CN116882758A - 一种大坝安全监测体检单生成方法 - Google Patents
一种大坝安全监测体检单生成方法 Download PDFInfo
- Publication number
- CN116882758A CN116882758A CN202310967845.7A CN202310967845A CN116882758A CN 116882758 A CN116882758 A CN 116882758A CN 202310967845 A CN202310967845 A CN 202310967845A CN 116882758 A CN116882758 A CN 116882758A
- Authority
- CN
- China
- Prior art keywords
- dam
- data
- monitoring
- monitoring data
- evaluation
- 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 276
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000011156 evaluation Methods 0.000 claims abstract description 92
- 230000002159 abnormal effect Effects 0.000 claims abstract description 54
- 238000011160 research Methods 0.000 claims description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000013136 deep learning model Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000000611 regression analysis Methods 0.000 claims description 8
- 239000007788 liquid Substances 0.000 claims description 6
- 230000003204 osmotic effect Effects 0.000 claims description 6
- 239000011148 porous material Substances 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000001066 destructive effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims 1
- 230000006855 networking Effects 0.000 claims 1
- 230000009897 systematic effect Effects 0.000 abstract 1
- 238000006073 displacement reaction Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Abstract
本发明公开了一种大坝安全监测体检单生成方法,包括:通过大坝安全监测系统获取各个监测点的自动监测数据和大坝人工监测数据;基于大坝历史监测数据,构建异常数据识别模型;利用异常数据识别模型剔除自动监测数据和大坝人工监测数据中的异常数据,得到入库监测数据,构建多重研判模型评价方法;采用多重研判模型评价方法计算,综合评价入库监测数据,得到综合评价结果;将预设时长内的自动监测数据、人工监测数据和综合评价结果生成大坝安全监测体检单。开发多重研判模型对大坝进行实时研判,为大坝提供多维度安全保障,同时完成大坝安全监测数据与评价结果的体系化输出,以便及时发现问题,及时处置。
Description
技术领域
