CN117807888B - 一种考虑腐蚀影响的杆塔覆冰荷载计算方法、系统及设备 - Google Patents
一种考虑腐蚀影响的杆塔覆冰荷载计算方法、系统及设备 Download PDFInfo
- Publication number
- CN117807888B CN117807888B CN202410040202.2A CN202410040202A CN117807888B CN 117807888 B CN117807888 B CN 117807888B CN 202410040202 A CN202410040202 A CN 202410040202A CN 117807888 B CN117807888 B CN 117807888B
- Authority
- CN
- China
- Prior art keywords
- tower
- neural network
- corrosion
- network model
- back propagation
- 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
- 238000005260 corrosion Methods 0.000 title claims abstract description 130
- 230000007797 corrosion Effects 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003062 neural network model Methods 0.000 claims abstract description 118
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000005540 biological transmission Effects 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 239000011248 coating agent Substances 0.000 claims abstract description 18
- 238000000576 coating method Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 239000000463 material Substances 0.000 claims description 54
- 238000006073 displacement reaction Methods 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 44
- 239000013598 vector Substances 0.000 claims description 44
- 230000006399 behavior Effects 0.000 claims description 28
- 210000002569 neuron Anatomy 0.000 claims description 26
- 241000239290 Araneae Species 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 241000257303 Hymenoptera Species 0.000 claims description 8
- 229910000831 Steel Inorganic materials 0.000 claims description 8
- 230000015556 catabolic process Effects 0.000 claims description 8
- 238000006731 degradation reaction Methods 0.000 claims description 8
- 239000010959 steel Substances 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
一种考虑腐蚀影响的杆塔覆冰荷载计算方法、系统及设备，方法首先参考杆塔的力学参数、几何参数与服役年限，构建杆塔有限元模型，然后搭建三维几何模型，赋予力学参数与覆冰荷载，获得数据集样本，接着进行归一化处理，并划分为训练集与测试集，再建立反向传播神经网络模型，进行训练优化，以完成考虑腐蚀影响下的输电杆塔覆冰荷载计算；在应用中，通过使用基于数据处理的算法模型替代传统的力学建模，提高了腐蚀条件下杆塔覆冰荷载的承载力计算速度，并且保证了结果的准确性与可靠性，同时通过结合力学仿真和机器学习，可以更加有效的处理大数据，加快对复杂条件下杆塔承载力的分析和评估。本发明不仅较为高效，而且较为便捷。
Description
技术领域
本发明涉及覆冰荷载计算手段，属于输电线路结构安全技术领域，尤其涉及一种考虑腐蚀影响的杆塔覆冰荷载计算方法、系统及设备。
背景技术
输电杆塔是输电线路的重要支撑结构，其安全稳定的运行，对输电线路的正常工作至关重要，然而，输电杆塔在运行过程中会受到各种环境因素的影响，其中腐蚀是一种常见的影响因素。
腐蚀会导致输电杆塔结构的强度和稳定性下降，进而影响其对覆冰荷载的响应，覆冰荷载是指输电线路在冬季受到冰雪覆盖后所承受的荷载，它会对输电杆塔结构产生额外的负荷，进而影响输电线路的安全运行，因此，了解输电杆塔在腐蚀影响下的覆冰荷载响应是至关重要的。
目前，针对腐蚀的研究多集中于针对性的试验研究，忽略了在具体模型结构下部件腐蚀对整体的影响，此外，腐蚀对于建模参数设置的复杂性和难度较大，无法适应大量仿真计算的需求，随着人工智能技术的快速发展，将其应用于输电杆塔在腐蚀影响下的覆冰荷载响应计算，可以为杆塔在受腐蚀工况下提供高效的处理手段，为杆塔安全性能的评估和预警做参考。因此，亟需一种高效、便捷的手段，以解决现有技术中的上述缺陷。
发明内容
本发明的目的是克服现有技术中存在的上述缺陷与问题，提供一种高效、便捷的考虑腐蚀影响的杆塔覆冰荷载计算方法、系统及设备。
为实现以上目的，本发明的技术解决方案是：一种考虑腐蚀影响的杆塔覆冰荷载计算方法，包括：
S1、参考杆塔的力学参数与几何参数，并考虑杆塔的服役年限，构建受腐蚀影响的杆塔有限元模型；
S2、基于受腐蚀影响的杆塔有限元模型构建杆塔的三维几何模型，并对三维几何模型进行网格划分离散为若干个有限元单元，同时根据杆塔的服役年限赋予杆塔材料不同的力学参数，并根据气候条件给杆塔节点赋予覆冰荷载，获得杆塔数据集样本；
所述杆塔数据集样本包括杆塔的挂点位移分量和支点位移分量、正常杆塔的米赛斯应力、受腐蚀杆塔的米赛斯应力、杆塔特征；
S3、将杆塔特征、杆塔的服役年限、挂点位移分量、支点位移分量、覆冰荷载作为神经网络的输入特征，将受腐蚀杆塔的米赛斯应力映射至正常杆塔的米赛斯应力，计算获得对应的差值作为神经网络的输出特征；然后对杆塔特征、杆塔的服役年限、挂点位移分量、支点位移分量、覆冰荷载、差值进行归一化处理，获得整体样本数据，并将整体样本数据划分为训练样本数据与测试样本数据；
S4、建立反向传播神经网络模型，并确定反向传播神经网络模型的参数，然后对参数进行初始化；
S5、将训练样本数据输入反向传播神经网络模型中进行训练，构建覆冰荷载响应在不同腐蚀率下的反向传播神经网络模型；
S6、确定反向传播神经网络模型的初始权重和阈值，并将其应用于反向传播神经网络模型中进行优化迭代，获得优化反向传播神经网络模型；
S7、基于优化反向传播神经网络模型，对输电杆塔覆冰荷载进行计算，获得考虑腐蚀影响下的输电杆塔覆冰荷载。
所述步骤S1，具体包括：
S11、按照大气环境和输电杆塔暴露时间划分杆塔材料的腐蚀程度，并根据腐蚀程度划分杆塔材料的材料属性值；所述材料属性值包括材料截面积和屈服强度；
S12、根据受到腐蚀的材料属性值设定有限元模型中对应的材料参数，获得受腐蚀影响的杆塔有限元模型；
S13、对受腐蚀影响的杆塔有限元模型进行仿真计算，获得受腐蚀杆塔的米赛斯应力。
所述步骤S11中，所述腐蚀程度的获取方法包括：
S111、基于普尔贝方程预测杆塔材料的腐蚀规律，其表达式如下：
；
其中：为杆塔的腐蚀深度，/>为暴露时间，/>为初始腐蚀速率，/>为腐蚀速率随时间的发展趋势；
S112、将杆塔的腐蚀深度转换成质量损失率，并通过以下转换式将质量损失率换算成杆塔腐蚀前后钢的力学性能；
；
其中：与/>分别为杆塔材料腐蚀前后的材料性能参数测定值，/>为质量损失率，/>为力学性能折减系数值；
S113、将杆塔腐蚀前后钢的力学性能进行比较，获得杆塔材料的退化程度；所述退化程度的表达式如下：
；
；
其中：为相对百分率，/>为剩余百分率。
所述覆冰荷载根据不同冰区的覆冰厚度进行取值，具体取值为：0mm-15mm冰区取值为1.2；15mm-20mm冰区取值为1.5；20mm-30mm以及30mm以上冰区取值为2.0。
所述步骤S3中，所述归一化的表达式如下：
；
其中：为归一化处理后的数据，/>为杆塔数据集样本的数据，/>为杆塔数据集样本的最小值，/>为杆塔数据集样本的最大值。
所述步骤S4中，所述反向传播神经网络模型包括输入层、隐藏层与输出层；
所述输入层的神经元包括杆塔特征、杆塔高度、杆塔材料、杆塔的服役年限、挂点位移分量、支点位移分量、覆冰荷载；所述输出层的神经元包括差值；所述隐藏层的神经元数量表达式如下：
；
其中：为隐藏层神经元的数量，/>为输入层神经元的数量，/>为输出层神经元的数量，/>为整数，/>为杆塔数据集样本数量；
所述反向传播神经网络模型的参数包括：权重、阈值与传递函数；所述传递函数的表达式如下：
；
其中：为隐藏层的输入。
所述步骤S5，具体包括：
S51、对反向传播神经网络模型的权重和偏置进行初始化，并导入输入特征与输出特征，然后通过前向传播计算获得预测值；
S52、根据预测值与真实标签计算损失函数，并使用反向传播算法更新权重和偏置，以降低损失函数的值；所述损失函数的表达式如下：
；
其中：为第/>个样本腐蚀速率实测值，/>为第/>个样本腐蚀速率预测值，/>为样本总数；
S53、基于梯度下降法调整神经网络的参数，以最小化损失函数；
S54、重复进行步骤S51-S53，直至损失函数收敛或达到设定的停止条件，完成训练；
S55、使用测试样本数据对完成训练的反向传播神经网络模型进行评估，并根据评估结果对反向传播神经网络模型的超参数进行优化，获得覆冰荷载响应在不同腐蚀率下的反向传播神经网络模型。
所述步骤S6中，所述反向传播神经网络模型的迭代优化采用蜘蛛蜂优化算法进行，具体步骤包括：
S61、随机生成一定数量的蜘蛛蜂个体，作为初始种群；
S611、每个蜘蛛蜂代表当前一代中的一个解决方案，并且可以通过以下表达式在D维向量中进行编码：
；
其中：为当前一代反向传播神经网络模型的初始参数解向量，/>为当前一代反向传播神经网络模型的初始参数解向量系数；
S612、在预先指定的初始参数上限和初始参数下限/>之间随机生成若干个向量，其表达式如下：
；
其中：为初始参数解向量种群集合；
S613、在搜索空间中随机生成任何解，其表达式如下：
；
其中：为迭代次数，/>为种群数/>,/>为D维随机初始化的0到1之间的数字向量，/>为初始参数的上限，/>为初始参数的下限；
S62、确定个体适应度函数；
S621、根据个体获得反向传播神经网络模型的初始权重和阈值，并将初始权重和阈值带入反向传播神经网络模型中进行训练，将预测输出与期望输出之间的误差绝对值之和作为个体适应度函数；所述个体适应度函数的表达式如下：
；
其中：为个体适应度函数，/>为第/>个样本米赛斯应力差值的预测输出，/>为第个样本米赛斯应力差值的期望输出，/>为样本总数的倒数；
S63、基于狩猎行为寻找更优解；所述狩猎行为包括探索阶段与跟逃阶段；
所述探索阶段模拟了雌蜂寻找最相关的蜘蛛来喂养幼虫的行为，其表达式如下：
；
其中：、/>、/>均为用于确定探索方向，从初始参数解向量种群集合中随机选择的指标；/>为根据莱维飞行生成的数；/>与/>为区间/>中的两个随机数；/>和/>用于确定探索方向的步长，其步长表达式如下：
；
；
；
其中：为以0和1的间隔随机生成的数，/>为服从正态分布的随机数，/>为1和−2之间随机生成的数字，/>为系数；
所述跟逃阶段模拟了雌蜂追踪逃跑的猎物的行为，其表达式如下：
；
；
；
其中：为随机指数，/>与/>分别为当前评估和最大评估，/>为在区间/>中随机生成的值的向量，/>为区间/>中的随机数，/>为在/>与/>之间生成的向量，/>为距离控制因子，/>为系数；
S64、基于筑巢行为帮助蜘蛛蜂根据搜索到的信息进行位置更新，以更好地逼近最优解；
所述筑巢行为模拟了蜘蛛蜂捕捉到猎物后的筑巢行为，其表达式如下：
；
；
其中：为在区间/>中创建的随机数，/>、/>、/>均为随机选择的解的索引，/>与/>均为区间/>中的随机值的向量，/>为二进制向量；
S65、当完成迭代次数或寻找到全局最优个体时，输出最优个体，并根据解码规则解码最优个体，获得反向传播神经网络模型的初始权重和阈值，然后通过训练样本数据进行循环，获得优化反向传播神经网络模型。
一种考虑腐蚀影响的杆塔覆冰荷载计算系统，该系统应用于上述的方法，所述系统包括：
杆塔有限元模型构建模块，用于参考杆塔的力学参数与几何参数，并考虑杆塔的服役年限，构建受腐蚀影响的杆塔有限元模型；
杆塔三维几何模型构建模块，用于基于受腐蚀影响的杆塔有限元模型构建杆塔的三维几何模型，并对三维几何模型进行网格划分离散为若干个有限元单元，同时根据杆塔的服役年限赋予杆塔材料不同的力学参数，并根据气候条件给杆塔节点赋予覆冰荷载，获得杆塔数据集样本；
所述杆塔数据集样本包括杆塔的挂点位移分量和支点位移分量、正常杆塔的米赛斯应力、受腐蚀杆塔的米赛斯应力、杆塔特征；
