过程中的单元浇注顺序。最后通过MSC.Marc软件以及Python开发了自动化仿真计算与后处理程序，程序可以依据冷却策略自主计算并输出时空应力和温度，自动化仿真程序为代理模型提供数据集支撑。
其中，温度场模拟由热传导理论计算，混凝土的温度变化主要由水化放热和冷却系统共同决定；应力场模拟采用有限单元法分析；安全性能评估采用最大拉应力准则计算。
（2）构建机理-数据双驱动代理模型。
机理-数据双驱动代理模型的目标在于建立关键因素与结构时空响应之间的关系，准确、快速评价不同冷却策略对结构时空应力的影响。合理的特征、合适的算法、优质的数据集对于保证模型准确性与可解释性、提升训练效率至关重要。
1）、重要输入特征筛选
从温度演化的角度分为冷却和放热。一方面，冷却系统是调控温度进而调整应力的核心。冷却策略主要包括冷却水管的间距（CSdis）、通水温度（CSwt）、通水流量（CSQ）；另一方面，当边界条件稳定时，混凝土材料的水化放热量是唯一的热源，直接决定冷却策略的效果，因此将残余水化热（Mrhh）作为评估材料放热潜力的特征。此外，应力的演化在时间和空间上有显著的差异，因此，采用高程（Zlocation）作为约束度的表征指标。机理-数据双驱动代理模型可表示上述公式（1）。
2）、训练算法选择
选择XGBoost作为训练算法，基于机理模型敏感性分析评估、筛选重要特征作为输入，结构应力、温度、变形等响应作为结构输出。具体而言，材料水化特性、冷却策略特点、结构时空维度差异等机理筛选为输入特征，能够有效排除不重要的特征、降低输入特征维度、提升训练效率和预测精度。
3）、代理模型评估
代理模型的准确性、效率、以及可解释性对于评估结构安全至关重要。RMSE是平均平方根误差，用于测量预测值和实际值之间的平均距离。MAE测量预测值和实际值之间的平均绝对差异，它对离群值不太敏感。R²衡量模型与数据的拟合程度，并提供自变量解释的因变量变异比例的指示。
4）、训练数据集构建与模型训练
数据的质和量是确保模型准确性的关键，通过机理模型生成优质数据集非常关键。因此，我们基于工程中冷却系统性能参数范围（包括制冷机组的性能、水泵的可控性、水管间距等）正交化生成冷却策略，并通过全过程温度应力仿真模型计算构建训练数据集。
正交化生成的输入特征分为如下四类：
i）冷却策略生成考虑冷却系统的工作能力和现场施工方便程度，其中冷却水管间距（记为CSdis）选择0.5m/1.0m/1.5m；冷却水温（记为CSwt）范围为6-14℃，冷却流量(记为CSQ)取2~80m³/d。
ii）残余水化热（Mrhh）为时间相关项。
iii）结构约束效应与高程变化成正相关，采用高程（记为zlocation）作为约束度的表征指标，可以直接确定沿高程方向的应力变化，为全域应力评估提供可能性，能够有效提升代理模型的训练精度。
iiii）策略的时间效应（记为CStime）以坝块混凝土浇注为起点，用于评估温度和应力在时间上的响应。
通过基于python与TSSM开发自动化计算与后处理程序，获取如下两类输出参数：
i）结构应力响应（记为SR stress ）；
ii) 结构温度响应（记为SR temp ）。
根据上述区间正交化生成数据集，数据集包括2340260条样本数据。数据集中80%的数据作为训练集，20%的数据作为测试集，训练集上RMES为0.02134，验证集上RMES为0.02158，训练集和测试集上均有较好的一致性。验证集中40万样本绘制预测与实际数据散点图，R2达到99%，即应力预测精度达到99%，此时保存训练得到的机理-数据双驱动代理模型。
（3）构建多目标智能优化模型。
其中目标函数为如上述公式（3）和（4）所述的材料质量评估函数（QEF）和冷却效率评估函数（EEF）。约束条件为结构安全约束和冷却系统性能约束。具体的优化流程如上图5，包括初始化、评估、排名、拥挤距离分配、选择、变异和终止。首先，初始化步骤随机生成一个候选解决方案的初始群体；评估步骤通过，调用代理模型，计算每个候选方案的目标函数QEF、EEF，以及基于SEF的约束违反矩阵，来评估个体的适应度；排名步骤根据候选方案的非支配水平对其进行排名；拥挤距离分配步骤根据每个候选解的相邻解计算其拥挤距离；选择步骤根据它们的非支配水平和拥挤距离选择下一代的候选方案；变异步骤应用交叉、变异运算符来生成新的候选解决方案；终止步骤检查停机准则，如达到最大代数或目标函数值的收敛则停止。如果不符合标准，算法将返回到评估步骤；否则，它将返回帕累托最优解的集合。基于遗传算法的优化模型可以快速获得满足安全、质量、效率均衡的冷却策略。
