CN117162225A - 一种混凝土预制构件脱模成型方法及系统 - Google Patents
一种混凝土预制构件脱模成型方法及系统 Download PDFInfo
- Publication number
- CN117162225A CN117162225A CN202311453599.XA CN202311453599A CN117162225A CN 117162225 A CN117162225 A CN 117162225A CN 202311453599 A CN202311453599 A CN 202311453599A CN 117162225 A CN117162225 A CN 117162225A
- Authority
- CN
- China
- Prior art keywords
- concrete
- prefabricated part
- concrete prefabricated
- demoulding
- point cloud
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000004567 concrete Substances 0.000 title claims abstract description 325
- 238000000034 method Methods 0.000 title claims abstract description 140
- 230000007547 defect Effects 0.000 claims abstract description 52
- 230000007613 environmental effect Effects 0.000 claims abstract description 41
- 238000010276 construction Methods 0.000 claims abstract description 17
- 238000005516 engineering process Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000008439 repair process Effects 0.000 claims abstract description 8
- 238000012805 post-processing Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 53
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000001514 detection method Methods 0.000 claims description 14
- 238000000465 moulding Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000004381 surface treatment Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000011178 precast concrete Substances 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000007689 inspection Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 239000004568 cement Substances 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004574 high-performance concrete Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000035800 maturation 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
- 238000005498 polishing Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供了一种混凝土预制构件脱模成型方法及系统，涉及预制件成型脱模技术领域，该混凝土预制构件脱模成型方法包括以下步骤：混凝土浇灌；获取混凝土参数；获取环境参数并预处理；构建脱模时间预测模型，确定脱模时间；通过脱模设备将混凝土预制构件从预设的预制构件成型模具中脱模；对脱模后的混凝土预制构件进行后处理，利用激光扫描技术对后处理的混凝土预制构件进行扫描，得到点云数据，对混凝土预制构建进行质量检测。本发明可以准确地预测脱模时间，避免过早或过晚脱模导致的混凝土预制构件质量问题，可以提供详细和精确的构件质量信息，帮助识别和修复可能存在的缺陷，可以确保构件的质量，提高构件的性能和使用寿命。
Description
技术领域
本发明涉及预制件成型脱模技术领域，具体来说，特别涉及一种混凝土预制构件脱模成型方法及系统。
背景技术
混凝土预制构件是指在工厂或者现场预制厂按照预定的尺寸和形状，通过模具浇筑混凝土并进行养护，然后在固化后进行脱模，最后运输到施工现场进行组装的混凝土构件。混凝土预制构件可以在严格控制的环境中生产，因此其质量和精度通常比现场浇筑的混凝土要高。混凝土预制构件的种类非常多，包括梁、柱、板、墙体、桥梁部件、隧道衬砌、路面板、管片、桩等。混凝土预制构件广泛应用于桥梁、高速公路、隧道、建筑等多种工程中。使用混凝土预制构件的优点包括：提高施工效率、减少现场劳动力需求、提高构件质量、减少废弃物、提高能源效率等。
混凝土预制构件的成型是将混凝土浇入模具后进行初期成型，待混凝土稍硬后将模具移出，进行后期成型。混凝土达到设计强度后拆去模具，完成构件的初期成型。然后将构件移至养护场地，进行水泡或蒸汽养护，促进混凝土的成熟和增强。而在混凝土预制构件的成型的过程中，往往通过人工的方式判断出混凝土预制构件的脱模时间，而人工判断脱模时间难免存在主观因素，会导致判断结果可能不够准确，如果混凝土预制构件脱模时间过短，会导致凝土未充分硬化，脱模后的预制构件可能会出现变形，如果混凝土预制构件脱模时间过长，会占用模具的使用时间，导致生产效率降低，增加生产成本，还会影响预制构件的后期养护工作。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