本发明属于大坝安全监测技术领域,具体涉及一种大坝安全监测体检单生成方法。
背景技术
随着全球气候变暖的趋势,大坝面临着新的挑战和风险。首先,气候变化导致降雨模式的不确定性增加,可能引发更频繁和更强烈的降雨事件,给大坝的抗洪能力带来压力。因此,大坝安全监测系统需要及时监测降雨量、河流流量和水库水位等数据,以便进行洪水预警和风险评估,采取相应的防洪措施。
目前的大坝安全监测过多的采用人工巡检方式进行监测,检测结果主观性过强、效率低,且研判方法单一,对于得到的研判结果准确性低,不具有实时性,难以形成完整体系。
发明内容
本发明实施例的目的是提供一种大坝安全监测系统和大坝安全监测体检单生成方法,能够解决现有技术中大坝安全监测过多的采用人工方式进行监测,检测结果主观性过强、效率低,研判方法单一,研判结果准确性低,不具有实时性,难以形成完整体系的技术问题。
为了解决上述技术问题,本发明的实现方式是提供了一种大坝安全监测系统和大坝安全监测体检单生成方法。
本发明实施例提供了一种大坝安全监测体检单生成方法,应用于大坝安全监测系统,大坝安全监测系统包括大坝坝体、安全监测一体杆、渗压埋设管、坝基渗流检测装置,大坝坝体作为水库蓄水阻挡,安全监测一体杆采用一体化物联网智能雷达水位计、雨量计、视频监控、无线采集箱和安全体检单生成装置,设于大坝坝体的顶端位置,渗压埋设管埋设于大坝坝体中,渗压埋设管用于测量孔隙水压力或液位,坝基渗流检测装置设于大坝下游和大坝的交界处,渗压埋设管和安全监测一体杆之间由电缆连接,大坝安全监测体检单生成方法包括:
获取数据步骤:通过大坝安全监测系统获取各个监测点的自动监测数据和大坝人工监测数据,其中,自动监测数据包括大坝表面变形、内部变形、渗流、视频监控、水位和雨量等一种或几种数据,人工监测数据包括大坝表面变形、内部变形、渗流等一种或几种数据;
构建异常数据识别模型步骤:基于大坝历史监测数据,构建异常数据识别模型;
构建多重研判模型步骤:利用异常数据识别模型剔除自动监测数据和大坝人工监测数据中的异常数据,得到入库监测数据,构建多重研判模型评价方法;
研判分析和结果评价步骤:采用多重研判模型评价方法计算综合评价入库监测数据,得到综合评价结果,其中,多重研判模型评价方法包括历史极值评价、标准限值评价、回归分析评价、理论分析评价和视频AI识别综合评价,所有评价结果为“正常”时,代表大坝安全监测方面“运行正常”,当其中一种或多种方法评价“异常”时,代表大坝安全监测方面“运行异常”;历史极值评价对自动监测数据和人工监测数据计算出历史极值进行评价;标准限值评价对自动监测数据和人工监测数据计算出安全系数与标准比对进行评价;回归分析评价对自动监测数据和人工监测数据进行拟合,分析研判数据未来趋势进行评价;理论分析评价对自动监测数据和人工监测数据建立理论计算模型,得到理论计算值,分析评价大坝性态;视频AI识别综合评价对大坝坍塌、垮坝等破坏性动作进行识别评价;
体检单生成步骤:将预设时长内的自动监测数据、人工监测数据和综合评价结果生成大坝安全监测体检单,体检单内容包括生成时间、监测时间跨度、监测项目、监测数据列表、每个监测点评价结果、综合评价结果。
在本发明实施例中,通过大坝安全监测系统获取实时数据,有效完成人工安全监测不能完成的全天候大坝监测,降低大坝安全事故,提高大坝监测效率。另外本发明利用大坝历史数据,构建异常数据识别模型应用于当前大坝安全监测,有效剔除无效数据,提高监测准确性。此外,本发明自动化监测数据不定时采用大坝人工安全监测数据进行率定,以提高监测结果的可靠性。本发明提供历史极值评价、标准限值评价、回归分析评价、理论分析评价和视频AI识别综合评价的多重研判模型,对大坝安全监测结果进行综合评价,提高大坝安全监测研判结果的准确性。本发明根据监测数据构建模型进行研判分析和评价,实时生成体检单,完成大坝安全监测数据的自动化输出,以便及时发现问题,提高监测完整性和监测结果的自动化处理效率。
附图说明
图1是本发明提供的一种大坝安全监测体检单生成方法的流程示意图;
图2是本发明提供的一种大坝安全监测系统的结构示意图;
图3是本发明提供的一种安全监测一体杆的结构示意图。
图中:1、水库库区;2、大坝;3、大坝下游;4、安全监测一体杆;5、渗压埋设管;6、坝基渗流监测装置;7、电缆;8、一体化物联网智能雷达水位计;9、雨量计;10、视频监控;11、无线采集箱;12、安全体检单生成装置。
本发明目的的实现、功能特点及优点将结合实施例、参照附图做进一步说明。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,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。
下面结合附图,通过具体的实施例及其应用场景对本发明提供的大坝安全监测系统和大坝安全监测体检单生成方法进行详细地说明。
参照图1,示出了本发明提供的一种大坝安全监测体检单生成方法的流程示意图。参照图2,示出了本发明提供的一种大坝安全监测系统的结构示意图。参照图3,示出了本发明提供的一种安全监测一体杆的结构示意图。
本发明提供的大坝安全监测体检单生成方法,其特征在于,应用于大坝安全监测系统,大坝安全监测系统包括大坝坝体、安全监测一体杆、渗压埋设管、坝基渗流检测装置,大坝坝体作为水库蓄水阻挡,安全监测一体杆包括一体化物联网智能雷达水位计、雨量计、视频监控、无线采集箱和安全体检单生成装置,设于大坝坝体的顶端位置,渗压埋设管埋设于大坝坝体中,渗压埋设管用于测量孔隙水压力或液位,坝基渗流检测装置设于大坝下游和大坝的交界处,渗压埋设管和安全监测一体杆之间由电缆连接。
其中,安全监测一体杆集成了多个功能,如雨量监测、水位监测、视频AI监控、语音播报提醒、太阳能发电、避雷针和LED照明等。这种综合性能使得安全监测一体杆成为一个多功能的监测设备,可以实现多种监测和警报功能,简化了系统的构建和管理。安全监测一体杆采用太阳能发电,利用可再生能源进行供电,降低了对传统能源的依赖,减少了对环境的影响。这种节能环保的设计有助于减少系统运行成本和对环境的负面影响。
需要说明的是,渗压埋设管和坝基渗流检测装置位于大坝内部和大坝下游的交界处,能够全面监测大坝的渗流情况。渗压埋设管测量孔隙水压力或液位,坝基渗流检测装置采用一体化物联网智能雷达水位计,能够实时监测坝基渗流情况。通过这些监测设备的组合,可以对大坝的渗流状态进行全面监测和分析,帮助及时发现渗流问题,确保大坝的稳定性和安全性。
可选地,渗压埋设管和安全监测一体杆之间通过电缆连接也可以根据实际需求和监测点的位置进行灵活安装和布线,,实现了数据传输和信息交互。这种灵活的连接方式使得监测系统的布置更加便捷和灵活,提高了系统的可扩展性和适应性。
需要说明的是,这种大坝安全监测系统的设计结构通过综合性能、全面监测、灵活连接和节能环保等特点,能够提供全面、可靠的大坝安全监测功能,帮助及时发现潜在问题,保障大坝的安全运行。
大坝安全监测体检单生成方法包括:
获取数据步骤:通过大坝安全监测系统获取各个监测点的自动监测数据和大坝人工监测数据,其中,自动监测数据包括大坝表面变形、内部变形、渗流、视频监控、水位和雨量等一种或几种数据,人工监测数据包括大坝表面变形、内部变形、渗流等一种或几种数据。
需要说明的是,大坝安全监测系统通过以下方式获取各个监测点的监测数据和大坝人工巡查巡检数据,包括大坝变形监测数据、大坝渗流监测数据、大坝视频监控数据和水库水雨情数据:大坝变形监测数据,通过安装在大坝上的变形监测设备,如变形测量仪、位移传感器等,实时采集大坝的变形数据。这些设备可以测量大坝的水平位移、垂直位移等参数,并将数据传输到监测系统进行记录和分析,大坝渗流监测数据可以利用渗压埋设管进行渗流监测。渗压埋设管埋设在大坝内部,通过测量孔隙水压力或液位等指标,实时获取大坝的渗流情况,渗流数据会被传输到监测系统进行处理和分析。大坝视频监控数据的获取可以通过安装在大坝周围或关键位置的视频监控摄像头实时拍摄大坝的视频图像。这些摄像头可以捕捉大坝的运行状态、周围环境的变化等,视频数据通过连接到监测系统的通信网络,进行传输和存储,以供后续的监测和分析。水库水雨情数据通过水文监测站获取水库的水位、降雨量等水文数据。这些数据由水文传感器实时采集,并通过通信网络传输到监测系统进行记录和分析。
通过大坝安全监测系统中的传感器、仪器设备、通信网络和数据采集与存储设备等组成部分进行采集、传输和存储。监测系统会对这些数据进行整合、处理和分析,以获取关于大坝安全状况的综合信息,为后续的异常数据识别、安全理论数据计算和研判结果提供基础数据。通过实时获取和分析这些数据,可以更好地了解大坝的运行状态,及时发现异常情况,并采取必要的措施来保障大坝的安全性。
构建异常数据识别模型步骤:基于大坝历史监测数据,构建异常数据识别模型。
在一种可能的实施方式中,构建异常数据识别模型步骤具体包括:
获取大坝历史监测数据;
对大坝历史数据进行预处理,其中,预处理包括数据清洗、去除异常值、缺失值处理;
提取预处理后的大坝历史数据的时间序列特征值;
标记自动监测数据和大坝人工监测数据的异常数据;
引入深度学习模型,结合交叉验证方法,通过时间序列特征值和异常数据对深度学习模型进行训练,其中,深度学习模型包括卷积神经网络或者循环神经网络;
将训练得到的深度学习模型作为异常数据识别模型进行应用。
需要说明的是,通过构建异常数据识别模型,可以自动化地识别自动监测数据和人工安全监测数据中的异常情况。相比人工检查和手动分析,利用深度学习模型可以提高异常数据的检测准确性和效率。而且,通过提取大坝历史数据的时间序列特征值,可以捕捉到数据的时序模式和变化趋势。这些特征可以帮助深度学习模型更好地理解数据的演变规律,从而提高模型对异常数据的预测能力。将训练得到的异常数据识别模型应用于实时数据,可以及时识别和标记异常数据。这有助于实现对大坝安全状态的实时监测和预警,及早发现潜在的问题,采取相应的措施来保障大坝的安全。
构建异常数据识别模型,可以实现自动化的异常数据识别,提高预测能力,适应不同数据特征和类型,以及实现实时监测和预警,从而有效提升大坝安全监测系统的性能和可靠性。
构建多重研判模型步骤:利用异常数据识别模型剔除自动监测数据和大坝人工监测数据中的异常数据,得到入库监测数据,构建多重研判模型评价方法。
研判分析和结果评价步骤:采用多重研判模型评价方法计算综合评价入库监测数据,得到综合评价结果,其中,多重研判模型评价方法包括历史极值评价、标准限值评价、回归分析评价、理论分析评价和视频AI识别综合评价,所有评价结果为“正常”时,代表大坝安全监测方面“运行正常”,当其中一种或多种方法评价“异常”时,代表大坝安全监测方面“运行异常”;历史极值评价对自动监测数据和人工监测数据计算出历史极值进行评价;标准限值评价对自动监测数据和人工监测数据计算出安全系数与标准比对进行评价;回归分析评价对自动监测数据和人工监测数据进行拟合,分析研判数据未来趋势进行评价;理论分析评价对自动监测数据和人工监测数据建立理论计算模型,得到理论计算值,分析评价大坝性态;视频AI识别综合评价对大坝坍塌、垮坝等破坏性动作进行识别评价。
可以理解的是,如果理论分析评价超过了历史数据中的极值数据,即理论数据超过了历史数据中曾经出现的最大或最小值,那么这些监测点被确定为异常区域。反之,如果理论分析评价未超过历史数据中的极值数据,即理论数据处于历史数据的范围内,那么这些监测点被确定为正常区域。
基于这种方式,可以通过比较理论分析评价与历史数据中的极值数据,将当前的监测数据与过去的数据进行对比,这为判断当前监测点是否异常提供了基于历史数据的参考。通过设定阈值或者参考历史极值,可以快速识别出大坝中出现可能异常的区域。这有助于及时采取措施,关注和解决潜在的问题。而且根据历史数据中的极值情况来判断异常区域,可以避免过度警报,只有当理论分析评价超过了历史数据的极值时,才被认定为异常区域,减少了误报率。
需要说明的是,在研判分析和结果评价步骤中涉及到大坝坝体的各种参数的计算,其中,大坝位移计算可以利用监测点的变形监测数据,通过计算监测点在水平和垂直方向上的位移,得到大坝的表面水平位移和垂直位移。大坝内部位移计算可以基于大坝内部的监测点数据,结合适当的数学模型,可以计算大坝内部水平位移的分布情况。大坝渗流计算可以通过大坝渗压埋设管和渗流检测装置获取的数据,可以计算大坝的渗流情况,根据监测点的孔隙水压力或液位等数据,结合渗流理论,可以计算大坝内部的渗流速率和渗流路径。坝基渗流计算可以利用坝基渗流检测装置获取的数据,可以计算坝基的渗流情况,基于监测点的水位数据和渗流理论,可以计算坝基的渗流量和渗流方向。
其中,绕坝渗流是指水库大坝坝体两端与山体结合处的渗水情况,绕坝渗流计算可以根据水库水雨情数据、地下水位监测数据和绕坝渗流理论,可以计算绕坝渗流的量级和方向。
需要说明的是,在研判分析和结果评价步骤中还涉及到的理论分析是一种常用的数值计算方法,用于从监测数据中还原或推断物理系统的参数或状态。利用有限元反演分析算法对监测数据进行反演分析,可以推断或还原大坝的内部状态和参数,补充监测数据,辅助决策和评估,并进一步理解监测数据的含义和趋势,有助于提高对大坝安全性和稳定性的认识,并为运维和管理提供有益的信息和指导。
在实际应用过程中,研判分析和结果评价是对异常区域的确认和定位,为安全评估、决策制定和后续监测管理提供依据。它是基于反演分析结果和异常区域的比较,确认异常区域的存在并提供相关信息和建议。研判分析和结果评价通过监测到的数据,进行理论规范研判、历史极值研判和过程趋势研判,最终得到大坝表面水平位移、大坝表面垂直位移、大坝内部水平位移、大坝渗流、坝基渗流和绕坝渗流目前状态和后续趋势,为大坝安全维护提供安全性建议。
需要说明的是,在反演分析结果与异常区域符合的情况下,确定异常区域的研判结果,可以验证异常区域的准确性,为决策和行动提供依据,进一步保障大坝的安全性和稳定性。这一步骤可以用来评估和确认异常区域,并指导后续的监测和维护工作。
在一种可能的实施方式中,在体检单生成步骤之前还包括:
将研判结果进行语义化。
其中,语义化是将综合研判结果转化为更明确、易于理解和传达的形式,以提供更具体的描述、清晰表达信息、增强决策支持和提升沟通效果。通过语义化,可以确保综合研判结果在实际应用中能够更好地被理解和应用。
在一种可能的实施方式中,将综合研判结果进行语义化具体包括:
将综合研判结果根据评价方法进行分类;
将分类得到的结果按监测点的监测类型进行分类;
将分类得到的结果组成对应的语义文本。
需要说明的是,将综合研判结果进行进一步的分类和语义化处理。通过对研判结果进行分类,可以将其组织和管理起来,使其更易于理解和应用。然后,按照监测点的监测类型进行分类,将相关结果归类在一起。最后,将分类得到的结果转化为对应的语义文本,以便更具体地描述和传达研判结果。这一过程有助于提高研判结果的可读性、可理解性和可应用性,为后续的决策和行动提供更有效的支持。
体检单生成步骤:将预设时长内的自动监测数据、人工监测数据和综合评价结果生成大坝安全监测体检单,体检单内容包括生成时间、监测时间跨度、监测项目、监测数据列表、每个监测点评价结果、综合评价结果。
需要说明的是,本领域技术人员可以根据实际需要设置预设时长的大小,本发明在此不做限定。在雨季或者气候变化频率较高时,可以将预设时长调小,以便提高体检单的生成频率,以便及时发现大坝安全问题,加快排查频率,完成安全维护。
在一种可能的实施方式中,将预设时长内的自动监测数据、人工监测数据和综合评价结果生成大坝安全监测体检单具体包括:
确定自动监测数据、人工检测数据和综合研判结果的表述类型;
根据表述类型将自动监测数据、人工检测数据和综合研判结果,生成PDF格式的体检单。
其中,生成PDF格式的体检单具有跨平台兼容性、文档完整性、打印和共享方便、数据安全性以及保持格式一致性等优势。这使得PDF成为广泛使用的文档格式,特别适合用于生成、传输和共享大坝安全监测系统的监测数据、研判结果的报告。
在一种可能的实施方式中,根据表述类型将自动监测数据、人工监测数据和综合研判结果,生成PDF格式的体检单具体包括:
使用iText库创建PDF文档对象;
创建PDFWriter对象,将其与PDF文档对象关联;
将自动监测数据、人工监测数据和综合研判结果中的段落文字使用Paragraph写入到PDF文档,将表格使用Table对象写入到PDF文档,得到PDF格式的体检单。
在一种可能的实施方式中,在根据表述类型将自动监测数据、人工监测数据和综合研判结果,生成PDF格式的体检单之后还包括:
将PDF格式的体检单写入response的输出流,发送至前端进行展示。
其中,response的输出流是指将数据发送给前端的通道,它允许将生成的报告数据从后端传输到前端用户。写入response的输出流,意味着将生成的PDF报告以二进制数据的形式写入response的输出流中,将报告数据写入输出流后,可以通过网络传输将其发送给前端。通过将报告数据发送至前端进行展示,用户可以在其浏览器或应用程序中查看报告内容,前端可以使用适当的技术(例如浏览器的PDF插件或JavaScript库)来解析接收到的报告数据,并在用户界面上以可视化的方式呈现报告内容。前端可以是各种设备,包括个人计算机(PC)、移动设备(智能手机、平板电脑)、智能电视以及各种物联网设备,这些设备上的应用程序或浏览器可以用于接收和展示从后端传输的报告内容。以便及时的浏览监测数据,及时发现排查大坝安全问题。
在本发明实施例中,通过大坝安全监测系统获取实时数据,有效完成人工安全监测不能完成的全天候大坝监测,降低大坝安全事故,提高大坝监测效率。另外本发明利用大坝历史数据,构建异常数据识别模型应用于当前大坝安全监测,有效剔除无效数据,提高监测准确性。此外,本发明自动化监测数据不定时采用大坝人工安全监测数据进行率定,以提高监测结果的可靠性。本发明提供历史极值评价、标准限值评价、回归分析评价、理论分析评价和视频AI识别综合评价的多重研判模型,对大坝安全监测结果进行综合评价,提高大坝安全监测研判结果的准确性。本发明根据监测数据构建模型进行研判分析和评价,实时生成体检单,完成大坝安全监测数据的自动化输出,以便及时发现问题,提高监测完整性和监测结果的自动化处理效率。
以上仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (7)
1.一种大坝安全监测体检单生成方法,其特征在于,应用于大坝安全监测系统,所述大坝安全监测系统包括大坝坝体、安全监测一体杆、渗压埋设管、坝基渗流检测装置,所述大坝坝体作为水库蓄水阻挡,起到调蓄作用,所述安全监测一体杆包括一体化物联网智能雷达水位计、雨量计、视频监控、无线采集箱和安全监测体检单生成装置,设于所述大坝坝体的顶端位置,所述渗压埋设管埋设于所述大坝坝体中,所述渗压埋设管用于测量孔隙水压力或液位,所述坝基渗流检测装置设于大坝坝体下游和所述大坝坝体的交界处,所述渗压埋设管和所述安全监测一体杆之间由电缆连接,大坝安全监测体检单生成方法包括:
获取数据步骤:通过所述大坝安全监测系统获取各个监测点的自动监测数据和大坝人工监测数据,其中,所述自动监测数据包括大坝表面变形、内部变形、渗流、视频监控、水位和雨量等一种或几种数据,所述人工监测数据包括大坝表面变形、内部变形、渗流等一种或几种数据;
构建异常数据识别模型步骤:基于大坝历史监测数据,构建异常数据识别模型;
构建多重研判模型步骤:利用所述异常数据识别模型剔除所述自动监测数据和所述大坝人工监测数据中的异常数据,得到入库监测数据,构建多重研判模型评价方法;
研判分析和结果评价步骤:采用多重研判模型评价方法计算,综合评价入库监测数据,得到综合评价结果,其中,所述多重研判模型评价方法包括历史极值评价、标准限值评价、回归分析评价、理论分析评价和视频AI识别综合评价,当所有评价结果为“正常”时,代表大坝安全监测方面“运行正常”,当其中一种或多种方法评价“异常”时,代表大坝安全监测方面“运行异常”;所述历史极值评价对自动监测数据和人工监测数据计算出历史极值进行评价;所述标准限值评价对自动监测数据和人工监测数据计算出安全系数与标准比对进行评价;所述回归分析评价对自动监测数据和人工监测数据进行拟合,分析研判数据未来趋势进行评价;所述理论分析评价对自动监测数据和人工监测数据建立理论计算模型,得到理论计算值,分析评价大坝性态;所述视频AI识别综合评价对大坝坍塌、垮坝等破坏性动作进行识别评价;
体检单生成步骤:将预设时长内的所述自动监测数据、人工监测数据和综合评价结果生成大坝安全监测体检单,体检单内容包括生成时间、监测时间跨度、监测项目、监测数据列表、每个监测点评价结果、综合评价结果。
2.根据权利要求1所述的大坝安全监测体检单生成方法,其特征在于,所述构建异常数据识别模型步骤具体包括:
获取所述大坝历史监测数据;
对所述大坝历史数据进行预处理,其中,所述预处理包括数据清洗、去除异常值、缺失值处理;
提取预处理后的大坝历史数据的时间序列特征值;
标记所述自动监测数据和所述大坝人工监测数据的异常数据;
引入深度学习模型,结合交叉验证方法,通过所述时间序列特征值和所述异常数据对所述深度学习模型进行训练,其中,所述深度学习模型包括卷积神经网络或者循环神经网络;
将训练得到的所述深度学习模型作为所述异常数据识别模型进行应用。
3.根据权利要求1所述的大坝安全监测体检单生成方法,其特征在于,在所述体检单生成步骤之前还包括:
将所述研判结果进行语义化。
4.根据权利要求3所述的大坝安全监测体检单生成方法,其特征在于,所述将所述综合研判结果进行语义化具体包括:
将所述综合研判结果根据评价方法进行分类;
将分类得到的结果按所述监测点的监测类型进行分类;
将分类得到的结果组成对应的语义文本。
5.根据权利要求1所述的大坝安全监测体检单生成方法,其特征在于,所述将预设时长内的所述自动监测数据、人工监测数据和综合评价结果生成大坝安全监测体检单具体包括:
确定所述自动监测数据、所述人工检测数据和所述综合研判结果的表述类型;
根据所述表述类型将所述自动监测数据、所述人工检测数据和所述综合研判结果,生成PDF格式的体检单。
6.根据权利要求5所述的大坝安全监测体检单生成方法,其特征在于,所述根据所述表述类型将所述自动监测数据、人工监测数据和综合研判结果,生成PDF格式的体检单具体包括:
使用iText库创建PDF文档对象;
创建PDFWriter对象,将其与所述PDF文档对象关联;
将所述自动监测数据、所述人工监测数据和所述综合研判结果中的段落文字使用Paragraph写入到所述PDF文档,将表格使用Table对象写入到所述PDF文档,得到所述PDF格式的体检单。
7.根据权利要求5所述的大坝安全监测体检单生成方法,其特征在于,在所述根据所述表述类型将所述自动监测数据、所述人工监测数据和所述综合研判结果,生成PDF格式的体检单之后还包括:
将所述PDF格式的体检单写入response的输出流,发送至前端进行展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310967845.7A CN116882758A (zh) | 2023-08-02 | 2023-08-02 | 一种大坝安全监测体检单生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310967845.7A CN116882758A (zh) | 2023-08-02 | 2023-08-02 | 一种大坝安全监测体检单生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116882758A true CN116882758A (zh) | 2023-10-13 |
Family
ID=88258597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310967845.7A Pending CN116882758A (zh) | 2023-08-02 | 2023-08-02 | 一种大坝安全监测体检单生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116882758A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422938A (zh) * | 2023-12-18 | 2024-01-19 | 水利部珠江水利委员会珠江水利综合技术中心 | 基于三维分析平台的坝坡混凝土结构异常分析方法 |
CN117574321A (zh) * | 2024-01-16 | 2024-02-20 | 中国电建集团西北勘测设计研究院有限公司 | 基于海量监测巡检信息融合模型的大坝安全评估方法 |
-
2023
- 2023-08-02 CN CN202310967845.7A patent/CN116882758A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422938A (zh) * | 2023-12-18 | 2024-01-19 | 水利部珠江水利委员会珠江水利综合技术中心 | 基于三维分析平台的坝坡混凝土结构异常分析方法 |
CN117422938B (zh) * | 2023-12-18 | 2024-03-12 | 水利部珠江水利委员会珠江水利综合技术中心 | 基于三维分析平台的坝坡混凝土结构异常分析方法 |
CN117574321A (zh) * | 2024-01-16 | 2024-02-20 | 中国电建集团西北勘测设计研究院有限公司 | 基于海量监测巡检信息融合模型的大坝安全评估方法 |
CN117574321B (zh) * | 2024-01-16 | 2024-04-12 | 中国电建集团西北勘测设计研究院有限公司 | 基于海量监测巡检信息融合模型的大坝安全评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116882758A (zh) | 一种大坝安全监测体检单生成方法 | |
CN112381309A (zh) | 水库大坝安全监测预警方法、装置、系统及存储介质 | |
CN103978996A (zh) | 一种高速铁路环境信息采集、评估和预警装置与方法 | |
CN107944590B (zh) | 一种渔情分析预报的方法及设备 | |
CN104655030A (zh) | 一种输电线路覆冰检测与预警装置 | |
CN102261982A (zh) | 一种隧道渗水的预警方法 | |
CN206627815U (zh) | 一种海上风电基础结构远程监控系统 | |
CN104077872A (zh) | 一种基于图像识别的输电线路防外力监控预警方法 | |
CN102955940A (zh) | 一种输电线路物体检测系统及方法 | |
CN109857782A (zh) | 一种测井数据采集处理系统 | |
CN114723285A (zh) | 一种电网设备安全性评估预测方法 | |
CN115345568A (zh) | 一种基于排水管网gis的监测预警方法及系统 | |
CN113593191A (zh) | 一种基于大数据的可视化城市内涝监测预警系统 | |
CN104462855A (zh) | 一种地下构筑物监控数据处理和分析的方法及设备 | |
CN114184232A (zh) | 一种输电线路多参量集成监测系统 | |
CN216350246U (zh) | 海上风电设备的腐蚀监测预警系统 | |
CN114417981A (zh) | 一种智能河长巡测系统 | |
CN114021766A (zh) | 一种基于物联网和大数据的城市水安全预测方法 | |
CN107562041A (zh) | 转辙机故障预警方法、装置、设备及计算机可读存储介质 | |
CN117108458A (zh) | 海上风电分区腐蚀安全评估方法、系统、设备及存储介质 | |
CN116579615A (zh) | 一种基于无人机遥感的植被覆盖监测系统 | |
CN116013047A (zh) | 基于图注意力网络和长短期记忆网络的浓雾短临趋势预警系统与方法 | |
CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 | |
CN111967419B (zh) | 一种坝岸险情预测方法、装置、计算机设备及存储介质 | |
CN115905348A (zh) | 一种多源异构数据的行业用电异常预警方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |