CN116842620B - 一种钢筋混凝土桥梁裂缝的智能预测方法及系统 - Google Patents
一种钢筋混凝土桥梁裂缝的智能预测方法及系统 Download PDFInfo
- Publication number
- CN116842620B CN116842620B CN202310838796.7A CN202310838796A CN116842620B CN 116842620 B CN116842620 B CN 116842620B CN 202310838796 A CN202310838796 A CN 202310838796A CN 116842620 B CN116842620 B CN 116842620B
- Authority
- CN
- China
- Prior art keywords
- prediction
- crack
- bridge
- channel
- cracks
- 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
- 239000011150 reinforced concrete Substances 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000004088 simulation Methods 0.000 claims abstract description 30
- 238000010276 construction Methods 0.000 claims abstract description 18
- 230000008859 change Effects 0.000 claims description 68
- 238000013507 mapping Methods 0.000 claims description 55
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000012512 characterization method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 claims description 5
- 230000009977 dual effect Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 239000011513 prestressed concrete Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 239000004567 concrete Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000013506 data mapping Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 1
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
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]
- G06F30/20—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
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)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明提供了一种钢筋混凝土桥梁裂缝的智能预测方法及系统，涉及数据处理技术领域，方法包括：连接仿真系统利用第一目标桥梁的构造参数对第一目标桥梁进行建模，输出第一桥梁仿真模型进行仿真，收集桥梁样本图像集合进行模型训练，输出裂缝预测双通道模型，根据图像采集装置对第一目标桥梁进行图像采集，获取实时裂缝图像集合，将实时裂缝图像集合和预设目标周期输入裂缝预测双通道模型，输出风险预测结果，本发明解决了现有技术中缺乏对钢筋混凝土桥梁裂缝的变化特征进行识别，导致对钢筋混凝土的桥梁裂缝预测效果不佳的技术问题，实现了对钢筋混凝土桥梁裂缝的变化特征进行精准识别，进而提高对钢筋混凝土的桥梁裂缝预测效果。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种钢筋混凝土桥梁裂缝的智能预测方法及系统。
背景技术
桥梁作为跨越天堑、连接两地的重要建筑物，在社会生产生活中发挥了相当重要的作用。预应力混凝土结构作为桥梁的物质构成部分，随着时间的流逝，在交通荷载的不断作用下，其结构耐久性、安全性都会产生一定程度的下降。产生诸如破损、裂缝的病害现象，在实际的工程实践中，预应力结构时有出现竖向、横向裂缝，而裂缝会使空气中的水分、二氧化碳、氯离子等更容易进入混凝土内部并导致其中的钢筋发生锈蚀现象，从而降低桥梁结构的承载能力，如不及时处理和预防，会全面影响路桥工程的整体质量及使用寿命。如今现有技术中缺乏对预应力混凝土桥梁裂缝的变化特征进行识别，导致对预应力结构的桥梁裂缝预测效果不佳的技术问题。
发明内容
本申请提供了一种钢筋混凝土桥梁裂缝的智能预测方法及系统，用于针对解决现有技术中存在的缺乏对钢筋混凝土桥梁裂缝的变化特征进行识别，导致对钢筋混凝土的桥梁裂缝预测效果不佳的技术问题。
鉴于上述问题，本申请提供了一种钢筋混凝土桥梁裂缝的智能预测方法及系统。
第一方面，本申请提供了一种钢筋混凝土桥梁裂缝的智能预测方法，所述方法包括：获取第一目标桥梁的构造参数，连接仿真系统，利用所述构造参数对所述第一目标桥梁进行建模，输出第一桥梁仿真模型；以所述第一桥梁仿真模型进行仿真，收集桥梁样本图像集合，其中，所述桥梁样本图像集合包括裂缝变化图像，以及裂缝变化图像对应的空间坐标；根据所述桥梁样本图像集合进行模型训练，输出裂缝预测双通道模型，其中，所述裂缝预测双通道模型包括独立预测通道和交叉预测通道，所述独立预测通道用于对独立空间裂缝进行风险预测，所述交叉预测通道用于对交叉空间裂缝进行风险预测；根据图像采集装置对所述第一目标桥梁进行图像采集，获取实时裂缝图像集合；将所述实时裂缝图像集合和预设目标周期输入所述裂缝预测双通道模型，输出风险预测结果。
第二方面，本申请提供了一种钢筋混凝土桥梁裂缝的智能预测系统，所述系统包括：第一输出模块，所述第一输出模块用于获取第一目标桥梁的构造参数，连接仿真系统，利用所述构造参数对所述第一目标桥梁进行建模，输出第一桥梁仿真模型；仿真模块，所述仿真模块用于以所述第一桥梁仿真模型进行仿真，收集桥梁样本图像集合，其中，所述桥梁样本图像集合包括裂缝变化图像，以及裂缝变化图像对应的空间坐标；模型训练模块，所述模型训练模块用于根据所述桥梁样本图像集合进行模型训练，输出裂缝预测双通道模型，其中，所述裂缝预测双通道模型包括独立预测通道和交叉预测通道，所述独立预测通道用于对独立空间裂缝进行风险预测，所述交叉预测通道用于对交叉空间裂缝进行风险预测；图像采集模块，所述图像采集模块用于根据图像采集装置对所述第一目标桥梁进行图像采集，获取实时裂缝图像集合；第二输出模块，所述第二输出模块用于将所述实时裂缝图像集合和预设目标周期输入所述裂缝预测双通道模型，输出风险预测结果。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请提供的一种钢筋混凝土桥梁裂缝的智能预测方法及系统，涉及数据处理技术领域，解决了现有技术中缺乏对钢筋混凝土桥梁裂缝的变化特征进行识别，导致对钢筋混凝土的桥梁裂缝预测效果不佳的技术问题，实现了对钢筋混凝土桥梁裂缝的变化特征进行精准识别，进而提高对钢筋混凝土的桥梁裂缝预测效果。
附图说明
图1为本申请提供了一种钢筋混凝土桥梁裂缝的智能预测方法流程示意图；
图2为本申请提供了一种钢筋混凝土桥梁裂缝的智能预测方法中输出裂缝预测双通道模型流程示意图；
图3为本申请提供了一种钢筋混凝土桥梁裂缝的智能预测方法中输出风险预测结果流程示意图；
图4为本申请提供了一种钢筋混凝土桥梁裂缝的智能预测系统结构示意图。
附图标记说明：第一输出模块1，仿真模块2，模型训练模块3，图像采集模块4，第二输出模块5。
具体实施方式
本申请通过提供一种钢筋混凝土桥梁裂缝的智能预测方法及系统，用于解决现有技术中缺乏对钢筋混凝土桥梁裂缝的变化特征进行识别，导致对钢筋混凝土的桥梁裂缝预测效果不佳的技术问题。
实施例一
如图1所示，本申请实施例提供了一种钢筋混凝土桥梁裂缝的智能预测方法，该方法包括：
步骤S100：获取第一目标桥梁的构造参数，连接仿真系统，利用所述构造参数对所述第一目标桥梁进行建模，输出第一桥梁仿真模型；
具体而言，本申请实施例提供的一种钢筋混凝土桥梁裂缝的智能预测方法应用于一种钢筋混凝土桥梁裂缝的智能预测系统，为保证后期对钢筋混凝土桥梁裂缝进行预测的准确性，因此需要对第一目标桥梁的构造参数进行提取，第一目标桥梁是指任意选取的一个预应力混凝土桥梁上部结构梁体作为预测对象，第一桥梁的构造参数可以包含桥梁上部结构梁体的几何尺寸、材料参数、配筋情况、边界条件等。
进一步的，通过将系统与仿真系统进行通信连接，并利用第一目标桥梁的构造参数对第一目标桥梁进行建模，是指根据仿真系统对第一目标桥梁进行分析的目的，通过有限元软件建模分析结构整体受力情况，如通过Abaqus建立预应力混凝土结构模型，在模型中模拟裂缝，并判断其发展趋势、发展状况等，在分析第一目标桥梁构造参数各要素性质及其相互关系的基础上，建立能描述钢筋混凝土桥梁结构或行为过程的、且具有一定逻辑关系或数量关系的仿真模型，据此进行试验或定量分析，以获得正确决策所需的各种信息，在此基础上对第一桥梁仿真模型进行输出，为后期实现对钢筋混凝土桥梁裂缝进行智能预测作为重要参考依据。
步骤S200：以所述第一桥梁仿真模型进行仿真，收集桥梁样本图像集合，其中，所述桥梁样本图像集合包括裂缝变化图像，以及裂缝变化图像对应的空间坐标；
具体而言，通过第一桥梁仿真模型对第一目标桥梁进行仿真，是指通过第一桥梁仿真模型在计算机中运行，代替第一目标桥梁的实物，并对所仿真出的第一目标桥梁在运行过程中的图像进行采集，同时假设第一目标桥梁在运行过程中出现裂缝，进一步的，对第一目标桥梁在运行过程中所出现的裂缝变化进行记录，对桥梁样本图像集合进行获取，桥梁样本图像集合中包含第一目标桥梁中的裂缝变化图像，并在桥梁样本图像集合中的每一个桥梁样本图像中构建空间坐标系，对具有裂缝变化图像的桥梁样本图像中的裂缝在空间坐标系中进行坐标标识，由此获取裂缝变化图像对应的空间坐标，进而为实现对钢筋混凝土桥梁裂缝进行智能预测做保障。
步骤S300：根据所述桥梁样本图像集合进行模型训练，输出裂缝预测双通道模型，其中，所述裂缝预测双通道模型包括独立预测通道和交叉预测通道，所述独立预测通道用于对独立空间裂缝进行风险预测，所述交叉预测通道用于对交叉空间裂缝进行风险预测；
进一步而言，如图2所示，本申请步骤S300还包括：
步骤S310：基于所述裂缝变化图像和所述裂缝变化图像对应的空间坐标进行映射，得到裂缝-坐标映射数据集；
步骤S320：搭建全连接的神经网络，利用所述神经网络对所述裂缝-坐标映射数据集进行训练，当训练至收敛时，输出训练好的初始裂缝预测模型；
步骤S330：根据所述初始裂缝预测模型，输出预测变化图像，以及所述预测变化图像对应的空间坐标；
步骤S340：根据预测变化图像，以及所述预测变化图像对应的空间坐标进行映射，得到裂缝-坐标预测数据集；
步骤S350：根据所述裂缝-坐标映射数据集和所述裂缝-坐标预测数据集进行训练，输出裂缝预测双通道模型。
具体而言，以桥梁样本图像集合作为基础数据进行模型训练，是指在桥梁样本图像集合中的裂缝变化图像和裂缝变化图像对应的空间坐标的基础上进行数据映射，裂缝变化图像和裂缝变化图像对应的空间坐标的映射关系可以是当裂缝变化图像与裂缝变化图像对应的空间坐标具有映射关系，在裂缝变化图像中取一值，裂缝变化图像对应的空间坐标有且只有一个值与之对应，而在裂缝变化图像对应的空间坐标中取一值，裂缝变化图像可以有多个值对应，从而对裂缝-坐标映射数据集进行获取，进一步的，搭建全连接的神经网络，利用神经网络对裂缝-坐标映射数据集进行训练，初始裂缝预测模型的模型处理流程包括：
搭建全连接神经网络，利用全连接神经网络对裂缝-坐标映射数据集进行训练，其全连接神经网络是指一种多层的感知机结构的神经网络，进一步对初始裂缝预测模型进行构建，其中，全连接神经网络的输入数据可以是裂缝变化图像和裂缝变化图像对应的空间坐标，且全连接神经网络的每一层的每一个节点都与上下层节点全部连接,在初始裂缝预测模型中包含输入层、隐藏层、输出层，输入层是用于数据输入的层级，隐藏层是用于更好的对数据特征进行分离，输出层是用于结果输出的层级，初始裂缝预测模型通过训练数据集和监督数据集训练获得，其中，训练数据集中的每组训练数据均包括裂缝-坐标映射数据集，监督数据集为与训练数据集一一对应的监督数据。
进一步的，将训练数据集中每一组训练数据输入初始裂缝预测模型，通过这组训练数据对应的监督数据进行初始裂缝预测模型的输出监督调整，当初始裂缝预测模型的输出结果与监督数据一致，则当前组训练结束，将训练数据集中全部的训练数据均训练结束，则全连接神经网络训练完成。
为了保证初始裂缝预测模型的收敛以及准确性，其收敛过程可以是初始裂缝预测模型中的输出数据会聚于一点时，向某一个值靠近则为收敛，其准确性可以通过测试数据集进行初始裂缝预测模型的测试处理，举例而言，测试准确率可以设定为80％，当测试数据集的测试准确率满足80％时，则初始裂缝预测模型构建完成，当初始裂缝预测模型训练至收敛时输出预测变化图像，以及预测变化图像对应的空间坐标。
所输出的预测变化图像是指对第一目标桥梁当前所具有的裂缝在未来所发展的情况进行预测，预测变化图像对应的空间坐标是根据在预测变化图像中裂缝变化情况在空间坐标系所对应的位置进行确定的，进一步的，在预测变化图像，以及预测变化图像对应的空间坐标的基础上进行数据映射，预测变化图像，以及预测变化图像对应的空间坐标的映射关系可以是当预测变化图像与预测变化图像对应的空间坐标具有映射关系，在预测变化图像中取一值，预测变化图像对应的空间坐标有且只有一个值与之对应，而在预测变化图像对应的空间坐标中取一值，预测变化图像可以有多个值对应，从而对裂缝-坐标预测数据集进行获取，
进一步的，根据裂缝-坐标映射数据集和裂缝-坐标预测数据集进行训练，通过对裂缝-坐标映射数据集与裂缝-坐标预测数据集中的裂缝走向进行判定，可以将裂缝-坐标映射数据集与裂缝-坐标预测数据集中的裂缝分为纵向裂缝、横向裂缝，同时根据所获桥梁纵向裂缝、桥梁横向裂缝分别进行独立风险预测以及交叉风险预测，独立风险预测是指任意一处裂缝仅存在一种方向的一条裂缝对第一目标桥梁所造成的风险进行预测，交叉风险预测是指任意一处裂缝存在至少两条相交的裂缝对第一目标桥梁所造成的风险进行交叉连横风险的预测，根据独立风险预测建立独立预测通道，独立预测通道用于对独立空间裂缝进行风险预测，根据交叉风险预测建立交叉预测通道，交叉预测通道用于对交叉空间裂缝进行风险预测，以构建完成的独立预测通道和交叉预测通道作为预测通道，对裂缝预测双通道模型进行输出，为后续实现对钢筋混凝土桥梁裂缝进行智能预测夯实基础。
进一步而言，本申请步骤S350包括：
步骤S351：当所述裂缝-坐标映射数据集与所述裂缝-坐标预测数据集中的坐标交叉时，对数据进行交叉标识，输出标识裂缝-坐标映射数据集，和标识裂缝-坐标预测数据集；
步骤S352：以所述标识裂缝-坐标映射数据集，和所述标识裂缝-坐标预测数据集作为训练数据，训练所述裂缝预测双通道模型的交叉预测通道。
具体而言，为提高对第一目标桥梁中存在任意一处裂缝存在至少两条相交的裂缝对第一目标桥梁所造成的风险进行交叉连横风险的预测的准确性，因此需要对裂缝预测双通道模型的交叉预测通道进行训练，是指对裂缝-坐标映射数据集中的裂缝坐标与裂缝-坐标预测数据集中的裂缝预测坐标进行坐标点匹配时，存在裂缝-坐标映射数据集中的裂缝坐标与裂缝-坐标预测数据集中的裂缝预测坐标交叉时，对数据中的重合的坐标进行交叉标识，将裂缝-坐标映射数据集中存在交叉标识的裂缝坐标整合记作标识裂缝-坐标映射数据集，再将裂缝坐标与裂缝-坐标预测数据集中存在交叉标识的裂缝坐标整合记作标识裂缝-坐标预测数据集。
进一步的，以标识裂缝-坐标映射数据集，和标识裂缝-坐标预测数据集作为训练数据，通过如下表达式对裂缝预测双通道模型的交叉预测通道进行计算：
其中，P'(xi,yi)表征交叉预测通道的风险；M表征交叉裂缝图像个数；p'(εi,xi,yi)表征基于第i个交叉裂缝图像关于横向裂缝与纵向裂缝(xi,yi)交叉对应的风险指数；ρ(xi,yi)表征基于横向裂缝与纵向裂缝的交叉相关系数。
是指通过在标识裂缝-坐标映射数据集，和标识裂缝-坐标预测数据集中任意选取一个交叉裂缝图像关于横向裂缝的交叉风险指数乘以基于横向裂缝与纵向裂缝的交叉相关系数的数据除以交叉裂缝图像个数，由此对交叉预测通道的风险进行获取，在此基础上，完成对裂缝预测双通道模型的交叉预测通道的训练，实现对钢筋混凝土桥梁裂缝进行智能预测有着交叉裂缝风险预测的作用。
进一步而言，本申请步骤S350包括：
步骤S353：将所述裂缝-坐标映射数据集和所述裂缝-坐标预测数据集中除所述标识裂缝-坐标映射数据集，和所述标识裂缝-坐标预测数据集以外的剩余数据集作为训练数据，训练所述裂缝预测双通道模型的独立预测通道，其中，所述独立预测通道包括横向裂缝的独立预测子通道，纵向裂缝的独立预测子通道。
具体而言，为提高对第一目标桥梁中存在任意一处裂缝仅存在一种方向的一条裂缝对第一目标桥梁所造成的风险进行预测的准确性，因此需要对裂缝预测双通道模型的独立预测通道进行训练，是指将裂缝-坐标映射数据集和裂缝-坐标预测数据集中将上述存在交叉标识的裂缝-坐标映射数据集以及交叉标识裂缝-坐标预测数据集进行数据剥离，将未标识的裂缝-坐标映射数据集以及未标识裂缝-坐标预测数据集从裂缝-坐标映射数据集和裂缝-坐标预测数据集中分离出来，进一步的，并将其作为训练数据，训练裂缝预测双通道模型的独立预测通道，通过如下表达式对裂缝预测双通道模型的独立预测通道进行计算：
裂缝预测双通道模型的独立预测通道的表达式为：
其中，P(xi,yi)表征独立预测通道的风险；N表征独立裂缝图像个数，且n1+n2＝N；
μ1表征所述独立预测通道中横向裂缝xi的独立系数；μ2表征所述独立预测通道中纵向裂缝yi的独立系数，且μ1与μ2的和为1；
p(xi,εi)表征基于横向裂缝xi对应的风险指数；p(yi,εi,)表征基于纵向裂缝yi对应的风险指数。
在独立预测通道包括横向裂缝的独立预测子通道，纵向裂缝的独立预测子通道，因此通过如上表达式中横向裂缝xi对应的风险指数与独立预测通道中横向裂缝xi的独立系数的乘积，与纵向裂缝yi对应的风险指数与独立预测通道中纵向裂缝yi的独立系数的乘积进行加和后获取独立预测通道的风险，在此基础上完成对裂缝预测双通道模型的独立预测通道的训练，实现对钢筋混凝土桥梁裂缝进行智能预测有着独立裂缝风险预测的作用。
步骤S400：根据图像采集装置对所述第一目标桥梁进行图像采集，获取实时裂缝图像集合；
具体而言，为使得对第一目标桥梁所存在裂缝的风险进行更为精准的预测，首先通过图像采集装置对第一目标桥梁进行实时的图像采集，是指对第一目标桥梁的实体图像进行实时采集，通过对第一目标桥梁根据桥梁结构划分为多个区域，并根据所划分出的区域对第一目标桥梁的稳定性的影响程度对图像采集装置进行布设，即影响程度越高则图像采集装置布设就越多，对第一目标桥梁影响程度大的区域进行重点布设，使得当对第一目标桥梁影响程度大的区域出现裂缝时，能够精准的对裂缝位置以及裂缝状态进行捕捉，从而达到能够更好的对第一目标桥梁所存在的裂缝进行采集汇总，从而获得第一目标桥梁的实时裂缝图像集合，以便为后期对钢筋混凝土桥梁裂缝进行智能预测时作为参照数据。
步骤S500：将所述实时裂缝图像集合和预设目标周期输入所述裂缝预测双通道模型，输出风险预测结果。
进一步而言，如图3所示，本申请步骤S500还包括：
步骤S510：根据所述裂缝预测双通道模型，获取基于所述预设目标周期下的第一风险指数和第二风险指数，其中，所述第一风险指数为独立空间裂缝进行风险预测的结果，所述第二风险指数为交叉空间裂缝进行风险预测的结果；
