CN117332488B - 一种基于bim技术的道路桥梁实景模型分析方法和系统 - Google Patents
一种基于bim技术的道路桥梁实景模型分析方法和系统 Download PDFInfo
- Publication number
- CN117332488B CN117332488B CN202311343937.4A CN202311343937A CN117332488B CN 117332488 B CN117332488 B CN 117332488B CN 202311343937 A CN202311343937 A CN 202311343937A CN 117332488 B CN117332488 B CN 117332488B
- Authority
- CN
- China
- Prior art keywords
- load
- bridge
- data
- axle
- coefficient
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 53
- 238000005516 engineering process Methods 0.000 title claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 45
- 230000003068 static effect Effects 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000000694 effects Effects 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 25
- 238000012937 correction Methods 0.000 claims description 18
- 238000013461 design Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000001556 precipitation Methods 0.000 claims description 14
- 238000000547 structure data Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000012423 maintenance Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 230000008520 organization Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 2
- 230000008859 change Effects 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 16
- 238000007796 conventional method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/04—Architectural design, interior design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/21—Collision detection, intersection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Medical Informatics (AREA)
- Architecture (AREA)
- Computer Graphics (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于BIM技术的道路桥梁实景模型分析方法和系统,涉及道路桥梁负荷分析技术领域,该方法建立三维BIM模型,将桥梁模型分成若干个区域,并计算每个区域内的静态荷载系数Jtx和动态荷载系数Dtx,生成区域负荷状态评估值Ktz;并讨论到桥梁区域天气变化时,采集计算获取天气影响系数Tqx;将区域负荷状态评估值Ktz和天气影响系数Tqx,构建负荷预测集,在运行周期内,使用实际负荷预测模型来预测实际桥梁的负荷情况,使用虚拟桥梁负荷预测模型来预测虚拟桥梁的负荷情况;当实际区域负荷状态评估值Ktz1或虚拟区域负荷状态评估值Ktz2超过预定的阈值Q时,表示风险被识别,并生成相应的预警信息。提高桥梁负荷状态变化的评估预测的精确度。
Description
技术领域
本发明涉及道路桥梁负荷分析技术领域,具体为一种基于BIM技术的道路桥梁实景模型分析方法和系统。
背景技术
BIM技术(建筑信息建模)是一种综合性的数字化建模和信息管理方法,广泛应用于建筑、土木工程和基础设施项目。它的核心概念是以数字模型的形式创建、管理和交换建筑和工程项目的各种信息。
道路桥梁在城市交通和基础设施中扮演着至关重要的角色。然而,随着交通流量和负荷的增加,桥梁的安全性和可靠性成为了重要关注点。传统方法通常只考虑静态荷载,静态荷载也就是自重荷载是指结构或物体本身的重量。例如,在桥梁分析中,桥梁的梁段、桥面、桥墩等构件的重量就是一种自重荷载。这种荷载是恒定的,不会随时间变化。而未考虑到动态荷载,如交通车辆和行人的流量,以及天气条件对桥梁的影响。这可能导致对桥梁负荷状态的不准确评估。传统方法中的数据更新通常是定期的,因此无法及时捕捉到桥梁负荷状态的变化,尤其是在突发事件或不寻常天气条件下。因此,亟需提出一种基于BIM技术的道路桥梁实景模型分析方法和系统。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于BIM技术的道路桥梁实景模型分析方法和系统,以解决背景技术提到的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种基于BIM技术的道路桥梁实景模型分析方法,包括以下步骤,
S1、收集道路桥梁的外观结构数据,所述外观结构数据包括道路信息、桥梁结构、支柱、管道、电缆和设备信息,并建立第一数据集;
S2、在道路桥梁上部署集成传感器组,采集交通车辆、行人和桥梁物体的流量和质量,建立第二数据集;
S3、建立桥梁三维BIM模型,按照第一数据集的设计结构,按照同比例尺导入至桥梁三维BIM模型中,并建立约束边界;并将桥梁三维BIM模型依据结构分类分成桥墩区域、桥台区域、梁段区域、桥面区域和护栏区域,并对若干个区域在桥梁三维模型中进行相对应的标签标记;
S4、依据第一数据集和第二数据集,并进行分析和计算,获取每个区域的静态荷载系数Jtx和动态荷载系数Dtx;所述静态荷载系数Jtx和动态荷载系数Dtx通过以下公式生成:
Jtx=JGK*JGTJ+C1
其中,JGK表示为区域内结构的总质量,以千克单位表示,JGTJ表示为区域内结构的总体积,以立方米单位表示;C1表示为修正常数;DZC表示为单轴车辆轴重荷载值,通过单轴荷载模型,估算其在桥梁上的移动负荷值,SL表示区域内时段平均车辆总轴数量,RLL表示附加人流量的重量值,Fhz表示风荷载系数,Xhz表示为雪或者冰荷载重量;FJwt表示区域内附加物体的总重量值;α、b、d、f和e表示为权重值,由用户调整设置,C2表示为修正常数;
S5、将每个区域的静态荷载系数Jtx和动态荷载系数Dtx进行相关联,获得区域负荷状态评估值Ktz;在桥梁区域天气变化时,建立天气状态数据集及相应的天气影响系数Tqx,并将区域负荷状态评估值Ktz变化的基础上,构建负荷预测集,构建虚拟桥梁负荷预测集,并基于BP神经网络预测算法构建虚拟桥梁负荷预测模型,依据虚拟桥梁负荷预测模型,在运行周期内预测出虚拟桥梁负荷超过阈值Q的时间节点,并预测该时间节点上,虚拟桥梁调度可能存在的运行风险,依据运行风险匹配相应的应对方案并输出。
优选的,所述S1步骤具体包括:
S11、收集道路桥梁的外观结构数据,通过测量员到实际桥梁现场进行策略,采用测量仪器、激光扫描仪工具来捕捉获取桥梁外观数据,并收集桥梁的设计图纸、施工文件和维护记录,建立第一数据集;
S12、对第一数据集进行清洗,并进行格式转换、坐标转换和去除重复数据处理;
S13、将第一数据集分为若干个类别,包括管道、电缆、设备和结构元素分类;对每个类别添加标签和属性。
优选的,所述S3步骤中还包括:
S31、建立桥梁三维BIM模型,按照第一数据集的设计结构,按照同比例尺导入至桥梁三维BIM模型中,并建立约束边界后,加载若干个类别元素,包括尺寸、形状位置和属性;
S32、设置碰撞安全距离K、并依据安全距离K检测若干个桥梁结构是否有碰撞冲突;当检测到每个碰撞冲突时,生成碰撞冲突报告,以三维坐标在桥梁三维BIM模型中标记突出显示,包括冲突的尺寸和图形显示;
S33、依据每个碰撞冲突报告,获取碰撞冲突和碰撞安全距离K差值,并依据差值大小进行排序,进行优先级生成处理建议处理。
优选的,所述第二数据集包括单轴车辆轴重荷载值DZC,单轴车辆轴重荷载值DZC的获取方法包括:
从交通管理机构获得不同类型的车辆轴重zz,以单位质量表示;
确定单轴车辆的轴距zJ,即车轮之间的距离,轴距的大小会影响轴荷载的分布;
创建单轴荷载模型,使得所得的车辆轴重zz和轴距zJ作为输入值,计算获得单轴车辆轴重荷载DZC的生成公式为:
式中,设定轴载荷均匀地分布在轴距上,因此单轴的载荷等于车辆轴重除以轴距,获得单量车辆轴重荷载DZC。
优选的,将每个区域的静态荷载系数Jtx和动态荷载系数Dtx进行归一化处理,并将两者相关联,关联方法符合如下公式:
其中,0≤γ<<1,0≤θ<<1,且γ+θ=1,γ、θ为权重,C为常数修正系数,其具体值可由用户调整设置,或者由分析函数拟合生成;R为静态荷载系数Jtx及动态荷载系数Dtx之间相关系数,由若干组静态荷载系数Jtx及动态荷载系数Dtx计算得出;JGTJ表示为区域内结构的总体积,以立方米单位表示。
优选的,在桥梁区域天气变化时,建立天气状态数据集,分别确定测定桥梁区域内的区域温度Qt、区域降水量JsL、区域降雪量JxL和风速风力值Flz,在无量纲处理后,关联形成天气影响系数Tqx;其中,天气影响系数Tqx的生成条件如下:
其中,0≤E1≤1,0≤E2≤1,0≤E3≤1,0≤E4≤1,且1.80≤E1+E2+E3+E4≤3.80,其具体值由用户调整设置,C3为常数修正系数。
优选的,基于区域负荷状态评估值Ktz和天气影响系数Tqx,构建负荷预测集;负荷预测集包括历史负荷数据、天气数据、车辆流程数据、行人流量数据,以及历史负荷数据、天气数据、车辆流程数据、行人流量数据之间的关联数据;
并使用机器学习方法,包括BP神经网络,构建虚拟桥梁负荷预测模型,用于根据历史数据来预测未来桥梁的负荷情况,并考虑天气、车流流量和行人流量影响;
创建与负荷相关的特征,将车辆流量、人流量和天气数据进行时间对齐,创建滞后特征,以考虑历史数据的影响,并计算车流量和行人流量和天气影响系数Tqx的相关性,获得流量相关性因子m,所述流量相关性因子m通过以下公式生成:
式中,n表示数据点的数量,符号i代表数据点的索引,xi是车流量和人流量的数据点,yi是天气影响系数Tqx的数据点;是车流量和人流量的均值,/>是天气影响系数Tqx的均值;公式的含义为:计算出车流量、人流量和天气影响系数Tqx之间的线性相关性,相关性因子m的取值范围在-1到1之间,其中1表示完全正相关,-1表示完全负相关,0表示没有线性相关性。
优选的,使用BP神经网络或其他适当的机器学习模型来构建负荷预测模型和虚拟桥梁负荷预测模型;分别训练两个模型,负荷预测模型用于实际负荷预测,虚拟桥梁负荷预测模型用于虚拟桥梁负荷预测;
使用历史数据训练负荷预测模型和虚拟桥梁负荷预测模型,将历史数据进行时间序列排序,按照时间排序输入历史数据,包括峰值时段数据,学习不同时段的趋势和模式;
在运行周期内,使用实际负荷预测模型来预测实际桥梁的负荷情况,并使用虚拟桥梁负荷预测模型来预测虚拟桥梁的负荷情况;将历史数据、流量相关性因子m以及当前的车流量、人流量和天气数据作为输入值来进行预测;
当实际区域负荷状态评估值Ktz1或虚拟区域负荷状态评估值Ktz2超过预定的阈值Q时,系统会识别潜在的运行风险,并生成相应的预警信息。
优选的,如果风险被识别,系统将生成相应的预警信息,包括:
时间戳t,指示预测风险发生的时间;
实际区域负荷状态评估值Ktz1或虚拟区域负荷状态评估值Ktz2的值;
风险的描述,包括“实际负荷超过阈值”或“虚拟负荷超过阈值”;
推测的风险原因,包括“高车流量”和“恶劣天气”。
一种基于BIM技术的道路桥梁实景模型分析系统,包括数据采集模块、数据处理模块、三维建模模块、碰撞冲突检测模块、荷载分析模块、天气影响模块、负荷预测模块、模型训练应用模块和风险识别报警模块;
数据采集模块,收集道路桥梁的外观结构数据,包括道路信息、桥梁结构、支柱、管道、电缆和设备信息,并建立第一数据集;在道路桥梁上部署集成传感器组,采集交通车辆、行人和桥梁物体的流量和质量,建立第二数据集;
数据处理模块,负责对第一数据集进行清洗、格式转换、坐标转换和去除重复数据处理,并将第一数据集分为若干个类别,包括管道、电缆、设备和结构元素分类,并为每个类别添加标签和属性;
三维建模模块,建立桥梁三维BIM模型,按照第一数据集的设计结构,导入至桥梁三维BIM模型中,并建立约束边界,将模型分成桥墩区域、桥台区域、梁段区域、桥面区域和护栏区域,并为这些区域在三维模型中标记相应的标签;
碰撞冲突检测模块,建立三维BIM模型中的若干个类别元素,设置碰撞安全距离K,并检测桥梁结构是否存在碰撞冲突,生成碰撞冲突报告,包括冲突的尺寸和图形显示;并依据碰撞冲突报告,获取碰撞冲突和碰撞安全距离K的差值,并进行排序,生成处理建议;