输入输出标定模块，用于将杆塔特征、杆塔的服役年限、挂点位移分量、支点位移分量、覆冰荷载作为神经网络的输入特征，将受腐蚀杆塔的米赛斯应力映射至正常杆塔的米赛斯应力，计算获得对应的差值作为神经网络的输出特征；然后对杆塔特征、杆塔的服役年限、挂点位移分量、支点位移分量、覆冰荷载、差值进行归一化处理，获得整体样本数据，并将整体样本数据划分为训练样本数据与测试样本数据；
反向传播神经网络模型构建模块，用于建立反向传播神经网络模型，并确定反向传播神经网络模型的参数，然后对参数进行初始化；
神经网络模型训练模块，用于将训练样本数据输入反向传播神经网络模型中进行训练，构建覆冰荷载响应在不同腐蚀率下的反向传播神经网络模型；
神经网络模型优化模块，用于确定反向传播神经网络模型的初始权重和阈值，并将其应用于反向传播神经网络模型中进行优化迭代，获得优化反向传播神经网络模型；
覆冰荷载计算模块，用于基于优化反向传播神经网络模型，对输电杆塔覆冰荷载进行计算，获得考虑腐蚀影响下的输电杆塔覆冰荷载。
一种考虑腐蚀影响的杆塔覆冰荷载计算设备，所述设备包括处理器以及存储器；
所述存储器用于存储计算机程序代码，并将所述计算机程序代码传输给所述处理器；
所述处理器用于根据所述计算机程序代码中的指令执行上述的考虑腐蚀影响的杆塔覆冰荷载计算方法。
与现有技术相比，本发明的有益效果为：
1、本发明一种考虑腐蚀影响的杆塔覆冰荷载计算方法、系统及设备中，方法首先参考杆塔的力学参数、几何参数与服役年限，构建受腐蚀影响的杆塔有限元模型，然后搭建三维几何模型，赋予力学参数与覆冰荷载，获得数据集样本，接着对数据集样本归一化处理，并划分为训练集与测试集，再建立反向传播神经网络模型，进行训练优化迭代，基于优化后的神经网络模型完成考虑腐蚀影响下的输电杆塔覆冰荷载计算；本设计在应用中，通过使用基于数据处理的算法模型替代传统的力学建模，显著提高了在腐蚀作用条件下杆塔覆冰荷载的承载力计算速度，并且保证了计算结果的准确性和可靠性，同时通过结合力学仿真和机器学习的方法，可以更加有效的处理大数据，加快对复杂条件下杆塔承载力的分析和评估，为输电线路的设计和运行提供更快速、更准确的技术支持。因此，本发明不仅较为高效，而且较为便捷。
2、本发明一种考虑腐蚀影响的杆塔覆冰荷载计算方法、系统及设备中，该方法可适用于杆塔物理模型不存在或难以建立的情况，通过较少的杆塔模型即可计算出多种实际场景下的响应结果，有利于针对杆塔开展预警与维护工作，为相关人员快速准确的提供杆塔结构评估结果和维护决策，具有广泛的应用性和强大的普适性。
附图说明
图1是本发明中的方法步骤流程图。
图2是本发明中的有限元模型的支点、挂点示意图。
图3是本发明中的神经网络模型的拓扑结构示意图。
图4是本发明中的神经网络建立与优化流程示意图。
图5是本发明中的系统结构示意图。
图6是本发明中的设备结构示意图。
图中：杆塔有限元模型构建模块1、杆塔三维几何模型构建模块2、输入输出标定模块3、反向传播神经网络模型构建模块4、神经网络模型训练模块5、神经网络模型优化模块6、覆冰荷载计算模块7、处理器8、存储器9、计算机程序代码91。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
实施例1：
参见图1-图4，一种考虑腐蚀影响的杆塔覆冰荷载计算方法，包括：
S1、参考杆塔的力学参数与几何参数，并考虑杆塔的服役年限，构建受腐蚀影响的杆塔有限元模型；
进一步的，所述步骤S1，具体包括：
S11、按照大气环境和输电杆塔暴露时间划分杆塔材料的腐蚀程度，并根据腐蚀程度划分杆塔材料的材料属性值；所述材料属性值包括材料截面积和屈服强度；
输电杆塔的大气腐蚀具有一定的时间规律性，开始时处于快速腐蚀阶段，而后随着锈层的生长，腐蚀速率逐渐变慢，因此，采用普尔贝（Pourbaix）方程预测杆塔材料的腐蚀规律。
进一步的，所述步骤S11中，所述腐蚀程度的获取方法包括：
S111、基于普尔贝方程预测杆塔材料的腐蚀规律，其表达式如下：
；
其中：为杆塔的腐蚀深度，/>为暴露时间，/>为初始腐蚀速率，/>为腐蚀速率随时间的发展趋势；
S112、将杆塔的腐蚀深度转换成质量损失率，并通过以下转换式将质量损失率换算成杆塔腐蚀前后钢的力学性能；
；
其中：与/>分别为杆塔材料腐蚀前后的材料性能参数测定值，/>为质量损失率，/>为力学性能折减系数值，所述力学性能折减系数值可参见下表；
；
S113、将杆塔腐蚀前后钢的力学性能进行比较，获得杆塔材料的退化程度；所述退化程度通过百分率进行描述，其表达式如下：
；
；
其中：为相对百分率，/>为剩余百分率。
S12、根据受到腐蚀的材料属性值设定有限元模型中对应的材料参数，获得受腐蚀影响的杆塔有限元模型；
S13、对受腐蚀影响的杆塔有限元模型进行仿真计算，获得受腐蚀杆塔的米赛斯应力。
S2、基于受腐蚀影响的杆塔有限元模型构建杆塔的三维几何模型，并对三维几何模型进行网格划分离散为若干个有限元单元，同时根据杆塔的服役年限赋予杆塔材料不同的力学参数，并根据气候条件给杆塔节点赋予覆冰荷载，获得杆塔数据集样本；
本实施例中，使用计算机辅助设计软件构建杆塔的三维几何模型，将建立好的三维几何模型导入到ABAQUS/CAE软件中，对三维几何模型进行网格划分，将其离散为4732个有限元单元。
进一步的，各类输电杆塔在有冰的工况下，均应计入构建覆冰对杆塔构建的影响，杆塔在设计时，该覆冰荷载可作为杆塔重力荷载，根据不同冰区的覆冰厚度进行取值，具体取值为：0mm-15mm冰区取值为1.2；15mm-20mm冰区取值为1.5；20mm-30mm以及30mm以上冰区取值为2.0。
所述杆塔数据集样本包括杆塔的挂点位移分量和支点位移分量、正常杆塔的米赛斯应力、受腐蚀杆塔的米赛斯应力、杆塔特征；
S3、将杆塔特征、杆塔的服役年限、挂点位移分量、支点位移分量、覆冰荷载作为神经网络的输入特征，将受腐蚀杆塔的米赛斯应力映射至正常杆塔的米赛斯应力，计算获得对应的差值作为神经网络的输出特征；然后对杆塔特征、杆塔的服役年限、挂点位移分量、支点位移分量、覆冰荷载、差值进行归一化处理，获得整体样本数据，并将整体样本数据划分为训练样本数据与测试样本数据（优选为7:3的比例进行划分）；
所述归一化的表达式如下：
；
其中：为归一化处理后的数据，/>为杆塔数据集样本的数据，/>为杆塔数据集样本的最小值，/>为杆塔数据集样本的最大值。
S4、建立反向传播神经网络模型，并确定反向传播神经网络模型的参数，然后对参数进行初始化；
进一步的，参见图3，所述步骤S4中，所述反向传播神经网络模型包括输入层、隐藏层与输出层；
所述输入层的神经元包括杆塔特征、杆塔高度、杆塔材料、杆塔的服役年限、挂点位移分量、支点位移分量、覆冰荷载；所述输出层的神经元包括差值；所述隐藏层的神经元数量表达式如下：
；
其中：为隐藏层神经元的数量，/>为输入层神经元的数量，/>为输出层神经元的数量，/>为整数，/>为杆塔数据集样本数量；
本实施例中，输入层的神经元数量为41个，输出层的神经元数量为4732个，挂点位移分量为8个，支点位移分量为4个，具体的挂点与支点的示意图参见图2。
所述反向传播神经网络模型的参数包括：权重、阈值与传递函数；其中：权重和阈值的初始化值为内的随机数；
所述传递函数的表达式如下：
；
其中：为隐藏层的输入。
S5、将训练样本数据输入反向传播神经网络模型中进行训练，构建覆冰荷载响应在不同腐蚀率下的反向传播神经网络模型；
进一步的，所述步骤S5，具体包括：
S51、对反向传播神经网络模型的权重和偏置进行初始化，并导入输入特征与输出特征，然后通过前向传播计算获得预测值；
S52、根据预测值与真实标签计算损失函数，并使用反向传播算法更新权重和偏置，以降低损失函数的值；所述损失函数的表达式如下：
；
其中：为第/>个样本腐蚀速率实测值，/>为第/>个样本腐蚀速率预测值，/>为样本总数；
S53、基于梯度下降法调整神经网络的参数，以最小化损失函数；
S54、重复进行步骤S51-S53，直至损失函数收敛或达到设定的停止条件，完成训练；
S55、使用测试样本数据对完成训练的反向传播神经网络模型进行评估，并根据评估结果对反向传播神经网络模型的超参数进行优化，获得覆冰荷载响应在不同腐蚀率下的反向传播神经网络模型。
S6、确定反向传播神经网络模型的初始权重和阈值，并将其应用于反向传播神经网络模型中进行优化迭代，获得优化反向传播神经网络模型；
进一步的，参见图4，所述步骤S6中，所述反向传播神经网络模型的迭代优化采用蜘蛛蜂优化算法进行，具体步骤包括：
S61、随机生成一定数量的蜘蛛蜂个体，作为初始种群；
S611、每个蜘蛛蜂代表当前一代中的一个解决方案，并且可以通过以下表达式在D维向量中进行编码：
；
其中：为当前一代反向传播神经网络模型的初始参数解向量，/>为当前一代反向传播神经网络模型的初始参数解向量系数；
S612、在预先指定的初始参数上限和初始参数下限/>之间随机生成若干个向量，其表达式如下：
；
其中：为初始参数解向量种群集合；
S613、在搜索空间中随机生成任何解，其表达式如下：
；
其中：为迭代次数，/>为种群数/>,/>为D维随机初始化的0到1之间的数字向量，/>为预先指定的初始参数的上限，/>为预先指定的初始参数的下限；
S62、确定个体适应度函数；
S621、根据个体获得反向传播神经网络模型的初始权重和阈值，并将初始权重和阈值带入反向传播神经网络模型中进行训练，将预测输出与期望输出之间的误差绝对值之和作为个体适应度函数；所述个体适应度函数的表达式如下：
；
其中：为个体适应度函数，/>为第/>个样本米赛斯应力差值的预测输出，/>为第个样本米赛斯应力差值的期望输出，/>为样本总数的倒数；
S63、基于狩猎行为寻找更优解；所述狩猎行为包括探索阶段与跟逃阶段；
所述探索阶段模拟了雌蜂寻找最相关的蜘蛛来喂养幼虫的行为，其表达式如下：
；
其中：、/>、/>均为用于确定探索方向，从初始参数解向量种群集合中随机选择的指标；/>为根据莱维飞行生成的数；/>与/>为区间/>中的两个随机数；/>和/>用于确定探索方向的步长，其步长表达式如下：
；
；
；
其中：为以0和1的间隔随机生成的数；/>为服从正态分布的随机数；/>为1和−2之间随机生成的数字；/>为系数，用于调节初始参数寻优步长的大小；
所述跟逃阶段模拟了雌蜂追踪逃跑的猎物的行为，其表达式如下：
；
；
；
其中：为随机指数；/>与/>分别为当前评估和最大评估；/>为在区间/>中随机生成的值的向量；/>为区间/>中的随机数；/>为根据正态分布，在/>与/>之间生成的向量；/>为距离控制因子，决定初始参数寻优的速度；/>为系数，以增加初始参数寻优的步长，避免陷入局部最优解；
S64、基于筑巢行为帮助蜘蛛蜂根据搜索到的信息进行位置更新，以更好地逼近最优解；
所述筑巢行为模拟了蜘蛛蜂捕捉到猎物后的筑巢行为，其表达式如下：
；
；
其中：为在区间/>中创建的随机数；/>、/>、/>均为随机选择的解的索引；/>与/>均为区间/>中的随机值的向量；/>为二进制向量，用来确定是否应该采取步长，以避免在同一位置建立两个巢穴，以便对初始参数寻优结果进行更新，以更好地逼近最优解；
S65、当完成迭代次数或寻找到全局最优个体时，输出最优个体，并根据解码规则解码最优个体，获得反向传播神经网络模型的初始权重和阈值，然后通过训练样本数据进行循环，获得优化反向传播神经网络模型。
S7、基于优化反向传播神经网络模型，对输电杆塔覆冰荷载进行计算，获得考虑腐蚀影响下的输电杆塔覆冰荷载。
实施例2：
参见图5，一种考虑腐蚀影响的杆塔覆冰荷载计算系统，该系统应用于实施例1所述的方法，所述系统包括：
杆塔有限元模型构建模块1，用于参考杆塔的力学参数与几何参数，并考虑杆塔的服役年限，构建受腐蚀影响的杆塔有限元模型；
进一步的，所述杆塔有限元模型构建模块1根据以下步骤构建受腐蚀影响的杆塔有限元模型；
S11、按照大气环境和输电杆塔暴露时间划分杆塔材料的腐蚀程度，并根据腐蚀程度划分杆塔材料的材料属性值；所述材料属性值包括材料截面积和屈服强度；
所述步骤S11中，所述腐蚀程度的获取方法包括：
S111、基于普尔贝方程预测杆塔材料的腐蚀规律，其表达式如下：
；
其中：为杆塔的腐蚀深度，/>为暴露时间，/>为初始腐蚀速率，/>为腐蚀速率随时间的发展趋势；
S112、将杆塔的腐蚀深度转换成质量损失率，并通过以下转换式将质量损失率换算成杆塔腐蚀前后钢的力学性能；
；
其中：与/>分别为杆塔材料腐蚀前后的材料性能参数测定值，/>为质量损失率，/>为力学性能折减系数值；
S113、将杆塔腐蚀前后钢的力学性能进行比较，获得杆塔材料的退化程度；所述退化程度的表达式如下：
；
；
其中：为相对百分率，/>为剩余百分率；
S12、根据受到腐蚀的材料属性值设定有限元模型中对应的材料参数，获得受腐蚀影响的杆塔有限元模型；
S13、对受腐蚀影响的杆塔有限元模型进行仿真计算，获得受腐蚀杆塔的米赛斯应力；
杆塔三维几何模型构建模块2，用于基于受腐蚀影响的杆塔有限元模型构建杆塔的三维几何模型，并对三维几何模型进行网格划分离散为若干个有限元单元，同时根据杆塔的服役年限赋予杆塔材料不同的力学参数，并根据气候条件给杆塔节点赋予覆冰荷载，获得杆塔数据集样本；
所述杆塔数据集样本包括杆塔的挂点位移分量和支点位移分量、正常杆塔的米赛斯应力、受腐蚀杆塔的米赛斯应力、杆塔特征；
进一步的，所述杆塔三维几何模型构建模块2构建的几何模型中的覆冰荷载，根据不同冰区的覆冰厚度进行取值，具体取值为：0mm-15mm冰区取值为1.2；15mm-20mm冰区取值为1.5；20mm-30mm以及30mm以上冰区取值为2.0；
输入输出标定模块3，用于将杆塔特征、杆塔的服役年限、挂点位移分量、支点位移分量、覆冰荷载作为神经网络的输入特征，将受腐蚀杆塔的米赛斯应力映射至正常杆塔的米赛斯应力，计算获得对应的差值作为神经网络的输出特征；然后对杆塔特征、杆塔的服役年限、挂点位移分量、支点位移分量、覆冰荷载、差值进行归一化处理，获得整体样本数据，并将整体样本数据划分为训练样本数据与测试样本数据；
