CN116861821B - 一种基于人工智能的桥梁基础最大冲刷深度快速预测方法 - Google Patents
一种基于人工智能的桥梁基础最大冲刷深度快速预测方法 Download PDFInfo
- Publication number
- CN116861821B CN116861821B CN202311131098.XA CN202311131098A CN116861821B CN 116861821 B CN116861821 B CN 116861821B CN 202311131098 A CN202311131098 A CN 202311131098A CN 116861821 B CN116861821 B CN 116861821B
- Authority
- CN
- China
- Prior art keywords
- water flow
- data
- sediment
- historical
- bridge foundation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 238000009991 scouring Methods 0.000 title claims description 44
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 432
- 239000013049 sediment Substances 0.000 claims abstract description 136
- 238000011010 flushing procedure Methods 0.000 claims abstract description 76
- 238000006073 displacement reaction Methods 0.000 claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 44
- 238000012216 screening Methods 0.000 claims description 28
- 238000013136 deep learning model Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 10
- 238000009825 accumulation Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 9
- 239000012530 fluid Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Data Mining & Analysis (AREA)
- Bridges Or Land Bridges (AREA)
Abstract
本发明提供一种基于人工智能的桥梁基础最大冲刷深度快速预测方法，其以桥梁所处水域的历史水流状态数据为基础，构建能够预测桥梁基础结构附近水域在未来时间段的水流状态数据的水流预测模型，继而对水域内部水流对泥沙的冲刷作用进行同步准确的预测，得到桥梁基础附近区域的泥沙冲刷位移情况，从而实现对泥沙冲刷深度的有效可靠预测，提高桥梁基础结构监测的可预见性和可靠性。
Description
技术领域
本发明涉及桥梁结构监测的技术领域，特别涉及一种基于人工智能的桥梁基础最大冲刷深度快速预测方法。
背景技术
跨越海洋或江河的桥梁通常需要在水中建造若干桥墩或桥梁基础作为桥梁上部结构的支撑结构。由于桥墩等结构物的阻水作用，导致水流加速和结构物周围形成漩涡。桥墩或桥梁基础周围淤积的泥沙在行进水流和漩涡体系的作用下，淤积的泥沙会被不断冲刷带到下游，导致桥梁基础直接暴露在水流中，降低了基础埋深，增大水流对桥梁基础的冲击力，降低桥梁基础的承载力，给桥梁的安全运维带来了巨大的隐患。水流是随时间连续变化的湍流，目前并未完全清楚湍流的变化机理，单纯依靠单一频次的实时检测方式更无法快速准确地研究和预测桥梁基础周围泥沙在未来时间段的冲刷发展状态，给桥梁基础冲刷机理的研究带来了困难，也对桥梁基础最大冲刷深度预测精度的提升带来了困难。
发明内容
针对现有技术存在的缺陷，本发明提供基于人工智能的桥梁基础最大冲刷深度快速预测方法，其根据桥梁所处水域的历史水流状态数据，对深度学习模型训练得到水流预测模型；基于桥梁基础结构附近水域范围的实时水流状态数据，预测桥梁基础结构附近水域范围在下一时间段的水流状态数据，以得到桥梁基础结构附近水域范围的河床表面泥沙驱动力，继而预测下一时间段桥梁基础结构附近水域范围的泥沙冲刷位移数据，最终得到桥梁基础结构对应区域的最大泥沙冲刷深度；同时，可根据最大泥沙冲刷深度，生成报警指令并执行相应的报警操作，从而实现对泥沙冲刷深度的有效可靠预测，提高桥梁基础结构监测的可预见性和可靠性。
本发明提供基于人工智能的桥梁基础最大冲刷深度快速预测方法，包括如下步骤：
步骤S1，采集桥梁所处水域的历史水流状态数据，对所述历史水流状态数据进行分析，得到水域水流数据训练集；基于所述水域水流数据训练集对深度学习模型进行训练，构建得到水流预测模型；
步骤S2，采集桥梁基础结构附近水域范围的实时水流状态数据，并基于所述水流预测模型，预测所述桥梁基础结构附近水域范围在下一时间段的水流状态数据；根据所述下一时间段的水流状态数据，得到所述桥梁基础结构附近水域范围的河床表面泥沙驱动力；
步骤S3，基于所述河床表面泥沙驱动力，预测下一时间段所述桥梁基础结构附近水域范围的泥沙冲刷位移数据；基于所述泥沙冲刷位移数据，预测下一时间段所述桥梁基础结构对应区域的最大泥沙冲刷深度；
步骤S4，基于所述最大泥沙冲刷深度，生成报警指令并执行相应的报警操作。
进一步，在所述步骤S1中，采集桥梁所处水域的历史水流状态数据，对所述历史水流状态数据进行分析，得到水域水流数据训练集，包括：
采集桥梁所处水域在若干周期内的历史水流状态数据，并对所述历史水流状态数据进行坏点数据剔除处理，得到水域水流数据训练集；其中，所述历史水流状态数据包括在所处水域在每个潮汐周期不同时刻的历史水流速度数据和历史水流方向数据。
进一步，在所述步骤S1中，采集桥梁所处水域在若干周期内的历史水流状态数据，并对所述历史水流状态数据进行坏点数据剔除处理，包括：
步骤S101，利用下面公式（1），根据所处水域在每个潮汐周期不同时刻的历史水流速度数据和历史水流方向数据，得到一个潮汐周期内每个时刻的历史水流速度数据和历史水流方向数据的坏点筛选阈值范围，
（1）
在上述公式（1）中，表示一个潮汐周期内第e个时刻的历史水流速度数据的坏点筛选阈值范围，/>表示范围中的最小满足值，/>表示范围中的最大满足值；/>表示一个潮汐周期内第e个时刻的历史水流方向数据的坏点筛选阈值范围，/>表示范围中的最小满足值，/>表示范围中的最大满足值；/>表示第a个潮汐周期内第e个时刻的历史水流速度数据中的速度值；/>表示第a个潮汐周期内第e个时刻的历史水流方向数据中水流方向偏离预设固定方向的角度值；n表示所处水域历史的潮汐周期总次数；/>均表示计算中间量；表示求取绝对值；/>表示将a的值从1取值到n代入到括号内得到括号内的最小值；/>表示将a的值从1取值到n代入到括号内得到括号内的最大值；
步骤S102，利用下面公式（2），根据一个潮汐周期内每个时刻的历史水流速度数据和历史水流方向数据的坏点筛选阈值，对每个潮汐周期不同时刻的历史水流速度数据和历史水流方向数据分别进行坏点筛选，
（2）
在上述公式（2）中，表示第a个潮汐周期内第e个时刻的历史水流速度数据的坏点筛选值；/>表示第a个潮汐周期内第e个时刻的历史水流方向数据的坏点筛选值；表示不属于；/>表示属于；
步骤S103，利用下面公式（3），根据每个潮汐周期不同时刻的历史水流速度数据和历史水流方向数据坏点筛选的结果，对所述历史水流状态数据进行坏点数据剔除处理，
（3）
在上述公式（3）中，表示水流状态数据中第a个潮汐周期内采集到的数据的剔除控制值；E表示一个潮汐周期内水流状态数据采集的时刻总个数；
若，则对水流状态数据中第a个潮汐周期内采集到的数据剔除；
若，则对水流状态数据中第a个潮汐周期内采集到的数据保留。
进一步，在所述步骤S1中，基于所述水域水流数据训练集对深度学习模型进行训练，构建得到水流预测模型，包括：
基于所述历史水流状态数据对应的时间分布属性信息，将所述水域水流数据训练集划分为若干水域水流数据训练子集；其中，每个水域水流数据训练子集包括所有潮汐周期各自对应于同一时间区间的历史水流状态数据；
将每个水域水流数据训练子集输入到深度学习模型的训练池中，以此对所述深度学习模型进行训练，从而构建得到水流预测模型。
进一步，在所述步骤S2中，采集桥梁基础结构附近水域范围的实时水流状态数据，并基于所述水流预测模型，预测所述桥梁基础结构附近水域范围在下一时间段的水流状态数据，包括：
采集桥梁基础结构所在水域预设距离范围内不同河床表面区域的实时水流状态数据，所述实时水流状态数据包括实时水流速度数据和实时水流方向数据；
将所述实时水流状态数据划分为对应于不同河床表面区域的若干实时水流状态数据集合；
将所有实时水流状态数据集合输入到所述水流预测模型，预测所述桥梁基础结构附近水域范围在下一时间段于不同河床表面区域的水流速度数据和水流方向数据。
进一步，在所述步骤S2中，根据所述下一时间段的水流状态数据，得到所述桥梁基础结构附近水域范围的河床表面泥沙驱动力，包括：
根据所述下一时间段于不同水深区间的水流速度数据和水流方向数据，得到所述桥梁基础结构附近水域范围的河床表面泥沙驱动力分布信息；其中，所述河床表面泥沙驱动力分布信息包括所述桥梁基础结构附近水域范围的河床表面泥沙受到因水流作用而产生的驱动力大小和方向分布信息。
进一步，在所述步骤S3中，基于所述河床表面泥沙驱动力，预测下一时间段所述桥梁基础结构附近水域范围的泥沙冲刷位移数据，包括：
基于所述河床表面泥沙驱动力包含的对应于河床表面不同区域的水流对泥沙产生的驱动力大小和分布数据，得到河床表面不同区域的泥沙移动数据；其中，所述泥沙移动数据包括泥沙移动量和移动方向；
基于每个河床表面区域的泥沙移动数据和所述桥梁基础结构对应每个河床表面区域的泥沙堆积量，预测下一时间段所述桥梁基础结构附近水域范围对应每个河床表面区域在水深方向上的泥沙冲刷位移数据。
进一步，在所述步骤S3中，基于所述泥沙冲刷位移数据，预测下一时间段所述桥梁基础结构对应区域的最大泥沙冲刷深度，包括：
从所述桥梁基础结构附近水域范围对应所有河床表面区域在河床延伸方向上的泥沙冲刷位移数据分别提取对应不同位置点的泥沙冲刷位移值；
将所有河床表面区域在河床延伸方向对应于同一位置点的泥沙冲刷位移值进行累加处理，得到每个位置点对应的泥沙冲刷总位移值；并将其中最大的泥沙冲刷总位移值作为下一时间段所述桥梁基础结构对应区域的最大泥沙冲刷深度。
进一步，在所述步骤S4中，基于所述最大泥沙冲刷深度，生成报警指令并执行相应的报警操作，包括：
将所述最大泥沙冲刷深度与预设冲刷深度阈值进行对比，若所述最大泥沙冲刷深度大于或等于预设冲刷深度阈值，则生成第一报警指令；若所述最大泥沙冲刷深度小于预设冲刷深度阈值，则生成第二报警指令；
将所述第一报警指令或所述第二报警指令发送至桥梁监控终端，以使所述桥梁监控终端进行不同模式的语音报警操作。
相比于现有技术，该基于人工智能的桥梁基础最大冲刷深度快速预测方法根据桥梁所处水域的历史水流状态数据，对深度学习模型训练得到水流预测模型；基于桥梁基础结构附近水域范围的实时水流状态数据，预测桥梁基础结构附近水域范围在下一时间段的水流状态数据，以得到桥梁基础结构附近水域范围的河床表面泥沙驱动力，继而预测下一时间段桥梁基础结构附近水域范围的泥沙冲刷位移数据，最终得到桥梁基础结构对应区域的最大泥沙冲刷深度；同时，可根据最大泥沙冲刷深度，生成报警指令并执行相应的报警操作，从而实现对泥沙冲刷深度的有效可靠预测，提高桥梁基础结构监测的可预见性和可靠性。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
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。
图1为本发明提供的基于人工智能的桥梁基础最大冲刷深度快速预测方法的流程示意图。
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作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。
参阅图1，为本发明实施例提供的基于人工智能的桥梁基础最大冲刷深度快速预测方法的流程示意图。该基于人工智能的桥梁基础最大冲刷深度快速预测方法包括如下步骤：
步骤S1，采集桥梁所处水域的历史水流状态数据，对该历史水流状态数据进行分析，得到水域水流数据训练集；基于该水域水流数据训练集对深度学习模型进行训练，构建得到水流预测模型；
步骤S2，采集桥梁基础结构附近水域范围的实时水流状态数据，并基于该水流预测模型，预测该桥梁基础结构附近水域范围在下一时间段的水流状态数据；根据该下一时间段的水流状态数据，得到该桥梁基础结构附近水域范围的河床表面泥沙驱动力；所述桥梁基础结构附近水域范围的大小可以根据实际情况设定，例如可以是距离桥梁基础1米或5米的范围内，当然也可以是其他的范围。
步骤S3，基于该河床表面泥沙驱动力，预测下一时间段该桥梁基础结构附近水域范围的泥沙冲刷位移数据；基于该泥沙冲刷位移数据，预测下一时间段该桥梁基础结构对应区域的最大泥沙冲刷深度；
步骤S4，基于该最大泥沙冲刷深度，生成报警指令并执行相应的报警操作。
上述技术方案的有益效果为：该基于人工智能的桥梁基础最大冲刷深度快速预测方法根据桥梁所处水域的历史水流状态数据，对深度学习模型训练得到水流预测模型；基于桥梁基础结构附近水域范围的实时水流状态数据，预测桥梁基础结构附近水域范围在下一时间段的水流状态数据，以得到桥梁基础结构附近水域范围的河床表面泥沙驱动力，继而预测下一时间段桥梁基础结构附近水域范围的泥沙冲刷位移数据，最终得到桥梁基础结构对应区域的最大泥沙冲刷深度；同时，可根据最大泥沙冲刷深度，生成报警指令并执行相应的报警操作，从而实现对泥沙冲刷深度的有效可靠预测，提高桥梁基础结构监测的可预见性和可靠性。
优选地，在该步骤S1中，采集桥梁所处水域的历史水流状态数据，对该历史水流状态数据进行分析，得到水域水流数据训练集，包括：
采集桥梁所处水域在若干周期内的历史水流状态数据，并对该历史水流状态数据进行坏点数据剔除处理，得到水域水流数据训练集；其中，该历史水流状态数据包括在所处水域在每个潮汐周期不同时刻的历史水流速度数据和历史水流方向数据。
上述技术方案的有益效果为：当桥梁所在水域为海洋环境的水域时，水域会周期性发送潮汐，在潮汐发生过程中，水位会上升和下降，导致桥梁所在水域的水流也相应发生变化，此时该历史水流状态数据可为若干潮汐周期内对应的历史水流状态数据。当桥梁所在水域为河流时，该历史水流状态数据可为水文站检测得到的预设历史时间段内的水流状态数据。通过采集桥梁所处水域在若干周期内的历史水流状态数据，能够对桥梁所在水域的水流情况进行全面充分的记录表征，为后续对深度学习模型进行训练提供充足的训练数据，使得构建得到的水域预测模型能够准确地预测未来时间段水流速度和水流方向的情况。
优选地，在该步骤S1中，采集桥梁所处水域在若干周期内的历史水流状态数据，并对该历史水流状态数据进行坏点数据剔除处理，包括：
步骤S101，利用下面公式（1），根据所处水域在每个潮汐周期不同时刻的历史水流速度数据和历史水流方向数据，得到一个潮汐周期内每个时刻的历史水流速度数据和历史水流方向数据的坏点筛选阈值范围，
（1）
在上述公式（1）中，表示一个潮汐周期内第e个时刻的历史
水流速度数据的坏点筛选阈值范围，表示范围中的最小满足值，表示
范围中的最大满足值；表示一个潮汐周期内第e个时刻的历史水流
方向数据的坏点筛选阈值范围，表示范围中的最小满足值，表示范围
中的最大满足值；表示第a个潮汐周期内第个时刻的历史水流速度数据中的速度
值；表示第a个潮汐周期内第e个时刻的历史水流方向数据中水流方向偏离预设固
定方向的角度值；表示所处水域历史的潮汐周期总次数；均表示计算中间
量；表示求取绝对值；表示将a的值从1取值到n代入到括号内得到括号内的
最小值；表示将a的值从1取值到n代入到括号内得到括号内的最大值；
步骤S102，利用下面公式（2），根据一个潮汐周期内每个时刻的历史水流速度数据和历史水流方向数据的坏点筛选阈值，对每个潮汐周期不同时刻的历史水流速度数据和历史水流方向数据分别进行坏点筛选，
（2）
在上述公式（2）中，表示第a个潮汐周期内第e个时刻的历史水流速度数据的坏点筛选值；/>表示第a个潮汐周期内第e个时刻的历史水流方向数据的坏点筛选值；表示不属于；/>表示属于；
步骤S103，利用下面公式（3），根据每个潮汐周期不同时刻的历史水流速度数据和历史水流方向数据坏点筛选的结果，对该历史水流状态数据进行坏点数据剔除处理，
（3）
在上述公式（3）中，表示水流状态数据中第a个潮汐周期内采集到的数据的剔除控制值；E表示一个潮汐周期内水流状态数据采集的时刻总个数；
若，则对水流状态数据中第a个潮汐周期内采集到的数据剔除；
若，则对水流状态数据中第a个潮汐周期内采集到的数据保留。
上述技术方案的有益效果为：利用上述公式（1），根据所处水域在每个潮汐周期不同时刻的历史水流速度数据和历史水流方向数据，得到一个潮汐周期内每个时刻的历史水流速度数据和历史水流方向数据的坏点筛选阈值范围，进而将坏点的范围量化，便于后续对坏点的剔除；然后利用上述公式（2），根据一个潮汐周期内每个时刻的历史水流速度数据和历史水流方向数据的坏点筛选阈值，对每个潮汐周期不同时刻的历史水流速度数据和历史水流方向数据分别进行坏点筛选，进而细化每个数据的筛选状态，便于后续的剔除控制的可靠性；最后利用上述公式（3），根据每个潮汐周期不同时刻的历史水流速度数据和历史水流方向数据坏点筛选的结果，对该历史水流状态数据进行坏点数据剔除处理，从而确保数据的准确性。
优选地，在该步骤S1中，基于该水域水流数据训练集对深度学习模型进行训练，构建得到水流预测模型，包括：
基于该历史水流状态数据对应的时间分布属性信息，将该水域水流数据训练集划分为若干水域水流数据训练子集；其中，每个水域水流数据训练子集包括所有潮汐周期各自对应于同一时间区间的历史水流状态数据；
将每个水域水流数据训练子集输入到深度学习模型的训练池中，以此对该深度学习模型进行训练，从而构建得到水流预测模型。
上述技术方案的有益效果为：根据历史水流状态数据对应的时间分布属性信息，将该水域水流数据训练集划分为若干水域水流数据训练子集，这样每个水域水流数据训练子集只对应于所有潮汐周期各自对应于同一时间区间的历史水流状态数据，比如水域水流数据训练子集只包含所有潮汐周期在早上6点至7点或者晚上7点至8点等不同时间区间的历史水流状态数据，便于对深度学习模型进行关于不同时间区间的历史水流状态数据的训练，使得训练得到的水流预测模型对于不同时间区间的水流状态预测具有较高的准确性和匹配性。
优选地，在该步骤S2中，采集桥梁基础结构附近水域范围的实时水流状态数据，并基于该水流预测模型，预测该桥梁基础结构附近水域范围在下一时间段的水流状态数据，包括：
采集桥梁基础结构所在水域预设距离范围内不同河床表面区域的实时水流状态数据，该实时水流状态数据包括实时水流速度数据和实时水流方向数据；
将该实时水流状态数据划分为对应于不同河床表面区域的若干实时水流状态数据集合；
将所有实时水流状态数据集合输入到该水流预测模型，预测该桥梁基础结构附近水域范围在下一时间段于不同河床表面区域的水流速度数据和水流方向数据。
上述技术方案的有益效果为：桥梁基础接收所在水域的水流状态会沿着水深方向而改变，即不同水深区间的实时水流速度和实时水流方向均不相同，通常而言，水深越小的区间的实时水流速度较大，实时水流方向越复杂多变。将实时水流状态数据划分为对应于不同水深区间的若干实时水流状态数据集合，便于水流预测模型以水深为基准，对不同水深区间进行分区域的水流速度数据和水流方向数据预测，提高对桥梁基础结构附近水域范围在下一时间段的水流状态数据预测的精细程度和准确程度。
优选地，在该步骤S2中，根据该下一时间段的水流状态数据，得到该桥梁基础结构附近水域范围的河床表面泥沙驱动力，包括：
根据该下一时间段于不同水深区间的水流速度数据和水流方向数据，得到该桥梁基础结构附近水域范围的河床表面泥沙驱动力分布信息；其中，该河床表面泥沙驱动力分布信息包括该桥梁基础结构附近水域范围的河床表面泥沙受到因水流作用而产生的驱动力大小和方向分布信息。
上述技术方案的有益效果为：以下一时间段于不同水深区间的水流速度数据和水流方向数据，并结合流体力学的相关计算方法，能够准确得到每个水深区间的水流冲刷作用力矢量场分布数据，便于对桥梁基础结构附近水域范围的水流冲刷作用力进行精细化的分析，为后续确定泥沙被水流冲刷位移大小提供可靠的数据支撑。
优选地，在该步骤S3中，基于该河床表面泥沙驱动力，预测下一时间段该桥梁基础结构附近水域范围的泥沙冲刷位移数据，包括：
基于该河床表面泥沙驱动力包含的对应于河床表面不同区域的水流对泥沙产生的驱动力大小和分布数据，得到河床表面不同区域的泥沙移动数据；其中，该泥沙移动数据包括泥沙移动量和移动方向；
基于每个河床表面区域的泥沙移动数据和该桥梁基础结构对应每个河床表面区域的泥沙堆积量，预测下一时间段该桥梁基础结构附近水域范围对应每个河床表面区域在水深方向上的泥沙冲刷位移数据。
上述技术方案的有益效果为：水域内部的泥沙在水流作用下会发生一定位移，当水域内部的水流形成水流涡旋时，水流涡旋能够对泥沙形成较大的冲刷作用，使得泥沙产生较大的位移。基于该河床表面泥沙驱动力包含的对应于每个水深区间的水流冲刷作用力的大小和方向分布数据，并结合流体力学相关内容，得到每个水深区间的水流涡旋分布数据，从而为确定泥沙的位移情况提高可靠的数据。此外，泥沙被水流的冲刷位移与泥沙自身的堆积量相关，通常而言，在相同水流冲刷作用力下，泥沙自身的堆积量越小，泥沙被冲刷而产生的位移量也越大。基于每个水深区间的水流涡旋分布数据和该桥梁基础结构对应于每个水深区间的泥沙堆积量，能够对不同水深区间的泥沙沿水深方向的冲刷位移量进行准确确定。
优选地，在该步骤S3中，基于该泥沙冲刷位移数据，预测下一时间段该桥梁基础结构对应区域的最大泥沙冲刷深度，包括：
从该桥梁基础结构附近水域范围对应所有河床表面区域在河床延伸方向上的泥沙冲刷位移数据分别提取对应不同位置点的泥沙冲刷位移值；
将所有河床表面区域在河床延伸方向对应于同一位置点的泥沙冲刷位移值进行累加处理，得到每个位置点对应的泥沙冲刷总位移值；并将其中最大的泥沙冲刷总位移值作为下一时间段该桥梁基础结构对应区域的最大泥沙冲刷深度。
上述技术方案的有益效果为：通过上述方式，将所有水深区间在水深方向对应于同一位置点的泥沙冲刷位移值进行累加处理，这样对桥梁基础结构附近水域范围同一位置点在自身对应的所有深度区间上于水深方向上的泥沙冲刷位移进行累积计算，从而准确确定桥梁基础结构附近水域范围所有位置点各自的泥沙冲刷总位移值，继而快速确定下一时间段桥梁基础结构对应区域的最大泥沙冲刷深度。
优选地，在该步骤S4中，基于该最大泥沙冲刷深度，生成报警指令并执行相应的报警操作，包括：
将该最大泥沙冲刷深度与预设冲刷深度阈值进行对比，若该最大泥沙冲刷深度大于或等于预设冲刷深度阈值，则生成第一报警指令；若该最大泥沙冲刷深度小于预设冲刷深度阈值，则生成第二报警指令；
将该第一报警指令或该第二报警指令发送至桥梁监控终端，以使该桥梁监控终端进行不同模式的语音报警操作。
上述技术方案的有益效果为：当下一时间段桥梁基础结构对应区域的最大泥沙冲刷深度越大，表明桥梁基础结构外表面暴露在水流中的面积越大，此时桥梁基础结构受到的水流冲击作用也越大。将最大泥沙冲刷深度与预设冲刷深度阈值进行对比，以此生成不同的第一报警指令或第二报警指令。当桥梁监控终端接收第一报警指令或第二报警指令时，进行不同模式的语音报警操作，便于管理人员对桥梁基础结构进行适应性的维护处理。
从上述实施例的内容可知，该基于人工智能的桥梁基础最大冲刷深度快速预测方法根据桥梁所处水域的历史水流状态数据，对深度学习模型训练得到水流预测模型；基于桥梁基础结构附近水域范围的实时水流状态数据，预测桥梁基础结构附近水域范围在下一时间段的水流状态数据，以得到桥梁基础结构附近水域范围的河床表面泥沙驱动力，继而预测下一时间段桥梁基础结构附近水域范围的泥沙冲刷位移数据，最终得到桥梁基础结构对应区域的最大泥沙冲刷深度；同时，可根据最大泥沙冲刷深度，生成报警指令并执行相应的报警操作，从而实现对泥沙冲刷深度的有效可靠预测，提高桥梁基础结构监测的可预见性和可靠性。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于人工智能的桥梁基础最大冲刷深度快速预测方法，其特征在于，包括如下步骤：
步骤S1，采集桥梁所处水域的历史水流状态数据，对所述历史水流状态数据进行分析，得到水域水流数据训练集；基于所述水域水流数据训练集对深度学习模型进行训练，构建得到水流预测模型；
步骤S2，采集桥梁基础结构附近水域范围的实时水流状态数据，并基于所述水流预测模型，预测所述桥梁基础结构附近水域范围在下一时间段的水流状态数据；根据所述下一时间段的水流状态数据，得到所述桥梁基础结构附近水域范围的河床表面泥沙驱动力；
步骤S3，基于所述河床表面泥沙驱动力，预测下一时间段所述桥梁基础结构附近水域范围的泥沙冲刷位移数据；基于所述泥沙冲刷位移数据，预测下一时间段所述桥梁基础结构对应区域的最大泥沙冲刷深度；
步骤S4，基于所述最大泥沙冲刷深度，生成报警指令并执行相应的报警操作；
在所述步骤S1中，采集桥梁所处水域的历史水流状态数据，对所述历史水流状态数据进行分析，得到水域水流数据训练集，包括：
采集桥梁所处水域在若干周期内的历史水流状态数据，并对所述历史水流状态数据进行坏点数据剔除处理，得到水域水流数据训练集；其中，所述历史水流状态数据包括在所处水域在每个潮汐周期不同时刻的历史水流速度数据和历史水流方向数据。
2.如权利要求1所述的基于人工智能的桥梁基础最大冲刷深度快速预测方法，其特征在于：
在所述步骤S1中，采集桥梁所处水域在若干周期内的历史水流状态数据，并对所述历史水流状态数据进行坏点数据剔除处理，包括：
步骤S101，利用下面公式（1），根据所处水域在每个潮汐周期不同时刻的历史水流速度数据和历史水流方向数据，得到一个潮汐周期内每个时刻的历史水流速度数据和历史水流方向数据的坏点筛选阈值范围，
在上述公式（1）中，/>表示一个潮汐周期内第e个时刻的历史水流速度数据的坏点筛选阈值范围，/>表示范围中的最小满足值，/>表示范围中的最大满足值；/>表示一个潮汐周期内第e个时刻的历史水流方向数据的坏点筛选阈值范围，/>表示范围中的最小满足值，/>表示范围中的最大满足值；表示第a个潮汐周期内第e个时刻的历史水流速度数据中的速度值；/>表示第a个潮汐周期内第e个时刻的历史水流方向数据中水流方向偏离预设固定方向的角度值；n表示所处水域历史的潮汐周期总次数；/>均表示计算中间量；/>表示求取绝对值；/>表示将a的值从1取值到n代入到括号内得到括号内的最小值；/>表示将a的值从1取值到n代入到括号内得到括号内的最大值；
步骤S102，利用下面公式（2），根据一个潮汐周期内每个时刻的历史水流速度数据和历史水流方向数据的坏点筛选阈值，对每个潮汐周期不同时刻的历史水流速度数据和历史水流方向数据分别进行坏点筛选，
（2）
在上述公式（2）中，表示第a个潮汐周期内第e个时刻的历史水流速度数据的坏点筛选值；/>表示第a个潮汐周期内第e个时刻的历史水流方向数据的坏点筛选值；/>表示不属于；/>表示属于；
步骤S103，利用下面公式（3），根据每个潮汐周期不同时刻的历史水流速度数据和历史水流方向数据坏点筛选的结果，对所述历史水流状态数据进行坏点数据剔除处理，
（3）
在上述公式（3）中，C(a)表示水流状态数据中第a个潮汐周期内采集到的数据的剔除控制值；E表示一个潮汐周期内水流状态数据采集的时刻总个数；
若C(a)=1，则对水流状态数据中第a个潮汐周期内采集到的数据剔除；
若C(a)=0，则对水流状态数据中第a个潮汐周期内采集到的数据保留。
3.如权利要求2所述的基于人工智能的桥梁基础最大冲刷深度快速预测方法，其特征在于：
在所述步骤S1中，基于所述水域水流数据训练集对深度学习模型进行训练，构建得到水流预测模型，包括：
基于所述历史水流状态数据对应的时间分布属性信息，将所述水域水流数据训练集划分为若干水域水流数据训练子集；其中，每个水域水流数据训练子集包括所有潮汐周期各自对应于同一时间区间的历史水流状态数据；
将每个水域水流数据训练子集输入到深度学习模型的训练池中，以此对所述深度学习模型进行训练，从而构建得到水流预测模型。
4.如权利要求1所述的基于人工智能的桥梁基础最大冲刷深度快速预测方法，其特征在于：
在所述步骤S2中，采集桥梁基础结构附近水域范围的实时水流状态数据，并基于所述水流预测模型，预测所述桥梁基础结构附近水域范围在下一时间段的水流状态数据，包括：
采集桥梁基础结构所在水域预设距离范围内不同河床表面区域的实时水流状态数据，所述实时水流状态数据包括实时水流速度数据和实时水流方向数据；
将所述实时水流状态数据划分为对应于不同河床表面区域的若干实时水流状态数据集合；
将所有实时水流状态数据集合输入到所述水流预测模型，预测所述桥梁基础结构附近水域范围在下一时间段于不同河床表面区域的水流速度数据和水流方向数据。
5.如权利要求4所述的基于人工智能的桥梁基础最大冲刷深度快速预测方法，其特征在于：
在所述步骤S2中，根据所述下一时间段的水流状态数据，得到所述桥梁基础结构附近水域范围的河床表面泥沙驱动力，包括：
根据所述下一时间段于不同水深区间的水流速度数据和水流方向数据，得到所述桥梁基础结构附近水域范围的河床表面泥沙驱动力分布信息；其中，所述河床表面泥沙驱动力分布信息包括所述桥梁基础结构附近水域范围的河床表面泥沙受到因水流作用而产生的驱动力大小和方向分布信息。
6.如权利要求1所述的基于人工智能的桥梁基础最大冲刷深度快速预测方法，其特征在于：
在所述步骤S3中，基于所述河床表面泥沙驱动力，预测下一时间段所述桥梁基础结构附近水域范围的泥沙冲刷位移数据，包括：
基于所述河床表面泥沙驱动力包含的对应于河床表面不同区域的水流对泥沙产生的驱动力大小和分布数据，得到河床表面不同区域的泥沙移动数据；其中，所述泥沙移动数据包括泥沙移动量和移动方向；
基于每个河床表面区域的泥沙移动数据和所述桥梁基础结构对应每个河床表面区域的泥沙堆积量，预测下一时间段所述桥梁基础结构附近水域范围对应每个河床表面区域在水深方向上的泥沙冲刷位移数据。
7.如权利要求6所述的基于人工智能的桥梁基础最大冲刷深度快速预测方法，其特征在于：
在所述步骤S3中，基于所述泥沙冲刷位移数据，预测下一时间段所述桥梁基础结构对应区域的最大泥沙冲刷深度，包括：
从所述桥梁基础结构附近水域范围对应所有河床表面区域在河床延伸方向上的泥沙冲刷位移数据分别提取对应不同位置点的泥沙冲刷位移值；
将所有河床表面区域在河床延伸方向对应于同一位置点的泥沙冲刷位移值进行累加处理，得到每个位置点对应的泥沙冲刷总位移值；并将其中最大的泥沙冲刷总位移值作为下一时间段所述桥梁基础结构对应区域的最大泥沙冲刷深度。
8.如权利要求1所述的基于人工智能的桥梁基础最大冲刷深度快速预测方法，其特征在于：
在所述步骤S4中，基于所述最大泥沙冲刷深度，生成报警指令并执行相应的报警操作，包括：
将所述最大泥沙冲刷深度与预设冲刷深度阈值进行对比，若所述最大泥沙冲刷深度大于或等于预设冲刷深度阈值，则生成第一报警指令；若所述最大泥沙冲刷深度小于预设冲刷深度阈值，则生成第二报警指令；
将所述第一报警指令或所述第二报警指令发送至桥梁监控终端，以使所述桥梁监控终端进行不同模式的语音报警操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311131098.XA CN116861821B (zh) | 2023-09-04 | 2023-09-04 | 一种基于人工智能的桥梁基础最大冲刷深度快速预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311131098.XA CN116861821B (zh) | 2023-09-04 | 2023-09-04 | 一种基于人工智能的桥梁基础最大冲刷深度快速预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116861821A CN116861821A (zh) | 2023-10-10 |
| CN116861821B true CN116861821B (zh) | 2023-11-03 |
Family
ID=88222027
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311131098.XA Active CN116861821B (zh) | 2023-09-04 | 2023-09-04 | 一种基于人工智能的桥梁基础最大冲刷深度快速预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116861821B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102013106922A1 (de) * | 2013-07-02 | 2015-01-08 | Dorincourt S.A. | Wassertauchfahrzeug für den Brückenverschub |
| CN112182922A (zh) * | 2020-09-07 | 2021-01-05 | 三峡大学 | 方形桥墩冲刷问题的绕流流场计算方法 |
| CN113887087A (zh) * | 2021-11-02 | 2022-01-04 | 交通运输部天津水运工程科学研究所 | 潮汐河段底沙输移引起的航道淤积量计算方法及系统 |
| CN114662358A (zh) * | 2022-02-25 | 2022-06-24 | 中交第二航务工程局有限公司 | 一种通用型桥梁基础局部冲刷深度评估系统 |
| CN114922152A (zh) * | 2022-04-29 | 2022-08-19 | 中交四航工程研究院有限公司 | 一种海洋环境潮差区现浇混凝土结构耐久性的提升方法 |
| CN115200915A (zh) * | 2022-09-14 | 2022-10-18 | 东莞理工学院 | 一种基于分布式传感设备的桥墩冲刷实时监测系统 |
-
2023
- 2023-09-04 CN CN202311131098.XA patent/CN116861821B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102013106922A1 (de) * | 2013-07-02 | 2015-01-08 | Dorincourt S.A. | Wassertauchfahrzeug für den Brückenverschub |
| CN112182922A (zh) * | 2020-09-07 | 2021-01-05 | 三峡大学 | 方形桥墩冲刷问题的绕流流场计算方法 |
| CN113887087A (zh) * | 2021-11-02 | 2022-01-04 | 交通运输部天津水运工程科学研究所 | 潮汐河段底沙输移引起的航道淤积量计算方法及系统 |
| CN114662358A (zh) * | 2022-02-25 | 2022-06-24 | 中交第二航务工程局有限公司 | 一种通用型桥梁基础局部冲刷深度评估系统 |
| CN114922152A (zh) * | 2022-04-29 | 2022-08-19 | 中交四航工程研究院有限公司 | 一种海洋环境潮差区现浇混凝土结构耐久性的提升方法 |
| CN115200915A (zh) * | 2022-09-14 | 2022-10-18 | 东莞理工学院 | 一种基于分布式传感设备的桥墩冲刷实时监测系统 |
Non-Patent Citations (3)
| Title |
|---|
| "Numerical investigation of local scour around tandem piers using proposed self-sustaining inlet turbulent boundary conditions";Peng Yu 等;《Ocean Engineering》;第1-12页 * |
| "Study on the Self-Sustaining Inlet Boundary Conditions for Numerical Simulation on Local Scour";Peng Yu 等;《Journal of Waterway, Port, Coastal, and Ocean Engineering》;第04020027-1至04020027-10页 * |
| "基于有限体积法的三维局部冲刷数值模型研究及应用";李登松 等;《计算机力学学报》;第37卷(第3期);第332-329页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116861821A (zh) | 2023-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bhattacharya et al. | Machine learning in sedimentation modelling | |
| CN113222296B (zh) | 一种基于数字孪生的防洪调度方法 | |
| CN103559775A (zh) | 城市洪涝灾害预警系统及方法 | |
| CN114580793B (zh) | 基于多源互补以及局部调控的水环境优化方法及系统 | |
| CN106199054A (zh) | 一种河流水文监测装置 | |
| Zhang et al. | Prediction of the outflow temperature of large-scale hydropower using theory-guided machine learning surrogate models of a high-fidelity hydrodynamics model | |
| CN116861821B (zh) | 一种基于人工智能的桥梁基础最大冲刷深度快速预测方法 | |
| CN113945201B (zh) | 一种强涌潮条件下含沙量的观测方法 | |
| Altunkaynak et al. | A novel Geno-fuzzy based model for hydrodynamic efficiency prediction of a land-fixed oscillating water column for various front wall openings, power take-off dampings and incident wave steepnesses | |
| CN111289219B (zh) | 一种超临界流条件下基础局部冲刷的水槽试验方法 | |
| Zhang et al. | Simulation and analysis of Back siltation in a navigation channel using MIKE 21 | |
| CN115853035A (zh) | 一种桥梁桩基础冲刷状态的高密度测点应变模态诊断方法 | |
| Stachurska et al. | Machine learning methodology for determination of sediment particle velocities over sandy and rippled bed | |
| CN115239013A (zh) | 面向冲积河道的崩岸等级预测方法及系统 | |
| CN109373981B (zh) | 一种防波堤内部水域增减水的精确预报方法 | |
| Zhangabay | Evaluate The Depth of Scouring of the Bridge Base Using Soft Calculation Techniques | |
| Oliveto | The impact of river contractions on the bed morphology under unsteady flows | |
| Kim et al. | Safety criteria on water depth, offshore distance and dredging volume in marine sand mining operation in Kyunggi Bay, Korea | |
| ALI | REPUBLIC OF TURKEY GAZİANTEP UNIVERSITY GRADUATE SCHOOL OF NATURAL & APPLIED SCIENCES | |
| CN116108773B (zh) | 一种柔性拦污网具影响下取水明渠泥沙回淤模拟预测方法 | |
| CN116739331A (zh) | 穿江隧道区河床冲刷风险计算方法 | |
| Jiang et al. | Waterway design criteria of land reclamation based on an environmental fluid dynamics computer model | |
| Wang et al. | Scour characteristics of middle approach bridge foundations in Hangzhou Bay sea-crossing bridge | |
| VARSHNEY | MODELLING OF BRIDGE PIER SCOUR | |
| Lin et al. | Artificial intelligent technology applications for bridge scour |
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 |