（3）构建多准则决策模型。
多准则决策模型的目标在于根据冷却系统设计-运行成本特性，从满足安全-质量-效率的Pareto解集中选择最经济的方案。首先确定决策模型方法，其次选择成本效益评估指标，最后通过决策模型获取最优策略。
根据工程实际情况确定决策准则的最理想解。其中，水管间距是极大指标，水管间距越大成本越低。冷却水流量极小指标，流量越小效益越高，冷却流量超过一定阈值后冷却效率提升并不明显，但成本较高，因此合适的流量有助于节省成本。冷却水温是区中间指标，浇筑单元目标温度为13℃，冷却机组可以将水温控制在6-14℃之间，对工程而言，冷却水温在10℃左右最为经济。冷却时间是区间型指标，根据工程混凝土抗拉强度发展规律通常在50-60d龄期时，材料强度已经达到80%~90%。因此冷却时间控制在50-60d既能确保材料发挥材料性能（即达到90%强度时，应力水平也达到峰值），又能保证经济性。需要指出的是，冷却时间由代理模型提供。
基于成本的策略优选流程如图7所示：首先将基于不同类型的指标正向化，并形成决策矩阵；在此基础上将决策矩阵归一化，以便于不同类型指标的直接对比；根据指标类型确定最优和最劣指标，并求解正理想解和负理想解，接下来，计算每个候选解到理想解与负理想解的距离，根据计算距离计算出每个候选解与最优解的相似度；最后按照冷却成本综合进行排序，得到安全-质量-效率-成本均衡的最优策略及方案，具体来说，是依据上述公式(5)进行排序。
通过上述四个步骤，就上述拱坝实施例而言，其构建的全过程温度应力仿真模型能够有效模拟不同冷却策略下的温度和应力演化过程，机理-数据双驱动代理模型的预测精度达到99%，单个策略全域应力预测仅需要0.0032s，比全过程仿真模型快7000倍，能够为多目标智能优化模型提供快速评估依据。单个全过程仿真模型结果为817MB，如覆盖代理模型所含全部策略（理论上有无数种组合）则数据规模庞大，不便于存储和传输，预训练好的代理模型仅为11.8MB，可节省存储空间，便于未来在线实时优化。与传统策略对比，优化的温控策略使安全性提高了42%、冷却效率提高了36%、冷却成本降低了20.6%。
如图8所示为本申请实施例提供的一种大体积混凝土结构温控策略智能设计装置的结构示意图，该装置包括：仿真模型构建单元810、代理模型构建单元820、优化模型构建单元830和决策模型构建单元840，它们之间依次相连。
仿真模型构建单元810用于构建全过程温度应力仿真模型，来通过热力学耦合计算实现从浇注到温度稳定的全过程模拟，并基于破坏准则评估安全性，得到大体积混凝土结构在不同冷却策略影响下的时空温度应力分布规律。
代理模型构建单元820，用于构建机理-数据双驱动代理模型来进行大体积混凝土结构的应力预测，并通过所述全过程温度应力仿真模型提供的训练数据集对所述构建机理-数据双驱动代理模型进行训练，使所述构建机理-数据双驱动代理模型的预测精度达到预设要求。
优化模型构建单元830，用于构建多目标智能优化模型，来根据多目标函数和约束条件获得满足安全、质量、效率均衡的Pareto解集，所述Pareto解集为冷却策略的集合，其中所述多目标函数通过所述构建机理-数据双驱动代理模型输出的预测应力进行计算。
决策模型构建单元840，用于构建多准则决策模型，考虑冷却系统成本特性，来从所述满足安全、质量、效率均衡的Pareto解集中获得最优冷却策略。
优选的，上述装置中全过程温度应力仿真模型通过热力学耦合计算实现从浇注到温度稳定的全过程模拟包括：通过热力学耦合计算实现从浇注到温度稳定的温度场模拟和应力场模拟，其中所述温度场模拟采用热传导理论计算，所述应力场模拟采用有限单元法分析；所述基于破坏准则评估安全性包括：采用最大拉应力准则计算来评估安全性。
优选的，上述装置中温度场模拟采用热传导理论计算包括：基于热传导、混凝土材料的水化放热机理和冷却水管的降温特性，采用热传导理论进行计算；所述应力场模拟采用有限单元法分析包括：基于大体积混凝土结构自重、温变、徐变特性的影响，采用有限单元法进行分析。
优选的，上述装置还包括：敏感性分析单元，用于基于所述全过程温度应力仿真模型获得参数敏感性分析结果；上述代理模型构建单元具体包括：筛选模块，用于基于所述全过程温度应力仿真模型的时空温度应力分布规律以及所述参数敏感性分析结果筛选出输入特征；算法选择模块，用于选择XGBoost作为训练算法，将所述输入特征作为机理-数据双驱动代理模型的输入，将结构响应作为输出；训练集构建模块，用于基于冷却系统性能参数范围正交化生成冷却策略，并通过所述全过程温度应力仿真模型计算构建训练数据集；训练模块，用于基于所述训练数据集对所述机理-数据双驱动代理模型进行训练，使所述构建机理-数据双驱动代理模型的预测精度达到预设要求。
优选的，上述输入特征包括：冷却策略、材料性能、结构约束效应和冷却时间，其中所述冷却策略包括冷却水管间距、通水温度和通水流量；所述材料性能包括残余水化热；所述结构约束效应包括高程指标； 所述结构响应包括：结构应力、温度和变形响应。
优选的，上述多目标函数包括材料质量评估函数QEF和冷却效率评估函数EEF，所述约束条件包括结构安全约束和冷却系统性能约束；所述材料质量评估函数QEF以全部单元全过程的安全系数与设计安全系数的靠近程度评估材料质量利用效率；所述冷却效率评估函数EEF以全部单元冷却到稳定温度场的时间评估整体冷却效率；所述结构安全约束依据混凝土最大拉应力破坏准则排除违反结构安全约束的冷却策略；所述冷却系统性能约束依据冷却系统能力限制策略种群生成空间。
优选的，如图9所示，上述决策模型构建单元840具体包括：决策矩阵生成模块841，用于将基于不同类型的决策指标正向化，并形成决策矩阵；归一化模块842，用于将所述决策矩阵归一化，以便于不同类型决策指标的直接对比；理想解求解模块843，用于根据决策指标类型确定最优和最劣指标，并求解正理想解和负理想解；距离计算模块844，用于计算每个候选解到理想解与负理想解的距离，根据所述距离计算出每个候选解与最优解的相似度；最优策略获取模块845，用于按照冷却成本综合指标进行排序，得到安全-质量-效率-成本均衡的最优策略及方案。
优选的，上述决策指标包括极大指标、极小指标、区间型指标和中间型指标，所述极大指标是水管间距，所述极小指标是冷却水流量，所述区间型指标是冷却时间，所述中间型指标是冷却水温。
上述各个单元的详细描述可以参见前述方法实施例的相关描述，在此不再继续赘述。
由上述技术方案可知，本发明提供的大体积混凝土结构温控策略智能设计装置，全过程温度应力仿真模型能够有效模拟不同冷却策略下的温度和应力演化过程，机理-数据双驱动代理模型的预测精度可以达到预设精度，其配合全过程温度应力仿真模型使得单个策略全域应力预测所需时间大幅降低，能够为目标智能优化模型提供快速评估依据。与传统策略对比，多准则决策模型输出的最后优化的温控策略可以使安全性和冷却效率都得到提高、冷却成本得以降低。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时实现上述方法。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有执行上述方法的计算机程序。
如图10所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理器130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图10中所示的所有部件；此外，电子设备600还可以包括图10中没有示出的部件，可以参考现有技术。
如图10所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。
其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器140可以是固态存储器，例如，只读存储器（ROM）、随机存取存储器（RAM）、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141（有时被称为缓冲器）。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能（如消息传送应用、通讯录应用等）的各种驱动程序。
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块（发送机/接收机）110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块（发送机/接收机）110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施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 (10)