有鉴于此，本发明提供一种混凝土预制构件脱模成型方法及系统，以解决上述提及的人工判断脱模时间难免存在主观因素，会导致判断结果可能不够准确的问题。
为了解决上述问题，本发明采用的具体技术方案如下：
根据本发明的一方面，提供了一种混凝土预制构件脱模成型方法，该混凝土预制构件脱模成型方法包括以下步骤：
S1、将混凝土浇灌到预设的预制构件成型模具中；
S2、获取混凝土浇筑前的混凝土参数，所述混凝土浇筑前的混凝土参数包括混凝土类型、混凝土成分及混凝土配比；
S3、通过传感器实时获取混凝土预制构件成型过程中的环境参数并进行预处理，得到标准化数据；
S4、基于改进的灰色关联熵法构建脱模时间预测模型，并根据获取混凝土浇筑前的混凝土参数和混凝土预制构件成型过程中环境参数对混凝土预制构件的脱模时间进行预测，确定脱模时间；
S5、在到达脱模时间后，通过脱模设备并按照预设的脱模程序将混凝土预制构件从预设的预制构件成型模具中脱模；
S6、对脱模后的混凝土预制构件进行后处理，所述后处理包括表面处理和表面养护；
S7、利用激光扫描技术对后处理的混凝土预制构件进行扫描，得到点云数据，并基于点云数据对混凝土预制构建进行质量检测。
进一步的，所述通过传感器实时获取混凝土预制构件成型过程中的环境参数并进行预处理包括以下步骤：
S31、通过各类传感器获取混凝土成型过程中的环境参数，所述混凝土成型过程中的环境参数包括温度、湿度、气压及风速；
S32、对获取的混凝土成型过程中的环境参数进行数据清洗处理，删除环境参数中的异常值、无效值以及缺失值；
S33、将数据清洗后的混凝土成型过程中的环境参数进行归一化处理；
S34、利用滑动平均法将归一化处理后混凝土成型过程中的环境参数进行平滑处理，得到标准化数据。
进一步的，所述基于改进的灰色关联熵法构建脱模时间预测模型，并根据获取混凝土浇筑前的混凝土参数和混凝土预制构件成型过程中环境参数对混凝土预制构件的脱模时间进行预测，确定脱模时间包括以下步骤：
S41、收集混凝土预制构件的历史脱模时间数据及对应的历史混凝土参数和历史环境参数并作为训练样本数据；
S42、将收集的历史混凝土参数和历史环境参数作为影响因素；
S43、利用改进的熵权法和灰色关联分析法计算影响因素与历史脱模时间的灰色关联熵；
S44、根据得到的灰色关联熵的大小，并选取预设的前n个影响因素作为模型输入；
S45、将选取的前n个影响因素作为输入层，历史脱模时间作为输出层，并基于神经网络构建三层神经网络模型；
S46、利用训练样本数据对构建的三层神经网络模型进行训练，得到脱模时间预测模型；
S47、将获取混凝土浇筑前的混凝土参数和混凝土预制构件成型过程中的环境参数作为输入，并输入至脱模时间预测模型中，对混凝土预制构件的脱模时间进行预测，确定脱模时间。
进一步的，所述利用改进的熵权法和灰色关联分析法计算影响因素与历史脱模时间的灰色关联熵包括以下步骤：
S431、计算影响因素与历史脱模时间的关联度系数，并根据关联系数计算影响因素与历史脱模时间的关联度；
S432、利用熵权法确定每个影响因素的权重；
S433、根据得到的关联度和每个影响因素的权重计算每个影响因素与历史脱模时间的改进灰色关联熵。
进一步的，所述根据得到的关联度和每个影响因素的权重计算每个影响因素与历史脱模时间的改进灰色关联熵的计算公式为：
；
式中，R i 表示第i个影响因素与历史脱模时间的改进灰色关联熵；
ω i 表示第i个影响因素的权重；
k ij 表示第i个影响因素与第j个历史脱模时间的关联度。
进一步的，所述利用激光扫描技术对后处理的混凝土预制构件进行扫描，得到点云数据，并基于点云数据对混凝土预制构建进行质量检测包括以下步骤：
S71、通过激光扫描技术对后处理的混凝土预制构件进行扫描，得到混凝土预制构件的点云数据；
S72、基于点云密度算法判断混凝土预制构件是否存在缺陷，若不存在，则表示混凝土预制构件的质量是合格的，若存在，则执行步骤S73-S75，对混凝土预制构件的质量进行判断；
S73、利用贪婪投影三角化算法对点云数据进行三维重建，并提取出混凝土预制构件缺陷区域；
S74、通过点云修复算法预测缺陷区域的完整点云，得到新的点云数据，并比较新的点云数据与原混凝土预制构件的点云数据之间的差异，计算缺陷区域的大小；
S75、若缺陷区域的大小满足预设的缺陷阈值，则表示混凝土预制构件的质量是合格的，否则，则表示混凝土预制构件的质量是不合格的。
进一步的，所述基于点云密度算法判断混凝土预制构件的内部是否存在空洞缺陷包括以下步骤：
S721、以混凝土预制构件的点云数据中的每个点为中心，将每个点周围预设范围内的领域划分为计数块；
S722、计算每个计数块内的点云密度；
S723、若得到的点云密度不满足预设密度阈值，则表示该混凝土预制构件存在缺陷，否则，则表示该混凝土预制构件不存在缺陷。
进一步的，所述利用贪婪投影三角化算法对点云数据进行三维重建，并提取出混凝土预制构件缺陷区域包括以下步骤：
S731、对于点云数据空间中的任一点q，使用KD树的近邻搜索算法，确定其m个近邻点的邻域；
S732、确定任一点q及其m个邻域点的投影切平面，并通过投影矩阵法将m个邻域点投影到投影切平面中；
S733、对投影切平面上的点，选出特征点作为起始点，并利用贪婪投影算法进行三角剖分，通过投影关系将选出的特征点映射回原空间；
S734、不断重复步骤S733，直至完成混凝土预制构件的三维重建；
S735、利用阈值分割对混凝土预制构件中的缺陷区域进行提取。
进一步的，所述通过点云修复算法预测缺陷区域的完整点云，得到新的点云数据，并比较新的点云数据与原混凝土预制构件的点云数据之间的差异，计算缺陷区域的大小包括以下步骤：
S741、利用曲面重建法对提取出的缺陷区域进行曲面重建，得到曲面模型；
S742、在曲面模型上进行等间距采样操作，将曲面模型转换成离散的点云数据，得到新的点云数据；
S743、比较新的点云数据与原混凝土预制构件的点云数据之间的差异，得到差异结果，并根据差异结果，计算缺陷区域的大小。
根据本发明的另一方面，提供了一种混凝土预制构件脱模成型系统，该混凝土预制构件脱模成型系统包括：混凝土浇罐装置、混凝土参数获取模块、环境参数预处理模块、脱模时间预测模块、预制构件脱模装置、预制构件后处理装置及质量检测模块；