步骤S520：对所述第一风险指数和所述第二风险指数进行权重计算，输出所述风险预测结果。
具体而言，由于当第一目标桥梁存在裂缝时，则需要对所存在的裂缝进行风险判定，并同时对目标周期进行预设，其中，预设目标周期由相关技术人员根据裂缝发展周期的数据量进行预设，进一步的，将上述所采集的实时裂缝图像集合与预设目标周期输入至裂缝预测双通道模型中，并根据裂缝预测双通道模型对在预设目标周期下实时裂缝图像集合中的第一风险指数和第二风险指数进行获取，其中，第一风险指数为独立空间裂缝进行风险预测的结果，第二风险指数为交叉空间裂缝进行风险预测的结果，并对第一风险指数和所述第二风险指数进行权重计算，权重计算需要基于大量的数据汇总以及精确确定权重后再进行针对性计算，示例性的，第一风险指数和第二风险指数的权重占比可以为第一影响系数：第二影响系数为3:7，则权重计算过程后的影响参数分别为第一影响参数*0.3，第二影响参数*0.7，根据该权重计算结果获得风险预测的最终值，并对风险预测结果进行输出，提高后期实现对钢筋混凝土桥梁裂缝进行智能预测的准确率。
综上所述，本申请实施例提供的一种钢筋混凝土桥梁裂缝的智能预测方法，至少包括如下技术效果，实现了对钢筋混凝土桥梁裂缝的变化特征进行精准识别，进而提高对钢筋混凝土的桥梁裂缝预测效果。
实施例二
基于与前述实施例中一种钢筋混凝土桥梁裂缝的智能预测方法相同的发明构思，如图4所示，本申请提供了一种钢筋混凝土桥梁裂缝的智能预测系统，系统包括：
第一输出模块1，所述第一输出模块1用于获取第一目标桥梁的构造参数，连接仿真系统，利用所述构造参数对所述第一目标桥梁进行建模，输出第一桥梁仿真模型；
仿真模块2，所述仿真模块2用于以所述第一桥梁仿真模型进行仿真，收集桥梁样本图像集合，其中，所述桥梁样本图像集合包括裂缝变化图像，以及裂缝变化图像对应的空间坐标；
模型训练模块3，所述模型训练模块3用于根据所述桥梁样本图像集合进行模型训练，输出裂缝预测双通道模型，其中，所述裂缝预测双通道模型包括独立预测通道和交叉预测通道，所述独立预测通道用于对独立空间裂缝进行风险预测，所述交叉预测通道用于对交叉空间裂缝进行风险预测；
图像采集模块4，所述图像采集模块4用于根据图像采集装置对所述第一目标桥梁进行图像采集，获取实时裂缝图像集合；
第二输出模块5，所述第二输出模块5用于将所述实时裂缝图像集合和预设目标周期输入所述裂缝预测双通道模型，输出风险预测结果。
进一步而言，系统还包括：
第一映射模块，所述第一映射模块用于基于所述裂缝变化图像和所述裂缝变化图像对应的空间坐标进行映射，得到裂缝-坐标映射数据集；
第一训练模块，所述第一训练模块用于搭建全连接的神经网络，利用所述神经网络对所述裂缝-坐标映射数据集进行训练，当训练至收敛时，输出训练好的初始裂缝预测模型；
第三输出模块，所述第三输出模块用于根据所述初始裂缝预测模型，输出预测变化图像，以及所述预测变化图像对应的空间坐标；
第二映射模块，所述第二映射模块用于根据预测变化图像，以及所述预测变化图像对应的空间坐标进行映射，得到裂缝-坐标预测数据集；
第二训练模块，所述第二训练模块用于根据所述裂缝-坐标映射数据集和所述裂缝-坐标预测数据集进行训练，输出裂缝预测双通道模型。
进一步而言，系统还包括：
第四输出模块，所述第四输出模块用于当所述裂缝-坐标映射数据集与所述裂缝-坐标预测数据集中的坐标交叉时，对数据进行交叉标识，输出标识裂缝-坐标映射数据集，和标识裂缝-坐标预测数据集；
第三训练模块，所述第三训练模块用于以所述标识裂缝-坐标映射数据集，和所述标识裂缝-坐标预测数据集作为训练数据，训练所述裂缝预测双通道模型的交叉预测通道。
进一步而言，系统还包括：
第四训练模块，所述第四训练模块用于将所述裂缝-坐标映射数据集和所述裂缝-坐标预测数据集中除所述标识裂缝-坐标映射数据集，和所述标识裂缝-坐标预测数据集以外的剩余数据集作为训练数据，训练所述裂缝预测双通道模型的独立预测通道，其中，所述独立预测通道包括横向裂缝的独立预测子通道，纵向裂缝的独立预测子通道。
进一步而言，系统还包括：
指数获取模块，所述指数获取模块用于根据所述裂缝预测双通道模型，获取基于所述预设目标周期下的第一风险指数和第二风险指数，其中，所述第一风险指数为独立空间裂缝进行风险预测的结果，所述第二风险指数为交叉空间裂缝进行风险预测的结果；
第五输出模块，所述第五输出模块用于对所述第一风险指数和所述第二风险指数进行权重计算，输出所述风险预测结果。
本说明书通过前述对一种钢筋混凝土桥梁裂缝的智能预测方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种钢筋混凝土桥梁裂缝的智能预测系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其他实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种钢筋混凝土桥梁裂缝的智能预测方法，其特征在于，所述方法包括：
获取第一目标桥梁的构造参数，连接仿真系统，利用所述构造参数对所述第一目标桥梁进行建模，输出第一桥梁仿真模型；
以所述第一桥梁仿真模型进行仿真，收集桥梁样本图像集合，其中，所述桥梁样本图像集合包括裂缝变化图像，以及裂缝变化图像对应的空间坐标；
根据所述桥梁样本图像集合进行模型训练，输出裂缝预测双通道模型，其中，所述裂缝预测双通道模型包括独立预测通道和交叉预测通道，所述独立预测通道用于对独立空间裂缝进行风险预测，所述交叉预测通道用于对交叉空间裂缝进行风险预测，所述独立空间裂缝是指任意一处裂缝仅存在一种方向的一条裂缝，所述交叉空间裂缝是指任意一处裂缝存在至少两条相交的裂缝；
根据图像采集装置对所述第一目标桥梁进行图像采集，获取实时裂缝图像集合；
将所述实时裂缝图像集合和预设目标周期输入所述裂缝预测双通道模型，输出风险预测结果；
基于所述裂缝变化图像和所述裂缝变化图像对应的空间坐标进行映射，得到裂缝-坐标映射数据集；
搭建全连接的神经网络，利用所述神经网络对所述裂缝-坐标映射数据集进行训练，当训练至收敛时，输出训练好的初始裂缝预测模型；
根据所述初始裂缝预测模型，输出预测变化图像，以及所述预测变化图像对应的空间坐标；
根据预测变化图像，以及所述预测变化图像对应的空间坐标进行映射，得到裂缝-坐标预测数据集；
根据所述裂缝-坐标映射数据集和所述裂缝-坐标预测数据集进行训练，输出裂缝预测双通道模型；
对所述裂缝-坐标映射数据集和所述裂缝-坐标预测数据集进行样本拆分，包括：
当所述裂缝-坐标映射数据集与所述裂缝-坐标预测数据集中的坐标交叉时，对数据进行交叉标识，输出标识裂缝-坐标映射数据集，和标识裂缝-坐标预测数据集；
以所述标识裂缝-坐标映射数据集，和所述标识裂缝-坐标预测数据集作为训练数据，训练所述裂缝预测双通道模型的交叉预测通道；
对所述裂缝-坐标映射数据集和所述裂缝-坐标预测数据集进行样本拆分，还包括：
将所述裂缝-坐标映射数据集和所述裂缝-坐标预测数据集中除所述标识裂缝-坐标映射数据集，和所述标识裂缝-坐标预测数据集以外的剩余数据集作为训练数据，训练所述裂缝预测双通道模型的独立预测通道；
其中，所述独立预测通道包括横向裂缝的独立预测子通道，纵向裂缝的独立预测子通道；
所述裂缝预测双通道模型的独立预测通道的表达式为：
其中，P(xi,yi)表征独立预测通道的风险；N表征独立裂缝图像个数，且n1+n2＝N；
μ1表征所述独立预测通道中横向裂缝xi的独立系数；μ2表征所述独立预测通道中纵向裂缝yi的独立系数，且μ1与μ2的和为1；
p(xi,εi)表征基于横向裂缝xi对应的风险指数εi；p(yi,εi,)表征基于纵向裂缝yi对应的风险指数εi。
2.如权利要求1所述的方法，其特征在于，所述裂缝预测双通道模型的交叉预测通道的表达式为：
其中，P'(xi,yi)表征交叉预测通道的风险；M表征交叉裂缝图像个数；p'(εi,xi,yi)表征基于第i个交叉裂缝图像关于横向裂缝xi与纵向裂缝yi交叉对应的风险指数εi；ρ(xi,yi)表征基于横向裂缝xi与纵向裂缝yi的交叉相关系数。
3.如权利要求1所述的方法，其特征在于，将所述实时裂缝图像集合和预设目标周期输入所述裂缝预测双通道模型，输出风险预测结果，方法包括：
根据所述裂缝预测双通道模型，获取基于所述预设目标周期下的第一风险指数和第二风险指数，其中，所述第一风险指数为独立空间裂缝进行风险预测的结果，所述第二风险指数为交叉空间裂缝进行风险预测的结果；
对所述第一风险指数和所述第二风险指数进行权重计算，输出所述风险预测结果。
4.一种钢筋混凝土桥梁裂缝的智能预测系统，其特征在于，所述系统执行权利要求1至3任一一项所述的方法，所述系统包括：
第一输出模块，所述第一输出模块用于获取第一目标桥梁的构造参数，连接仿真系统，利用所述构造参数对所述第一目标桥梁进行建模，输出第一桥梁仿真模型；
仿真模块，所述仿真模块用于以所述第一桥梁仿真模型进行仿真，收集桥梁样本图像集合，其中，所述桥梁样本图像集合包括裂缝变化图像，以及裂缝变化图像对应的空间坐标；
模型训练模块，所述模型训练模块用于根据所述桥梁样本图像集合进行模型训练，输出裂缝预测双通道模型，其中，所述裂缝预测双通道模型包括独立预测通道和交叉预测通道，所述独立预测通道用于对独立空间裂缝进行风险预测，所述交叉预测通道用于对交叉空间裂缝进行风险预测，所述独立空间裂缝是指任意一处裂缝仅存在一种方向的一条裂缝，所述交叉空间裂缝是指任意一处裂缝存在至少两条相交的裂缝；
图像采集模块，所述图像采集模块用于根据图像采集装置对所述第一目标桥梁进行图像采集，获取实时裂缝图像集合；
第二输出模块，所述第二输出模块用于将所述实时裂缝图像集合和预设目标周期输入所述裂缝预测双通道模型，输出风险预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310838796.7A CN116842620B (zh) | 2023-07-10 | 2023-07-10 | 一种钢筋混凝土桥梁裂缝的智能预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310838796.7A CN116842620B (zh) | 2023-07-10 | 2023-07-10 | 一种钢筋混凝土桥梁裂缝的智能预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116842620A CN116842620A (zh) | 2023-10-03 |
| CN116842620B true CN116842620B (zh) | 2023-12-29 |
Family
ID=88164918
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310838796.7A Active CN116842620B (zh) | 2023-07-10 | 2023-07-10 | 一种钢筋混凝土桥梁裂缝的智能预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116842620B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104268658A (zh) * | 2014-09-29 | 2015-01-07 | 招商局重庆交通科研设计院有限公司 | 一种桥梁结构安全监测数据的预测方法 |
| CN106097819A (zh) * | 2016-07-31 | 2016-11-09 | 重庆交通大学 | 用于实验教学的桥梁仿真检测方法及系统 |
| CN211312195U (zh) * | 2019-12-06 | 2020-08-21 | 广州交投工程检测有限公司 | 一种用于监测桥梁底部的监测装置 |
| EP3716157A1 (en) * | 2019-03-28 | 2020-09-30 | Canon Medical Systems Corporation | Apparatus and method for training models |
| KR102182122B1 (ko) * | 2019-12-05 | 2020-11-23 | 한국도로공사 | 교면포장 표면손상을 활용한 교량바닥판상태 예측방법 |
| CN112634195A (zh) * | 2020-11-23 | 2021-04-09 | 清华大学 | 混凝土结构裂缝预测方法、装置及系统 |
| CN114372303A (zh) * | 2021-11-28 | 2022-04-19 | 湖南康桥智能科技有限公司 | 一种梁桥梁底结构轻量bim模型快速构建方法 |
| CN114549742A (zh) * | 2022-01-21 | 2022-05-27 | 中国矿业大学 | 一种图像表观裂缝三维模型构建方法 |
| CN114677353A (zh) * | 2022-03-28 | 2022-06-28 | 中国能源建设集团安徽省电力设计院有限公司 | 一种基于深度学习和bp神经网络的柱承载力预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109300126B (zh) * | 2018-09-21 | 2022-01-07 | 重庆建工集团股份有限公司 | 一种基于空间位置的桥梁病害高精度智能检测方法 |
| KR102510221B1 (ko) * | 2020-12-24 | 2023-03-15 | 연세대학교 산학협력단 | 골절 위험 예측 방법 및 장치 |
-
2023
- 2023-07-10 CN CN202310838796.7A patent/CN116842620B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104268658A (zh) * | 2014-09-29 | 2015-01-07 | 招商局重庆交通科研设计院有限公司 | 一种桥梁结构安全监测数据的预测方法 |
| CN106097819A (zh) * | 2016-07-31 | 2016-11-09 | 重庆交通大学 | 用于实验教学的桥梁仿真检测方法及系统 |
| EP3716157A1 (en) * | 2019-03-28 | 2020-09-30 | Canon Medical Systems Corporation | Apparatus and method for training models |
| KR102182122B1 (ko) * | 2019-12-05 | 2020-11-23 | 한국도로공사 | 교면포장 표면손상을 활용한 교량바닥판상태 예측방법 |
| CN211312195U (zh) * | 2019-12-06 | 2020-08-21 | 广州交投工程检测有限公司 | 一种用于监测桥梁底部的监测装置 |
| CN112634195A (zh) * | 2020-11-23 | 2021-04-09 | 清华大学 | 混凝土结构裂缝预测方法、装置及系统 |
| CN114372303A (zh) * | 2021-11-28 | 2022-04-19 | 湖南康桥智能科技有限公司 | 一种梁桥梁底结构轻量bim模型快速构建方法 |
| CN114549742A (zh) * | 2022-01-21 | 2022-05-27 | 中国矿业大学 | 一种图像表观裂缝三维模型构建方法 |
| CN114677353A (zh) * | 2022-03-28 | 2022-06-28 | 中国能源建设集团安徽省电力设计院有限公司 | 一种基于深度学习和bp神经网络的柱承载力预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116842620A (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Prediction of stress intensity factors in pavement cracking with neural networks based on semi-analytical FEA | |
| CN106909901A (zh) | 从图像中检测物体的方法及装置 | |
| CN114117617B (zh) | 一种三跨内廊式rc框架建筑地震响应的快速预测方法 | |
| Tam et al. | Selection of vertical formwork system by probabilistic neural networks models | |
| CN107016194A (zh) | 基于多尺度有限元建模的桥梁缆索体系劣化性能分析方法 | |
| CN116881819B (zh) | 一种基于孤立森林的斜拉索工作状态监测方法 | |
| CN115948964A (zh) | 一种基于ga-bp神经网络的路面平整度预测方法 | |
| CN116738556A (zh) | 施工墙体的建模方法、装置、设备及存储介质 | |
| CN116842620B (zh) | 一种钢筋混凝土桥梁裂缝的智能预测方法及系统 | |
| CN109920489A (zh) | 一种基于Lasso-CCF-CNN的加氢裂化模型及建立方法 | |
| CN112347670B (zh) | 一种基于神经网络响应面的堆石料蠕变参数预测方法 | |
| CN117056722A (zh) | 一种规划地块人口数量预测方法及系统 | |
| CN116842841A (zh) | 基于人工智能的沉管隧道服役状态预测方法 | |
| CN111370055B (zh) | 内含子保留预测模型建立方法及其预测方法 | |
| CN107844651A (zh) | 大跨度桥梁风险评估中风险指标权重的概率计算方法 | |
| Ozturk et al. | An artificial neural network base prediction model and sensitivity analysis for marshall mix design | |
| Jalal et al. | Computer-aided prediction of pavement condition index (PCI) using ANN | |
| Shafabakhsh et al. | Determining the relative importance of parameters affecting concrete pavement thickness | |
| CN115510517A (zh) | 高层建筑结构智能设计方法 | |
| JP4291992B2 (ja) | 圧力推定モデル構築システム | |
| De Ona et al. | Bilevel fuzzy optimization to pre-process traffic data to satisfy the law of flow conservation | |
| Owolabi et al. | Development of priority index assessment model for road pavements in Nigeria | |
| CN112634620A (zh) | 基于Encoder-Decoder深度神经网络的路网动态交通分配方法 | |
| Salma et al. | Incorporating Maintenance and Rehabilitation History into Pavement Performance Modeling for Jointed Plain Concrete Pavement | |
| Efe et al. | Proposal on implementing machine learning with highway datasets |
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 |