CN117592013B - 水闸建筑物变形实时风险率量化与预警方法 - Google Patents
水闸建筑物变形实时风险率量化与预警方法 Download PDFInfo
- Publication number
- CN117592013B CN117592013B CN202410043759.1A CN202410043759A CN117592013B CN 117592013 B CN117592013 B CN 117592013B CN 202410043759 A CN202410043759 A CN 202410043759A CN 117592013 B CN117592013 B CN 117592013B
- Authority
- CN
- China
- Prior art keywords
- sluice
- building
- deformation
- risk rate
- monitoring
- 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 62
- 238000011002 quantification Methods 0.000 title claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000001363 water suppression through gradient tailored excitation Methods 0.000 claims abstract description 15
- 238000012806 monitoring device Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 27
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 26
- 238000005259 measurement Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 22
- 238000011144 upstream manufacturing Methods 0.000 claims description 16
- 238000005315 distribution function Methods 0.000 claims description 13
- 238000013500 data storage Methods 0.000 claims description 9
- 241000039077 Copula Species 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 4
- 239000008358 core component Substances 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004567 concrete Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004643 material aging Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Optimization (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种水闸建筑物变形实时风险率量化与预警方法，包括S1：搭建监控系统；S2：所有监测设备实时监测水闸的变形情况，定期将采集的数据传送给数据处理模块；S3：数据处理模块根据收到的水闸变形原始数据建立水闸建筑物变形监控模型，通过模型进行单测点的风险率量化；S4：智能决策与预警模块将得到的各测点风险率进行实时分析，并在超过预设值时进行预警。本发明将实时监测的变形数据与水闸运行状态联系起来，解决了传统水工建筑物风险率转换方法尚未结合工程实时运行状态的问题；并考虑不同测点之间的关联性与协同性，有效解读工程监测信息且直观反映工程运行实时性状，实现直观衡量水闸风险程度、动态跟踪工程形态的目的。
Description
技术领域
本发明属于水利工程安全监测技术领域，具体涉及一种水闸建筑物变形实时风险率量化与预警方法。
背景技术
随着生产力水平的不断提升和风险理念的引入，水工建筑物安全管理正从传统的工程安全管理向工程风险管理方向发展。大量工程经验表明，水闸的失事破坏是一个从渐变到突变的累进发展过程，具有一定的破坏前兆，若能提前捕捉监测信号异常值，整体感知水闸运行风险，将为水闸工程安全及长效服役提供有利支撑。在水闸的施工和运行中，始终存在两种状态，即可靠(安全、适用、耐久)和失效(不安全、不适用、不耐久)状态；为了正确反映水闸的工作状态，通常采用功能函数来描述；但功能函数随着时间的变化呈现出不同的发展态势，水闸枢纽布置一字排开，两端闸孔与河道中心处闸孔呈现不一样的受力特点和运行工况，导致水闸建筑物风险率状况无法实时得知。
中国专利，申请号为202310102781.4，名称为泵站建筑物异常沉降智能预警系统及方法；记载了对不均匀沉降状态进行判断和评估方法中，计算互相关因子指数R，作为不均匀沉降的评判指标，即考虑了不同因素对异常沉降进行预警。其针对相邻测点的异常沉降具有良好的感知效果，但对于建筑物整体变形性状是否符合结构发展规律并不敏感。中国专利，申请号为202310888479.6，名称为水闸变形监测数据预处理系统及方法，记载了设定水闸上共有n个变形测点，根据水闸变形测点的位置分布，绘制测点之间的拓扑关系，构建相应的空间权重矩阵W，根据测点变形数据计算G指数，以检验测点之间的空间自相关性。即考虑不同测点之间的相关性对部分缺失测点监测数据进行了插补，但对于水闸建筑物的可靠性及耐久度方面并未做出研判，存在局限性。
发明内容
为了解决上述问题，本发明目的在于提供一种水闸建筑物变形实时风险率量化与预警方法。
本发明采用如下方案实现：
水闸建筑物变形实时风险率量化与预警方法，包括如下步骤：
步骤S1：搭建监控系统：所述监控系统包括数据采集模块、数据储存模块、数据处理模块和智能决策与预警模块；其中，数据采集模块包括布置在水闸建筑物中的温度传感器、布置于水闸上下游水域中的水位传感器，以及布置在水闸建筑物不同测点的多个监测设备；所述监测设备以位移传感器为核心部件，每个监测设备对应一个唯一的编号；
数据采集模块用于收集水闸建筑物的结构温度、水闸上下游水位、不同测点的变形数据；数据处理模块用于对监测数据进行分析和计算；数据存储模块用于存储数据采集模块采集的原始数据，以及经数据处理模块分析和计算的结果；智能决策与预警模块根据数据处理模块的计算结果进行判断，并根据判断结果发出警报信息；
步骤S2：数据采集模块中的所有监测设备实时采集水闸建筑物各测点的变形信息、温度传感器实时采集水闸建筑物的结构温度信息，以及水位传感器实时采集水闸上下游水域的水位信息，定期将采集的原始数据传送给数据处理模块，并存储于数据储存模块中；
步骤S3：数据处理模块根据收到的水闸建筑物变形原始数据，建立水闸建筑物变形监控模型，通过水闸建筑物变形监控模型进行单测点的风险率量化；
步骤S4：智能决策与预警模块对得到的各测点风险率信息进行实时分析，基于Copula函数实现水闸建筑物变形综合风险率量化，并对水闸建筑物变形综合风险率进行研判，当综合风险率超过预设值时进行预警。
Copula函数作为一种可以刻画随机变量相关特性和各变量之间整体数据结构的联合分布函数，具有形式简单、泛化能力强等优点，采用Copula函数计算水闸工程实时风险率，能够同时考虑岸边闸孔与河道中央闸孔的结构差异和数据关联性，使得分析更为合理。
进一步优化，所述步骤S3中，数据处理模块根据收到的水闸建筑物变形原始数据，建立水闸建筑物变形监控模型，具体包括如下步骤：
步骤S3.1：取前m 2 +6组所采集的水闸上下游水位差H、温度监测值T、以及第j个测点所监测的水闸建筑物变形实测值，并带入下式中，求出参数a j1、a j2、a j3、b j1、...b js 、...bm 2 s 、c j1、c j2和d j ；
；
式中，H为水闸上下游水位差，T s 为第s个温度传感器采集的温度变化值，即第s个温度传感器第i天的实测值减去该温度传感器安装时的初始测值，m 2 为温度传感器的总数；i为监测日至始测日的累计天数，；c j1、c j2表示时效因子拟合系数，d j 为常数项；该步骤中，i∈[1，m 2+6]。
具体采用如下方法求解参数a j1、a j2、a j3、b j1、... b js 、...bm 2 s 、c j1、c j2和d j ：
1）、计算实测值和拟合值/>的剩余平方和U：
；
2）、根据最小二乘原理，则存在：
；
从而求得上述拟合参数。
步骤S3.2：根据步骤S3.1求出的参数，得出第j个测点的变形拟合值函数，即第j个测点的变形监控模型：
；
该步骤中，i∈（m 2+6，n]，n为大于m 2+6的自然数。
步骤S3.3：采用和步骤S3.1、步骤S3.2相同的方法，求出其他测点的变形监控模型。
进一步优化，所述步骤S3中，通过水闸建筑物变形监控模型进行单测点的风险率量化，具体如下：
将第j个测点的实测值和拟合值/>代入下式，得出水闸建筑物该测点的实时风险率；
；
式中，为第j个测点第i天的风险率；/>为第j个测点第i天的拟合值；/>为第j个测点第i天的实测值；/>为剩余标准差，/>。
进一步优化，所述步骤4具体包括如下步骤：
步骤S4.1：选取Gamma分布作为残差序列的边缘概率分布函数，将步骤3中计算得出的序列和对应的x作为已知条件带入下式进行拟合，得出参数g1，g2：
；
其中，第j个测点第i天的风险率值等于对应的/>，即/>和/>存在一一对应关系；实测值/>与拟合值/>之差为x，即/>； ；
根据求得的参数g1，g2，得出第j个测点的边缘概率分布函数；
步骤S4.2：采用同样的方法求得其他测点的边缘概率分布函数；
步骤S4.3：将得到的j组序列代入Frank Copula函数，其中Frank Copula函数表达式如下：
；
采用非线性拟合法求解参数，对上式进行求导得到/>，其中， />已知，因此能够得到FrankCopula函数具体的表达式。
步骤S4.4：对于水闸建筑物变形而言，单测点的变形异常均视为水闸整体的状态异常，因此，水闸建筑物整体变形效应量风险率的计算公式为：
；
式中，P i 为第i天水闸建筑物整体风险率；
步骤S4.5：将P i 与水闸建筑物整体风险率的预设阈值Q i 进行对比：
当P i ≥Q i 时，智能决策与预警模块发布预警信息；当P i ＜Q i 时，则持续监测；
所述预设阈值由已计算出的风险率P i-1计算得出。
进一步优化，所述步骤S4.5中，预设阈值Q i 通过如下公式计算：
；
式中，为第1,…,i-1天的平均风险率；/>。
与现有技术相比，本发明具有如下有益效果：
本发明通过实时监测的变形数据与水闸运行状态联系起来，解决了传统水工建筑物风险率转换方法尚未结合工程实时运行状态的问题。另外，现根据水闸变形特点，本发明利用工程监测资料构建水闸高精度变形监控模型，得到模型拟合值与实测值的残差数列，通过构建残差值的概率分布函数表征测点变形的风险率，实现单测点水闸变形监测效应量的实时风险率量化，再结合Copula函数考虑不同测点之间的关联性与协同性，对水闸整体风险率进行整体分析，构建水闸整体变形实时风险率的量化模型，将有效解读工程监测信息且直观反映工程运行实时性状，实现直观衡量水闸风险程度、动态跟踪工程形态的目的。
附图说明
图1为本发明实施例中水闸工程枢纽及引张线监测现场示意图；
图2为水闸变形整体风险率计算流程图；
图3为测点A水平位移拟合值及残差值；
图4为测点B水平位移拟合值及残差值；
图5为二元Frank Copula联合概率密度函数图像；
图6为二元Frank Copula联合概率分布图像；
图7为水闸整体变形风险率图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有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。
实施例1：水闸建筑物变形安全监控与实时风险率量化系统，包括数据采集模块、数据储存模块、数据处理模块、智能决策与预警模块。
所述数据采集模块用于收集水闸建筑物的结构温度、水闸上下游水位、不同测点的变形监测数据。数据采集模块包括布置在水闸建筑物上的温度传感器、布置于水闸上下游水域中的水位传感器，以及布置在水闸建筑物不同部位的多个监测设备；所述监测设备以位移传感器为核心部件，每个监测设备对应一个唯一的编号。
数据处理模块用于对监测数据进行分析和计算；数据存储模块用于存储数据采集模块采集的原始数据，以及经数据处理模块分析和计算的结果；所述智能决策与预警模块将得到的各测点风险率信息进行实时分析，基于Copula函数实现水闸变形综合风险率量化，并对水闸变形综合风险率进行研判，当水闸建筑物整体风险率超过预设阈值时进行预警。
在本实施例中，以江苏省某水闸为例，闸身为钢筋混凝土结构，共63孔，每孔净宽10.0m，总宽697.75m，底板高程7.5m，宽18.0m，共21块底板，闸孔净高6.2m，水闸工程枢纽及引张线监测现场如图1所示。
该水闸建筑物上共设置了44个测点，每个变形监测点布置一台GNSS监测设备。GNSS监测设备采用太阳能电池板和蓄电池供电，不需要额外功能，每一台GNSS监测设备包括一组太阳能模组。GNSS监测设备为现有技术，具体工作原理不再赘述。
实施例2：水闸建筑物变形安全监控与实时风险率量化方法，基于上述系统，具体包括如下步骤：
步骤S1：数据采集模块中的所有监测设备实时采集水闸建筑物的变形信息、温度传感器实时采集水闸建筑物的结构温度信息，以及水位传感器实时采集水闸上下游水域中的水位信息，实时将采集的数据传送给数据传输模块，并存储于数据存储模块的原始数据库中。
在本实施例中，监测时期为2022年10月17日至2023年3月7日，共有140组数据，即每日一测，每组监测数据中包括有混凝土结构内部温度数据、水闸上下游水位数据以及44个测点对应的变形监测值。水利行业规范中对于自动化观测的要求是每日一测，故仅有140组数据；对于安全监控而言，实时的概念更注重于监测数据可以快速转换为风险率结果，传统变形与风险率之间的转化需要考虑到结构的力学性能、材料老化及荷载情况等多方面因素才能给出准确结果。
步骤S2：数据处理模块根据收到的水闸建筑物变形原始数据，建立水闸建筑物变形监控模型，通过水闸建筑物变形监控模型进行单测点的风险率量化，如图2所示，具体包括如下步骤：
步骤S2.1：将前7组所采集的水闸上下游水位差H、温度监测值T、以及第j个测点所监测的水闸建筑物变形实测值，并带入下式中，求出参数a j1、a j2、a j3、b j1、c j1、c j2和d j ；
；
式中，H为水闸上下游水位差，T s 为第s个温度传感器采集的温度变化值，即第s个温度传感器第i天的实测值减去该温度传感器安装时的初始测值，m 2 为温度传感器的总数；i为监测日至始测日的累计天数，；c j1、c j2表示时效因子拟合系数，d j 为常数项；该步骤中，i∈[1，m 2+6]；本实施例中，布置有1个温度传感器。
本实施例中，取测点A与测点B进行计算、分析。
具体采用如下方法求解参数a j1、a j2、a j3、b j1、... b js 、...bm 2 s 、c j1、c j2和d j ：
1）、计算实测值和拟合值/>的剩余平方和U：
；
2）、根据最小二乘原理，则存在：
；
据此，求得测点A与测点B对应的拟合函数中的各参数，如下表1所示：
表1 河岸闸孔和河道中央闸孔的变形统计模型参数
；
步骤S2.3：根据水闸建筑物第j个测点的变形监测序列，i=1, 2, …, n，将该测点的实测值和拟合值/>代入下式，计算出水闸建筑物该测点的实时风险率；
；
式中，为第j个测点第i天的风险率；/>为第j个测点第i天的拟合值；/>为第j个测点第i天的实测值；/>为剩余标准差，/>。
基于水闸变形监测数据分别构建测点A和测点B的形变监控模型，由逐步回归法得到模型拟合值及模型残差值。限于篇幅限制，取2022年10月17日至2022年11月17日的实测值与拟合值，如表2所示；整体数据如图3、4所示。模型复相关系数R=0.993，因此该模型整体精度较高，因子选择合理。
表2 测点A、测点B的变形实测值与拟合值
。
步骤3：智能决策与预警模块将得到的各测点风险率信息进行实时分析，基于Copula函数实现水闸变形综合风险率量化，系统对水闸变形综合风险率进行研判，超过预设值时进行预警。具体包括如下步骤：
步骤S3.1：选取Gamma分布作为残差序列的边缘概率分布函数，将步骤3中计算得出序列和对应的x作为已知条件带入下式进行拟合，得出参数g1，g2：
；
其中，第j个测点第i天的风险率值等于对应的/>，即/>和/>存在一一对应关系；实测值/>与拟合值/>之差为x，即/>； ；
求得g1=1.1834，g2=0.0571。根据求得的参数g1，g2，得出第j个测点的边缘概率分布函数。
步骤S3.2：将得到的2组数列利用Frank Copula函数进行参数拟合，计算得到Frank Copula函数，其中Frank Copula函数表达式如下所示。
；
根据极大似然估计求得Frank Copula函数，故原表达式为：。
步骤S3.3：对于水闸变形而言，单测点的变形异常均视为水闸整体的状态异常，在选择测点时应尽量让测点具有代表性，以表现结构的整体变形形态及安全状况。本实施例中，以2个测点为例，河道中央闸孔测点A和河岸闸孔测点B，具体实施过程中包括但不限于两个测点，考虑测点A和测点B的水闸整体变形效应量风险率的计算公式为：
；
在其他实施例中，可以选择其他测点。测点选取可多可少，如若测点较少则应尽量选择具有代表性的测点，以表征结构整体安全形态。
基于Copula理论计算可得水闸整体实时风险率联合概率密度以及联合概率分布，分别如图5、6所示，水闸整体变形效应量风险率的表达式为：
；
此时，P i 为第i天水闸整体风险率。