所述混凝土浇罐装置，用于将混凝土浇灌到预设的预制构件成型模具中；
所述混凝土参数获取模块，用于获取混凝土浇筑前的混凝土参数，所述混凝土浇筑前的混凝土参数包括混凝土类型、混凝土成分及混凝土配比；
所述环境参数预处理模块，用于通过传感器实时获取混凝土预制构件成型过程中的环境参数并进行预处理，得到标准化数据；
所述脱模时间预测模块，用于基于改进的灰色关联熵法构建脱模时间预测模型，并根据获取混凝土浇筑前的混凝土参数和混凝土预制构件成型过程中环境参数对混凝土预制构件的脱模时间进行预测，确定脱模时间；
所述预制构件脱模装置，用于在到达脱模时间后，通过脱模设备并按照预设的脱模程序将混凝土预制构件从预设的预制构件成型模具中脱模；
所述预制构件后处理装置，用于对脱模后的混凝土预制构件进行后处理，所述后处理包括表面处理和表面养护；
所述质量检测模块，用于利用激光扫描技术对后处理的混凝土预制构件进行扫描，得到点云数据，并基于点云数据对混凝土预制构建进行质量检测。
本发明的有益效果为：
1、本发明通过获取混凝土浇筑前的混凝土参数和实时获取的环境参数，利用改进的灰色关联熵法构建脱模时间预测模型，可以准确地预测脱模时间，避免过早或过晚脱模导致的混凝土预制构件质量问题，利用激光扫描技术对后处理的混凝土预制构件进行扫描，得到点云数据，并基于点云数据对混凝土预制构建进行质量检测，可以提供详细和精确的构件质量信息，帮助识别和修复可能存在的缺陷，可以确保构件的质量，提高构件的性能和使用寿命。
2、本发明通过各类传感器获取混凝土成型过程中的环境参数，可以全面了解混凝土成型过程中的环境状况，为后续的数据分析和决策提供准确的依据，将数据清洗后的环境参数进行归一化处理，可以消除数据之间的量纲和尺度差异，使不同参数之间可以进行有效的比较和分析，可以更准确地反映混凝土预制构件成型过程中的实际环境状况，从而提高脱模时间预测模型的精度和可靠性。
3、本发明利用改进的熵权法和灰色关联分析法计算影响因素与历史脱模时间的灰色关联熵，可以准确地揭示出各影响因素与脱模时间之间的关联程度，有助于模型的构建和优化，将获取混凝土浇筑前的混凝土参数和混凝土预制构件成型过程中的环境参数作为输入，并输入至脱模时间预测模型中，可以实时对混凝土预制构件的脱模时间进行预测，提高生产效率。
4、本发明通过使用激光扫描技术和点云数据分析，可以自动化地对混凝土预制构件进行质量检查，比人工检查更加精确，减少了误判和遗漏的可能，通过三维重建和点云修复算法，可以直观地显示出混凝土预制构件的缺陷区域，使得检测结果更易于理解和解释。
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1是根据本发明实施例的一种混凝土预制构件脱模成型方法的流程图；
图2是根据本发明实施例的一种混凝土预制构件脱模成型系统的原理框图。
图中：
1、混凝土浇罐装置；2、混凝土参数获取模块；3、环境参数预处理模块；4、脱模时间预测模块；5、预制构件脱模装置；6、预制构件后处理装置；7、质量检测模块。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，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方式，都应当属于本申请保护的范围。
根据本发明的实施例，提供了一种混凝土预制构件脱模成型方法及系统。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明的一个实施例，提供了一种混凝土预制构件脱模成型方法，该混凝土预制构件脱模成型方法包括以下步骤：
S1、将混凝土浇灌到预设的预制构件成型模具中。
需要说明的是，首先，需要准备好混凝土，通常包括水泥、砂、石、水以及可能的添加剂和掺和物。这些成分需要按照特定的比例混合在一起，然后在混凝土搅拌机中搅拌，直到混凝土具有一致的质地。预制构件成型主要使用的模具主要包括钢模具、铝模具、木模具等。
S2、获取混凝土浇筑前的混凝土参数，所述混凝土浇筑前的混凝土参数包括混凝土类型、混凝土成分及混凝土配比。
需要说明的是，混凝土类型包括普通混凝土、轻质混凝土、高性能混凝土、密实混凝土、自流混凝土等；混凝土成分包括水泥种类和产地、砂的粒度和产地、砾石的粒度和产地等；混凝土配比包括每立方米混凝土所需水泥量、每立方米混凝土所需砂量、每立方米混凝土所需砾石量、每立方米混凝土所需水量等。
S3、通过传感器实时获取混凝土预制构件成型过程中的环境参数并进行预处理，得到标准化数据。
作为优选实施方式，所述通过传感器实时获取混凝土预制构件成型过程中的环境参数并进行预处理包括以下步骤：
S31、通过各类传感器获取混凝土成型过程中的环境参数，所述混凝土成型过程中的环境参数包括温度、湿度、气压及风速。
需要说明的是，传感器包括温湿度传感器、气压传感器和风速传感器等。
S32、对获取的混凝土成型过程中的环境参数进行数据清洗处理，删除环境参数中的异常值、无效值以及缺失值。
S33、将数据清洗后的混凝土成型过程中的环境参数进行归一化处理。
需要说明的是，将数据清洗后的混凝土成型过程中的环境参数进行归一化处理，主要目的是消除不同参数量纲带来的影响，将所有参数映射到同一范围内，常用的方法有最小最大归一化法。
S34、利用滑动平均法将归一化处理后混凝土成型过程中的环境参数进行平滑处理，得到标准化数据。
需要说明的是，滑动平均法通过多点平均来平滑原始数据，提取主要趋势信息。
S4、基于改进的灰色关联熵法构建脱模时间预测模型，并根据获取混凝土浇筑前的混凝土参数和混凝土预制构件成型过程中环境参数对混凝土预制构件的脱模时间进行预测，确定脱模时间。
作为优选实施方式，所述基于改进的灰色关联熵法构建脱模时间预测模型，并根据获取混凝土浇筑前的混凝土参数和混凝土预制构件成型过程中环境参数对混凝土预制构件的脱模时间进行预测，确定脱模时间包括以下步骤：
S41、收集混凝土预制构件的历史脱模时间数据及对应的历史混凝土参数和历史环境参数并作为训练样本数据。
S42、将收集的历史混凝土参数和历史环境参数作为影响因素。
S43、利用改进的熵权法和灰色关联分析法计算影响因素与历史脱模时间的灰色关联熵。
作为优选实施方式，所述利用改进的熵权法和灰色关联分析法计算影响因素与历史脱模时间的灰色关联熵包括以下步骤：
S431、计算影响因素与历史脱模时间的关联度系数，并根据关联系数计算影响因素与历史脱模时间的关联度。
具体的，影响因素与历史脱模时间的关联度系数的计算公式为：
；
式中，p i (h)表示第j个历史脱模时间x j (h)和第i个影响因素x i (h)在第h个数据点的关联系数；
ρ为表示分辨系数，取值为0.5；
|x j (h)-x i (h)|表示第j个历史脱模时间x j (h)和第i个影响因素x i (h)在第h个数据点的差的绝对值；
具体的，影响因素与历史脱模时间的关联度的计算公式为：
；
式中，k ij 表示第i个影响因素与第j个历史脱模时间的关联度；
p i (h)表示第j个历史脱模时间x j (h)和第i个影响因素x i (h)在第h个数据点的关联系数；
n表示影响因素的数量；
S432、利用熵权法确定每个影响因素的权重。
需要说明的是，熵权法是根据各评价指标原始数据中的有效信息确定各指标的客观权重的一种方法。它主要依赖于信息熵的概念，信息熵是用来衡量信息的不确定性或者离散程度的。在熵权法中，如果一个指标的熵值趋于1，那么这意味着该指标的信息丰富程度较低。
S433、根据得到的关联度和每个影响因素的权重计算每个影响因素与历史脱模时间的改进灰色关联熵。
作为优选实施方式，所述根据得到的关联度和每个影响因素的权重计算每个影响因素与历史脱模时间的改进灰色关联熵的计算公式为：
；
式中，R i 表示第i个影响因素与历史脱模时间的改进灰色关联熵；
ω i 表示第i个影响因素的权重；
k ij 表示第i个影响因素与第j个历史脱模时间的关联度。
S44、根据得到的灰色关联熵的大小，并选取预设的前n个影响因素作为模型输入。
S45、将选取的前n个影响因素作为输入层，历史脱模时间作为输出层，并基于神经网络构建三层神经网络模型。
需要说明的是，构建三层神经网络模型具体包括以下步骤：
确定网络结构，神经网络通常包括输入层、隐藏层和输出层，输入层的神经元数量为n（影响因素的数量），隐藏层的神经元数量可以通过多次实验确定最优的值，输出层的神经元数量为1（历史脱模时间）；
初始化网络参数，包括权重和偏置；
通过前向传播计算每一层的输出，并通过损失函数比较网络的输出和实际的历史脱模时间；
通过损失函数对权重和偏置进行微分，计算梯度，然后使用梯度下降法更新权重和偏置；
重复前向传播、计算损失、和更新参数的步骤，直到模型的性能达到满意的水平，或者达到预设的最大迭代次数。
S46、利用训练样本数据对构建的三层神经网络模型进行训练，得到脱模时间预测模型。
S47、将获取混凝土浇筑前的混凝土参数和混凝土预制构件成型过程中的环境参数作为输入，并输入至脱模时间预测模型中，对混凝土预制构件的脱模时间进行预测，确定脱模时间。
S5、在到达脱模时间后，通过脱模设备并按照预设的脱模程序将混凝土预制构件从预设的预制构件成型模具中脱模。
需要说明的是，首先，通过敲击混凝土表面、观察混凝土颜色变化或者使用专用设备进行检测，准备好用于脱模的设备，这可能包括起重设备、脱模工具等，按照预设的脱模程序，使用脱模设备将预制构件从模具中取出。
S6、对脱模后的混凝土预制构件进行后处理，所述后处理包括表面处理和表面养护。
需要说明的是，表面处理包括清除构件表面粘附的模具残渣、灰尘等杂质、使用砂纸等手段对构件表面进行打磨、对构件表面有裂缝或缺陷位置进行修补等。表面养护使用饱和水蒸气将构件包裹、在构件表面喷涂蜡料等。
S7、利用激光扫描技术对后处理的混凝土预制构件进行扫描，得到点云数据，并基于点云数据对混凝土预制构建进行质量检测。
作为优选实施方式，所述利用激光扫描技术对后处理的混凝土预制构件进行扫描，得到点云数据，并基于点云数据对混凝土预制构建进行质量检测包括以下步骤：
S71、通过激光扫描技术对后处理的混凝土预制构件进行扫描，得到混凝土预制构件的点云数据。
需要说明的是，首先，将激光扫描设备设置在合适的位置，然后，启动激光扫描设备进行扫描。激光扫描设备会发出激光束，激光扫描设备将扫描到的数据记录下来，形成一个点云。点云是一系列在三维空间中的点，每个点包含了位置信息（X,Y,Z坐标）和可能包含颜色或反射率等其他信息。
S72、基于点云密度算法判断混凝土预制构件是否存在缺陷，若不存在，则表示混凝土预制构件的质量是合格的，若存在，则执行步骤S73-S75，对混凝土预制构件的质量进行判断。
作为优选实施方式，所述基于点云密度算法判断混凝土预制构件的内部是否存在空洞缺陷包括以下步骤：
S721、以混凝土预制构件的点云数据中的每个点为中心，将每个点周围预设范围内的领域划分为计数块。
需要说明的是，首先，设定每个点周围的预设范围，然后，以每个点为中心，将其周围预设范围内的领域划分为计数块，可以通过计算每个点到中心点的距离，然后根据距离将预设范围内的领域划分为不同的块。
S722、计算每个计数块内的点云密度。
需要说明的是，首先，对每个计数块内的点进行计数，得到每个块的点数，将每个点周围的预设范围划分为立方体的块，那么每个块的体积就是边长的立方，最后，将每个块内的点数除以该块的体积，就得到了每个块内的点云密度。
S723、若得到的点云密度不满足预设密度阈值，则表示该混凝土预制构件存在缺陷，否则，则表示该混凝土预制构件不存在缺陷。
S73、利用贪婪投影三角化算法对点云数据进行三维重建，并提取出混凝土预制构件缺陷区域。
作为优选实施方式，所述利用贪婪投影三角化算法对点云数据进行三维重建，并提取出混凝土预制构件缺陷区域包括以下步骤：
S731、对于点云数据空间中的任一点q，使用KD树的近邻搜索算法，确定其m个近邻点的邻域。
需要说明的是，KD树是一种对多维空间中的点进行组织的数据结构，利用KD树的近邻搜索算法，对于空间中的任一点q，可以快速确定其m个近邻点的邻域。
S732、确定任一点q及其m个邻域点的投影切平面，并通过投影矩阵法将m个邻域点投影到投影切平面中；
需要说明的是，确定任一点q及其m个邻域点的投影切平面，通常是通过计算这些点的PCA（主成分分析）得到。然后，通过投影矩阵法将m个邻域点投影到投影切平面中。
S733、对投影切平面上的点，选出特征点（特征点为局部极值点）作为起始点，并利用贪婪投影算法进行三角剖分，通过投影关系将选出的特征点映射回原空间。
需要说明的是，首先在投影切平面上的点中选出特征点，这些特征点是局部极值点，它们代表了点云数据在局部范围内的结构特性，选择这些特征点作为起始点，可以帮助我们更好地捕捉点云数据的结构信息；
