发明内容
本发明提供了一种基于数据识别的建筑结构加固监测系统,包括:样本获取模块,用于获取多个样本建筑的建筑相关信息及加固相关信息;信息获取模块,用于获取待加固建筑的建筑相关信息;加固监测模块,用于基于所述待加固建筑的建筑相关信息和所述多个样本建筑的建筑相关信息及加固相关信息,确定所述待加固建筑中的多个目标加固监测位置,还用于基于所述多个目标加固监测位置,设置多个加固监测组件,其中,所述加固监测组件用于采集所述待加固建筑的加固监测信息;加固分析模块,用于基于所述多个加固监测组件采集的所述多个目标加固监测位置的加固监测信息,确定所述待加固建筑的至少一个待加固位置。
更进一步地,所述待加固建筑的建筑相关信息至少包括至少一个位置处的建筑材料信息;所述信息获取模块获取待加固建筑的建筑相关信息,包括:获取所述待加固建筑的至少一个位置的超声波检测信息;对于每个所述位置,基于所述位置的超声波检测信息,确定所述位置的建筑材料信息。
更进一步地,所述信息获取模块基于所述位置的超声波检测信息,确定所述位置的建筑材料信息,包括:基于所述位置的超声波检测信息,确定所述位置的建筑物材料对应的声速、波形及振幅;获取多种样本建筑物材料的对应的声速、波形及振幅;对于每种所述样本建筑物材料,基于所述位置的建筑物材料对应的声速、波形及振幅和所述样本建筑物材料的对应的声速、波形及振幅,确定所述位置的建筑物材料与所述样本建筑物材料之间的材料相似度;其中,根据以下公式基于声速差值、波形相似度及振幅差值,计算位置的建筑物材料与样本建筑物材料之间的材料相似度:
、
、
、
其中,为位置的建筑物材料与第i种样本建筑物材料之间的材料相似度,为位置的建筑物材料与第i种样本建筑物材料之间的声速差值,/>为位置的建筑物材料与第i种样本建筑物材料之间的波形相似度,/>为位置的建筑物材料与第i种样本建筑物材料之间的振幅差值,/>、/>及/>为预设权重,/>及/>为预设参数,/>为位置的建筑物材料对应的声速,/>为第i种样本建筑物材料对应的声速,为位置的建筑物材料对应的振幅,/>为第i种样本建筑物材料对应的振幅;
基于所述位置的建筑物材料与每种所述样本建筑物材料之间的材料相似度,确定所述位置的建筑材料信息。
更进一步地,所述加固监测模块基于所述待加固建筑的建筑相关信息和所述多个样本建筑的建筑相关信息及加固相关信息,确定所述待加固建筑中的多个目标加固监测位置,包括:对于每个所述样本建筑,基于所述样本建筑的建筑相关信息和所述待加固建筑的建筑相关信息,确定所述样本建筑与所述待加固建筑之间的建筑相似度;基于每种所述样本建筑与所述待加固建筑之间的建筑相似度,从所述多个样本建筑中确定至少一个目标样本建筑;基于所述至少一个目标样本建筑的加固相关信息,确定所述待加固建筑中的多个目标加固监测位置。
更进一步地,所述建筑相关信息至少包括建筑结构信息、建筑材料信息、建筑环境信息、建筑荷载分布信息、建筑施工工艺信息及地质环境信息;所述加固监测模块基于所述样本建筑的建筑相关信息和所述待加固建筑的建筑相关信息,确定所述样本建筑与所述待加固建筑之间的建筑相似度,包括:基于所述样本建筑的建筑结构信息、建筑材料信息、建筑环境信息、建筑荷载分布信息、建筑施工工艺信息及地质环境信息和所述待加固建筑的建筑结构信息、建筑材料信息、建筑环境信息、建筑荷载分布信息、建筑施工工艺信息及地质环境信息,确定所述样本建筑与所述待加固建筑之间的建筑相似度。
更进一步地,所述加固监测组件包括振动监测装置、裂缝监测装置及异响监测装置。
更进一步地,所述加固分析模块基于所述多个加固监测组件采集的所述多个目标加固监测位置的加固监测信息,确定所述待加固建筑的至少一个待加固位置,包括:对于每个所述加固监测组件,对所述加固监测组件包括的振动监测装置、裂缝监测装置及异响监测装置在监测周期内采集的数据进行数据预处理,获取预处理后的数据集;基于每个所述加固监测组件对应的预处理后的数据集,确定所述待加固建筑的至少一个待加固位置。
更进一步地,所述加固分析模块对所述加固监测组件包括的振动监测装置、裂缝监测装置及异响监测装置在监测周期内采集的数据进行数据预处理,包括:对所述裂缝监测装置在监测周期内采集的数据进行异常数据筛除及数据补全,生成预处理后的裂缝数据;基于所述预处理后的裂缝数据,对所述异响监测装置在监测周期内采集的数据进行异常数据筛除及数据补全,生成预处理后的声音数据;基于所述预处理后的裂缝数据及所述预处理后的声音数据,对所述振动监测装置在监测周期内采集的数据进行异常数据筛除及数据补全,生成预处理后的振动数据。
本发明提供了一种基于数据识别的建筑结构加固方法,包括:获取多个样本建筑的建筑相关信息及加固相关信息;获取待加固建筑的建筑相关信息;基于所述待加固建筑的建筑相关信息和所述多个样本建筑的建筑相关信息及加固相关信息,确定所述待加固建筑中的多个目标加固监测位置;基于所述多个目标加固监测位置,设置多个加固监测组件,其中,所述加固监测组件用于采集所述待加固建筑的加固监测信息;基于所述多个加固监测组件采集的所述多个目标加固监测位置的加固监测信息,确定所述待加固建筑的至少一个待加固位置;基于所述多个样本建筑的加固相关信息及所述待加固建筑的至少一个待加固位置,确定所述待加固建筑的加固方式。
更进一步地,所述基于所述多个样本建筑的加固相关信息及所述待加固建筑的至少一个待加固位置,确定所述待加固建筑的加固方式,包括:对于每个所述样本建筑,基于所述样本建筑的建筑相关信息和所述待加固建筑的建筑相关信息,确定所述样本建筑与所述待加固建筑之间的建筑相似度;基于每种所述样本建筑与所述待加固建筑之间的建筑相似度,从所述多个样本建筑中确定至少一个目标样本建筑;基于所述至少一个目标样本建筑的加固相关信息及所述待加固建筑的至少一个待加固位置,确定所述待加固建筑的加固方式。
相比于现有技术,本说明书提供的一种基于数据识别的建筑结构加固方法及监测系统,至少具备以下有益效果:
1、提前获取大量的样本建筑的建筑相关信息及加固相关信息,再结合待加固建筑的建筑相关信息,对待加固建筑的稳定性进行预测,确定待加固建筑中可能需要进行加固的多个目标加固监测位置,并通过设置多个加固监测组件,获取待加固建筑的加固监测信息,进而确定待加固建筑中需要进行加固的至少一个待加固位置,无需依赖人工经验进行数据采集和数据分析,自动从多个维度实现待加固建筑的稳定性分析,为待加固建筑的加固提供较为准确的辅助判断信息,提高建筑结构加固的效率及质量;
2、从声速差值、波形相似度及振幅差值,三个维度,使得计算的位置的建筑物材料与样本建筑物材料之间的材料相似度更加准确;
3、从建筑结构信息、建筑材料信息、建筑环境信息、建筑荷载分布信息、建筑施工工艺信息及地质环境信息,六个维度,可以确定与待加固建筑更为匹配的目标样本建筑;
4、将振动信息、裂缝信息及声音信息进行结合,使得待加固位置的确定更加准确。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。
图1是本申请一实施例中示出的一种基于数据识别的建筑结构加固监测系统的模块图,如图1所示,一种基于数据识别的建筑结构加固监测系统可以包括样本获取模块、信息获取模块、加固监测模块及加固分析模块。
样本获取模块可以用于获取多个样本建筑的建筑相关信息及加固相关信息。
在一些实施例中,建筑相关信息至少包括建筑结构信息、建筑材料信息、建筑环境信息、建筑荷载分布信息、建筑施工工艺信息及地质环境信息。其中,建筑结构信息包括与建筑物地面以下的承重构件、地基、墙体、柱、楼板、梁等相关的信息。建筑材料信息可以为建筑的主体使用的材料信息,例如,钢材料、钢筋混凝土材料、砖木材料、砖混材料等。建筑环境信息可以包括环境温度、湿度、酸碱度等。建筑荷载分布信息可以包括建筑内的不同位置处的荷载的分布信息。建筑施工工艺信息可以包括在建筑建造过程中使用的工艺,例如,地基处理工艺、混凝土浇筑工艺、钢结构安装工艺、砂浆施工工艺等。地质环境信息可以包括土壤成分信息。
加固相关信息至少包括样本建筑的至少一个位置的加固相关信息。例如,该加固位置在进行加固之前的裂缝信息、振动信息及声音信息,加固之后的裂缝信息、振动信息及声音信息。加固的类型及加固的方式。例如,地基基础的加固:1、基础补强注浆加固:适用于基础因受力不均匀冻胀、沉降以及其它原因形成的基础裂损的情形。2、加大基础底面积:主要适用于当前的地基承载力或基础底面积参数不满足设计要求的情形。3、锚杆静压桩:适用于粘性土、淤泥、淤泥质土、粉土和人工填土的地基土加固及纠倾加固。4、树根桩加固:适用于粘性土、淤泥、淤泥质土、粉土和人工填土的地基土加固及纠倾加固。柱子的加固:1、混凝土围套加固:适用于立柱的截面抗弯承载力和抗剪承载力不足时的情形。2、外包钢加固:适用于立柱的截面承载力严重不足,而立柱周边有空间限制不允许按混凝土石围套加固时,可选择外包钢加固方案。墙体的加固:1、砂浆面层加固:适用于和原承载能力相差不多的情形下采取的静力加固和抗震加固。2、钢筋网砂浆面层加固:适用于和原承载能力相差较大的静力加固和中高强度的抗震加固。3、钢筋混凝石板墙加固:适用于和原承载能力相差很大的静力加固和抗震加固。梁加固:1、采用包钢、粘钢、角铁及型钢加固。2、采用碳纤维布、碳纤维板加固。3、采用加大截面加固。楼板加固:1、采用包钢、粘钢、角铁及型钢加固。2、采用碳纤维布、碳纤维板加固。挑阳台加固:1、采用粘钢、型钢加固。2、采用碳纤维布、碳纤维板加固。
信息获取模块可以用于获取待加固建筑的建筑相关信息。
在一些实施例中,待加固建筑的建筑相关信息至少包括至少一个位置处的建筑材料信息。
在一些实施例中,信息获取模块获取待加固建筑的建筑相关信息,包括:
获取待加固建筑的至少一个位置(例如,不同层高的承重构件、地基、墙体、柱、楼板、梁等)的超声波检测信息;
对于每个位置,基于位置的超声波检测信息,确定位置的建筑材料信息。
图2是本申请一实施例中示出的确定位置的建筑材料信息的流程图,如图2所示,在一些实施例中,信息获取模块基于位置的超声波检测信息,确定位置的建筑材料信息,包括:
基于位置的超声波检测信息,确定位置的建筑物材料对应的声速、波形及振幅;
获取多种样本建筑物材料的对应的声速、波形及振幅;
对于每种样本建筑物材料,基于位置的建筑物材料对应的声速、波形及振幅和样本建筑物材料的对应的声速、波形及振幅,确定位置的建筑物材料与样本建筑物材料之间的材料相似度;
基于位置的建筑物材料与每种样本建筑物材料之间的材料相似度,确定位置的建筑材料信息。
具体的,信息获取模块可以基于位置的建筑物材料对应的声速和样本建筑物材料对应的声速,计算声速差值,基于位置的建筑物材料对应的波形和样本建筑物材料对应的波形,计算波形相似度,基于位置的建筑物材料对应的振幅和样本建筑物材料对应的振幅,计算振幅差值,基于声速差值、波形相似度及振幅差值,计算位置的建筑物材料与样本建筑物材料之间的材料相似度,将材料相似度大于预设材料相似度阈值的样本建筑物材料的建筑材料信息作为该位置的建筑材料信息。
信息获取模块可以对位置的建筑物材料对应的波形进行经验模态分解,生成位置的建筑物材料对应的波形的多个内涵模态分量及残差,对样本建筑物材料对应的波形进行经验模态分解,生成样本建筑物材料对应的波形的多个内涵模态分量及残差,通过相似度确定模型基于位置的建筑物材料对应的波形的多个内涵模态分量及残差和样本建筑物材料对应的波形的多个内涵模态分量及残差,确定位置的建筑物材料对应的波形和样本建筑物材料对应的波形之间的波形相似度。其中,相似度确定模型可以为人工神经网络(Artificial Neural Network,ANN)模型、循环神经网络(Recurrent Neural Networks,RNN)模型、长短时记忆网络(Long Short-Term Memory,LSTM)模型、双向循环神经网络(BRNN)模型等机器学习模型。
发明可以根据以下公式基于声速差值、波形相似度及振幅差值,计算位置的建筑物材料与样本建筑物材料之间的材料相似度:
、
、
、
其中,为位置的建筑物材料与第i种样本建筑物材料之间的材料相似度,为位置的建筑物材料与第i种样本建筑物材料之间的声速差值,/>为位置的建筑物材料与第i种样本建筑物材料之间的波形相似度,/>为位置的建筑物材料与第i种样本建筑物材料之间的振幅差值,/>、/>及/>为预设权重,/>及/>为预设参数,/>为位置的建筑物材料对应的声速,/>为第i种样本建筑物材料对应的声速,为位置的建筑物材料对应的振幅,/>为第i种样本建筑物材料对应的振幅。
可以理解的,从声速差值、波形相似度及振幅差值,三个维度,使得计算的位置的建筑物材料与样本建筑物材料之间的材料相似度更加准确。
加固监测模块可以用于基于待加固建筑的建筑相关信息和多个样本建筑的建筑相关信息及加固相关信息,确定待加固建筑中的多个目标加固监测位置。
在一些实施例中,加固监测模块基于待加固建筑的建筑相关信息和多个样本建筑的建筑相关信息及加固相关信息,确定待加固建筑中的多个目标加固监测位置,包括:
对于每个样本建筑,基于样本建筑的建筑相关信息和待加固建筑的建筑相关信息,确定样本建筑与待加固建筑之间的建筑相似度;
基于每种样本建筑与待加固建筑之间的建筑相似度,从多个样本建筑中确定至少一个目标样本建筑,其中,目标样本建筑可以为与待加固建筑之间的建筑相似度大于预设建筑相似度阈值的样本建筑;
基于至少一个目标样本建筑的加固相关信息,确定待加固建筑中的多个目标加固监测位置。
在一些实施例中,加固监测模块基于样本建筑的建筑相关信息和待加固建筑的建筑相关信息,确定样本建筑与待加固建筑之间的建筑相似度,包括:基于样本建筑的建筑结构信息、建筑材料信息、建筑环境信息、建筑荷载分布信息、建筑施工工艺信息及地质环境信息和待加固建筑的建筑结构信息、建筑材料信息、建筑环境信息、建筑荷载分布信息、建筑施工工艺信息及地质环境信息,确定样本建筑与待加固建筑之间的建筑相似度。建筑结构信息可以从建筑的建筑设计图纸、结构设计图纸、施工图纸等建筑施工文件中获取。建筑环境信息可以通过多个设置在建筑外墙的传感器获取,例如,设置在建筑外墙的温度传感器、湿度传感器等。建筑荷载分布信息可以通过任意方式获取,例如,经验值法:根据建筑设计规范中提供的经验值来计算楼面荷载。又例如,基本荷载法:基于建筑设计规范中提供的标准负载计算方法,包括建筑物用途、荷载等级和荷载组合等因素。又例如,有限元法:使用有限元分析软件来模拟楼面荷载的分布和影响。又例如,实测法:可以通过工具实际测量来确定楼面荷载。建筑施工工艺信息可以从建筑的施工细则中获取,其中,建筑施工细则可以包括建筑的多个具体施工工艺信息。地质环境信息可以从建筑所在区域的地质勘查报告中获取。
具体的,加固监测模块可以通过第一相似度确定模型,基于待加固建筑的建筑结构信息与样本建筑的建筑结构信息,计算待加固建筑与该样本建筑之间的建筑结构相似度;通过第二相似度确定模型,基于待加固建筑的建筑材料信息与样本建筑的建筑材料信息,计算待加固建筑与该样本建筑之间的建筑材料相似度,通过第三相似度确定模型,基于待加固建筑的建筑环境信息与样本建筑的建筑环境信息,计算待加固建筑与该样本建筑之间的建筑环境相似度;通过第四相似度确定模型,基于待加固建筑的建筑荷载分布信息与样本建筑的建筑荷载分布信息,计算待加固建筑与该样本建筑之间的建筑荷载分布相似度;通过第五相似度确定模型,基于待加固建筑的建筑施工工艺信息与样本建筑的建筑施工工艺信息,计算待加固建筑与该样本建筑之间的建筑施工工艺相似度;通过第六相似度确定模型,基于待加固建筑的建筑地质环境信息与样本建筑的地质环境信息,计算待加固建筑与该样本建筑之间的地质环境相似度,基于待加固建筑与该样本建筑之间的建筑结构相似度、建筑材料相似度、建筑环境相似度、建筑荷载分布相似度、建筑施工工艺相似度及地质环境相似度,计算待加固建筑与该样本建筑之间的建筑相似度。其中,第一相似度确定模型、第二相似度确定模型、第三相似度确定模型、第四相似度确定模型、第五相似度确定模型及第六相似度确定模型可以为人工神经网络(Artificial Neural Network,ANN)模型、循环神经网络(Recurrent Neural Networks,RNN)模型、长短时记忆网络(Long Short-Term Memory,LSTM)模型、双向循环神经网络(BRNN)模型等机器学习模型。
其中,加固监测模块可以根据以下公式基于待加固建筑与该样本建筑之间的建筑结构相似度、建筑材料相似度、建筑环境相似度、建筑荷载分布相似度、建筑施工工艺相似度及地质环境相似度,计算待加固建筑与该样本建筑之间的建筑相似度:
其中,为待加固建筑与第j个样本建筑之间的建筑相似度,/>为待加固建筑与第j个样本建筑之间的建筑结构相似度,/>为待加固建筑与第j个样本建筑之间的建筑材料相似度,/>为待加固建筑与第j个样本建筑之间的建筑环境相似度,/>为待加固建筑与第j个样本建筑之间的建筑荷载分布相似度,为待加固建筑与第j个样本建筑之间的建筑施工工艺相似度,/>为待加固建筑与第j个样本建筑之间的地质环境相似度,/>、/>、/>、/>、/>及/>均为预设权重。
在一些实施例中,加固监测模块可以基于至少一个目标样本建筑的加固相关信息,确定目标样本建筑中需要进行加固的位置,根据目标样本建筑中需要进行加固的位置,将待加固建筑中的对应位置作为目标加固监测位置。
可以理解的,从建筑结构信息、建筑材料信息、建筑环境信息、建筑荷载分布信息、建筑施工工艺信息及地质环境信息,六个维度,可以确定与待加固建筑更为匹配的目标样本建筑。
加固监测模块还可以用于基于多个目标加固监测位置,设置多个加固监测组件,其中,加固监测组件用于采集待加固建筑的加固监测信息。
在一些实施例中,加固监测组件包括振动监测装置、裂缝监测装置及异响监测装置,其中,裂缝监测装置可以为超声波装置,异响监测装置可以包括声音采集组件。
加固分析模块可以用于基于多个加固监测组件采集的多个目标加固监测位置的加固监测信息,确定待加固建筑的至少一个待加固位置。
在一些实施例中,加固分析模块基于多个加固监测组件采集的多个目标加固监测位置的加固监测信息,确定待加固建筑的至少一个待加固位置,包括:
对于每个加固监测组件,对加固监测组件包括的振动监测装置、裂缝监测装置及异响监测装置在监测周期内采集的数据进行数据预处理,获取预处理后的数据集;
基于每个加固监测组件对应的预处理后的数据集,确定待加固建筑的至少一个待加固位置。
在一些实施例中,加固分析模块对加固监测组件包括的振动监测装置、裂缝监测装置及异响监测装置在监测周期内采集的数据进行数据预处理,包括:
对裂缝监测装置在监测周期内采集的数据进行异常数据筛除及数据补全,生成预处理后的裂缝数据;
基于预处理后的裂缝数据,对异响监测装置在监测周期内采集的数据进行异常数据筛除及数据补全,生成预处理后的声音数据;
基于预处理后的裂缝数据及预处理后的声音数据,对振动监测装置在监测周期内采集的数据进行异常数据筛除及数据补全,生成预处理后的振动数据。
具体的,加固监测模块可以通过异常确定模型基于预处理后的裂缝数据、预处理后的声音数据及预处理后的振动数据,确定该位置的建筑稳定度,将建筑稳定度小于预设建筑稳定度阈值的位置作为待加固位置。异常确定模型可以为人工神经网络(ArtificialNeural Network,ANN)模型、循环神经网络(Recurrent Neural Networks,RNN)模型、长短时记忆网络(Long Short-Term Memory,LSTM)模型、双向循环神经网络(BRNN)模型等机器学习模型。
可以理解的,将振动信息、裂缝信息及声音信息进行结合,使得待加固位置的确定更加准确。
图3是本申请一实施例中示出的一种基于数据识别的建筑结构加固方法的流程图,在一些实施例中,一种基于数据识别的建筑结构加固方法可以由一种基于数据识别的建筑结构加固监测系统执行。如图3所示,一种基于数据识别的建筑结构加固方法可以包括以下步骤。
步骤310,获取多个样本建筑的建筑相关信息及加固相关信息。
步骤320,获取待加固建筑的建筑相关信息。
步骤330,基于待加固建筑的建筑相关信息和多个样本建筑的建筑相关信息及加固相关信息,确定待加固建筑中的多个目标加固监测位置。
步骤340,基于多个目标加固监测位置,设置多个加固监测组件。
其中,加固监测组件用于采集待加固建筑的加固监测信息。
步骤350,基于多个加固监测组件采集的多个目标加固监测位置的加固监测信息,确定待加固建筑的至少一个待加固位置。
步骤360,基于多个样本建筑的加固相关信息及待加固建筑的至少一个待加固位置,确定待加固建筑的加固方式。
在一些实施例中,基于多个样本建筑的加固相关信息及待加固建筑的至少一个待加固位置,确定待加固建筑的加固方式,包括:
对于每个样本建筑,基于样本建筑的建筑相关信息和待加固建筑的建筑相关信息,确定样本建筑与待加固建筑之间的建筑相似度;
基于每种样本建筑与待加固建筑之间的建筑相似度,从多个样本建筑中确定至少一个目标样本建筑;
基于至少一个目标样本建筑的加固相关信息及待加固建筑的至少一个待加固位置,确定待加固建筑的加固方式。
例如,可以将目标样本建筑的加固方式作为参考,确定待加固建筑的至少一个待加固位置的加固方式,提高待加固建筑的加固质量。
关于一种基于数据识别的建筑结构加固方法的更多描述可以参见一种基于数据识别的建筑结构加固监测系统的相关描述,此处不再赘述。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。