1.一种大体积混凝土结构温控策略智能设计方法，其特征在于，所述方法包括：
构建全过程温度应力仿真模型，来通过热力学耦合计算实现从浇注到温度稳定的全过程模拟，并基于破坏准则评估安全性，得到大体积混凝土结构在不同冷却策略影响下的时空温度应力分布规律；
构建机理-数据双驱动代理模型来进行大体积混凝土结构的应力预测，并通过所述全过程温度应力仿真模型提供的训练数据集对所述构建机理-数据双驱动代理模型进行训练，使所述构建机理-数据双驱动代理模型的预测精度达到预设要求；
构建多目标智能优化模型，来根据多目标函数和约束条件获得满足安全、质量、效率均衡的Pareto解集，所述Pareto解集为冷却策略的集合，其中所述多目标函数通过所述构建机理-数据双驱动代理模型输出的预测应力进行计算；
构建多准则决策模型，考虑冷却系统成本特性，来从所述满足安全、质量、效率均衡的Pareto解集中获得最优冷却策略。
2.如权利要求1所述的大体积混凝土结构温控策略智能设计方法，其特征在于，所述通过热力学耦合计算实现从浇注到温度稳定的全过程模拟包括：通过热力学耦合计算实现从浇注到温度稳定的温度场模拟和应力场模拟，其中所述温度场模拟采用热传导理论计算，所述应力场模拟采用有限单元法分析；所述基于破坏准则评估安全性包括：采用最大拉应力准则计算来评估安全性。
3.如权利要求2所述的大体积混凝土结构温控策略智能设计方法，其特征在于，
所述温度场模拟采用热传导理论计算包括：基于热传导、混凝土材料的水化放热机理和冷却水管的降温特性，采用热传导理论进行计算；
所述应力场模拟采用有限单元法分析包括：基于大体积混凝土结构自重、温变、徐变特性的影响，采用有限单元法进行分析。
4.如权利要求1所述的大体积混凝土结构温控策略智能设计方法，其特征在于，所述方法还包括：基于所述全过程温度应力仿真模型获得参数敏感性分析结果；
所述构建机理-数据双驱动代理模型来进行大体积混凝土结构的应力预测，并通过所述全过程温度应力仿真模型提供的训练数据集对所述构建机理-数据双驱动代理模型进行训练，使所述构建机理-数据双驱动代理模型的预测精度达到预设要求包括：
基于所述全过程温度应力仿真模型的时空温度应力分布规律以及所述参数敏感性分析结果筛选出输入特征；
选择XGBoost作为训练算法，将所述输入特征作为机理-数据双驱动代理模型的输入，将结构响应作为输出；
基于冷却系统性能参数范围正交化生成冷却策略，并通过所述全过程温度应力仿真模型计算构建训练数据集；
基于所述训练数据集对所述机理-数据双驱动代理模型进行训练，使所述构建机理-数据双驱动代理模型的预测精度达到预设要求。
5.如权利要求4所述的大体积混凝土结构温控策略智能设计方法，其特征在于，
所述输入特征包括：冷却策略、材料性能、结构约束效应和冷却时间，其中所述冷却策略包括冷却水管间距、通水温度和通水流量；所述材料性能包括残余水化热；所述结构约束效应包括高程指标；
所述结构响应包括：结构应力、温度和变形响应。
6.如权利要求1所述的大体积混凝土结构温控策略智能设计方法，其特征在于，
所述多目标函数包括材料质量评估函数QEF和冷却效率评估函数EEF，所述约束条件包括结构安全约束和冷却系统性能约束；
所述材料质量评估函数QEF以全部单元全过程的安全系数与设计安全系数的靠近程度评估材料质量利用效率；
所述冷却效率评估函数EEF以全部单元冷却到稳定温度场的时间评估整体冷却效率；
所述结构安全约束依据混凝土最大拉应力破坏准则排除违反结构安全约束的冷却策略；
所述冷却系统性能约束依据冷却系统能力限制策略种群生成空间。
7.如权利要求1所述的大体积混凝土结构温控策略智能设计方法，其特征在于，所述构建多准则决策模型，考虑冷却系统成本特性，来从所述满足安全、质量、效率均衡的Pareto解集中获得最优冷却策略包括：
将基于不同类型的决策指标正向化，并形成决策矩阵；
将所述决策矩阵归一化，以便于不同类型决策指标的直接对比；
根据决策指标类型确定最优和最劣指标，并求解正理想解和负理想解；
计算每个候选解到理想解与负理想解的距离，根据所述距离计算出每个候选解与最优解的相似度；
按照冷却成本综合指标进行排序，得到安全-质量-效率-成本均衡的最优策略及方案。
8.如权利要求7所述的大体积混凝土结构温控策略智能设计方法，其特征在于，所述决策指标包括极大指标、极小指标、区间型指标和中间型指标，所述极大指标是水管间距，所述极小指标是冷却水流量，所述区间型指标是冷却时间，所述中间型指标是冷却水温。
9.一种大体积混凝土结构温控策略智能设计装置，其特征在于，所述装置包括：
仿真模型构建单元，用于构建全过程温度应力仿真模型，来通过热力学耦合计算实现从浇注到温度稳定的全过程模拟，并基于破坏准则评估安全性，得到大体积混凝土结构在不同冷却策略影响下的时空温度应力分布规律；
代理模型构建单元，用于构建机理-数据双驱动代理模型来进行大体积混凝土结构的应力预测，并通过所述全过程温度应力仿真模型提供的训练数据集对所述构建机理-数据双驱动代理模型进行训练，使所述构建机理-数据双驱动代理模型的预测精度达到预设要求；
优化模型构建单元，用于构建多目标智能优化模型，来根据多目标函数和约束条件获得满足安全、质量、效率均衡的Pareto解集，所述Pareto解集为冷却策略的集合，其中所述多目标函数通过所述构建机理-数据双驱动代理模型输出的预测应力进行计算；
决策模型构建单元，用于构建多准则决策模型，考虑冷却系统成本特性，来从所述满足安全、质量、效率均衡的Pareto解集中获得最优冷却策略。
10.一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8任一项所述方法的步骤。
CN202310849954.9A 2023-07-12 2023-07-12 大体积混凝土结构温控策略智能设计方法和装置 Active CN116579069B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310849954.9A CN116579069B (zh) 2023-07-12 2023-07-12 大体积混凝土结构温控策略智能设计方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310849954.9A CN116579069B (zh) 2023-07-12 2023-07-12 大体积混凝土结构温控策略智能设计方法和装置