荷载分析模块,依据第一数据集和第二数据集,进行分析和计算,获取每个区域的静态荷载系数Jtx和动态荷载系数Dtx,并进行关联,生成区域负荷状态评估值Ktz;
天气影响模块,在桥梁区域天气变化时,采用传感器采集环境数据,建立天气状态数据集,确定区域温度Qt、降水量JsL、降雪量JxL和风速风力值Flz,并计算天气影响系数Tqx;
负荷预测模块,基于区域负荷状态评估值Ktz和天气影响系数Tqx,构建负荷预测集,包括历史负荷数据、天气数据、车辆流程数据、行人流量数据以及之间的关联数据;使用机器学习方法,BP神经网络,构建虚拟桥梁负荷预测模型,预测未来桥梁的负荷情况;
模型训练应用模块,分别训练实际负荷预测模型和虚拟桥梁负荷预测模型,用历史数据进行时间序列排序,以学习不同时间段的趋势和模式;在运行周期内,使用实际负荷预测模型来预测实际桥梁的负荷情况,使用虚拟桥梁负荷预测模型来预测虚拟桥梁的负荷情况;
风险识别报警模块,当实际区域负荷状态评估值Ktz1或虚拟区域负荷状态评估值Ktz2超过预定的阈值Q时,表示风险被识别,并生成相应的预警信息。
(三)有益效果
本发明提供了一种基于BIM技术的道路桥梁实景模型分析方法和系统。具备以下有益效果:
(1)该方法通过收集外观结构数据和部署传感器组,实现了对道路桥梁多维数据的综合集成。这有助于提供更全面的桥梁信息,包括结构、流量、质量等方面,相比传统方法更为全面。传统方法在桥梁分析中通常只考虑静态荷载,而该方法不仅考虑了静态荷载,还考虑了动态荷载,包括交通车辆的荷载以及行人流量。这使得对桥梁的荷载分析更为精确,能够更好地模拟实际运行情况。该方法还考虑了天气因素对桥梁荷载的影响,包括风荷载、雪或冰荷载等。促使桥梁的负荷分析更加全面,可以在不同天气条件下进行更准确的预测。该方法利用BP神经网络等机器学习方法,能够自动化地进行数据分析和负荷预测,减少了人工干预的需求。同时,能够生成相应的预警信息,促进桥梁运维分析的高效。
(2)建立桥梁三维BIM模型,按照第一数据集的设计结构,并进行碰撞冲突检测,细化增强了对桥梁结构的全面性分析和安全性检测,有助于减少设计和施工中的潜在问题,提高了道路桥梁实景模型分析方法的实用性和可靠性。与传统方法相比,这种细化操作能够更好地发现和解决潜在的碰撞问题,从而减少后续修复和调整的成本和工作量。
(3)根据车辆类型和轴距,计算出每个单轴车辆的轴重荷载值DZC,从而为道路桥梁实景模型的荷载分析提供了必要的数据。这有助于模型准确地考虑不同类型车辆对桥梁结构的影响。以确保在道路桥梁实景模型中考虑到车辆对桥梁的荷载影响。并将每个区域的静态荷载系数Jtx和动态荷载系数Dtx归一化并相关联,以便更准确地评估不同区域的负荷状态。这有助于在桥梁区域内更有效地预测和管理负荷,以减少潜在的安全风险。用户根据具体情况调整权重和修正系数,以满足不同的工程需求。
(4)通过建立立桥梁三维BIM模型,依据第一数据集和第二数据集作为输入,并进行碰撞冲突检测,提前识别潜在的结构冲突,有助于避免施工和维护阶段的问题,提高桥梁的安全性。荷载分析模块分析和计算每个区域的静态荷载系数Jtx和动态荷载系数Dtx,以生成区域负荷状态评估值Ktz,帮助工程师了解不同区域的负荷情况,有助于安全设计和维护桥梁;天气影响模块监测天气变化,获取温度、降水量、降雪量和风速风力数据,计算天气影响系数Tqx,考虑天气因素,提供了更准确的负荷预测,促进提高应对不同天气条件下的挑战;负荷预测模块,构建负荷预测模型,使用历史负荷、天气、车辆流量和行人流量等数据,以预测未来桥梁的负荷情况,识别实际或虚拟区域负荷状态是否超过预定的阈值Q,并生成预警信息。及时识别潜在的运行风险,使管理者能够采取适当的措施,提高桥梁的安全性和可靠性。
附图说明
图1为本发明一种基于BIM技术的道路桥梁实景模型分析方法步骤示意图;
图2为本发明一种基于BIM技术的道路桥梁实景模型分析系统框图流程示意图。
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做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。
道路桥梁在城市交通和基础设施中扮演着至关重要的角色。然而,随着交通流量和负荷的增加,桥梁的安全性和可靠性成为了重要关注点。传统方法通常只考虑静态荷载,静态荷载也就是自重荷载是指结构或物体本身的重量。例如,在桥梁分析中,桥梁的梁段、桥面、桥墩等构件的重量就是一种自重荷载。这种荷载是恒定的,不会随时间变化。而未考虑到动态荷载,如交通车辆和行人的流量,以及天气条件对桥梁的影响。这可能导致对桥梁负荷状态的不准确评估。传统方法中的数据更新通常是定期的,因此无法及时捕捉到桥梁负荷状态的变化,尤其是在突发事件或不寻常天气条件下。因此,亟需提出一种基于BIM技术的道路桥梁实景模型分析方法和系统。
实施例1
本发明提供一种基于BIM技术的道路桥梁实景模型分析方法,请参阅图1,包括以下步骤,
S1、收集道路桥梁的外观结构数据,所述外观结构数据包括道路信息、桥梁结构、支柱、管道、电缆和设备信息,并建立第一数据集;
S2、在道路桥梁上部署集成传感器组,采集交通车辆、行人和桥梁物体的流量和质量,建立第二数据集;
S3、建立桥梁三维BIM模型,按照第一数据集的设计结构,按照同比例尺导入至桥梁三维BIM模型中,并建立约束边界;并将桥梁三维BIM模型依据结构分类分成桥墩区域、桥台区域、梁段区域、桥面区域和护栏区域,并对若干个区域在桥梁三维模型中进行相对应的标签标记;
S4、依据第一数据集和第二数据集,并进行分析和计算,获取每个区域的静态荷载系数Jtx和动态荷载系数Dtx;所述静态荷载系数Jtx和动态荷载系数Dtx通过以下公式生成:
Jtx=JGK*JGTJ+C1
其中,JGK表示为区域内结构的总质量,以千克单位表示,JGTJ表示为区域内结构的总体积,以立方米单位表示;C1表示为修正常数;DZC表示为单轴车辆轴重荷载值,通过单轴荷载模型,估算其在桥梁上的移动负荷值,SL表示区域内时段平均车辆总轴数量,RLL表示附加人流量的重量值,Fhz表示风荷载系数,Xhz表示为雪或者冰荷载重量;FJwt表示区域内附加物体的总重量值;α、b、d、f和e表示为权重值,由用户调整设置,C2表示为修正常数;
S5、将每个区域的静态荷载系数Jtx和动态荷载系数Dtx进行相关联,获得区域负荷状态评估值Ktz;在桥梁区域天气变化时,建立天气状态数据集及相应的天气影响系数Tqx,并将区域负荷状态评估值Ktz变化的基础上,构建负荷预测集,构建虚拟桥梁负荷预测集,并基于BP神经网络预测算法构建虚拟桥梁负荷预测模型,依据虚拟桥梁负荷预测模型,在运行周期内预测出虚拟桥梁负荷超过阈值Q的时间节点,并预测该时间节点上,虚拟桥梁调度可能存在的运行风险,依据运行风险匹配相应的应对方案并输出。
本实施例中,该方法通过收集外观结构数据和部署传感器组,实现了对道路桥梁多维数据的综合集成。这有助于提供更全面的桥梁信息,包括结构、流量、质量等方面,相比传统方法更为全面。传统方法在桥梁分析中通常只考虑静态荷载,而该方法不仅考虑了静态荷载,还考虑了动态荷载,包括交通车辆的荷载以及行人流量。这使得对桥梁的荷载分析更为精确,能够更好地模拟实际运行情况。该方法还考虑了天气因素对桥梁荷载的影响,包括风荷载、雪或冰荷载等。促使桥梁的负荷分析更加全面,可以在不同天气条件下进行更准确的预测。该方法利用BP神经网络等机器学习方法,能够自动化地进行数据分析和负荷预测,减少了人工干预的需求。同时,能够生成相应的预警信息,促进桥梁运维分析的高效。
实施例2
本实施例是在实施例1中进行的解释说明,具体的,所述S1步骤具体包括:
S11、收集道路桥梁的外观结构数据,通过测量员到实际桥梁现场进行策略,采用测量仪器、激光扫描仪工具来捕捉获取桥梁外观数据,并收集桥梁的设计图纸、施工文件和维护记录,建立第一数据集;通过派遣测量员到实际桥梁现场,使用测量仪器和激光扫描仪等工具进行数据采集,确保了数据的来源真实可靠。这有助于消除桥梁信息来源的不确定性,提高了数据的可信度。
S12、对第一数据集进行清洗,并进行格式转换、坐标转换和去除重复数据处理;清洗后的数据更容易进行后续的分析和整合,减少了数据质量问题可能带来的误差。
S13、将第一数据集分为若干个类别,包括管道、电缆、设备和结构元素分类;对每个类别添加标签和属性。使得数据更有结构和组织。这有助于后续的数据分析和建模,能够更精确地识别和区分不同类型的桥梁元素。
实施例3
桥梁是承载车辆、行人和其他荷载的关键基础设施。在设计和建造桥梁时,必须确保各个结构元素(如梁段、桥墩、桥台等)之间不会发生碰撞或冲突。结构间的最小安全距离要求。碰撞或冲突可能会导致结构损坏、安全隐患以及降低桥梁的使用寿命。
本实施例是在实施例1中进行的解释说明,具体的,所述S3步骤中还包括:
S31、建立桥梁三维BIM模型,按照第一数据集的设计结构,按照同比例尺导入至桥梁三维BIM模型中,并建立约束边界后,加载若干个类别元素,包括尺寸、形状位置和属性;这有助于实现对桥梁的真实模拟和可视化;
S32、设置碰撞安全距离K、并依据安全距离K检测若干个桥梁结构是否有碰撞冲突;当检测到每个碰撞冲突时,生成碰撞冲突报告,以三维坐标在桥梁三维BIM模型中标记突出显示,包括冲突的尺寸和图形显示;碰撞冲突可能导致结构损坏和安全问题,因此及早检测并生成碰撞冲突报告用于提高和确保桥梁的安全性。
S33、依据每个碰撞冲突报告,获取碰撞冲突和碰撞安全距离K差值,并依据差值大小进行排序,进行优先级生成处理建议处理。生成处理建议,帮助工程师和设计者采取必要的措施来解决冲突。这有助于提高桥梁设计的效率和安全性。
本实施例中,碰撞冲突检测,细化增强了对桥梁结构的全面性分析和安全性检测,有助于减少设计和施工中的潜在问题,提高了道路桥梁实景模型分析方法的实用性和可靠性。与传统方法相比,这种细化操作能够更好地发现和解决潜在的碰撞问题,从而减少后续修复和调整的成本和工作量。
实施例4
本实施例是在实施例1中进行的解释说明,具体的,所述第二数据集包括单轴车辆轴重荷载值DZC,单轴车辆轴重荷载值DZC的获取方法包括:
从交通管理机构获得不同类型的车辆轴重zz,以单位质量表示;
确定单轴车辆的轴距zJ,即车轮之间的距离,轴距的大小会影响轴荷载的分布;
创建单轴荷载模型,使得所得的车辆轴重zz和轴距zJ作为输入值,计算获得单轴车辆轴重荷载DZC的生成公式为:
式中,设定轴载荷均匀地分布在轴距上,因此单轴的载荷等于车辆轴重除以轴距,获得单量车辆轴重荷载DZC。
本实施例中,根据车辆类型和轴距,计算出每个单轴车辆的轴重荷载值DZC,从而为道路桥梁实景模型的荷载分析提供了必要的数据。这有助于模型准确地考虑不同类型车辆对桥梁结构的影响。以确保在道路桥梁实景模型中考虑到车辆对桥梁的荷载影响。
实施例5
本实施例是在实施例1中进行的解释说明,具体的,将每个区域的静态荷载系数Jtx和动态荷载系数Dtx进行归一化处理,并将两者相关联,关联方法符合如下公式:
其中,0≤γ<<1,0≤θ<<1,且γ+θ=1,γ、θ为权重,C为常数修正系数,其具体值可由用户调整设置,或者由分析函数拟合生成;R为静态荷载系数Jtx及动态荷载系数Dtx之间相关系数,由若干组静态荷载系数Jtx及动态荷载系数Dtx计算得出;JGTJ表示为区域内结构的总体积,以立方米单位表示。
本实施例中,将每个区域的静态荷载系数Jtx和动态荷载系数Dtx归一化并相关联,以便更准确地评估不同区域的负荷状态。这有助于在桥梁区域内更有效地预测和管理负荷,以减少潜在的安全风险。用户根据具体情况调整权重和修正系数,以满足不同的工程需求。
实施例6
本实施例是在实施例1中进行的解释说明,具体的,在桥梁区域天气变化时,建立天气状态数据集,分别确定测定桥梁区域内的区域温度Qt、区域降水量JsL、区域降雪量JxL和风速风力值Flz,在无量纲处理后,关联形成天气影响系数Tqx;其中,天气影响系数Tqx的生成条件如下:
其中,0≤E1≤1,0≤E2≤1,0≤E3≤1,0≤E4≤1,且1.80≤E1+E2+E3+E4≤3.80,其具体值由用户调整设置,C3为常数修正系数;
本实施例中,在数据集中,需要确定桥梁区域内的区域温度Qt、区域降水量JsL、区域降雪量JxL和风速风力值Flz。这些参数反映了天气情况对桥梁的影响。温度、降水和降雪量通常以摄氏度或毫米为单位,而风速和风力值通常以米每秒为单位。天气参数可能具有不同的尺度和单位,为了进行关联分析,需要对它们进行无量纲处理,将它们转化为相同的量纲或标准化。这有助于消除单位和尺度的影响,使得不同参数可以进行比较。天气影响系数Tqx的生成是通过一组相关系数和权重来实现的。这些相关系数和权重由用户根据具体需求进行调整设置,以反映不同天气因素对桥梁的影响程度。公式中的各项和为常数修正系数,也可以由用户设置。这个生成过程考虑了不同天气参数的综合影响,以获得综合的天气影响系数Tqx。
将不同的天气参数考虑在内,计算出天气影响系数Tqx,用于评估桥梁区域的负荷状态。这有助于更全面地理解天气因素对桥梁安全和稳定性的影响,从而采取必要的措施来应对可能的风险。用户可以根据具体情况调整相关系数和权重,以满足不同工程的需求。
实施例7
本实施例是在实施例1中进行的解释说明,具体的,基于区域负荷状态评估值Ktz和天气影响系数Tqx,构建负荷预测集;负荷预测集包括历史负荷数据、天气数据、车辆流程数据、行人流量数据,以及历史负荷数据、天气数据、车辆流程数据、行人流量数据之间的关联数据;这些数据经过时间序列排序和预处理,以确保它们适用于模型训练和预测。
并使用机器学习方法,包括BP神经网络,构建虚拟桥梁负荷预测模型,用于根据历史数据来预测未来桥梁的负荷情况,并考虑天气、车流流量和行人流量影响;
创建与负荷相关的特征,将车辆流量、人流量和天气数据进行时间对齐,创建滞后特征,以考虑历史数据的影响,并计算车流量和行人流量和天气影响系数Tqx的相关性,获得流量相关性因子m,所述流量相关性因子m通过以下公式生成:
式中,n表示数据点的数量,符号i代表数据点的索引,xi是车流量和人流量的数据点,yi是天气影响系数Tqx的数据点;是车流量和人流量的均值,/>是天气影响系数Tqx的均值;公式的含义为:计算出车流量、人流量和天气影响系数Tqx之间的线性相关性,相关性因子m的取值范围在-1到1之间,其中1表示完全正相关,-1表示完全负相关,0表示没有线性相关性。
使用BP神经网络或其他适当的机器学习模型来构建负荷预测模型和虚拟桥梁负荷预测模型;分别训练两个模型,负荷预测模型用于实际负荷预测,虚拟桥梁负荷预测模型用于虚拟桥梁负荷预测;
使用历史数据训练负荷预测模型和虚拟桥梁负荷预测模型,将历史数据进行时间序列排序,按照时间排序输入历史数据,包括峰值时段数据,学习不同时段的趋势和模式;
在运行周期内,使用实际负荷预测模型来预测实际桥梁的负荷情况,并使用虚拟桥梁负荷预测模型来预测虚拟桥梁的负荷情况;将历史数据、流量相关性因子m以及当前的车流量、人流量和天气数据作为输入值来进行预测;
当实际区域负荷状态评估值Ktz1或虚拟区域负荷状态评估值Ktz2超过预定的阈值Q时,系统会识别潜在的运行风险,并生成相应的预警信息。
具体的,如果风险被识别,系统将生成相应的预警信息,包括:
时间戳t,指示预测风险发生的时间;
实际区域负荷状态评估值Ktz1或虚拟区域负荷状态评估值Ktz2的值;
风险的描述,包括“实际负荷超过阈值”或“虚拟负荷超过阈值”。
推测的风险原因,包括“高车流量”和“恶劣天气”。
具体示例:示例1-实际负荷超过阈值:设置阈值Q=70,
时间戳:2023-10-0914:30:00;
负荷状态评估值:Ktz1=95.2;
风险描述:实际负荷超过阈值;
推测的风险原因:高车流量和恶劣天气条件;
示例2-虚拟负荷超过阈值:
时间戳:2023-10-0909:15:00;
负荷状态评估值:Ktz2=78.9;
风险描述:虚拟负荷超过阈值;
推测的风险原因:大规模人流事件和降雨天气;
示例3-实际负荷超过阈值:
时间戳:2023-10-1017:45:00;
负荷状态评估值:Ktz1=102.8;
风险描述:实际负荷超过阈值;
推测的风险原因:异常高的车流量和强风天气;
示例4-虚拟负荷超过阈值:
时间戳:2023-10-1108:00:00;
负荷状态评估值:Ktz2=88.3;
风险描述:虚拟负荷超过阈值;
推测的风险原因:大型活动引发的人流拥堵和高温天气;
本实施例中,这个方法可以帮助桥梁运维团队更准确地预测桥梁的负荷情况,及时发现潜在的运行风险。通过考虑历史数据、天气和流量等因素,促进提高负荷预测的准确性。预警系统可以帮助运维团队采取必要的措施,以应对可能的运行风险,从而提高桥梁的安全性和可靠性。通过虚拟桥梁负荷预测模型,还可以模拟不同情景下的负荷情况,有助于规划和决策制定。
实施例8
一种基于BIM技术的道路桥梁实景模型分析系统,请参照图2,包括数据采集模块、数据处理模块、三维建模模块、碰撞冲突检测模块、荷载分析模块、天气影响模块、负荷预测模块、模型训练应用模块和风险识别报警模块;
数据采集模块,收集道路桥梁的外观结构数据,包括道路信息、桥梁结构、支柱、管道、电缆和设备信息,并建立第一数据集;在道路桥梁上部署集成传感器组,采集交通车辆、行人和桥梁物体的流量和质量,建立第二数据集;提供了多维度的桥梁数据,有助于全面了解桥梁的状况和负荷情况。
数据处理模块,负责对第一数据集进行清洗、格式转换、坐标转换和去除重复数据处理,并将第一数据集分为若干个类别,包括管道、电缆、设备和结构元素分类,并为每个类别添加标签和属性;提供了清洁、一致的数据,便于后续模型分析和建模。
三维建模模块,建立桥梁三维BIM模型,按照第一数据集的设计结构,导入至桥梁三维BIM模型中,并建立约束边界,将模型分成桥墩区域、桥台区域、梁段区域、桥面区域和护栏区域,并为这些区域在三维模型中标记相应的标签;
碰撞冲突检测模块,建立三维BIM模型中的若干个类别元素,设置碰撞安全距离K,并检测桥梁结构是否存在碰撞冲突,生成碰撞冲突报告,包括冲突的尺寸和图形显示;并依据碰撞冲突报告,获取碰撞冲突和碰撞安全距离K的差值,并进行排序,生成处理建议;
荷载分析模块,依据第一数据集和第二数据集,进行分析和计算,获取每个区域的静态荷载系数Jtx和动态荷载系数Dtx,并进行关联,生成区域负荷状态评估值Ktz;
天气影响模块,在桥梁区域天气变化时,采用传感器采集环境数据,建立天气状态数据集,确定区域温度Qt、降水量JsL、降雪量JxL和风速风力值Flz,并计算天气影响系数Tqx;
负荷预测模块,基于区域负荷状态评估值Ktz和天气影响系数Tqx,构建负荷预测集,包括历史负荷数据、天气数据、车辆流程数据、行人流量数据以及之间的关联数据;使用机器学习方法,BP神经网络,构建虚拟桥梁负荷预测模型,预测未来桥梁的负荷情况;
模型训练应用模块,分别训练实际负荷预测模型和虚拟桥梁负荷预测模型,用历史数据进行时间序列排序,以学习不同时间段的趋势和模式;在运行周期内,使用实际负荷预测模型来预测实际桥梁的负荷情况,使用虚拟桥梁负荷预测模型来预测虚拟桥梁的负荷情况;
风险识别报警模块,当实际区域负荷状态评估值Ktz1或虚拟区域负荷状态评估值Ktz2超过预定的阈值Q时,表示风险被识别,并生成相应的预警信息。
本实施例中,通过建立立桥梁三维BIM模型,依据第一数据集和第二数据集作为输入,并进行碰撞冲突检测,提前识别潜在的结构冲突,有助于避免施工和维护阶段的问题,提高桥梁的安全性。荷载分析模块分析和计算每个区域的静态荷载系数Jtx和动态荷载系数Dtx,以生成区域负荷状态评估值Ktz,帮助工程师了解不同区域的负荷情况,有助于安全设计和维护桥梁;天气影响模块监测天气变化,获取温度、降水量、降雪量和风速风力数据,计算天气影响系数Tqx,考虑天气因素,提供了更准确的负荷预测,促进提高应对不同天气条件下的挑战;负荷预测模块,构建负荷预测模型,使用历史负荷、天气、车辆流量和行人流量等数据,以预测未来桥梁的负荷情况,识别实际或虚拟区域负荷状态是否超过预定的阈值Q,并生成预警信息。及时识别潜在的运行风险,使管理者能够采取适当的措施,提高桥梁的安全性和可靠性。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于BIM技术的道路桥梁实景模型分析方法,其特征在于:包括以下步骤,
S1、收集道路桥梁的外观结构数据,所述外观结构数据包括道路信息、桥梁结构、支柱、管道、电缆和设备信息,并建立第一数据集;
S2、在道路桥梁上部署集成传感器组,采集交通车辆、行人和桥梁物体的流量和质量,建立第二数据集;所述第二数据集包括单轴车辆轴重荷载值DZC,单轴车辆轴重荷载值DZC的获取方法包括:
从交通管理机构获得不同类型的车辆轴重zz,以单位质量表示;
确定单轴车辆的轴距zJ,即车轮之间的距离,轴距的大小会影响轴荷载的分布;
创建单轴荷载模型,使得所得的车辆轴重zz和轴距zJ作为输入值,计算获得单轴车辆轴重荷载DZC的生成公式为:
式中,设定轴载荷均匀地分布在轴距上,因此单轴的载荷等于车辆轴重除以轴距,获得单量车辆轴重荷载DZC;
S3、建立桥梁三维BIM模型,按照第一数据集的设计结构,按照同比例尺导入至桥梁三维BIM模型中,并建立约束边界;并将桥梁三维BIM模型依据结构分类分成桥墩区域、桥台区域、梁段区域、桥面区域和护栏区域,并对若干个区域在桥梁三维模型中进行相对应的标签标记;
S4、依据第一数据集和第二数据集,并进行分析和计算,获取每个区域的静态荷载系数Jtx和动态荷载系数Dtx;所述静态荷载系数Jtx和动态荷载系数Dtx通过以下公式生成:
Jtx=JGK*JGTJ+C1
其中,JGK表示为区域内结构的总质量,以千克单位表示,JGTJ表示为区域内结构的总体积,以立方米单位表示;C1表示为修正常数;DZC表示为单轴车辆轴重荷载值,通过单轴荷载模型,估算其在桥梁上的移动负荷值,SL表示区域内时段平均车辆总轴数量,RLL表示附加人流量的重量值,Fhz表示风荷载系数,Xhz表示为雪或者冰荷载重量;FJwt表示区域内附加物体的总重量值;α、b、d、f和e表示为权重值,由用户调整设置,C2表示为修正常数;
S5、将每个区域的静态荷载系数Jtx和动态荷载系数Dtx进行相关联,获得区域负荷状态评估值Ktz;将每个区域的静态荷载系数Jtx和动态荷载系数Dtx进行归一化处理,并将两者相关联,关联方法符合如下公式:
其中,0≤γ<<1,0≤θ<<1,且γ+θ=1,γ、θ为权重,C为常数修正系数,其具体值可由用户调整设置,或者由分析函数拟合生成;R为静态荷载系数Jtx及动态荷载系数Dtx之间相关系数,由若干组静态荷载系数Jtx及动态荷载系数Dtx计算得出;JGTJ表示为区域内结构的总体积,以立方米单位表示;
在桥梁区域天气变化时,建立天气状态数据集及相应的天气影响系数Tqx,并将区域负荷状态评估值Ktz变化的基础上,构建负荷预测集,构建虚拟桥梁负荷预测集,并基于BP神经网络预测算法构建虚拟桥梁负荷预测模型,依据虚拟桥梁负荷预测模型,在运行周期内预测出虚拟桥梁负荷超过阈值Q的时间节点,并预测该时间节点上,虚拟桥梁调度可能存在的运行风险,依据运行风险匹配相应的应对方案并输出。
2.根据权利要求1所述的一种基于BIM技术的道路桥梁实景模型分析方法,其特征在于:所述S1步骤具体包括:
S11、收集道路桥梁的外观结构数据,通过测量员到实际桥梁现场进行策略,采用测量仪器、激光扫描仪工具来捕捉获取桥梁外观数据,并收集桥梁的设计图纸、施工文件和维护记录,建立第一数据集;
S12、对第一数据集进行清洗,并进行格式转换、坐标转换和去除重复数据处理;
S13、将第一数据集分为若干个类别,包括管道、电缆、设备和结构元素分类;对每个类别添加标签和属性。
3.根据权利要求1所述的一种基于BIM技术的道路桥梁实景模型分析方法,其特征在于:所述S3步骤中还包括:
S31、建立桥梁三维BIM模型,按照第一数据集的设计结构,按照同比例尺导入至桥梁三维BIM模型中,并建立约束边界后,加载若干个类别元素,包括尺寸、形状位置和属性;
S32、设置碰撞安全距离K、并依据安全距离K检测若干个桥梁结构是否有碰撞冲突;当检测到每个碰撞冲突时,生成碰撞冲突报告,以三维坐标在桥梁三维BIM模型中标记突出显示,包括冲突的尺寸和图形显示;
S33、依据每个碰撞冲突报告,获取碰撞冲突和碰撞安全距离K差值,并依据差值大小进行排序,进行优先级生成处理建议处理。
4.根据权利要求1所述的一种基于BIM技术的道路桥梁实景模型分析方法,其特征在于:在桥梁区域天气变化时,建立天气状态数据集,分别确定测定桥梁区域内的区域温度Qt、区域降水量JsL、区域降雪量JxL和风速风力值Flz,在无量纲处理后,关联形成天气影响系数Tqx;其中,天气影响系数Tqx的生成条件如下:
其中,0≤E1≤1,0≤E2≤1,0≤E3≤1,0≤E4≤1,且1.80≤E1+E2+E3+E4≤3.80,其具体值由用户调整设置,C3为常数修正系数。
5.根据权利要求4所述的一种基于BIM技术的道路桥梁实景模型分析方法,其特征在于:基于区域负荷状态评估值Ktz和天气影响系数Tqx,构建负荷预测集;负荷预测集包括历史负荷数据、天气数据、车辆流程数据、行人流量数据,以及历史负荷数据、天气数据、车辆流程数据、行人流量数据之间的关联数据;
并使用机器学习方法,包括BP神经网络,构建虚拟桥梁负荷预测模型,用于根据历史数据来预测未来桥梁的负荷情况,并考虑天气、车流流量和行人流量影响;
创建与负荷相关的特征,将车辆流量、人流量和天气数据进行时间对齐,创建滞后特征,以考虑历史数据的影响,并计算车流量和行人流量和天气影响系数Tqx的相关性,获得流量相关性因子m,所述流量相关性因子m通过以下公式生成:
式中,n表示数据点的数量,符号i代表数据点的索引,xi是车流量和人流量的数据点,yi是天气影响系数Tqx的数据点;是车流量和人流量的均值,/>是天气影响系数Tqx的均值;公式的含义为:计算出车流量、人流量和天气影响系数Tqx之间的线性相关性,相关性因子m的取值范围在-1到1之间,其中1表示完全正相关,-1表示完全负相关,0表示没有线性相关性。
6.根据权利要求5所述的一种基于BIM技术的道路桥梁实景模型分析方法,其特征在于:使用BP神经网络或其他适当的机器学习模型来构建负荷预测模型和虚拟桥梁负荷预测模型;分别训练两个模型,负荷预测模型用于实际负荷预测,虚拟桥梁负荷预测模型用于虚拟桥梁负荷预测;
使用历史数据训练负荷预测模型和虚拟桥梁负荷预测模型,将历史数据进行时间序列排序,按照时间排序输入历史数据,包括峰值时段数据,学习不同时段的趋势和模式;
在运行周期内,使用实际负荷预测模型来预测实际桥梁的负荷情况,并使用虚拟桥梁负荷预测模型来预测虚拟桥梁的负荷情况;将历史数据、流量相关性因子m以及当前的车流量、人流量和天气数据作为输入值来进行预测;
当实际区域负荷状态评估值Ktz1或虚拟区域负荷状态评估值Ktz2超过预定的阈值Q时,系统会识别潜在的运行风险,并生成相应的预警信息。
7.根据权利要求6所述的一种基于BIM技术的道路桥梁实景模型分析方法,其特征在于:如果风险被识别,系统将生成相应的预警信息,包括:
时间戳t,指示预测风险发生的时间;
实际区域负荷状态评估值Ktz1或虚拟区域负荷状态评估值Ktz2的值;
风险的描述,包括“实际负荷超过阈值”或“虚拟负荷超过阈值”;
推测的风险原因,包括“高车流量”和“恶劣天气”。
8.一种基于BIM技术的道路桥梁实景模型分析系统,其特征在于:包括数据采集模块、数据处理模块、三维建模模块、碰撞冲突检测模块、荷载分析模块、天气影响模块、负荷预测模块、模型训练应用模块和风险识别报警模块;
数据采集模块,收集道路桥梁的外观结构数据,包括道路信息、桥梁结构、支柱、管道、电缆和设备信息,并建立第一数据集;在道路桥梁上部署集成传感器组,采集交通车辆、行人和桥梁物体的流量和质量,建立第二数据集;
数据处理模块,负责对第一数据集进行清洗、格式转换、坐标转换和去除重复数据处理,并将第一数据集分为若干个类别,包括管道、电缆、设备和结构元素分类,并为每个类别添加标签和属性;
三维建模模块,建立桥梁三维BIM模型,按照第一数据集的设计结构,导入至桥梁三维BIM模型中,并建立约束边界,将模型分成桥墩区域、桥台区域、梁段区域、桥面区域和护栏区域,并为这些区域在三维模型中标记相应的标签;
碰撞冲突检测模块,建立三维BIM模型中的若干个类别元素,设置碰撞安全距离K,并检测桥梁结构是否存在碰撞冲突,生成碰撞冲突报告,包括冲突的尺寸和图形显示;并依据碰撞冲突报告,获取碰撞冲突和碰撞安全距离K的差值,并进行排序,生成处理建议;
荷载分析模块,依据第一数据集和第二数据集,进行分析和计算,获取每个区域的静态荷载系数Jtx和动态荷载系数Dtx,并进行关联,生成区域负荷状态评估值Ktz;所述第二数据集包括单轴车辆轴重荷载值DZC,单轴车辆轴重荷载值DZC的获取方法包括:
从交通管理机构获得不同类型的车辆轴重zz,以单位质量表示;
确定单轴车辆的轴距zJ,即车轮之间的距离,轴距的大小会影响轴荷载的分布;
创建单轴荷载模型,使得所得的车辆轴重zz和轴距zJ作为输入值,计算获得单轴车辆轴重荷载DZC的生成公式为:
式中,设定轴载荷均匀地分布在轴距上,因此单轴的载荷等于车辆轴重除以轴距,获得单量车辆轴重荷载DZC;
依据第一数据集和第二数据集,并进行分析和计算,获取每个区域的静态荷载系数Jtx和动态荷载系数Dtx;所述静态荷载系数Jtx和动态荷载系数Dtx通过以下公式生成:
Jtx=JGK*JGTJ+C1
其中,JGK表示为区域内结构的总质量,以千克单位表示,JGTJ表示为区域内结构的总体积,以立方米单位表示;C1表示为修正常数;DZC表示为单轴车辆轴重荷载值,通过单轴荷载模型,估算其在桥梁上的移动负荷值,SL表示区域内时段平均车辆总轴数量,RLL表示附加人流量的重量值,Fhz表示风荷载系数,Xhz表示为雪或者冰荷载重量;FJwt表示区域内附加物体的总重量值;α、b、d、f和e表示为权重值,由用户调整设置,C2表示为修正常数;
将每个区域的静态荷载系数Jtx和动态荷载系数Dtx进行相关联,获得区域负荷状态评估值Ktz;将每个区域的静态荷载系数Jtx和动态荷载系数Dtx进行归一化处理,并将两者相关联,关联方法符合如下公式:
其中,0≤γ<<1,0≤θ<<1,且γ+θ=1,γ、θ为权重,C为常数修正系数,其具体值可由用户调整设置,或者由分析函数拟合生成;R为静态荷载系数Jtx及动态荷载系数Dtx之间相关系数,由若干组静态荷载系数Jtx及动态荷载系数Dtx计算得出;JGTJ表示为区域内结构的总体积,以立方米单位表示;
天气影响模块,在桥梁区域天气变化时,采用传感器采集环境数据,建立天气状态数据集,确定区域温度Qt、降水量JsL、降雪量JxL和风速风力值Flz,并计算天气影响系数Tqx;
负荷预测模块,基于区域负荷状态评估值Ktz和天气影响系数Tqx,构建负荷预测集,包括历史负荷数据、天气数据、车辆流程数据、行人流量数据以及之间的关联数据;使用机器学习方法,BP神经网络,构建虚拟桥梁负荷预测模型,预测未来桥梁的负荷情况;
模型训练应用模块,分别训练实际负荷预测模型和虚拟桥梁负荷预测模型,用历史数据进行时间序列排序,以学习不同时间段的趋势和模式;在运行周期内,使用实际负荷预测模型来预测实际桥梁的负荷情况,使用虚拟桥梁负荷预测模型来预测虚拟桥梁的负荷情况;
风险识别报警模块,当实际区域负荷状态评估值Ktz1或虚拟区域负荷状态评估值Ktz2超过预定的阈值Q时,表示风险被识别,并生成相应的预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311343937.4A CN117332488B (zh) | 2023-10-17 | 2023-10-17 | 一种基于bim技术的道路桥梁实景模型分析方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311343937.4A CN117332488B (zh) | 2023-10-17 | 2023-10-17 | 一种基于bim技术的道路桥梁实景模型分析方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117332488A CN117332488A (zh) | 2024-01-02 |
CN117332488B true CN117332488B (zh) | 2024-04-30 |
Family
ID=89275266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311343937.4A Active CN117332488B (zh) | 2023-10-17 | 2023-10-17 | 一种基于bim技术的道路桥梁实景模型分析方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117332488B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460231A (zh) * | 2018-03-23 | 2018-08-28 | 中交公路长大桥建设国家工程研究中心有限公司 | 一种桥梁建养全过程智能监测评估预警决策系统及方法 |
CN211979669U (zh) * | 2020-06-19 | 2020-11-20 | 东北林业大学 | 一种基于bim的桥梁荷载试验构件内部损伤监测系统 |
CN113935090A (zh) * | 2021-10-11 | 2022-01-14 | 大连理工大学 | 一种用于桥梁车致疲劳分析的随机车流精细模拟方法 |
KR20220011515A (ko) * | 2020-07-21 | 2022-01-28 | 주식회사 포스코건설 | Bim을 이용한 교량 형상관리 장치 및 방법 |
CN115270238A (zh) * | 2022-06-16 | 2022-11-01 | 浙江工业大学 | 基于动载的桥梁静力行为预测方法 |
CN115270235A (zh) * | 2022-06-07 | 2022-11-01 | 中铁大桥局集团有限公司 | 一种桥梁集群状态评价方法及系统 |
-
2023
- 2023-10-17 CN CN202311343937.4A patent/CN117332488B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460231A (zh) * | 2018-03-23 | 2018-08-28 | 中交公路长大桥建设国家工程研究中心有限公司 | 一种桥梁建养全过程智能监测评估预警决策系统及方法 |
CN211979669U (zh) * | 2020-06-19 | 2020-11-20 | 东北林业大学 | 一种基于bim的桥梁荷载试验构件内部损伤监测系统 |
KR20220011515A (ko) * | 2020-07-21 | 2022-01-28 | 주식회사 포스코건설 | Bim을 이용한 교량 형상관리 장치 및 방법 |
CN113935090A (zh) * | 2021-10-11 | 2022-01-14 | 大连理工大学 | 一种用于桥梁车致疲劳分析的随机车流精细模拟方法 |
CN115270235A (zh) * | 2022-06-07 | 2022-11-01 | 中铁大桥局集团有限公司 | 一种桥梁集群状态评价方法及系统 |
CN115270238A (zh) * | 2022-06-16 | 2022-11-01 | 浙江工业大学 | 基于动载的桥梁静力行为预测方法 |
Non-Patent Citations (1)
Title |
---|
基于计重收费数据的大跨径桥梁荷载效应评估;韩大章;周军勇;朱荣;石雪飞;;桥梁建设;20180828(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117332488A (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pierce et al. | Practical guide for quality management of pavement condition data collection | |
CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
CN112800913B (zh) | 一种基于多源特征融合的路面损伤数据时空分析方法 | |
Dan et al. | Digital twin system of bridges group based on machine vision fusion monitoring of bridge traffic load | |
CN111160728B (zh) | 一种路桥养护决策优化方法及装置 | |
CN113255811B (zh) | 一种基于bim的梁式桥多源异构数据融合决策系统 | |
CN102982081A (zh) | 道路交通安全隐患路段甄别方法和系统 | |
CN112070454A (zh) | 高速公路养护施工区域控制安全管理系统的设计方法 | |
Shon et al. | Autonomous condition monitoring-based pavement management system | |
Adibfar et al. | Next generation of transportation infrastructure management: Fusion of intelligent transportation systems (ITS) and bridge information modeling (BrIM) | |
Consilvio et al. | Towards a digital twin-based intelligent decision support for road maintenance | |
WO2017221856A1 (ja) | 分析装置、分析方法、および記憶媒体 | |
Guan et al. | Traffic incident duration prediction based on artificial neural network | |
CN117332488B (zh) | 一种基于bim技术的道路桥梁实景模型分析方法和系统 | |
Gante et al. | Forecasting construction cost using artificial neural network for road projects in the department of public works and highways region XI | |
CN116168356B (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
Heydarian et al. | Automated benchmarking and monitoring of an earthmoving operation's carbon footprint using video cameras and a greenhouse gas estimation model | |
Larson et al. | Application of analytic hierarchy process to select project scope for videologging and pavement condition data collection | |
CN114495421B (zh) | 智能化开放式道路施工作业监测预警方法及系统 | |
Ghanim et al. | An artificial intelligence approach to estimate travel time along public transportation bus lines | |
CN115795616A (zh) | 公路数字系统及基于公路数字系统的路面信息分析方法 | |
Zhou et al. | A hybrid virtual–real traffic simulation approach to reproducing the spatiotemporal distribution of bridge loads | |
Hellebrandt et al. | Probabilistic traffic load model for short-span city bridges | |
CN114969888A (zh) | 一种基于bim的公路隧道多源异构数据融合决策系统 | |
Loustau et al. | Travel time reliability on a highway network: estimations using floating car data |
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 |