进一步的，所述输入输出标定模块3进行归一化的表达式如下：
；
其中：为归一化处理后的数据，/>为杆塔数据集样本的数据，/>为杆塔数据集样本的最小值，/>为杆塔数据集样本的最大值；
反向传播神经网络模型构建模块4，用于建立反向传播神经网络模型，并确定反向传播神经网络模型的参数，然后对参数进行初始化；
进一步的，所述反向传播神经网络模型构建模块4构建的反向传播神经网络模型包括输入层、隐藏层与输出层；
所述输入层的神经元包括杆塔特征、杆塔高度、杆塔材料、杆塔的服役年限、挂点位移分量、支点位移分量、覆冰荷载；所述输出层的神经元包括差值；所述隐藏层的神经元数量表达式如下：
；
其中：为隐藏层神经元的数量，/>为输入层神经元的数量，/>为输出层神经元的数量，/>为整数，/>为杆塔数据集样本数量；/>
所述反向传播神经网络模型的参数包括：权重、阈值与传递函数；所述传递函数的表达式如下：
；
其中：为隐藏层的输入；
神经网络模型训练模块5，用于将训练样本数据输入反向传播神经网络模型中进行训练，构建覆冰荷载响应在不同腐蚀率下的反向传播神经网络模型；
进一步的，所述神经网络模型训练模块5根据以下步骤构建覆冰荷载响应在不同腐蚀率下的杆塔计算模型；
S51、对反向传播神经网络模型的权重和偏置进行初始化，并导入输入特征与输出特征，然后通过前向传播计算获得预测值；
S52、根据预测值与真实标签计算损失函数，并使用反向传播算法更新权重和偏置，以降低损失函数的值；所述损失函数的表达式如下：
；
其中：为第/>个样本腐蚀速率实测值，/>为第/>个样本腐蚀速率预测值，/>为样本总数；
S53、基于梯度下降法调整神经网络的参数，以最小化损失函数；
S54、重复进行步骤S51-S53，直至损失函数收敛或达到设定的停止条件，完成训练；
S55、使用测试样本数据对完成训练的反向传播神经网络模型进行评估，并根据评估结果对反向传播神经网络模型的超参数进行优化，获得覆冰荷载响应在不同腐蚀率下的杆塔计算模型；
神经网络模型优化模块6，用于确定反向传播神经网络模型的初始权重和阈值，并将其应用于反向传播神经网络模型中进行优化迭代，获得优化反向传播神经网络模型；
进一步的，所述神经网络模型优化模块6根据以下步骤获得优化反向传播神经网络模型；
S61、随机生成一定数量的蜘蛛蜂个体，作为初始种群；
S611、每个蜘蛛蜂代表当前一代中的一个解决方案，并且可以通过以下表达式在D维向量中进行编码：
；
其中：为当前一代反向传播神经网络模型的初始参数解向量，/>为当前一代反向传播神经网络模型的初始参数解向量系数；
S612、在预先指定的初始参数上限和初始参数下限/>之间随机生成若干个向量，其表达式如下：/>
；
其中：为初始参数解向量种群集合；
S613、在搜索空间中随机生成任何解，其表达式如下：
；
其中：为迭代次数，/>为种群数/>,/>为D维随机初始化的0到1之间的数字向量，/>为初始参数的上限，/>为初始参数的下限；
S62、确定个体适应度函数；
S621、根据个体获得反向传播神经网络模型的初始权重和阈值，并将初始权重和阈值带入反向传播神经网络模型中进行训练，将预测输出与期望输出之间的误差绝对值之和作为个体适应度函数；所述个体适应度函数的表达式如下：
；
其中：为个体适应度函数，/>为第/>个样本米赛斯应力差值的预测输出，/>为第个样本米赛斯应力差值的期望输出，/>为样本总数的倒数；
S63、基于狩猎行为寻找更优解；所述狩猎行为包括探索阶段与跟逃阶段；
所述探索阶段模拟了雌蜂寻找最相关的蜘蛛来喂养幼虫的行为，其表达式如下：
；
其中：、/>、/>均为用于确定探索方向，从初始参数解向量种群集合中随机选择的指标；/>为根据莱维飞行生成的数；/>与/>为区间/>中的两个随机数；/>和/>用于确定探索方向的步长，其步长表达式如下：
；
；
；
其中：为以0和1的间隔随机生成的数，/>为服从正态分布的随机数，/>体与/>为1和−2之间随机生成的数字，/>为系数；；
所述跟逃阶段模拟了雌蜂追踪逃跑的猎物的行为，其表达式如下：
；/>
；
；
其中：为随机指数，/>与/>分别为当前评估和最大评估，/>为在区间/>中随机生成的值的向量，/>为区间/>中的随机数，/>为在/>与/>之间生成的向量，/>为距离控制因子，/>为系数；
S64、基于筑巢行为帮助蜘蛛蜂根据搜索到的信息进行位置更新，以更好地逼近最优解；
所述筑巢行为模拟了蜘蛛蜂捕捉到猎物后的筑巢行为，其表达式如下：
；
；
其中：为在区间/>中创建的随机数，/>、/>、/>均为随机选择的解的索引，/>与/>均为区间/>中的随机值的向量，/>为二进制向量；
S65、当完成迭代次数或寻找到全局最优个体时，输出最优个体，并根据解码规则解码最优个体，获得反向传播神经网络模型的初始权重和阈值，然后通过训练样本数据进行循环，获得优化反向传播神经网络模型；
覆冰荷载计算模块7，用于基于优化反向传播神经网络模型，对输电杆塔覆冰荷载进行计算，获得考虑腐蚀影响下的输电杆塔覆冰荷载。
实施例3：
参见图6，一种考虑腐蚀影响的杆塔覆冰荷载计算设备，所述设备包括处理器8以及存储器9；
所述存储器9用于存储计算机程序代码91，并将所述计算机程序代码91传输给所述处理器8；
所述处理器8用于根据所述计算机程序代码91中的指令执行实施例1所述的考虑腐蚀影响的杆塔覆冰荷载计算方法。
一般来说，用以实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质，除了临时性地传播中的信号本身。
计算机可读存储介质例如可以是，但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式可编程只读存储器(EKROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可以以一个或多个程序设计语言或其组合来编写用以执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、SMalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言，特别是可以使用适于神经网络计算的Python语言和基于TensorFlow、PyTorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意个类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
上述设备和非临时性计算机可读存储介质，可以参见对一种考虑腐蚀影响的杆塔覆冰荷载计算方法及有益效果的具体描述，在此不再赘述。
尽管上面已经示出和描述了本发明的实施例，应当理解的是，上述实施例是示例性的，不能解释为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种考虑腐蚀影响的杆塔覆冰荷载计算方法，其特征在于，包括：
S1、参考杆塔的力学参数与几何参数，并考虑杆塔的服役年限，构建受腐蚀影响的杆塔有限元模型；
S2、基于受腐蚀影响的杆塔有限元模型构建杆塔的三维几何模型，并对三维几何模型进行网格划分离散为若干个有限元单元，同时根据杆塔的服役年限赋予杆塔材料不同的力学参数，并根据气候条件给杆塔节点赋予覆冰荷载，获得杆塔数据集样本；
所述杆塔数据集样本包括杆塔的挂点位移分量和支点位移分量、正常杆塔的米赛斯应力、受腐蚀杆塔的米赛斯应力、杆塔特征；
S3、将杆塔特征、杆塔的服役年限、挂点位移分量、支点位移分量、覆冰荷载作为神经网络的输入特征，将受腐蚀杆塔的米赛斯应力映射至正常杆塔的米赛斯应力，计算获得对应的差值作为神经网络的输出特征；然后对杆塔特征、杆塔的服役年限、挂点位移分量、支点位移分量、覆冰荷载、差值进行归一化处理，获得整体样本数据，并将整体样本数据划分为训练样本数据与测试样本数据；
S4、建立反向传播神经网络模型，并确定反向传播神经网络模型的参数，然后对参数进行初始化；
S5、将训练样本数据输入反向传播神经网络模型中进行训练，构建覆冰荷载响应在不同腐蚀率下的反向传播神经网络模型；
S6、确定反向传播神经网络模型的初始权重和阈值，并将其应用于反向传播神经网络模型中进行优化迭代，获得优化反向传播神经网络模型；
S7、基于优化反向传播神经网络模型，对输电杆塔覆冰荷载进行计算，获得考虑腐蚀影响下的输电杆塔覆冰荷载；
所述步骤S1，具体包括：
S11、按照大气环境和输电杆塔暴露时间划分杆塔材料的腐蚀程度，并根据腐蚀程度划分杆塔材料的材料属性值；所述材料属性值包括材料截面积和屈服强度；
S12、根据受到腐蚀的材料属性值设定有限元模型中对应的材料参数，获得受腐蚀影响的杆塔有限元模型；
S13、对受腐蚀影响的杆塔有限元模型进行仿真计算，获得受腐蚀杆塔的米赛斯应力；
所述步骤S11中，所述腐蚀程度的获取方法包括：
S111、基于普尔贝方程预测杆塔材料的腐蚀规律，其表达式如下：
C＝ktn；
其中：C为杆塔的腐蚀深度，t为暴露时间，k为初始腐蚀速率，n为腐蚀速率随时间的发展趋势；
S112、将杆塔的腐蚀深度转换成质量损失率，并通过以下转换式将质量损失率换算成杆塔腐蚀前后钢的力学性能；
σr1/σr0＝1-cη；
其中：σr0与σr1分别为杆塔材料腐蚀前后的材料性能参数测定值，η为质量损失率，c为力学性能折减系数值；
S113、将杆塔腐蚀前后钢的力学性能进行比较，获得杆塔材料的退化程度；所述退化程度的表达式如下：
Kr＝(σr0-σr1)/σr0×100％；
Kr′＝σr1/σr0×100％；
其中：Kr为相对百分率，Kr′为剩余百分率。
2.根据权利要求1所述的一种考虑腐蚀影响的杆塔覆冰荷载计算方法，其特征在于：
所述覆冰荷载根据不同冰区的覆冰厚度进行取值，具体取值为：0mm-15mm冰区取值为1.2；15mm-20mm冰区取值为1.5；20mm-30mm以及30mm以上冰区取值为2.0。
3.根据权利要求1所述的一种考虑腐蚀影响的杆塔覆冰荷载计算方法，其特征在于：
所述步骤S3中，所述归一化的表达式如下：
其中：f(x)为归一化处理后的数据，x为杆塔数据集样本的数据，xmin为杆塔数据集样本的最小值，xmax为杆塔数据集样本的最大值。
4.根据权利要求1所述的一种考虑腐蚀影响的杆塔覆冰荷载计算方法，其特征在于：
所述步骤S4中，所述反向传播神经网络模型包括输入层、隐藏层与输出层；
所述输入层的神经元包括杆塔特征、杆塔的服役年限、挂点位移分量、支点位移分量、覆冰荷载；所述输出层的神经元包括差值；所述隐藏层的神经元数量表达式如下：
其中：Nhid为隐藏层神经元的数量，Ninput为输入层神经元的数量，Noutput为输出层神经元的数量，c为整数，s为杆塔数据集样本数量；
所述反向传播神经网络模型的参数包括：权重、阈值与传递函数；所述传递函数的表达式如下：
其中：n为隐藏层的输入。
5.根据权利要求1所述的一种考虑腐蚀影响的杆塔覆冰荷载计算方法，其特征在于：
所述步骤S5，具体包括：
S51、对反向传播神经网络模型的权重和偏置进行初始化，并导入输入特征与输出特征，然后通过前向传播计算获得预测值；
S52、根据预测值与真实标签计算损失函数，并使用反向传播算法更新权重和偏置，以降低损失函数的值；所述损失函数的表达式如下：
其中：ti为第i个样本腐蚀速率实测值，oi为第i个样本腐蚀速率预测值，n为样本总数；
S53、基于梯度下降法调整神经网络的参数，以最小化损失函数；
S54、重复进行步骤S51-S53，直至损失函数收敛或达到设定的停止条件，完成训练；
S55、使用测试样本数据对完成训练的反向传播神经网络模型进行评估，并根据评估结果对反向传播神经网络模型的超参数进行优化，获得覆冰荷载响应在不同腐蚀率下的反向传播神经网络模型。
6.根据权利要求1所述的一种考虑腐蚀影响的杆塔覆冰荷载计算方法，其特征在于：
所述步骤S6中，所述反向传播神经网络模型的迭代优化采用蜘蛛蜂优化算法进行，具体步骤包括：
S61、随机生成一定数量的蜘蛛蜂个体，作为初始种群；
S611、每个蜘蛛蜂代表当前一代中的一个解决方案，并且可以通过以下表达式在D维向量中进行编码：
其中：为当前一代反向传播神经网络模型的初始参数解向量，xD为当前一代反向传播神经网络模型的初始参数解向量系数；
S612、在预先指定的初始参数上限和初始参数下限/>之间随机生成若干个向量，其表达式如下：
其中：SWPop为初始参数解向量种群集合；
S613、在搜索空间中随机生成任何解，其表达式如下：
其中：t为迭代次数；i为种群数，i＝1，2，...，N；为D维随机初始化的0到1之间的数字向量；/>为初始参数的上限；/>为初始参数的下限；
S62、确定个体适应度函数；
S621、根据个体获得反向传播神经网络模型的初始权重和阈值，并将初始权重和阈值带入反向传播神经网络模型中进行训练，将预测输出与期望输出之间的误差绝对值之和作为个体适应度函数；所述个体适应度函数的表达式如下：
其中：F为个体适应度函数，yi为第i个样本米赛斯应力差值的预测输出，oi为第i个样本米赛斯应力差值的期望输出，k为样本总数的倒数；
S63、基于狩猎行为寻找更优解；所述狩猎行为包括探索阶段与跟逃阶段；
所述探索阶段模拟了雌蜂寻找最相关的蜘蛛来喂养幼虫的行为，其表达式如下：
其中：a、b、c均为用于确定探索方向，从初始参数解向量种群集合中随机选择的指标；r2为根据莱维飞行生成的数；r3与r4为区间[0，1]中的两个随机数；μ1和μ2用于确定探索方向的步长，其步长表达式如下：
μ1＝|rn|*r1；
μ2＝B*cos(2πl)；
其中：r1为以0和1的间隔随机生成的数，rn为服从正态分布的随机数，l为1和-2之间随机生成的数字，B为系数；
所述跟逃阶段模拟了雌蜂追踪逃跑的猎物的行为，其表达式如下：
其中：t与tmax分别为当前评估和最大评估，r5为在区间[0，1]中随机生成的值的向量，r6为区间[0，1]中的随机数，为在k与-k之间生成的向量，C为距离控制因子，k为系数；
S64、基于筑巢行为帮助蜘蛛蜂根据搜索到的信息进行位置更新，以更好地逼近最优解；
所述筑巢行为模拟了蜘蛛蜂捕捉到猎物后的筑巢行为，其表达式如下：
其中：γ为在区间[0，1]中创建的随机数，与/>均为区间[0，1]中的随机值的向量，/>为二进制向量；
S65、当完成迭代次数或寻找到全局最优个体时，输出最优个体，并根据解码规则解码最优个体，获得反向传播神经网络模型的初始权重和阈值，然后通过训练样本数据进行循环，获得优化反向传播神经网络模型。
7.一种考虑腐蚀影响的杆塔覆冰荷载计算系统，其特征在于：该系统应用于权利要求1-6任一项所述的方法，所述系统包括：
杆塔有限元模型构建模块(1)，用于参考杆塔的力学参数与几何参数，并考虑杆塔的服役年限，构建受腐蚀影响的杆塔有限元模型；
杆塔三维几何模型构建模块(2)，用于基于受腐蚀影响的杆塔有限元模型构建杆塔的三维几何模型，并对三维几何模型进行网格划分离散为若干个有限元单元，同时根据杆塔的服役年限赋予杆塔材料不同的力学参数，并根据气候条件给杆塔节点赋予覆冰荷载，获得杆塔数据集样本；
所述杆塔数据集样本包括杆塔的挂点位移分量和支点位移分量、正常杆塔的米赛斯应力、受腐蚀杆塔的米赛斯应力、杆塔特征；
输入输出标定模块(3)，用于将杆塔特征、杆塔的服役年限、挂点位移分量、支点位移分量、覆冰荷载作为神经网络的输入特征，将受腐蚀杆塔的米赛斯应力映射至正常杆塔的米赛斯应力，计算获得对应的差值作为神经网络的输出特征；然后对杆塔特征、杆塔的服役年限、挂点位移分量、支点位移分量、覆冰荷载、差值进行归一化处理，获得整体样本数据，并将整体样本数据划分为训练样本数据与测试样本数据；
反向传播神经网络模型构建模块(4)，用于建立反向传播神经网络模型，并确定反向传播神经网络模型的参数，然后对参数进行初始化；
神经网络模型训练模块(5)，用于将训练样本数据输入反向传播神经网络模型中进行训练，构建覆冰荷载响应在不同腐蚀率下的反向传播神经网络模型；
神经网络模型优化模块(6)，用于确定反向传播神经网络模型的初始权重和阈值，并将其应用于反向传播神经网络模型中进行优化迭代，获得优化反向传播神经网络模型；
覆冰荷载计算模块(7)，用于基于优化反向传播神经网络模型，对输电杆塔覆冰荷载进行计算，获得考虑腐蚀影响下的输电杆塔覆冰荷载。
8.一种考虑腐蚀影响的杆塔覆冰荷载计算设备，其特征在于：
所述设备包括处理器(8)以及存储器(9)；
所述存储器(9)用于存储计算机程序代码(91)，并将所述计算机程序代码(91)传输给所述处理器(8)；
所述处理器(8)用于根据所述计算机程序代码(91)中的指令执行权利要求1-6中任一项所述的考虑腐蚀影响的杆塔覆冰荷载计算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410040202.2A CN117807888B (zh) | 2024-01-11 | 2024-01-11 | 一种考虑腐蚀影响的杆塔覆冰荷载计算方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410040202.2A CN117807888B (zh) | 2024-01-11 | 2024-01-11 | 一种考虑腐蚀影响的杆塔覆冰荷载计算方法、系统及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117807888A CN117807888A (zh) | 2024-04-02 |
| CN117807888B true CN117807888B (zh) | 2024-05-24 |
Family
ID=90423463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410040202.2A Active CN117807888B (zh) | 2024-01-11 | 2024-01-11 | 一种考虑腐蚀影响的杆塔覆冰荷载计算方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117807888B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105740546A (zh) * | 2016-02-01 | 2016-07-06 | 国家电网公司 | 基于腐蚀状态的输电杆塔及地线安全评估与寿命预测系统 |
| KR20170069138A (ko) * | 2016-10-12 | 2017-06-20 | 연세대학교 산학협력단 | 인공신경망 기반 고층 구조물 응력 예측모델 시스템, 이를 이용한 안전평가 시스템 및 그 평가방법 |
| CN207601792U (zh) * | 2017-09-13 | 2018-07-10 | 广州供电局有限公司 | 腐蚀状态输电杆塔的力学分析装置 |
| CN113553747A (zh) * | 2021-08-27 | 2021-10-26 | 贵州电网有限责任公司 | 一种覆冰输电塔力学特性分析及状态评估方法 |
| CN113642222A (zh) * | 2021-08-27 | 2021-11-12 | 贵州电网有限责任公司 | 综合考虑微地形与荷载的基于有限元分析的杆塔选型方法 |
| CN115659757A (zh) * | 2022-11-09 | 2023-01-31 | 广东电网有限责任公司广州供电局 | 基于腐蚀影响的输电杆塔风致响应计算方法、设备及介质 |
| CN115994604A (zh) * | 2022-10-08 | 2023-04-21 | 三峡大学 | 基于gwo-ga优化网络的架空线输电线路短期覆冰厚度预测方法 |
| CN117010691A (zh) * | 2023-08-09 | 2023-11-07 | 中国南方电网有限责任公司超高压输电公司梧州局 | 输电铁塔安全评估方法、装置、计算机设备和存储介质 |
| CN117313537A (zh) * | 2023-09-28 | 2023-12-29 | 国网吉林省电力有限公司松原供电公司 | 数据驱动的覆冰预测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230034897A1 (en) * | 2019-12-27 | 2023-02-02 | Ptt Exploration And Production Public Company Limited | A method and system for predicting pipeline corrosion |
-
2024
- 2024-01-11 CN CN202410040202.2A patent/CN117807888B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105740546A (zh) * | 2016-02-01 | 2016-07-06 | 国家电网公司 | 基于腐蚀状态的输电杆塔及地线安全评估与寿命预测系统 |
| KR20170069138A (ko) * | 2016-10-12 | 2017-06-20 | 연세대학교 산학협력단 | 인공신경망 기반 고층 구조물 응력 예측모델 시스템, 이를 이용한 안전평가 시스템 및 그 평가방법 |
| CN207601792U (zh) * | 2017-09-13 | 2018-07-10 | 广州供电局有限公司 | 腐蚀状态输电杆塔的力学分析装置 |
| CN113553747A (zh) * | 2021-08-27 | 2021-10-26 | 贵州电网有限责任公司 | 一种覆冰输电塔力学特性分析及状态评估方法 |
| CN113642222A (zh) * | 2021-08-27 | 2021-11-12 | 贵州电网有限责任公司 | 综合考虑微地形与荷载的基于有限元分析的杆塔选型方法 |
| CN115994604A (zh) * | 2022-10-08 | 2023-04-21 | 三峡大学 | 基于gwo-ga优化网络的架空线输电线路短期覆冰厚度预测方法 |
| CN115659757A (zh) * | 2022-11-09 | 2023-01-31 | 广东电网有限责任公司广州供电局 | 基于腐蚀影响的输电杆塔风致响应计算方法、设备及介质 |
| CN117010691A (zh) * | 2023-08-09 | 2023-11-07 | 中国南方电网有限责任公司超高压输电公司梧州局 | 输电铁塔安全评估方法、装置、计算机设备和存储介质 |
| CN117313537A (zh) * | 2023-09-28 | 2023-12-29 | 国网吉林省电力有限公司松原供电公司 | 数据驱动的覆冰预测方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| The Research and Implementation Transmission Line Tower Rod and Monitoring System Using Reverse Network RTK Technology;Jin, Yi et al.;《Journal of Physics: Conference Series》;20211231;1-9 * |
| 基于FBG技术的抛物线与BP神经网络联合算法应用于架空线覆冰厚度监测的研究;李路明;刘志明;张治国;蔡志民;廖志军;胡振燕;;智慧电力;20170820(08);58-63 * |
| 基于RBF神经网络的输电线路覆冰短期预测研究;吴琼;黄筱婷;;贵州电力技术;20161121(11);57-60 * |
| 基于改进的小波神经网络模型在覆冰预测中的应用研究;孟遂民;秦坤;徐文洋;丁志敏;杨健;;陕西电力;20151020(10);11-14 * |
| 金属材料大气腐蚀试验相关性与寿命预测研究现状;曾佳俊;周学杰;吴军;李冬冬;罗睿;张三平;;腐蚀科学与防护技术;20150115(01);90-94 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117807888A (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113326969B (zh) | 基于改进的鲸鱼优化算法及elm的短期风速预测方法及系统 | |
| CN111160620B (zh) | 一种基于端到端记忆网络的短期风电功率预测方法 | |
| CN111523778A (zh) | 基于粒子群算法和梯度提升树的电网运行安全评估方法 | |
| CN111784061B (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
| CN113177673B (zh) | 一种空调冷负荷预测优化方法、系统及设备 | |
| CN114781692A (zh) | 短期电力负荷预测方法、装置及电子设备 | |
| CN117824756B (zh) | 一种建筑结构监测方法、设备及存储介质 | |
| CN117541083B (zh) | 疏散平台疏散能力的预测方法和装置 | |
| CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
| CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
| CN117807888B (zh) | 一种考虑腐蚀影响的杆塔覆冰荷载计算方法、系统及设备 | |
| CN111582634B (zh) | 一种地下大空间施工多因素安全分级方法及系统 | |
| CN110322050B (zh) | 一种风能资源数据补偿方法 | |
| CN117039894A (zh) | 基于改进蜣螂优化算法的光伏功率短期预测方法及系统 | |
| CN117010691A (zh) | 输电铁塔安全评估方法、装置、计算机设备和存储介质 | |
| CN111612648A (zh) | 光伏发电预测模型的训练方法、装置和计算机设备 | |
| Liu et al. | Support vector regression-based fatigue damage assessment method for wind turbine nacelle chassis | |
| CN115640868A (zh) | 一种新建风电场少数据风电功率短期预测方法 | |
| CN116011071A (zh) | 基于主动学习的空中造楼机结构可靠性分析方法及系统 | |
| CN114548364A (zh) | 一种地面沉降预测方法、计算设备及计算机存储介质 | |
| CN113743003A (zh) | 考虑温度、湿度影响的高压线路对地电场强度计算方法 | |
| Huang et al. | Risk assessment models of power transmission lines undergoing heavy ice at mountain zones based on numerical model and machine learning | |
| CN112183814A (zh) | 一种短期风速预测方法 | |
| CN113705093B (zh) | 一种杆塔力学响应预测方法、装置、设备和介质 | |
| CN112396203B (zh) | 一种基于bp神经网络估计法和改进比例系数法的光伏功率区间预测方法 |
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 |