然后，利用贪婪投影算法进行三角剖分。贪婪投影算法是一种基于局部数据结构的三角剖分方法，它可以生成对应的三维模型。在这个过程中，算法会根据点云数据的结构特性，以贪婪的方式进行三角剖分，这样可以更好地捕捉点云数据的详细信息；
最后，通过投影关系将选出的特征点映射回原空间。这一步是将在投影切平面上进行的三角剖分结果映射回原始的三维空间，得到对应的三维模型。这样就完成了点云数据的三维重建。
S734、不断重复步骤S733，直至完成混凝土预制构件的三维重建。
S735、利用阈值分割对混凝土预制构件中的缺陷区域进行提取。
需要说明的是，阈值分割是一种常见的图像分割方法，主要根据图像各像素点的灰度值将其分为前景和背景两部分，选择一个合适的阈值来区分混凝土构件中的正常区域和缺陷区域，这个阈值可以通过经验确定，也可以通过一些自适应的方法来确定，例如，可以计算图像的直方图，然后选择一个能够最大程度地区分两个峰值的阈值；将所有灰度值高于（或低于）阈值的像素标记为前景（即缺陷区域），其余的像素标记为背景；这将生成一个二值图像，其中前景和背景分别表示混凝土构件的缺陷区域和正常区域。
S74、通过点云修复算法预测缺陷区域的完整点云，得到新的点云数据，并比较新的点云数据与原混凝土预制构件的点云数据之间的差异，计算缺陷区域的大小。
作为优选实施方式，所述通过点云修复算法预测缺陷区域的完整点云，得到新的点云数据，并比较新的点云数据与原混凝土预制构件的点云数据之间的差异，计算缺陷区域的大小包括以下步骤：
S741、利用曲面重建法对提取出的缺陷区域进行曲面重建，得到曲面模型。
需要说明的是，曲面重建法包括参数化方法，隐函数方法，基于图的方法等；然后利用最小二乘法建立一个误差函数来度量数据点和重建曲面之间的差异，在最小二乘法中，这个误差函数通常是数据点到重建曲面的距离的平方和。在最小化过程中，使用梯度下降法迭代多次，不断地调整参数，直到达到满意的结果；最后，我们可以使用找到的参数，生成重建曲面。这个重建曲面应该可以很好地拟合数据点，即数据点到重建曲面的距离的平方和最小。
S742、在曲面模型上进行等间距采样操作，将曲面模型转换成离散的点云数据，得到新的点云数据。
需要说明的是，首先，需要确定采样的参数，主要包括采样间隔和采样方向；采样间隔决定了生成的点云的密度，采样方向则决定了采样点在曲面上的布局；
根据设定的参数，在曲面上进行等间距采样，在每个采样点处，记录其在三维空间中的坐标，从而得到一个点云数据。
将所有的采样点集合起来，就得到了新的点云数据。这个点云数据是离散的，可以用来进行后续的计算和分析。
S743、比较新的点云数据与原混凝土预制构件的点云数据之间的差异，得到差异结果，并根据差异结果，计算缺陷区域的大小。
需要说明的是，首先，通过配准方法确保新的点云数据与原点云数据在同一坐标系中，然后，计算每个点到对应点的距离，作为该点的差异值，将所有点的差异值组成一个差异矩阵；使用聚类法对差异矩阵进行处理，得到差异结果；根据差异结果，计算缺陷区域的大小。
S75、若缺陷区域的大小满足预设的缺陷阈值，则表示混凝土预制构件的质量是合格的，否则，则表示混凝土预制构件的质量是不合格的。
如图2所示，根据本发明的另一个实施例，提供了一种混凝土预制构件脱模成型系统，该混凝土预制构件脱模成型系统包括：混凝土浇罐装置1、混凝土参数获取模块2、环境参数预处理模块3、脱模时间预测模块4、预制构件脱模装置5、预制构件后处理装置6及质量检测模块7；
所述混凝土浇罐装置1，用于将混凝土浇灌到预设的预制构件成型模具中；
所述混凝土参数获取模块2，用于获取混凝土浇筑前的混凝土参数，所述混凝土浇筑前的混凝土参数包括混凝土类型、混凝土成分及混凝土配比；
所述环境参数预处理模块3，用于通过传感器实时获取混凝土预制构件成型过程中的环境参数并进行预处理，得到标准化数据；
所述脱模时间预测模块4，用于基于改进的灰色关联熵法构建脱模时间预测模型，并根据获取混凝土浇筑前的混凝土参数和混凝土预制构件成型过程中环境参数对混凝土预制构件的脱模时间进行预测，确定脱模时间；
所述预制构件脱模装置5，用于在到达脱模时间后，通过脱模设备并按照预设的脱模程序将混凝土预制构件从预设的预制构件成型模具中脱模；
所述预制构件后处理装置6，用于对脱模后的混凝土预制构件进行后处理，所述后处理包括表面处理和表面养护；
所述质量检测模块7，用于利用激光扫描技术对后处理的混凝土预制构件进行扫描，得到点云数据，并基于点云数据对混凝土预制构建进行质量检测。
综上所述，借助于本发明的上述技术方案，本发明通过获取混凝土浇筑前的混凝土参数和实时获取的环境参数，利用改进的灰色关联熵法构建脱模时间预测模型，可以准确地预测脱模时间，避免过早或过晚脱模导致的混凝土预制构件质量问题，利用激光扫描技术对后处理的混凝土预制构件进行扫描，得到点云数据，并基于点云数据对混凝土预制构建进行质量检测，可以提供详细和精确的构件质量信息，帮助识别和修复可能存在的缺陷，可以确保构件的质量，提高构件的性能和使用寿命；本发明通过各类传感器获取混凝土成型过程中的环境参数，可以全面了解混凝土成型过程中的环境状况，为后续的数据分析和决策提供准确的依据，将数据清洗后的环境参数进行归一化处理，可以消除数据之间的量纲和尺度差异，使不同参数之间可以进行有效的比较和分析，可以更准确地反映混凝土预制构件成型过程中的实际环境状况，从而提高脱模时间预测模型的精度和可靠性；本发明利用改进的熵权法和灰色关联分析法计算影响因素与历史脱模时间的灰色关联熵，可以准确地揭示出各影响因素与脱模时间之间的关联程度，有助于模型的构建和优化，将获取混凝土浇筑前的混凝土参数和混凝土预制构件成型过程中的环境参数作为输入，并输入至脱模时间预测模型中，可以实时对混凝土预制构件的脱模时间进行预测，提高生产效率；本发明通过使用激光扫描技术和点云数据分析，可以自动化地对混凝土预制构件进行质量检查，比人工检查更加精确，减少了误判和遗漏的可能，通过三维重建和点云修复算法，可以直观地显示出混凝土预制构件的缺陷区域，使得检测结果更易于理解和解释。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种混凝土预制构件脱模成型方法，其特征在于，该混凝土预制构件脱模成型方法包括以下步骤：
S1、将混凝土浇灌到预设的预制构件成型模具中；
S2、获取混凝土浇筑前的混凝土参数，所述混凝土浇筑前的混凝土参数包括混凝土类型、混凝土成分及混凝土配比；
S3、通过传感器实时获取混凝土预制构件成型过程中的环境参数并进行预处理，得到标准化数据；
S4、基于改进的灰色关联熵法构建脱模时间预测模型，并根据获取混凝土浇筑前的混凝土参数和混凝土预制构件成型过程中环境参数对混凝土预制构件的脱模时间进行预测，确定脱模时间；
S5、在到达脱模时间后，通过脱模设备并按照预设的脱模程序将混凝土预制构件从预设的预制构件成型模具中脱模；
S6、对脱模后的混凝土预制构件进行后处理，所述后处理包括表面处理和表面养护；
S7、利用激光扫描技术对后处理的混凝土预制构件进行扫描，得到点云数据，并基于点云数据对混凝土预制构建进行质量检测。
2.根据权利要求1所述的一种混凝土预制构件脱模成型方法，其特征在于，所述通过传感器实时获取混凝土预制构件成型过程中的环境参数并进行预处理包括以下步骤：
S31、通过各类传感器获取混凝土成型过程中的环境参数，所述混凝土成型过程中的环境参数包括温度、湿度、气压及风速；
S32、对获取的混凝土成型过程中的环境参数进行数据清洗处理，删除环境参数中的异常值、无效值以及缺失值；
S33、将数据清洗后的混凝土成型过程中的环境参数进行归一化处理；
S34、利用滑动平均法将归一化处理后混凝土成型过程中的环境参数进行平滑处理，得到标准化数据。
3.根据权利要求1所述的一种混凝土预制构件脱模成型方法，其特征在于，所述基于改进的灰色关联熵法构建脱模时间预测模型，并根据获取混凝土浇筑前的混凝土参数和混凝土预制构件成型过程中环境参数对混凝土预制构件的脱模时间进行预测，确定脱模时间包括以下步骤：
S41、收集混凝土预制构件的历史脱模时间数据及对应的历史混凝土参数和历史环境参数并作为训练样本数据；
S42、将收集的历史混凝土参数和历史环境参数作为影响因素；
S43、利用改进的熵权法和灰色关联分析法计算影响因素与历史脱模时间的灰色关联熵；
S44、根据得到的灰色关联熵的大小，并选取预设的前n个影响因素作为模型输入；
S45、将选取的前n个影响因素作为输入层，历史脱模时间作为输出层，并基于神经网络构建三层神经网络模型；
S46、利用训练样本数据对构建的三层神经网络模型进行训练，得到脱模时间预测模型；
S47、将获取混凝土浇筑前的混凝土参数和混凝土预制构件成型过程中的环境参数作为输入，并输入至脱模时间预测模型中，对混凝土预制构件的脱模时间进行预测，确定脱模时间。
4.根据权利要求3所述的一种混凝土预制构件脱模成型方法，其特征在于，所述利用改进的熵权法和灰色关联分析法计算影响因素与历史脱模时间的灰色关联熵包括以下步骤：
S431、计算影响因素与历史脱模时间的关联度系数，并根据关联系数计算影响因素与历史脱模时间的关联度；
S432、利用熵权法确定每个影响因素的权重；
S433、根据得到的关联度和每个影响因素的权重计算每个影响因素与历史脱模时间的改进灰色关联熵。
5.根据权利要求4所述的一种混凝土预制构件脱模成型方法，其特征在于，所述根据得到的关联度和每个影响因素的权重计算每个影响因素与历史脱模时间的改进灰色关联熵的计算公式为：
；
式中，R i 表示第i个影响因素与历史脱模时间的改进灰色关联熵；
ω i 表示第i个影响因素的权重；
k ij 表示第i个影响因素与第j个历史脱模时间的关联度。
6.根据权利要求1所述的一种混凝土预制构件脱模成型方法，其特征在于，所述利用激光扫描技术对后处理的混凝土预制构件进行扫描，得到点云数据，并基于点云数据对混凝土预制构建进行质量检测包括以下步骤：
S71、通过激光扫描技术对后处理的混凝土预制构件进行扫描，得到混凝土预制构件的点云数据；
S72、基于点云密度算法判断混凝土预制构件是否存在缺陷，若不存在，则表示混凝土预制构件的质量是合格的，若存在，则执行步骤S73-S75，对混凝土预制构件的质量进行判断；
S73、利用贪婪投影三角化算法对点云数据进行三维重建，并提取出混凝土预制构件缺陷区域；
S74、通过点云修复算法预测缺陷区域的完整点云，得到新的点云数据，并比较新的点云数据与原混凝土预制构件的点云数据之间的差异，计算缺陷区域的大小；
S75、若缺陷区域的大小满足预设的缺陷阈值，则表示混凝土预制构件的质量是合格的，否则，则表示混凝土预制构件的质量是不合格的。
7.根据权利要求6所述的一种混凝土预制构件脱模成型方法，其特征在于，所述基于点云密度算法判断混凝土预制构件的内部是否存在空洞缺陷包括以下步骤：
S721、以混凝土预制构件的点云数据中的每个点为中心，将每个点周围预设范围内的领域划分为计数块；
S722、计算每个计数块内的点云密度；
S723、若得到的点云密度不满足预设密度阈值，则表示该混凝土预制构件存在缺陷，否则，则表示该混凝土预制构件不存在缺陷。
8.根据权利要求6所述的一种混凝土预制构件脱模成型方法，其特征在于，所述利用贪婪投影三角化算法对点云数据进行三维重建，并提取出混凝土预制构件缺陷区域包括以下步骤：
S731、对于点云数据空间中的任一点q，使用KD树的近邻搜索算法，确定其m个近邻点的邻域；
S732、确定任一点q及其m个邻域点的投影切平面，并通过投影矩阵法将m个邻域点投影到投影切平面中；
S733、对投影切平面上的点，选出特征点作为起始点，并利用贪婪投影算法进行三角剖分，通过投影关系将选出的特征点映射回原空间；
S734、不断重复步骤S733，直至完成混凝土预制构件的三维重建；
S735、利用阈值分割对混凝土预制构件中的缺陷区域进行提取。
9.根据权利要求6所述的一种混凝土预制构件脱模成型方法，其特征在于，所述通过点云修复算法预测缺陷区域的完整点云，得到新的点云数据，并比较新的点云数据与原混凝土预制构件的点云数据之间的差异，计算缺陷区域的大小包括以下步骤：
S741、利用曲面重建法对提取出的缺陷区域进行曲面重建，得到曲面模型；
S742、在曲面模型上进行等间距采样操作，将曲面模型转换成离散的点云数据，得到新的点云数据；
S743、比较新的点云数据与原混凝土预制构件的点云数据之间的差异，得到差异结果，并根据差异结果，计算缺陷区域的大小。
10.一种混凝土预制构件脱模成型系统，用于实现权利要求1-9中任一项所述的混凝土预制构件脱模成型方法，其特征在于，该混凝土预制构件脱模成型系统包括：混凝土浇罐装置、混凝土参数获取模块、环境参数预处理模块、脱模时间预测模块、预制构件脱模装置、预制构件后处理装置及质量检测模块；
所述混凝土浇罐装置，用于将混凝土浇灌到预设的预制构件成型模具中；
所述混凝土参数获取模块，用于获取混凝土浇筑前的混凝土参数，所述混凝土浇筑前的混凝土参数包括混凝土类型、混凝土成分及混凝土配比；
所述环境参数预处理模块，用于通过传感器实时获取混凝土预制构件成型过程中的环境参数并进行预处理，得到标准化数据；
所述脱模时间预测模块，用于基于改进的灰色关联熵法构建脱模时间预测模型，并根据获取混凝土浇筑前的混凝土参数和混凝土预制构件成型过程中环境参数对混凝土预制构件的脱模时间进行预测，确定脱模时间；
所述预制构件脱模装置，用于在到达脱模时间后，通过脱模设备并按照预设的脱模程序将混凝土预制构件从预设的预制构件成型模具中脱模；
所述预制构件后处理装置，用于对脱模后的混凝土预制构件进行后处理，所述后处理包括表面处理和表面养护；
所述质量检测模块，用于利用激光扫描技术对后处理的混凝土预制构件进行扫描，得到点云数据，并基于点云数据对混凝土预制构建进行质量检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311453599.XA CN117162225B (zh) | 2023-11-03 | 2023-11-03 | 一种混凝土预制构件脱模成型方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311453599.XA CN117162225B (zh) | 2023-11-03 | 2023-11-03 | 一种混凝土预制构件脱模成型方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117162225A true CN117162225A (zh) | 2023-12-05 |
| CN117162225B CN117162225B (zh) | 2024-02-23 |
Family
ID=88938018
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311453599.XA Active CN117162225B (zh) | 2023-11-03 | 2023-11-03 | 一种混凝土预制构件脱模成型方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117162225B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117611016A (zh) * | 2024-01-24 | 2024-02-27 | 中铁四局集团有限公司 | 基于物联网的小型混凝土预制构件全流程追溯生产系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19629485A1 (de) * | 1996-07-12 | 1998-01-22 | Geotron Elektronik Rolf Kromph | Verfahren und Vorrichtung zur Bestimmung der Druckfestigkeit von Beton während dessen Erhärtung mittels Ultraschall-Geschwindigkeitsmessungen |
| CN1347930A (zh) * | 1995-06-15 | 2002-05-08 | 阿科化学技术公司 | 改进湿强度和脱模时间的聚氨酯高弹体以及适于其制备的聚氧亚烷基多元醇 |
| JP2012026734A (ja) * | 2010-07-20 | 2012-02-09 | Sato Kogyo Co Ltd | 覆工コンクリート脱型時期判定方法及び脱型時期判定システム |
| CN107462696A (zh) * | 2017-08-21 | 2017-12-12 | 宁夏共享集团股份有限公司 | 一种测定铸造用自硬呋喃树脂硬透性的方法 |
| JP2018009821A (ja) * | 2016-07-12 | 2018-01-18 | 飛島建設株式会社 | コンクリート脱型時強度推定システム |
| CN109063371A (zh) * | 2018-08-27 | 2018-12-21 | 中铁隧道局集团有限公司工程试验分公司 | 一种基于逐时累计温度确定隧道二次衬砌脱模时间的方法 |
| CN109719241A (zh) * | 2018-11-21 | 2019-05-07 | 兰州兰石能源装备工程研究院有限公司 | 一种钢的短流程铸锻一体化工艺 |
| KR20210147444A (ko) * | 2020-05-29 | 2021-12-07 | 현대건설주식회사 | 콘크리트 온도추종 양생장치를 이용한 거푸집 탈형시기의 결정방법 |
| KR20220015047A (ko) * | 2020-07-30 | 2022-02-08 | 주식회사 네이블커뮤니케이션즈 | 콘크리트의 양생 온도 관리 방법 및 양생 온도 관리 시스템 |
| CN116681248A (zh) * | 2023-06-06 | 2023-09-01 | 重庆大学 | 一种新型石膏厚板生产节拍控制方法 |
-
2023
- 2023-11-03 CN CN202311453599.XA patent/CN117162225B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1347930A (zh) * | 1995-06-15 | 2002-05-08 | 阿科化学技术公司 | 改进湿强度和脱模时间的聚氨酯高弹体以及适于其制备的聚氧亚烷基多元醇 |
| DE19629485A1 (de) * | 1996-07-12 | 1998-01-22 | Geotron Elektronik Rolf Kromph | Verfahren und Vorrichtung zur Bestimmung der Druckfestigkeit von Beton während dessen Erhärtung mittels Ultraschall-Geschwindigkeitsmessungen |
| JP2012026734A (ja) * | 2010-07-20 | 2012-02-09 | Sato Kogyo Co Ltd | 覆工コンクリート脱型時期判定方法及び脱型時期判定システム |
| JP2018009821A (ja) * | 2016-07-12 | 2018-01-18 | 飛島建設株式会社 | コンクリート脱型時強度推定システム |
| CN107462696A (zh) * | 2017-08-21 | 2017-12-12 | 宁夏共享集团股份有限公司 | 一种测定铸造用自硬呋喃树脂硬透性的方法 |
| CN109063371A (zh) * | 2018-08-27 | 2018-12-21 | 中铁隧道局集团有限公司工程试验分公司 | 一种基于逐时累计温度确定隧道二次衬砌脱模时间的方法 |
| CN109719241A (zh) * | 2018-11-21 | 2019-05-07 | 兰州兰石能源装备工程研究院有限公司 | 一种钢的短流程铸锻一体化工艺 |
| KR20210147444A (ko) * | 2020-05-29 | 2021-12-07 | 현대건설주식회사 | 콘크리트 온도추종 양생장치를 이용한 거푸집 탈형시기의 결정방법 |
| KR20220015047A (ko) * | 2020-07-30 | 2022-02-08 | 주식회사 네이블커뮤니케이션즈 | 콘크리트의 양생 온도 관리 방법 및 양생 온도 관리 시스템 |
| CN116681248A (zh) * | 2023-06-06 | 2023-09-01 | 重庆大学 | 一种新型石膏厚板生产节拍控制方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117611016A (zh) * | 2024-01-24 | 2024-02-27 | 中铁四局集团有限公司 | 基于物联网的小型混凝土预制构件全流程追溯生产系统 |
| CN117611016B (zh) * | 2024-01-24 | 2024-04-05 | 中铁四局集团有限公司 | 基于物联网的小型混凝土预制构件全流程追溯生产系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117162225B (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117162225B (zh) | 一种混凝土预制构件脱模成型方法及系统 | |
| Bayar et al. | A novel study for the estimation of crack propagation in concrete using machine learning algorithms | |
| CN108257114A (zh) | 一种基于深度学习的输电设备缺陷自动识别方法 | |
| JP2016065809A (ja) | コンクリート構造物の点検支援装置、点検支援方法、及びプログラム | |
| Shahrokhinasab et al. | Performance of image-based crack detection systems in concrete structures | |
| CN116188205B (zh) | 一种基于物联网技术的建筑施工智能分析管控系统 | |
| CN114705689A (zh) | 一种基于无人机的建筑物外立面裂缝检测方法及系统 | |
| Yuan et al. | Automatic evaluation of rebar spacing using LiDAR data | |
| CN113487722A (zh) | 一种基于三维激光扫描方法的混凝土构件自动化检测方法 | |
| Liu et al. | Real-time 3D surface measurement in additive manufacturing using deep learning | |
| CN114549751A (zh) | 箱梁生产的模板监控系统及方法 | |
| CN114778684A (zh) | 一种基于服役场景的钢管性能评估方法及系统 | |
| CN115014198A (zh) | 一种基于三维激光扫描的钢筋安装检测方法 | |
| CN113868904A (zh) | 一种基于三维点云自动化生成既有结构有限元模型的方法 | |
| Bruno et al. | Decay detection in historic buildings through image-based deep learning | |
| CN116645348A (zh) | 基于点云随机采样的高速环道线形拟合方法 | |
| CN114454325A (zh) | 一种装配式建筑用预制混凝土构件的养护系统及生产方法 | |
| CN115964787A (zh) | 基于相位重分布的穿索式脊杆初始几何缺陷提取表征方法 | |
| CN104376592A (zh) | 观音手状文物缺失尺寸的预测方法 | |
| CN115222916A (zh) | 一种非接触式道面摩擦系数检测方法 | |
| CN111590265A (zh) | 基于激光扫描技术的模具修复方法 | |
| CN114202631A (zh) | 一种岩石二次破碎作业中岩石作业面与作业点的确定方法 | |
| Bezerra et al. | The use of artificial intelligence for assessing an overpass affected by Alkali-Silica Reaction (ASR) | |
| CN110348620A (zh) | 基于激光扫描的建筑拆除废弃物产生量预测方法及装置 | |
| CN116030022B (zh) | 建筑预制构件的质量检测系统及方法 |
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 |