Publications (2)

Publication Number Publication Date
CN116579069A true CN116579069A (zh) 2023-08-11
CN116579069B CN116579069B (zh) 2023-09-19

Family

ID=87545707

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310849954.9A Active CN116579069B (zh) 2023-07-12 2023-07-12 大体积混凝土结构温控策略智能设计方法和装置

Country Status (1)

Country Link
CN (1) CN116579069B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102852145A (zh) * 2012-08-14 2013-01-02 清华大学 在建大坝混凝土智能温度控制方法及系统
CN102852146A (zh) * 2012-08-21 2013-01-02 清华大学 大体积混凝土实时在线个性化换热智能温度控制系统
CN109992900A (zh) * 2019-04-08 2019-07-09 清华大学 一种大体积混凝土多场实时在线协同智能仿真方法和系统
CN110069509A (zh) * 2019-04-03 2019-07-30 中清控(武汉)科技有限公司 全周期多维度智能温控信息处理系统和方法
CN112965376A (zh) * 2021-02-03 2021-06-15 清华大学 一种拱坝温度应力与横缝工作性态的智能控制方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102852145A (zh) * 2012-08-14 2013-01-02 清华大学 在建大坝混凝土智能温度控制方法及系统
CN102852146A (zh) * 2012-08-21 2013-01-02 清华大学 大体积混凝土实时在线个性化换热智能温度控制系统
CN110069509A (zh) * 2019-04-03 2019-07-30 中清控(武汉)科技有限公司 全周期多维度智能温控信息处理系统和方法
CN109992900A (zh) * 2019-04-08 2019-07-09 清华大学 一种大体积混凝土多场实时在线协同智能仿真方法和系统
CN112965376A (zh) * 2021-02-03 2021-06-15 清华大学 一种拱坝温度应力与横缝工作性态的智能控制方法及装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
HE ZHU 等: "Concrete thermal failure criteria, test method, and mechanism: A review", CONSTRUCTION AND BUILDING MATERIALS *
HE ZHU 等: "Restrained cracking failure behavior of concrete due to temperature and shrinkage", CONSTRUCTION AND BUILDING MATERIALS *
XIAOFENG GAO 等: "Modelling the Strength and Fracture Parameters of Dam Gallery Concrete Considering Ambient Temperature and Humidity", BUILDINGS *
张庆龙 等: "大体积混凝土结构温度应力智能控制理论", 水力发电学报, pages 1 *
文豪;王高峰;侯章伟;: "基于MATLAB和ANSYS的大体积混凝土水化热效应分析", 内蒙古公路与运输, no. 03 *
马睿 等: "大坝机理-数据融合模型的基本结构与特征", 水力发电学报, pages 0 - 2 *

Also Published As

Publication number Publication date
CN116579069B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
Seghir et al. A hybrid approach using genetic and fruit fly optimization algorithms for QoS-aware cloud service composition
Jakobsson et al. A method for simulation based optimization using radial basis functions
EP3955204A1 (en) Data processing method and apparatus, electronic device and storage medium
Guo et al. Multi-objective optimization of the proposed multi-reservoir operating policy using improved NSPSO
CN110046434B (zh) 基于高斯过程回归和遗传算法的机械零件可靠性设计方法
Zhang et al. Inverse transient radiation analysis in one-dimensional participating slab using improved Ant Colony Optimization algorithms
Gao et al. Forecasting annual natural gas consumption via the application of a novel hybrid model
Dehghannasiri et al. Efficient experimental design for uncertainty reduction in gene regulatory networks
CN110598929A (zh) 一种风电功率非参数概率区间超短期预测方法
Aminian et al. A robust predictive model for base shear of steel frame structures using a hybrid genetic programming and simulated annealing method
CN113935235A (zh) 基于遗传算法和代理模型的工程设计优化方法及装置
Askari et al. A new evolving compact optimised Takagi–Sugeno fuzzy model and its application to nonlinear system identification
CN114817571B (zh) 基于动态知识图谱的成果被引用量预测方法、介质及设备
CN113821983A (zh) 基于代理模型的工程设计优化方法、装置及电子设备
CN111126707B (zh) 能耗方程构建、能耗预测方法与装置
Lu et al. Adaptive online data-driven closed-loop parameter control strategy for swarm intelligence algorithm
Gilan et al. Sustainable building design: A challenge at the intersection of machine learning and design optimization
Yan et al. Leader recommend operators selection strategy for a multiobjective evolutionary algorithm based on decomposition
Wu et al. Use of a multi-objective correlation index to analyze the power generation, water supply and ecological flow mutual feedback relationship of a reservoir
Ruxue et al. Load forecasting based on weighted grey relational degree and improved ABC-SVM
Gandomi et al. An innovative approach for modeling of hysteretic energy demand in steel moment resisting frames
Li et al. Improved LSTM-based prediction method for highly variable workload and resources in clouds
CN116579069B (zh) 大体积混凝土结构温控策略智能设计方法和装置
Huang et al. Pareto approach for DEA cross efficiency evaluation based on interval programming
Fiosina et al. Polymer reaction engineering meets explainable machine learning

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