图5为水闸整体实时风险率的联合概率密度函数图像，图6为水闸整体实时风险率的联合概率分布函数图像，其中概率分布函数是概率密度函数的积分，表达了水闸安全监控测点与整体风险率之间的相关性。从图6可以看出当A、B两测点风险率达到最大值时，联合概率分布函数的值为最大，表明若水闸建筑物的A、B两测点同时变形失效时，水闸整体风险率最高。
对2022年10月17日至2023年3月7日整体监测序列进行风险率量化分析，图7为该时段内同时考虑河道中部测点A及河岸处测点B水闸整体变形实时风险率图，所得的风险率整体较平稳，局部存在较高的状态。根据预警原则，对风险率较高处进行报警，而后工程管理人员对工程进行实时调度予以解决，保证系统的延续性及稳定性。
步骤S3.4：将P i 与水闸建筑物整体风险率的预设阈值Q i 进行对比：当P i ≥Q i 时，智能决策与预警模块发布预警信息；当P i ＜Q i 时，则持续监测；
所述预设阈值由已计算出的风险率P i-1计算得出：
；
式中，为第1,…,i-1天的平均风险率；/>
根据图7可知，2022年12月2日风险率为0.68>Q i =0.32，在此时，智能决策与预警系统将发送预警信息。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明专利技术思想的范围内，进行多样的变更以及修改。本项发明专利的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (2)
1.水闸建筑物变形实时风险率量化与预警方法，其特征在于，包括如下步骤：
步骤S1：搭建监控系统：所述监控系统包括数据采集模块、数据储存模块、数据处理模块和智能决策与预警模块；其中，数据采集模块包括布置在水闸建筑物中的温度传感器、布置于水闸上下游水域中的水位传感器，以及布置在水闸建筑物不同测点的多个监测设备；所述监测设备以位移传感器为核心部件，每个监测设备对应一个唯一的编号；
数据采集模块用于收集水闸建筑物的结构温度、水闸上下游水位、不同测点的变形数据；数据处理模块用于对监测数据进行分析和计算；数据存储模块用于存储数据采集模块采集的原始数据，以及经数据处理模块分析和计算的结果；智能决策与预警模块根据数据处理模块的计算结果进行判断，并根据判断结果发出警报信息；
步骤S2：数据采集模块中的所有监测设备实时采集水闸建筑物各测点的变形信息、温度传感器实时采集水闸建筑物的结构温度信息，以及水位传感器实时采集水闸上下游水域的水位信息，定期将采集的原始数据传送给数据处理模块，并存储于数据储存模块中；
步骤S3：数据处理模块根据收到的水闸建筑物变形原始数据，建立水闸建筑物变形监控模型，通过水闸建筑物变形监控模型进行单测点的风险率量化；
建立水闸建筑物变形监控模型，具体包括如下步骤：
步骤S3.1：取前m 2 +6组所采集的水闸上下游水位差H、温度监测值T、以及第j个测点所监测的水闸建筑物变形实测值，并带入下式中，求出参数a j1、a j2、a j3、b j1、...b js 、...bm 2 s 、c j1、c j2和d j ；
；
式中，H为水闸上下游水位差，T s 为第s个温度传感器采集的温度变化值，即第s个温度传感器第i天的实测值减去该温度传感器安装时的初始测值，m 2 为温度传感器的总数；i为监测日至始测日的累计天数，；c j1、c j2表示时效因子拟合系数，d j 为常数项；该步骤中，i∈[1，m 2+6]；
具体采用如下方法求解参数a j1、a j2、a j3、b j1、...b js 、...bm 2 s 、c j1、c j2和d j ：
1）、计算实测值和拟合值/>的剩余平方和U：
；
2）、根据最小二乘原理，则存在：
；
从而求得上述拟合参数；
步骤S3.2：根据步骤S3.1求出的参数，得出第j个测点的变形拟合值函数，即第j个测点的变形监控模型：
；
该步骤中，i∈（m 2+6，n]，n为大于m 2+6的自然数；
步骤S3.3：采用和步骤S3.1、步骤S3.2相同的方法，求出其他测点的变形监控模型；
通过水闸建筑物变形监控模型进行单测点的风险率量化，具体如下：
将第j个测点的实测值和拟合值/>代入下式，得出水闸建筑物该测点的实时风险率；
；
式中，为第j个测点第i天的风险率；/>为第j个测点第i天的拟合值；/>为第j个测点第i天的实测值；/>为剩余标准差，/>；
步骤S4：智能决策与预警模块对得到的各测点风险率信息进行实时分析，基于Copula函数实现水闸建筑物变形综合风险率量化，并对水闸建筑物变形综合风险率进行研判，当综合风险率超过预设值时进行预警，具体包括如下步骤：
步骤S4.1：选取Gamma分布作为残差序列的边缘概率分布函数，将步骤3中计算得出的序列和对应的x作为已知条件带入下式进行拟合，得出参数g1，g2：
；
其中，第j个测点第i天的风险率值等于对应的/>，即/>和/>存在一一对应关系；实测值/>与拟合值/>之差为x，即/>； ；
根据求得的参数g1，g2，得出第j个测点的边缘概率分布函数；
步骤S4.2：采用同样的方法求得其他测点的边缘概率分布函数；
步骤S4.3：将得到的j组序列代入Frank Copula函数，其中Frank Copula函数表达式如下：
；
采用非线性拟合法求解参数，对上式进行求导得到/>，其中， />已知，因此能够得到FrankCopula函数具体的表达式；
步骤S4.4：对于水闸建筑物变形而言，单测点的变形异常均视为水闸整体的状态异常，因此，水闸建筑物整体变形效应量风险率的计算公式为：
；
式中，P i 为第i天水闸建筑物整体风险率；
步骤S4.5：将P i 与水闸建筑物整体风险率的预设阈值Q i 进行对比：
当P i ≥Q i 时，智能决策与预警模块发布预警信息；当P i ＜Q i 时，则持续监测；
所述预设阈值由已计算出的风险率P i-1计算得出。
2.根据权利要求1所述的水闸建筑物变形实时风险率量化与预警方法，其特征在于，所述步骤S4.5中，预设阈值Q i 通过如下公式计算：
；
式中，为第1,…,i-1天的平均风险率；/>。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410043759.1A CN117592013B (zh) | 2024-01-12 | 2024-01-12 | 水闸建筑物变形实时风险率量化与预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410043759.1A CN117592013B (zh) | 2024-01-12 | 2024-01-12 | 水闸建筑物变形实时风险率量化与预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117592013A CN117592013A (zh) | 2024-02-23 |
| CN117592013B true CN117592013B (zh) | 2024-03-29 |
Family
ID=89918594
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410043759.1A Active CN117592013B (zh) | 2024-01-12 | 2024-01-12 | 水闸建筑物变形实时风险率量化与预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117592013B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115451803A (zh) * | 2022-09-19 | 2022-12-09 | 福州大学 | 基于gnss与测量机器人融合的水闸实时监测预警方法 |
| CN115830812A (zh) * | 2023-02-13 | 2023-03-21 | 水利部交通运输部国家能源局南京水利科学研究院 | 泵站建筑物异常沉降智能预警系统及方法 |
| CN116595327A (zh) * | 2023-07-19 | 2023-08-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 水闸变形监测数据预处理系统及方法 |
-
2024
- 2024-01-12 CN CN202410043759.1A patent/CN117592013B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115451803A (zh) * | 2022-09-19 | 2022-12-09 | 福州大学 | 基于gnss与测量机器人融合的水闸实时监测预警方法 |
| CN115830812A (zh) * | 2023-02-13 | 2023-03-21 | 水利部交通运输部国家能源局南京水利科学研究院 | 泵站建筑物异常沉降智能预警系统及方法 |
| CN116595327A (zh) * | 2023-07-19 | 2023-08-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 水闸变形监测数据预处理系统及方法 |
Non-Patent Citations (6)
| Title |
|---|
| A spatiotemporal identification method for deformation characteristics of expansive soil canal slope based on spectral clustering;Xing Li等;《Expert Systems with Applications》;20230901;第225卷;1-17 * |
| 基于Copula函数的水库强风暴雨遭遇分析研究;蔡奇霖等;《人民珠江》;20211225;第42卷(第12期);42-49+89 * |
| 基于Copula函数的混凝土特高拱坝变形风险量化模型;邓建华;胡雅婷;孟珍珠;邵晨飞;;《水电能源科学》;20200619(第06期);65-68 * |
| 干、支流洪水作用下水闸设计洪水组合及防洪水位研究;胡泊;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20180615(第6期);C037-4 * |
| 感潮河段洪潮遭遇组合风险研究;刘曾美等;《中山大学学报(自然科学版)》;20100315(02);113-118 * |
| 水闸变形监控指标的基本研究思路;程德虎;何金平;廖文来;敖圣锋;;《水电与新能源》;20181130(第11期);47-50 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117592013A (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116595327B (zh) | 水闸变形监测数据预处理系统及方法 | |
| CN108446864B (zh) | 基于大数据分析的轨道交通设备的故障预警系统及方法 | |
| CN102866321B (zh) | 一种自适应的防窃漏电诊断方法 | |
| CN101699477B (zh) | 精确预测大坝变形的神经网络方法 | |
| CN110320892A (zh) | 基于Lasso回归的污水处理设备故障诊断系统及方法 | |
| CN109813544B (zh) | 一种基于在线监测的旋转机械早期故障诊断方法及系统 | |
| CN112863134B (zh) | 一种农村污水处理设施运行异常的智能诊断系统及方法 | |
| CN104281920A (zh) | 尾矿库分层指标安全评估和预警方法与系统 | |
| CN103617561A (zh) | 一种电网智能变电站二次设备状态评估系统和方法 | |
| CN115063020B (zh) | 基于风险监测融合的梯级水电站多维安全调度装置及方法 | |
| CN113610381B (zh) | 一种基于5g网络的水质远程实时监测系统 | |
| CN111259334A (zh) | 一种工业企业大用户用水异常监测预警方法 | |
| CN111401529B (zh) | 一种基于遥感技术的河流生态流量监管方法 | |
| CN111121874A (zh) | 一种水源地水质监测评估系统及其评估方法 | |
| CN105608842A (zh) | 一种核反应堆燃料破损在线监测报警装置 | |
| CN106295121A (zh) | 景观湖泊贝叶斯水质风险预测方法 | |
| CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
| CN112417627A (zh) | 一种基于四维指标体系配电网运行可靠性分析方法 | |
| CN114429308A (zh) | 一种基于大数据的企业安全风险评估方法及系统 | |
| CN115830812B (zh) | 泵站建筑物异常沉降智能预警系统及方法 | |
| CN117592013B (zh) | 水闸建筑物变形实时风险率量化与预警方法 | |
| CN117077893A (zh) | 耕地智保数据分析方法及装置 | |
| CN108108839A (zh) | 基于逆向模糊层次分析的电网信息系统设备状态预警方法 | |
| CN112884197A (zh) | 一种基于双模型的水华预测方法和装置 | |
| CN110455370A (zh) | 防汛抗旱远程遥测显示系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |