CN117077451B - 一种道路内部使用寿命评估方法、电子设备及存储介质 - Google Patents
一种道路内部使用寿命评估方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117077451B CN117077451B CN202311336732.3A CN202311336732A CN117077451B CN 117077451 B CN117077451 B CN 117077451B CN 202311336732 A CN202311336732 A CN 202311336732A CN 117077451 B CN117077451 B CN 117077451B
- Authority
- CN
- China
- Prior art keywords
- road
- void
- service life
- area
- section
- 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 78
- 239000011800 void material Substances 0.000 claims abstract description 208
- 201000010099 disease Diseases 0.000 claims abstract description 61
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 61
- 238000011156 evaluation Methods 0.000 claims abstract description 50
- 238000004364 calculation method Methods 0.000 claims abstract description 43
- 238000005315 distribution function Methods 0.000 claims abstract description 33
- 230000000149 penetrating effect Effects 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 19
- 230000008859 change Effects 0.000 claims description 59
- 230000006870 function Effects 0.000 claims description 39
- 238000010606 normalization Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000005553 drilling Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical 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]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/12—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with electromagnetic waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- G06F2119/12—Timing analysis or timing optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Geometry (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Geophysics (AREA)
- General Business, Economics & Management (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
一种道路内部使用寿命评估方法、电子设备及存储介质,属于道路寿命评估技术领域。为解决在道路病害初期发现道路内部的隐性病害的问题。本发明基于探地雷达脱空病害图像,构建道路内部脱空病害识别卷积神经网络模型;采用探地雷达采集道路内部图像,进行病害识别,并计算道路内部脱空区域参数;构建道路内部使用寿命评估指标;对得到的道路内部使用寿命评估指标进行归一化处理,构建道路内部使用寿命综合评估指标;进行初步道路内部使用寿命评估;采用三参数威布尔分布函数构建道路路段的寿命分布函数模型;将得到的道路路段的寿命分布函数模型进行优化,得到优化后的道路路段的寿命分布函数模型。本发明实现道路各路段寿命计算。
Description
技术领域
本发明属于道路寿命评估技术领域,具体涉及一种道路内部使用寿命评估方法、电子设备及存储介质。
背景技术
道路是车辆安全行驶的基础。近年来,受到城市道路地下管网漏损、雨水冲刷、周边施工扰动等因素的影响,道路内部会出现材料松散,并逐渐演化为脱空。脱空的出现,使得道路出现沉降、变形、结构承载力下降,进而演化为空洞,甚至引发道路塌陷等事件,成为道路车辆安全行驶的严重威胁。道路塌陷事件呈逐年增加趋势,严重威胁人们的出行安全,成为社会关注的重点问题。
良好的道路技术状况对于保障车辆安全行驶具有重要意义。目前,行业内在道路技术状况评定过程中,主要是通过对道路表面的病害分布状况,包含裂缝、坑槽、车辙、沉陷、波浪、拥包等道路表面病害,在对路面检查的基础上,进行技术状况等级评定,进而指导道路养护决策。然而,与道路表面病害相比,道路内部病害隐蔽性更强,其中,道路脱空的影响更大,脱空区域的不断发育,会产生空洞,引发道路塌陷。
在道路内部脱空评估过程中,现有方法局限于对道路脱空的识别,将研究重点聚焦在了单个脱空信息的研究中,无法基于单个脱空信息的分析结果评估整个道路或路网的服役状态和服役寿命,而服役寿命的预测对于道路的养护决策起到重要的参考价值。
申请号为202210685300.2、发明名称为“一种用于城市道路脱空塌陷监测预警的物联系统”的发明专利,通过多个感知节点分布式埋设于土体中,用于实时监测土体的状态,分析土体的运移状态,判断识别是否形成空洞塌陷及塌陷区域。
申请号为202110686172.9、发明名称为“城市地下施工情景下脱空道路安全余量评估和预控方法”的发明专利,采用模拟的方式,模拟空洞在地下施工振动下的发育过程,基于模拟出的空洞扩展形态,确定行车最不利荷载工况,建立道路破坏判据,确定临灾状态下道路实际承载能力,计算脱空道路安全余量,进而根据结果进行地上、地下的联合预控。
上述方法中,主要面向于道路空洞塌陷和预报预警,然而,对于道路内部的病害,存在一个病害从萌生到扩大的发育过程,上述方法仅适合于内部脱空或空洞发育到较为严重的程度。此时,车辆在道路上的行驶安全隐患已经存在较大威胁。另一方面,对于道路内部脱空区域,缺少一种基于道路脱空分析的寿命评估方法,用于指导道路养护决策。
发明内容
本发明要解决的问题是为了在道路病害初期发现道路内部的隐性病害,提出一种道路内部使用寿命评估方法、电子设备及存储介质。
为实现上述目的,本发明通过以下技术方案实现:
一种道路内部使用寿命评估方法,包括如下步骤:
S1、基于探地雷达脱空病害图像,构建道路内部脱空病害识别卷积神经网络模型;
S2、采用探地雷达采集道路内部图像,将采集的道路内部图像利用步骤S1得到的道路内部脱空病害识别卷积神经网络模型进行病害识别,并计算道路内部脱空区域参数;
S3、基于步骤S2得到的道路内部脱空区域参数,构建道路内部使用寿命评估指标;
S4、对步骤S3得到的道路内部使用寿命评估指标进行归一化处理,构建道路内部使用寿命综合评估指标;
S5、根据步骤S4的方法计算道路内部使用寿命综合评估指标,进行初步道路内部使用寿命评估;
S6、采用三参数威布尔分布函数构建道路路段的寿命分布函数模型;
步骤S6的具体实现方法包括如下步骤:
S6.1、采用三参数威布尔函数,构建道路路段的寿命分布函数模型,计算表达式为:
;
其中,为道路路段服役时间,/>为威布尔分布的位置参数,/>为威布尔分布的尺度参数,/>为威布尔分布的形状参数,/>为道路路段服役时间内道路路段累计出现损伤的概率;
S6.2、基于步骤S6.1的道路路段的寿命分布函数模型,构建道路路段的寿命分布的概率密度函数模型,计算表达式为:
;
其中,为道路路段服役时间内时刻t对应的道路路段出现损伤的概率;
构建道路路段的可靠度函数模型,计算表达式为:
;
其中,为道路路段服役时间内道路路段状态完好的概率;
构建道路路段的失效概率函数模型,计算表达式为:
;
其中,为道路路段服役时间t之前道路路段尚未出现损伤、道路路段服役时间t之后道路路段单位时间内出现损伤的概率;
构建道路路段平均出现损伤的时间函数模型,计算表达式为:
;
其中,为道路路段服役时间内道路路段平均出现损伤的时间;
S7、将步骤S6得到的道路路段的寿命分布函数模型进行优化,得到优化后的道路路段的寿命分布函数模型。
进一步的,步骤S1的具体实现方法包括如下步骤:
S1.1、基于探地雷达脱空病害图像建立道路内部病害数据集:采用LabelImg软件,使用矩形框标记探地雷达脱空病害图像中的病害并标注病害类别,保存标注文件的命名与探地雷达脱空病害图像的命名一致,得到道路内部病害数据集;
S1.2、将步骤S1得到的道路内部病害数据集按照6:2:2的比例,随机分为训练集、验证集、测试集;
S1.3、将步骤S1.2得到的训练集、验证集、测试集,输入到卷积神经网络中进行训练、验证和测试,输出卷积神经网络模型的模型参数,包括网络层数、各层神经元节点数量、学习率、权重、偏置、激活函数、损失函数、卷积核,得到道路内部脱空病害识别卷积神经网络模型。
进一步的,步骤S2的具体实现方法包括如下步骤:
S2.1、采用探地雷达采集道路内部图像,将采集的道路内部图像利用步骤S1得到的道路内部脱空病害识别卷积神经网络模型进行病害识别,得到病害道路内部图像;
S2.2、采用钻机钻探步骤S2.1得到病害道路内部图像的病害道路,得到道路脱空区域;
S2.3、将内窥镜深入道路脱空区域,通过内窥镜显示器确定道路脱空区域的顶板位置和底板位置,测量顶板位置和底板位置的距离,为道路脱空区域高度;
S2.4、然后向步骤S2.2得到的道路脱空区域中注水,直至注满水,并记录注水的体积为道路脱空区域体积;
S2.5、计算道路脱空区域面积,计算表达式为:
。
进一步的,步骤S3的具体实现方法包括如下步骤:
S3.1、设置道路脱空区域的总数量为;
S3.2、构建道路内部使用寿命评估指标:包括道路脱空区域的总数量、道路脱空区域的平均高度、平均体积、平均面积、高度变化梯度、体积变化梯度、数量变化梯度、面积变化梯度;
S3.2.1、道路脱空区域的平均高度的计算表达式为:
;
其中,道路第i个脱空区域的高度为;
S3.2.2、道路脱空区域的平均体积的计算表达式为:
;
其中,道路第i个脱空区域的体积为;
S3.2.3、道路脱空区域的平均面积的计算表达式为:
;
其中,道路第i个脱空区域的面积为;
S3.2.4、道路脱空区域的高度变化梯度的计算表达式为:
;
其中,、/>分别为第i个数据采集时间和第i+1个数据采集时间,/>为第i个数据采集时间的道路脱空区域的平均高度,/>为第i+1个数据采集时间的道路脱空区域的平均高度;
S3.2.5、道路脱空区域的体积变化梯度的计算表达式为:
;
其中,为第i个数据采集时间的道路脱空区域的平均体积,/>为第i+1个数据采集时间的道路脱空区域的平均体积;
S3.2.6、道路脱空区域的数量变化梯度的计算表达式为:
;
其中,为第i个数据采集时间的道路脱空区域的数量,/>为第i+1个数据采集时间的道路脱空区域的数量;
S3.2.7、道路脱空区域的面积变化梯度的计算表达式为:
;
其中,为第i个数据采集时间的道路脱空区域的平均面积,/>为第i+1个数据采集时间的道路脱空区域的平均面积。
进一步的,步骤S4的具体实现方法包括如下步骤:
S4.1、以50m为道路划分长度,将道路划分为NP段,其中,NP为道路路段总数量;
S4.2、以道路建成开始运营的时间点作为时间零点,针对每一段道路,分别检测每一段道路运行t时间后的道路脱空区域,并计算每一段道路脱空区域的道路内部使用寿命评估指标;
S4.3、遍历步骤S4.2计算的每一段道路脱空区域的道路内部使用寿命评估指标,得到每个道路内部使用寿命评估指标的最大值,包括道路脱空区域的总数量最大值、道路脱空区域的平均高度最大值/>、平均体积最大值/>、平均面积最大值/>、高度变化梯度最大值/>、体积变化梯度最大值/>、数量变化梯度最大值/>、面积变化梯度最大值/>;
S4.4、对步骤S4.2得到的每一段道路脱空区域的道路内部使用寿命评估指标利用步S4.3得到的以每一段道路脱空区域的道路内部使用寿命评估指标最大值为基准,进行归一化处理,计算公式为:
;
其中,为归一化处理的道路脱空区域的平均高度;
;
其中,为归一化处理的道路脱空区域的总数量;
;
其中,为归一化处理的道路脱空区域的平均体积;
;
其中,为归一化处理的道路脱空区域的平均面积;
;
其中,为归一化处理的道路脱空区域的高度变化梯度;
;
其中,为归一化处理的道路脱空区域的数量变化梯度;
;
其中,为归一化处理的道路脱空区域的体积变化梯度;
;
其中,为归一化处理的道路脱空区域的面积变化梯度;
然后建立道路内部使用寿命综合评估指标TK,计算表达式为:
;
其中,zk1为归一化处理的道路脱空区域的平均高度的权重系数,zk2为归一化处理的道路脱空区域的总数量的权重系数,zk3为归一化处理的道路脱空区域的平均体积的权重系数,zk4为归一化处理的道路脱空区域的平均面积的权重系数,zk5为归一化处理的道路脱空区域的高度变化梯度的权重系数,zk6为归一化处理的道路脱空区域的数量变化梯度的权重系数,zk7为归一化处理的道路脱空区域的体积变化梯度的权重系数,zk8为归一化处理的道路脱空区域的面积变化梯度的权重系数;
S4.5、根据步骤S4.4的方法计算第i个路段在ti时刻的道路内部使用寿命综合评估指标。
进一步的,步骤S5的具体实现方法包括如下步骤:
S5.1、统计MK条道路运行15年后的道路检测数据,根据步骤S4的方法计算每条道路内部使用寿命综合评估指标,为第j条道路运行15年后的道路内部使用寿命综合评估指标,然后计算MK条道路的道路内部使用寿命综合评估指标的平均值/>和道路内部使用寿命综合评估指标的标准差/>;
S5.2、构建道路内部使用寿命综合评估指标的阈值,计算表达式为:
;
当时,判断为道路内部完好,当/>时,判断为道路内部损坏;
S5.3、对步骤S5.2中判断为道路内部损坏的路段,采集第i个路段第1次出现损坏时的时间,然后建立路段第1次出现损坏的时间矩阵FT,/>;
S5.4、统计道路运行t i 时间对应的道路路段第1次出现损坏的路段数量,然后计算道路运行t i 时间对应的道路路段第1次出现损坏的路段数量占道路路段总数量的百分比,计算表达式为:
;
其中,为道路运行t i 时间对应的道路路段第1次出现损坏的路段数量占道路路段总数量的百分比。
进一步的,步骤S7的具体实现方法包括如下步骤:
S7.1、建立参数、/>、/>和道路使用寿命的关系,计算表达式为:
;
其中,为道路路段的道路使用寿命最小值,/>、/>、/>分别为/>的二次项回归参数、一次项回归参数、常数项回归参数;
;
;
其中,为道路路段的道路使用寿命最大值与最小值的差值;/>、/>、/>分别为的二次项回归参数、一次项回归参数、常数项回归参数;
;
;
;
其中,为道路路段的中的道路使用寿命的平均值,/>、/>、/>分别为/>的二次项回归参数、一次项回归参数、常数项回归参数;
;
S7.2、基于步骤S7.1构建的参数、/>、/>和道路使用寿命的关系,优化步骤S6得到的道路路段的寿命分布函数模型;
优化后的道路路段的寿命分布函数模型的计算表达式为:
;
优化后的道路路段的寿命分布的概率密度函数模型的计算表达式为:
;
;
优化后的道路路段的可靠度函数模型的计算表达式为:
;
优化后的道路路段的失效概率函数模型的计算表达式为:
;
优化后的道路路段平均出现损伤的时间函数模型的计算表达式为:
;
;
S7.3、采用步骤S5得到的和/>,带入步骤S6.1构建的道路路段的寿命分布函数模型,采用最小二乘法拟合求解,计算得到/>、/>、/>;
基于步骤S7.1得到的和道路使用寿命的关系、计算得到的/>和统计得到的,采用最小二乘法拟合求解,计算得到/>、/>、/>;
基于步骤S7.1得到的和道路使用寿命的关系、计算得到的/>和得到的/>,采用最小二乘法拟合求解,计算得到/>、/>、/>;
基于步骤S7.1得到的和道路使用寿命的关系、计算得到的/>和得到的/>,采用最小二乘法拟合求解,计算得到/>、/>、/>。
电子设备,包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现所述的一种道路内部使用寿命评估方法的步骤。
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所述的一种道路内部使用寿命评估方法。
本发明的有益效果:
本发明所述的一种道路内部使用寿命评估方法,在对道路内部脱空区域识别和指标计算的基础上,建立了道路内部状态评价指标体系,包含脱空区域数量、高度、体积、面积以及对应指标的变化梯度。同时,考虑不同路段间影响因素的差异,提出路面损坏评估方法,构建损坏时间矩阵;通过损坏路段与道路总路段的占比统计分析,结合威布尔分布函数,提出适合道路寿命分析的寿命分布函数、概率密度函数、可靠度函数、失效概率函数、损伤出现的平均时间计算方法,实现道路各路段寿命计算,可为道路路面的养护维修提供准确科学的决策支持。
本发明所述的一种道路内部使用寿命评估方法,基于道路内部脱空区域的分布及其变化速度,综合评价道路路面使用寿命,实现了道路内部使用寿命的评价,计算出每条道路的每个路段具体出现损伤的时间,对于指导道路养护具有重要意义。具体地,对于较短时间出现道路损伤的路段,需要重点关注并分析其具体原因,进而反向指导道路设计、施工、养护等全生命周期过程,提高道路服役寿命,降低行车风险。
本发明所述的一种道路内部使用寿命评估方法,可降低道路长期维护和更新所需成本。
附图说明
图1为本发明所述的一种道路内部使用寿命评估方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施方式,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅用以解释本发明,并不用于限定本发明,即所描述的具体实施方式仅仅是本发明一部分实施方式,而不是全部的具体实施方式。通常在此处附图中描述和展示的本发明具体实施方式的组件可以以各种不同的配置来布置和设计,本发明还可以具有其他实施方式。
因此,以下对在附图中提供的本发明的具体实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定具体实施方式。基于本发明的具体实施方式,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他具体实施方式,都属于本发明保护的范围。
为能进一步了解本发明的发明内容、特点及功效,兹例举以下具体实施方式,并配合附图1详细说明如下:
具体实施方式一:
一种道路内部使用寿命评估方法,包括如下步骤:
S1、基于探地雷达脱空病害图像,构建道路内部脱空病害识别卷积神经网络模型;
进一步的,步骤S1的具体实现方法包括如下步骤:
S1.1、基于探地雷达脱空病害图像建立道路内部病害数据集:采用LabelImg软件,使用矩形框标记探地雷达脱空病害图像中的病害并标注病害类别,保存标注文件的命名与探地雷达脱空病害图像的命名一致,得到道路内部病害数据集;
S1.2、将步骤S1得到的道路内部病害数据集按照6:2:2的比例,随机分为训练集、验证集、测试集;
S1.3、将步骤S1.2得到的训练集、验证集、测试集,输入到卷积神经网络中进行训练、验证和测试,输出卷积神经网络模型的模型参数,包括网络层数、各层神经元节点数量、学习率、权重、偏置、激活函数、损失函数、卷积核,得到道路内部脱空病害识别卷积神经网络模型;
S2、采用探地雷达采集道路内部图像,将采集的道路内部图像利用步骤S1得到的道路内部脱空病害识别卷积神经网络模型进行病害识别,并计算道路内部脱空区域参数;
进一步的,步骤S2的具体实现方法包括如下步骤:
S2.1、采用探地雷达采集道路内部图像,将采集的道路内部图像利用步骤S1得到的道路内部脱空病害识别卷积神经网络模型进行病害识别,得到病害道路内部图像;
S2.2、采用钻机钻探步骤S2.1得到病害道路内部图像的病害道路,得到道路脱空区域;
S2.3、将内窥镜深入道路脱空区域,通过内窥镜显示器确定道路脱空区域的顶板位置和底板位置,测量顶板位置和底板位置的距离,为道路脱空区域高度;
S2.4、然后向步骤S2.2得到的道路脱空区域中注水,直至注满水,并记录注水的体积为道路脱空区域体积;
S2.5、计算道路脱空区域面积,计算表达式为:
;
S3、基于步骤S2得到的道路内部脱空区域参数,构建道路内部使用寿命评估指标;
进一步的,步骤S3的具体实现方法包括如下步骤:
S3.1、设置道路脱空区域的总数量为;
S3.2、构建道路内部使用寿命评估指标:包括道路脱空区域的总数量、道路脱空区域的平均高度、平均体积、平均面积、高度变化梯度、体积变化梯度、数量变化梯度、面积变化梯度;
S3.2.1、道路脱空区域的平均高度的计算表达式为:
;
其中,道路第i个脱空区域的高度为;
S3.2.2、道路脱空区域的平均体积的计算表达式为:
;
其中,道路第i个脱空区域的体积为;/>
S3.2.3、道路脱空区域的平均面积的计算表达式为:
;
其中,道路第i个脱空区域的面积为;
S3.2.4、道路脱空区域的高度变化梯度的计算表达式为:
;
其中,、/>分别为第i个数据采集时间和第i+1个数据采集时间,/>为第i个数据采集时间的道路脱空区域的平均高度,/>为第i+1个数据采集时间的道路脱空区域的平均高度;
S3.2.5、道路脱空区域的体积变化梯度的计算表达式为:
;
其中,为第i个数据采集时间的道路脱空区域的平均体积,/>为第i+1个数据采集时间的道路脱空区域的平均体积;
S3.2.6、道路脱空区域的数量变化梯度的计算表达式为:
;
其中,为第i个数据采集时间的道路脱空区域的数量,/>为第i+1个数据采集时间的道路脱空区域的数量;
S3.2.7、道路脱空区域的面积变化梯度的计算表达式为:
;
其中,为第i个数据采集时间的道路脱空区域的平均面积,/>为第i+1个数据采集时间的道路脱空区域的平均面积;
S4、对步骤S3得到的道路内部使用寿命评估指标进行归一化处理,构建道路内部使用寿命综合评估指标;
进一步的,步骤S4的具体实现方法包括如下步骤:
S4.1、以50m为道路划分长度,将道路划分为NP段,其中,NP为道路路段总数量;
S4.2、以道路建成开始运营的时间点作为时间零点,针对每一段道路,分别检测每一段道路运行t时间后的道路脱空区域,并计算每一段道路脱空区域的道路内部使用寿命评估指标;
S4.3、遍历步骤S4.2计算的每一段道路脱空区域的道路内部使用寿命评估指标,得到每个道路内部使用寿命评估指标的最大值,包括道路脱空区域的总数量最大值、道路脱空区域的平均高度最大值/>、平均体积最大值/>、平均面积最大值/>、高度变化梯度最大值/>、体积变化梯度最大值/>、数量变化梯度最大值/>、面积变化梯度最大值/>;
S4.4、对步骤S4.2得到的每一段道路脱空区域的道路内部使用寿命评估指标利用步S4.3得到的以每一段道路脱空区域的道路内部使用寿命评估指标最大值为基准,进行归一化处理,计算公式为:
;
其中,为归一化处理的道路脱空区域的平均高度;
;
其中,为归一化处理的道路脱空区域的总数量;
;
其中,为归一化处理的道路脱空区域的平均体积;
;
其中,为归一化处理的道路脱空区域的平均面积;
;
其中,为归一化处理的道路脱空区域的高度变化梯度;
;/>
其中,为归一化处理的道路脱空区域的体积变化梯度;
;
其中,为归一化处理的道路脱空区域的面积变化梯度;
然后建立道路内部使用寿命综合评估指标TK,计算表达式为:
;
其中,zk1为归一化处理的道路脱空区域的平均高度的权重系数,zk2为归一化处理的道路脱空区域的总数量的权重系数,zk3为归一化处理的道路脱空区域的平均体积的权重系数,zk4为归一化处理的道路脱空区域的平均面积的权重系数,zk5为归一化处理的道路脱空区域的高度变化梯度的权重系数,zk6为归一化处理的道路脱空区域的数量变化梯度的权重系数,zk7为归一化处理的道路脱空区域的体积变化梯度的权重系数,zk8为归一化处理的道路脱空区域的面积变化梯度的权重系数;
S4.5、根据步骤S4.4的方法计算第i个路段在ti时刻的道路内部使用寿命综合评估指标;
S5、根据步骤S4的方法计算道路内部使用寿命综合评估指标,进行初步道路内部使用寿命评估;
进一步的,步骤S5的具体实现方法包括如下步骤:
S5.1、统计MK条道路运行15年后的道路检测数据,根据步骤S4的方法计算每条道路内部使用寿命综合评估指标,为第j条道路运行15年后的道路内部使用寿命综合评估指标,然后计算MK条道路的道路内部使用寿命综合评估指标的平均值/>和道路内部使用寿命综合评估指标的标准差/>;
S5.2、构建道路内部使用寿命综合评估指标的阈值,计算表达式为:
;
当时,判断为道路内部完好,当/>时,判断为道路内部损坏;
S5.3、对步骤S5.2中判断为道路内部损坏的路段,采集第i个路段第1次出现损坏时的时间,然后建立路段第1次出现损坏的时间矩阵FT,/>;
S5.4、统计道路运行时间对应的道路路段第1次出现损坏的路段数量占道路路段总数量的百分比,计算表达式为:
;/>
其中,为道路运行t i 时间对应的道路路段第1次出现损坏的路段数量占道路路段总数量的百分比;
S6、采用三参数威布尔分布函数构建道路路段的寿命分布函数模型;
进一步的,步骤S6的具体实现方法包括如下步骤:
S6.1、采用三参数威布尔函数,构建道路路段的寿命分布函数模型,计算表达式为:
;
其中,为道路路段服役时间,/>为威布尔分布的位置参数,/>为威布尔分布的尺度参数,/>为威布尔分布的形状参数,/>为道路路段服役时间内道路路段累计出现损伤的概率;
S6.2、基于步骤S6.1的道路路段的寿命分布函数模型,构建道路路段的寿命分布的概率密度函数模型,计算表达式为:
;
其中,为道路路段服役时间内时刻t对应的道路路段出现损伤的概率;
构建道路路段的可靠度函数模型,计算表达式为:
;
其中,为道路路段服役时间内道路路段状态完好的概率;
构建道路路段的失效概率函数模型,计算表达式为:
;
其中,为道路路段服役时间t之前道路路段尚未出现损伤、道路路段服役时间t之后道路路段单位时间内出现损伤的概率;
构建道路路段平均出现损伤的时间函数模型,计算表达式为:
;/>
其中,为道路路段服役时间内道路路段平均出现损伤的时间;
S7、将步骤S6得到的道路路段的寿命分布函数模型进行优化,得到优化后的道路路段的寿命分布函数模型;
进一步的,步骤S7的具体实现方法包括如下步骤:
S7.1、建立参数、/>、/>和道路使用寿命的关系,计算表达式为:
;
其中,为道路路段的道路使用寿命最小值,/>、/>、/>分别为/>的二次项回归参数、一次项回归参数、常数项回归参数;
;
;
其中,为道路路段的道路使用寿命最大值与最小值的差值;/>、/>、/>分别为/>的二次项回归参数、一次项回归参数、常数项回归参数;
;
;
;
其中,为道路路段的中的道路使用寿命的平均值,/>、/>、/>分别为/>的二次项回归参数、一次项回归参数、常数项回归参数;
;
S7.2、基于步骤S7.1构建的参数、/>、/>和道路使用寿命的关系,优化步骤S6得到的道路路段的寿命分布函数模型;
优化后的道路路段的寿命分布函数模型的计算表达式为:
;
优化后的道路路段的寿命分布的概率密度函数模型的计算表达式为:
;
;
优化后的道路路段的可靠度函数模型的计算表达式为:
;
优化后的道路路段的失效概率函数模型的计算表达式为:
;
优化后的道路路段平均出现损伤的时间函数模型的计算表达式为:
;
;
S7.3、采用步骤S5得到的和/>,带入步骤S6.1构建的道路路段的寿命分布函数模型,采用最小二乘法拟合求解,计算得到/>、/>、/>;
基于步骤S7.1得到的和道路使用寿命的关系、计算得到的/>和统计得到的,采用最小二乘法拟合求解,计算得到/>、/>、/>;
基于步骤S7.1得到的和道路使用寿命的关系、计算得到的/>和得到的/>,采用最小二乘法拟合求解,计算得到/>、/>、/>;
基于步骤S7.1得到的和道路使用寿命的关系、计算得到的/>和得到的/>,采用最小二乘法拟合求解,计算得到/>、/>、/>。
本实施方式可实现道路内部使用寿命的评估,可计算出每条道路的每个路段具体出现损伤的时间,对于指导道路养护具有重要意义。具体地,对于较短时间出现道路损伤的路段,需要重点关注并分析其具体原因,进而反向指导道路设计、施工、养护等全生命周期过程,提高道路服役寿命,降低行车风险。
具体实施方式二:
电子设备,包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现所述的一种道路内部使用寿命评估方法的步骤。
本发明的计算机装置可以是包括有处理器以及存储器等装置,例如包含中央处理器的单片机等。并且,处理器用于执行存储器中存储的计算机程序时实现上述的一种道路内部使用寿命评估方法的步骤。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
具体实施方式三:
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所述的一种道路内部使用寿命评估方法。
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质,包括但不限于非易失性存储器、易失性存储器、铁电存储器等,计算机可读存储介质上存储有计算机程序,当计算机装置的处理器读取并执行存储器中所存储的计算机程序时,可以实现上述的一种道路内部使用寿命评估方法的步骤。
所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然在上文中已经参考具体实施方式对本申请进行了描述,然而在不脱离本申请的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,本申请所披露的具体实施方式中的各项特征均可通过任意方式相互结合起来使用,在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此,本申请并不局限于文中公开的特定具体实施方式,而是包括落入权利要求的范围内的所有技术方案。
Claims (6)
1.一种道路内部使用寿命评估方法,其特征在于,包括如下步骤:
S1、基于探地雷达脱空病害图像,构建道路内部脱空病害识别卷积神经网络模型;
S2、采用探地雷达采集道路内部图像,将采集的道路内部图像利用步骤S1得到的道路内部脱空病害识别卷积神经网络模型进行病害识别,并计算道路内部脱空区域参数;
步骤S2的具体实现方法包括如下步骤:
S2.1、采用探地雷达采集道路内部图像,将采集的道路内部图像利用步骤S1得到的道路内部脱空病害识别卷积神经网络模型进行病害识别,得到病害道路内部图像;
S2.2、采用钻机钻探步骤S2.1得到病害道路内部图像的病害道路,得到道路脱空区域;
S2.3、将内窥镜深入道路脱空区域,通过内窥镜显示器确定道路脱空区域的顶板位置和底板位置,测量顶板位置和底板位置的距离,为道路脱空区域高度Hha;
S2.4、然后向步骤S2.2得到的道路脱空区域中注水,直至注满水,并记录注水的体积为道路脱空区域体积Va;
S2.5、计算道路脱空区域面积Sa,计算表达式为:
S3、基于步骤S2得到的道路内部脱空区域参数,构建道路内部使用寿命评估指标;
步骤S3的具体实现方法包括如下步骤:
S3.1、设置道路脱空区域的总数量为NT;
S3.2、构建道路内部使用寿命评估指标:包括道路脱空区域的总数量、道路脱空区域的平均高度、平均体积、平均面积、高度变化梯度、体积变化梯度、数量变化梯度、面积变化梯度;
S3.2.1、道路脱空区域的平均高度的计算表达式为:
其中,道路第k个脱空区域的高度为
S3.2.2、道路脱空区域的平均体积的计算表达式为:
其中,道路第k个脱空区域的体积为
S3.2.3、道路脱空区域的平均面积的计算表达式为:
其中,道路第k个脱空区域的面积为
S3.2.4、道路脱空区域的高度变化梯度的计算表达式为:
其中,tl、tl+1分别为第l个数据采集时间和第l+1个数据采集时间,为第l个数据采集时间的道路脱空区域的平均高度,/>为第l+1个数据采集时间的道路脱空区域的平均高度;
S3.2.5、道路脱空区域的体积变化梯度的计算表达式为:
其中,为第l个数据采集时间的道路脱空区域的平均体积,/>为第l+1个数据采集时间的道路脱空区域的平均体积;
S3.2.6、道路脱空区域的数量变化梯度dNT的计算表达式为:
其中,为第l个数据采集时间的道路脱空区域的数量,/>为第l+1个数据采集时间的道路脱空区域的数量;
S3.2.7、道路脱空区域的面积变化梯度的计算表达式为:
其中,为第l个数据采集时间的道路脱空区域的平均面积,/>为第l+1个数据采集时间的道路脱空区域的平均面积;
S4、对步骤S3得到的道路内部使用寿命评估指标进行归一化处理,构建道路内部使用寿命综合评估指标;
S5、根据步骤S4的方法计算道路内部使用寿命综合评估指标,进行初步道路内部使用寿命评估;
步骤S5的具体实现方法包括如下步骤:
S5.1、统计MK条道路运行15年后的道路检测数据,根据步骤S4的方法计算每条道路内部使用寿命综合评估指标,为第j条道路运行15年后的道路内部使用寿命综合评估指标,然后计算MK条道路的道路内部使用寿命综合评估指标的平均值/>和道路内部使用寿命综合评估指标的标准差/>
S5.2、构建道路内部使用寿命综合评估指标的阈值TKAT,计算表达式为:
当时,判断为道路内部完好,当/>时,判断为道路内部损坏,/>为第i个路段在ti时刻的道路内部使用寿命综合评估指标;
S5.3、对步骤S5.2中判断为道路内部损坏的路段,采集第i个路段第1次出现损坏时的时间然后建立路段第1次出现损坏的时间矩阵FT,/>NP为道路路段总数量;
S5.4、统计道路运行ti时间对应的道路路段第1次出现损坏的路段数量NDti,然后计算道路运行ti时间对应的道路路段第1次出现损坏的路段数量占道路路段总数量的百分比,计算表达式为:
其中,为道路运行ti时间对应的道路路段第1次出现损坏的路段数量占道路路段总数量的百分比;
S6、采用三参数威布尔分布函数构建道路路段的寿命分布函数模型;
步骤S6的具体实现方法包括如下步骤:
S6.1、采用三参数威布尔函数,构建道路路段的寿命分布函数模型,计算表达式为:
其中,t为道路路段服役时间,as为威布尔分布的位置参数,bs为威布尔分布的尺度参数,cs为威布尔分布的形状参数,BS(t)为道路路段服役时间内道路路段累计出现损伤的概率;
S6.2、基于步骤S6.1的道路路段的寿命分布函数模型,构建道路路段的寿命分布的概率密度函数模型,计算表达式为:
其中,CS(t)为道路路段服役时间内时刻t对应的道路路段出现损伤的概率;
构建道路路段的可靠度函数模型,计算表达式为:
其中,DS(t)为道路路段服役时间内道路路段状态完好的概率;
构建道路路段的失效概率函数模型,计算表达式为:
其中,ES(t)为道路路段服役时间t之前道路路段尚未出现损伤、道路路段服役时间t之后道路路段单位时间内出现损伤的概率;
构建道路路段平均出现损伤的时间函数模型,计算表达式为:
其中,HS(t)为道路路段服役时间内道路路段平均出现损伤的时间;
S7、将步骤S6得到的道路路段的寿命分布函数模型进行优化,得到优化后的道路路段的寿命分布函数模型。
2.根据权利要求1所述的一种道路内部使用寿命评估方法,其特征在于,步骤S1的具体实现方法包括如下步骤:
S1.1、基于探地雷达脱空病害图像建立道路内部病害数据集:采用LabelImg软件,使用矩形框标记探地雷达脱空病害图像中的病害并标注病害类别,保存标注文件的命名与探地雷达脱空病害图像的命名一致,得到道路内部病害数据集;
S1.2、将步骤S1得到的道路内部病害数据集按照6:2:2的比例,随机分为训练集、验证集、测试集;
S1.3、将步骤S1.2得到的训练集、验证集、测试集,输入到卷积神经网络中进行训练、验证和测试,输出卷积神经网络模型的模型参数,包括网络层数、各层神经元节点数量、学习率、权重、偏置、激活函数、损失函数、卷积核,得到道路内部脱空病害识别卷积神经网络模型。
3.根据权利要求2所述的一种道路内部使用寿命评估方法,其特征在于,步骤S4的具体实现方法包括如下步骤:
S4.1、以50m为道路划分长度,将道路划分为NP段,其中,NP为道路路段总数量;
S4.2、以道路建成开始运营的时间点作为时间零点,针对每一段道路,分别检测每一段道路运行t时间后的道路脱空区域,并计算每一段道路脱空区域的道路内部使用寿命评估指标;
S4.3、遍历步骤S4.2计算的每一段道路脱空区域的道路内部使用寿命评估指标,得到每个道路内部使用寿命评估指标的最大值,包括道路脱空区域的总数量最大值道路脱空区域的平均高度最大值/>道路脱空区域的平均体积最大值/>道路脱空区域的平均面积最大值/>道路脱空区域的高度变化梯度最大值/>道路脱空区域的体积变化梯度最大值/>道路脱空区域的数量变化梯度最大值/>道路脱空区域的面积变化梯度最大值/>
S4.4、对步骤S4.2得到的每一段道路脱空区域的道路内部使用寿命评估指标利用步S4.3得到的以每一段道路脱空区域的道路内部使用寿命评估指标最大值为基准,进行归一化处理,计算公式为:
其中,为归一化处理的道路脱空区域的平均高度;
其中,为归一化处理的道路脱空区域的总数量;
其中,为归一化处理的道路脱空区域的平均体积;
其中,为归一化处理的道路脱空区域的平均面积;
其中,为归一化处理的道路脱空区域的高度变化梯度;
其中,为归一化处理的道路脱空区域的数量变化梯度;
其中,为归一化处理的道路脱空区域的体积变化梯度;
其中,为归一化处理的道路脱空区域的面积变化梯度;
然后建立道路内部使用寿命综合评估指标TK,计算表达式为:
其中,zk1为归一化处理的道路脱空区域的平均高度的权重系数,zk2为归一化处理的道路脱空区域的总数量的权重系数,zk3为归一化处理的道路脱空区域的平均体积的权重系数,zk4为归一化处理的道路脱空区域的平均面积的权重系数,zk5为归一化处理的道路脱空区域的高度变化梯度的权重系数,zk6为归一化处理的道路脱空区域的数量变化梯度的权重系数,zk7为归一化处理的道路脱空区域的体积变化梯度的权重系数,zk8为归一化处理的道路脱空区域的面积变化梯度的权重系数;
S4.5、根据步骤S4.4的方法计算第i个路段在ti时刻的道路内部使用寿命综合评估指标
4.根据权利要求3所述的一种道路内部使用寿命评估方法,其特征在于,步骤S7的具体实现方法包括如下步骤:
S7.1、建立参数as、bs、cs和道路使用寿命的关系,计算表达式为:
其中,tmin为道路路段的道路使用寿命最小值,d1s、e1s、f1s分别为as的二次项回归参数、一次项回归参数、常数项回归参数;
bs=d2s(Δt)2+e2s(Δt)+f2s
其中,Δt为道路路段的道路使用寿命最大值与最小值的差值;d2s、e2s、f2s分别为bs的二次项回归参数、一次项回归参数、常数项回归参数;
Δt=tmax-tmin
其中,tav为道路路段的中的道路使用寿命的平均值,d3s、e3s、f3s分别为cs的二次项回归参数、一次项回归参数、常数项回归参数;
S7.2、基于步骤S7.1构建的参数as、bs、cs和道路使用寿命的关系,优化步骤S6得到的道路路段的寿命分布函数模型;
优化后的道路路段的寿命分布函数模型的计算表达式为:
优化后的道路路段的寿命分布的概率密度函数模型的计算表达式为:
优化后的道路路段的可靠度函数模型的计算表达式为:
优化后的道路路段的失效概率函数模型的计算表达式为:
优化后的道路路段平均出现损伤的时间函数模型的计算表达式为:
S7.3、采用步骤S5得到的和ti,带入步骤S6.1构建的道路路段的寿命分布函数模型,采用最小二乘法拟合求解,计算得到as、bs、cs;
基于得到的as和道路使用寿命的关系、计算得到的as和统计得到的采用最小二乘法拟合求解,计算得到d1s、e1s、f1s;
基于得到的bs和道路使用寿命的关系、计算得到的bs和得到的Δt,采用最小二乘法拟合求解,计算得到d2s、e2s、f2s;
基于得到的cs和道路使用寿命的关系、计算得到的cs和得到的tav,采用最小二乘法拟合求解,计算得到d3s、e3s、f3s。
5.电子设备,其特征在于,包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现权利要求1-4任一项所述的一种道路内部使用寿命评估方法的步骤。
6.计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-4任一项所述的一种道路内部使用寿命评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311336732.3A CN117077451B (zh) | 2023-10-17 | 2023-10-17 | 一种道路内部使用寿命评估方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311336732.3A CN117077451B (zh) | 2023-10-17 | 2023-10-17 | 一种道路内部使用寿命评估方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117077451A CN117077451A (zh) | 2023-11-17 |
CN117077451B true CN117077451B (zh) | 2024-03-26 |
Family
ID=88712013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311336732.3A Active CN117077451B (zh) | 2023-10-17 | 2023-10-17 | 一种道路内部使用寿命评估方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117077451B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103669184A (zh) * | 2013-12-25 | 2014-03-26 | 河南省高远公路养护技术有限公司 | 一种路面结构层隐形病害检测方法 |
CN108330794A (zh) * | 2018-01-30 | 2018-07-27 | 长安大学 | 一种沥青跑道精细化预防性养护与评价方法 |
CN112462346A (zh) * | 2020-11-26 | 2021-03-09 | 西安交通大学 | 一种基于卷积神经网络的探地雷达路基病害目标检测方法 |
CN115343685A (zh) * | 2022-08-29 | 2022-11-15 | 北京国电经纬工程技术有限公司 | 应用于病害识别的多维度探地雷达检测方法、装置、设备 |
CN115755193A (zh) * | 2022-10-26 | 2023-03-07 | 广西北投交通养护科技集团有限公司 | 路面结构内部病害识别方法 |
CN116739354A (zh) * | 2023-08-14 | 2023-09-12 | 深圳市城市交通规划设计研究中心股份有限公司 | 道路安全风险评估指标计算方法、电子设备及存储介质 |
-
2023
- 2023-10-17 CN CN202311336732.3A patent/CN117077451B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103669184A (zh) * | 2013-12-25 | 2014-03-26 | 河南省高远公路养护技术有限公司 | 一种路面结构层隐形病害检测方法 |
CN108330794A (zh) * | 2018-01-30 | 2018-07-27 | 长安大学 | 一种沥青跑道精细化预防性养护与评价方法 |
CN112462346A (zh) * | 2020-11-26 | 2021-03-09 | 西安交通大学 | 一种基于卷积神经网络的探地雷达路基病害目标检测方法 |
CN115343685A (zh) * | 2022-08-29 | 2022-11-15 | 北京国电经纬工程技术有限公司 | 应用于病害识别的多维度探地雷达检测方法、装置、设备 |
CN115755193A (zh) * | 2022-10-26 | 2023-03-07 | 广西北投交通养护科技集团有限公司 | 路面结构内部病害识别方法 |
CN116739354A (zh) * | 2023-08-14 | 2023-09-12 | 深圳市城市交通规划设计研究中心股份有限公司 | 道路安全风险评估指标计算方法、电子设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
Survival Analysis of Fatigue and Rutting Failures in Asphalt Pavements;Pabitra Rajbongshi and Sonika Thongram;《Hindawi Publishing Corporation Journal of Engineering》;第 1-8 页 * |
在役公路钢筋混凝土梁剩余寿命估算方法研究;李运生, 张彦玲;铁道标准设计(第01期);第13-16页 * |
基于荷载-结构法的公路隧道剩余寿命评估模型;薛振年;李杰;马成斌;胡冠华;;筑路机械与施工机械化(第09期);第148-152页 * |
高速公路路面和路基病害检测理论与方法探讨;苏清波;;建设科技(第02期);第95-96页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117077451A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Façade defects classification from imbalanced dataset using meta learning‐based convolutional neural network | |
Neves et al. | An approach to decision‐making analysis for implementation of structural health monitoring in bridges | |
CN117078235B (zh) | 全面评估的路网养护维修方法、电子设备及存储介质 | |
CN115270527B (zh) | 道路塌陷风险实时评估方法、设备及存储介质 | |
CN114241215B (zh) | 一种桥梁表观裂缝非接触式检测方法及系统 | |
CN117077452B (zh) | 一种道路使用寿命综合评估方法、电子设备及存储介质 | |
CN116415481A (zh) | 区域滑坡灾害风险预测方法、装置、计算机设备及存储介质 | |
CN109784586B (zh) | 车险的出险情况的预测方法及系统 | |
Bandara et al. | Structural health assessment of timber utility poles using stress wave propagation and artificial neural network techniques | |
CN114897378A (zh) | 地质灾害精细化气象风险预警区评价方法及装置 | |
CN117077451B (zh) | 一种道路内部使用寿命评估方法、电子设备及存储介质 | |
CN113065188B (zh) | 基于机器学习的沉桩过程评估方法、存储介质及电子设备 | |
CN111026790A (zh) | 一种基于数据挖掘的结构安全评估及预报方法 | |
CN117078234B (zh) | 一种优化的路网养护维修方法、电子设备及存储介质 | |
CN113192340B (zh) | 高速公路施工车辆的识别方法、装置、设备及存储介质 | |
CN116070105A (zh) | 基于小波变换及残差网络的组合梁损伤识别方法及系统 | |
CN115438547A (zh) | 基于路面服役状态的整体评价方法及系统 | |
Coskun et al. | Machine learning network suitable for accurate rapid seismic risk estimation of masonry building stocks | |
CN103953024A (zh) | 基坑自动化监测异常数据识别方法 | |
Padmapoorani et al. | Machine learning techniques for structural health monitoring of concrete structures: A systematic review | |
Zhou et al. | Real‐time prediction and ponding process early warning method at urban flood points based on different deep learning methods | |
CN117077453B (zh) | 一种道路路面使用寿命评估方法、电子设备及存储介质 | |
CN117077449B (zh) | 道路脱空区域高度演化预测方法、电子设备及存储介质 | |
CN117669394B (zh) | 一种山区峡谷桥梁长期性能综合评估方法及系统 | |
CN117455122B (zh) | 路面状态评估方法、装置、电子设备及存储介质 |
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 |