CN117968559A - 一种钢混建筑结构火灾下倒塌应急监测方法 - Google Patents
一种钢混建筑结构火灾下倒塌应急监测方法 Download PDFInfo
- Publication number
- CN117968559A CN117968559A CN202410365054.1A CN202410365054A CN117968559A CN 117968559 A CN117968559 A CN 117968559A CN 202410365054 A CN202410365054 A CN 202410365054A CN 117968559 A CN117968559 A CN 117968559A
- Authority
- CN
- China
- Prior art keywords
- rime
- deformation
- collapse
- concrete building
- steel
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 61
- 239000004567 concrete Substances 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000011150 reinforced concrete Substances 0.000 claims abstract description 15
- 230000007246 mechanism Effects 0.000 claims description 24
- 239000002245 particle Substances 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000010304 firing Methods 0.000 description 3
- 238000009833 condensation Methods 0.000 description 2
- 230000005494 condensation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 239000001294 propane Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012360 testing method Methods 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种钢混建筑结构火灾下倒塌应急监测方法，属于建筑火灾倒塌监测技术领域，解决了现有的火灾倒塌监测技术手段单一和存在监测漏洞的问题；其包括以下步骤：S1、在钢混建筑发生火灾时，实时监测钢混建筑中的立体形变数据集和多个点位形变数据；S2、根据形变量及其对应位置采集的点位形变数据，采用极限学习机对立体形变数据集中的所有形变量进行校正；S3、判断校正后的所有形变量中是否存在一个形变量大于等于钢混建筑的倒塌形变值；若是，则进入步骤S4；否则钢混建筑不存在倒塌风险；S4、形变量对应的采集位置存在倒塌风险，并将其发送给求援人员进行紧急疏散。
Description
技术领域
本发明涉及建筑火灾倒塌监测技术领域，具体涉及一种钢混建筑结构火灾下倒塌应急监测方法。
背景技术
钢筋混凝土结构（简称钢混结构）是大型公共建筑、工业建筑和高层住宅常用的建筑结构，具有抗震性能好、抗腐蚀耐火能力强、经久耐用的特点。目前，钢混建筑结构在火灾中倒塌的案例较少，但是随着建筑年龄的增加，各构件的性能衰减越多，发生火灾坍塌的风险就越高，且一旦发生，将对人民群众和消防救援人员的生命安全造成巨大威胁。
建筑结构火灾下倒塌应急监测的监测环境比较复杂，具有一定的安全风险，监测难度比较大，相关研究成果较少，主要是通过获取建筑结构的变形量、温度、振动等进行监测分析。变形量是建筑倒塌判定最直观的参数，温度反映火灾下构件的损伤程度，建筑结构振动周期、频率的变化也可以在一定程度上反映结构的损伤破坏情况。现有火灾监测技术通常使用测量机器人来监测建筑的形变，测量机器人的非接触远距离观测、自动化操作和毫米级监测精度均符合高层建筑火灾形变监测需求。但测量机器人属于单点测量，在火灾应急救援过程中，寻找合适的观测点是一个较大的考验，且单点监测难以满足对着火建筑的全面监测，易出现遗漏。
例如现有公开为CN113963506A的专利公开了一种建筑物火灾中倒塌监测预警系统及实现方法，其包括数据采集组件、数据处理组件、数据对比处理模块、数据监测控制中心和报警组件，数据采集组件安装于楼栋中，数据采集组件通过数据处理组件与数据对比处理模块连接，数据对比处理模块的信号输出端与数据监测控制中心的信号输入端连接，数据监测控制中心的报警信号输出端与报警组件连接。虽然该发明针对建筑物进行数据采集建模、在建筑物内关键部位安装形变监测装置，并在超过预设值后报警，通过采集数据与标准数据进行比对、分析和处理，从而对建筑物的倒塌进行准确预警，并将预警数据传输至救援人员，使救援人员能够及时应对，降低救援人员的安全隐患，具有推广应用的价值。
但是该发明仅通过形变监测装置对建筑结构的部分点位进行形变监测，监测技术手段单一，且点位监测难以满足对着火建筑的全面监测，易出现遗漏。
发明内容
针对现有技术中的上述问题，本发明提供了一种钢混建筑结构火灾下倒塌应急监测方法，解决了现有的火灾倒塌监测技术手段单一和存在监测漏洞的问题。
为了达到上述目的，本发明采用的技术方案如下：
本发明提供一种钢混建筑结构火灾下倒塌应急监测方法，包括以下步骤：
S1、在钢混建筑发生火灾时，实时监测钢混建筑中的立体形变数据集和多个点位形变数据，立体形变数据集包括多个形变量，部分形变量的采集位置与点位形变数据的采集位置相同；
S2、根据形变量及其对应位置采集的点位形变数据，采用极限学习机对立体形变数据集中的所有形变量进行校正；
S3、判断校正后的所有形变量中是否存在一个形变量大于等于钢混建筑的倒塌形变值；若是，则进入步骤S4；否则钢混建筑不存在倒塌风险；
S4、形变量对应的采集位置存在倒塌风险，并将其发送给求援人员进行紧急疏散。
本方案中，点位形变数据的精度较高，但是数量有限，立体形变数据集能够反映钢混建筑整体的形变信息，但是精度较低；本方案通过极限学习机对立体形变数据集中的所有形变量进行校正，提高了立体形变数据集的精度，实现了全方位检测，避免了监测漏洞，提高了求援人员的安全性。
进一步地，步骤S1进一步包括：立体形变数据集采用固定在钢混建筑外部的多台量测相机进行测量获取；点位形变数据采用测量机器人对钢混建筑的易倒塌位置进行测量获取。
进一步地，易倒塌位置的获取方法包括：
S11、制作钢混结构建筑的模型，并对模型进行火灾模拟；
S12、采用多台热红外相机分别收集模型在火灾过程中的多张红外线图片；
S13、对多张红外线图片进行网格化处理，并将多个网格照片与模型上的多个位置对应匹配，构建模型的火灾温度场；
S14、根据火灾温度场，查找温度高于预设温度的位置点，并将其设置为易倒塌位置。
本方案中，火灾温度场能够反映出钢混建筑结构火灾特点，多个测量机器人基于火灾温度场的高温区域设置，获取钢混建筑中的易倒塌位置，能够有效保证易倒塌位置形变的精度。
进一步地，极限学习机的训练方法包括步骤：
S21、对多个点位形变数据和立体形变数据集进行归一化处理；
S22、采用归一化处理的多个形变量作为输入因子，多个点位形变数据作为输出因子，构成数据集；
S23、随机生成个雾凇因子并将其组成雾凇种群，并初始化迭代次数t=0；其中，雾凇因子包括输入权值和隐藏层偏置；
S24、采用雾凇算法在个雾凇因子中依次选取预设数量的雾凇因子，并基于雾凇因子和数据集对极限学习机进行训练，得到预设数量的极限学习机；
S25、计算每个极限学习机的适应度值F：
其中，为输出因子，/>为与/>对应的预测值，n为数据集中输出因子的个数；
S26、令t=t+1，并判断t是否小于最大迭代次数，若是进入步骤S27；否则进入步骤S28；
S27、通过设置软雾凇搜索策略、硬雾凇穿刺机制和正贪婪选择机制更新雾凇种群中雾凇因子的分布顺序，并返回步骤S24；
S28、选取所有适应度值中的最大值对应的极限学习机作为最终的极限学习机。
本方案中，极限学习机具有训练速度快、泛化能力好和易获取全局最优解的优点，雾凇算法能够优化极限学习机的输入权值和隐藏层偏置，减少输入权值和隐藏层偏置的随机性造成的误差，提高了极限学习机的稳定性和预测精度。
进一步地，雾凇种群为：
其中，、/>…/>分别为雾凇种群中第1个雾凇因子、第2到第N个雾凇因子。
进一步地，软雾凇搜索策略为：
，/>、/>
其中，为雾凇因子的新位置；/>为雾凇种群中的第/>个粒子；/>为范围（-1，1）中的随机数，用于控制粒子移动的方向；/>为黏附度；/>和/>分别为逃逸空间的上界和下界，用于控制两个雾凇粒子之间的距离；/>为用于控制阶跃函数的分段数；T为最大迭代次数；/>为（-1，1）范围内的随机数；E为被附加的系数；/>和E用于影响每个雾凇因子的冷凝概率，即粒子位置是否更新。
本方案中，软雾凇搜索策略通过模拟软雾凇的强随机性和覆盖性，使得该算法能够在早期迭代中快速覆盖整个搜索空间，并且不容易陷入局部最优。
进一步地，硬雾凇穿刺机制为：
其中，为更新雾凇因子的新位置；/>为雾凇种群中的第/>个粒子；/>为当前雾凇因子适合度的归一化值，代表第/>个因子被选择的机会；/>为（-1，1）范围内的随机数。
本方案中，硬雾凇穿刺机制用于更新雾凇因子之间的算法，使算法的粒子可以交换，提高算法的收敛性和跳出局部最优的能力。
进一步地，正贪婪选择机制包括：更新内部雾凇因子的分布顺序过程中，判断更新位置后的雾凇因子对应适应度值是否大于等于K值；若是，则停止软雾凇搜索策略和硬雾凇穿刺机制，并返回步骤S24，否则继续执行软雾凇搜索策略和硬雾凇穿刺机制。正贪婪选择机制用于减少雾凇因子更新位置的时间，使其同时满足建筑火灾应急监测对形变监测精度和时效的要求。
进一步地，极限学习机的输出函数为：
其中，为立体形变数据集中的形变量，/>为校正后的形变量，/>为非线性激活函数，/>为权重向量，w和b分别为输入权值和隐藏层偏置，m为立体形变数据集中所有形变量的个数。
本发明公开了一种钢混建筑结构火灾下倒塌应急监测方法，其有益效果为：
1、本发明通过极限学习机对立体形变数据集中的所有形变量进行校正，提高了立体形变数据集的精度，实现了全方位检测，避免了监测漏洞，提高了求援人员的安全性。
2、本发明根据钢混建筑结构火灾特点，多个测量机器人基于火灾温度场的高温区域设置，获取钢混建筑中的易倒塌位置，能够有效保证易倒塌位置形变的精度。
3、本发明利用雾凇算法对极限学习机的输入权值和隐含层偏差两个参数进行优化，减少随机性造成的误差，提高了极限学习机鲁棒性和精度。同时，根据建筑火灾应急监测实际需求，改进了雾凇优化算法的正贪婪选择机制，减少了雾凇因子更新位置的时间使其同时满足建筑火灾应急监测对形变监测精度和时效的要求。
附图说明
图1为钢混建筑结构火灾下倒塌应急监测方法的流程图；
图2为模型的火灾温度场的结构示意图；
图3(a)~(c)分别为模型上A点上的三个方向形变量；
图4为模型上与A点共面的墙面的立体形变数据集；
图5为图4校正后的立体形变数据集；
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例1
参考图1，本发明提供一种钢混建筑结构火灾下倒塌应急监测方法，用于全方面监测钢混建筑的倒塌风险，提高救援人员的安全性，包括步骤：
S1、在钢混建筑发生火灾时，实时监测钢混建筑中的立体形变数据集和多个点位形变数据，立体形变数据集包括多个形变量，部分形变量的采集位置与点位形变数据的采集位置相同。
优选地但不局限地，立体形变数据集采用固定在钢混建筑外部的多台量测相机进行测量获取；点位形变数据可以采用架设在钢混建筑外部的测量机器人对多个易倒塌位置上的进行测量获取。
S2、根据形变量及其对应位置采集的点位形变数据，采用极限学习机对立体形变数据集中的所有形变量进行校正。
S3、判断校正后的所有形变量中是否存在一个形变量大于等于钢混建筑的倒塌形变值；若是，则进入步骤S4；否则钢混建筑不存在倒塌风险。本实施例的倒塌形变值设为30mm。
S4、形变量对应的采集位置存在倒塌风险，并将其发送给求援人员进行紧急疏散。
本实施例中，点位形变数据的精度较高，但是数量有限，立体形变数据集能够反映钢混建筑整体的形变信息，但是精度较低；通过极限学习机对立体形变数据集中的所有形变量进行校正，提高了立体形变数据集的精度，实现了全方位检测，避免了监测漏洞，提高了求援人员的安全性。
作为本实施例的进一步方案，极限学习机的训练方法包括步骤：
S21、对多个点位形变数据和立体形变数据集进行归一化处理；
S22、采用归一化处理的多个形变量作为输入因子，多个点位形变数据作为输出因子，构成数据集；
S23、随机生成个雾凇因子并将其组成雾凇种群，并初始化迭代次数t=0；其中，雾凇因子包括输入权值和隐藏层偏置；
S24、采用雾凇算法在个雾凇因子中依次选取预设数量的雾凇因子，并基于雾凇因子和数据集对极限学习机进行训练，得到预设数量的极限学习机；
具体地，极限学习机的输出函数为：
其中，为立体形变数据集中的形变量，/>为校正后的形变量，/>为非线性激活函数，/>为权重向量，w和b分别为输入权值和隐藏层偏置，m为立体形变数据集中所有形变量的个数。
S25、计算每个极限学习机的适应度值F：
其中，为输出因子，/>为与/>对应的预测值，n为数据集中输出因子的个数；
S26、令t=t+1，并判断t是否小于最大迭代次数，若是进入步骤S27；否则进入步骤S28；
S27、通过设置软雾凇搜索策略、硬雾凇穿刺机制和正贪婪选择机制更新雾凇种群中雾凇因子的分布顺序，并返回步骤S24；
S28、选取所有适应度值中的最大值对应的极限学习机作为最终的极限学习机。
本实施例中，极限学习机具有训练速度快、泛化能力好和易获取全局最优解的优点，雾凇算法能够优化极限学习机的输入权值和隐藏层偏置，减少输入权值和隐藏层偏置的随机性造成的误差，提高了极限学习机的稳定性和预测精度。
具体地，雾凇种群为：
其中，、/>…/>分别为雾凇种群中第1个雾凇因子、第2到第N个雾凇因子。每个雾凇因子均包括随机生成的输入权值/>和隐藏层偏置/>，输入权值/>和隐藏层偏置/>的范围均为（-1，1）。
具体地，软雾凇搜索策略通过模拟软雾凇的强随机性和覆盖性，使得该算法能够在早期迭代中快速覆盖整个搜索空间，并且不容易陷入局部最优。
软雾凇搜索策略为：
，/>、/>
其中，为雾凇因子的新位置；/>为雾凇种群中的第/>个粒子；/>为范围（-1，1）中的随机数，用于控制粒子移动的方向；/>为黏附度；/>和/>分别为逃逸空间的上界和下界，用于控制两个雾凇粒子之间的距离，本实施例中，/>和/>分别为1和-1；/>为用于控制阶跃函数的分段数，本实施例中，/>的默认值为5；T为最大迭代次数；/>为（-1，1）范围内的随机数；E为被附加的系数；/>和E用于影响每个雾凇因子的冷凝概率，即粒子位置是否更新。
具体地，硬雾凇穿刺机制用于更新雾凇因子之间的算法，使算法的粒子可以交换，提高算法的收敛性和跳出局部最优的能力。
硬雾凇穿刺机制为：
其中，为更新雾凇因子的新位置；/>为雾凇种群中的第/>个粒子；/>为当前雾凇因子适合度的归一化值，代表第/>个因子被选择的机会；/>为（-1，1）范围内的随机数。
具体地，正贪婪选择机制用于减少雾凇因子更新位置的时间，使其同时满足建筑火灾应急监测对形变监测精度和时效的要求。
正贪婪选择机制包括：更新内部雾凇因子的分布顺序过程中，判断更新位置后的雾凇因子对应适应度值是否大于等于K值；若是，则停止软雾凇搜索策略和硬雾凇穿刺机制，并返回步骤S24，否则继续执行软雾凇搜索策略和硬雾凇穿刺机制。本实施例中，K值为96.67%。
实施例2
本实施例是在实施例1的基础上做出进一步限定，具体改进点在于如何获取钢混建筑中的易倒塌位置，其他未提及部分参照实施例1或者现有技术。
易倒塌位置的获取方法包括：
S11、按照比例制作钢混结构建筑的模型，并对模型进行火灾模拟；
S12、采用多台热红外相机分别收集模型在火灾过程中的多张红外线图片；
S13、对多张红外线图片进行网格化处理，并将多个网格照片与模型上的多个位置对应匹配，构建模型的火灾温度场；
S14、根据火灾温度场，查找温度高于预设温度的位置点，并将其设置为易倒塌位置。
本实施例中，火灾温度场能够反映出钢混建筑结构火灾特点，多个测量机器人基于火灾温度场的高温区域设置，获取钢混建筑中的易倒塌位置，能够有效保证易倒塌位置形变的精度。
本实施例的点位形变数据的监测点位选择应符合以下标准：（1）点位数大于10；（2）首选着火房间或着火层的承重墙、柱及楼梯间所在位置；（3）应尽量避开玻璃等易损部门；（4）应尽量均匀分布于整个建筑表面，不可过分集中在某一区域。
实施例3
本实施例是在实施例2的基础上做出进一步限定，具体改进点在于如何基于模型进行钢混建筑结构火灾下倒塌应急监测方法的实验，其他未提及部分参照实施例2或者现有技术。
一种钢混建筑结构火灾下倒塌应急监测方法的模型实验方法，其包括以下步骤：
步骤1、按照比例制作钢混结构建筑的模型；其中，模型的柱和承重板的材质均采用钢，墙体采用水泥板；
步骤2、在模型外设置热红外相机、多个测量机器人和多个量测相机。
其中热红外相机用于构建火灾温度场，参考图2，且热红外相机配套搭载有用于实体对象的空间化和网格化处理的三维激光扫描仪。多个测量机器人均采用徕卡TM50i全站仪，用于获取多个承重梁和模型着火房间的点位形变数据。
多个量测相机均采用ONTOP 4K工业相机，搭载索尼高清宽动态传感器IMX317，分别通过水平三角架固定在火灾建筑模型的前、后、左、右4个方向，用于联合获取模型的立体形变数据集。
本实施例中，模型北方向为X方向，东方向为Y方向，高程方向为Z方向。多个测量机器人设置相同的观测时间间隔Δt，获取不同时间各监测点位的三维坐标。并对各个时间段的坐标分别进行差分处理，计算各个时段的各个方向的形变，点位形变数据可以表示为（ｄ ｘ ，ｄ ｙ ，ｄ ｚ），其中模型上一个A点的三个方向的形变量分别参考图3(a)~(c)。立体形变数据集中的其中一个形变量可以表示为（D ｘ ，Ｄ ｙ ，Ｄ ｚ）
步骤3、点燃模型。持续时间4小时，燃烧前获取环境温度为8℃，燃料选择液化丙烷，起火点位置为模型第二层。燃料选择液化丙烷，起火点位置为模型第二层。
步骤4、实时监测模型中的立体形变数据集和多个点位形变数据；
步骤5、通过多个点位形变数据并利用基于雾凇算法优化的极限学习机算法校正立体形变数据集。
步骤6、验证校正后立体形变数据集的精度。
本实施例采用平均相对误差MRE作为协同校正结果的评价指标，对协同校正的结果进行精度评价。评价公式如下：
其中，为输出因子，/>为与/>对应的预测值，n为数据集中输出因子的个数；
参考图4~图5，本实施例以模型上的形变量中的北方向形变为例进行计算，仅利用极限学习机和基于雾凇算法优化的极限学习机校正后的形变结果的平均相对误差分别为10.23%和1.74%。通过对比，证明了基于雾凇算法优化的极限学习机算法在摄影测量形变监测结果校正中的有效性。
虽然结合附图对发明的具体实施方式进行了详细地描述，但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。
Claims (9)
1.一种钢混建筑结构火灾下倒塌应急监测方法，其特征在于，包括步骤：
S1、在钢混建筑发生火灾时，实时监测钢混建筑中的立体形变数据集和多个点位形变数据，所述立体形变数据集包括多个形变量，部分形变量的采集位置与点位形变数据的采集位置相同；
S2、根据形变量及其对应位置采集的点位形变数据，采用极限学习机对立体形变数据集中的所有形变量进行校正；
S3、判断校正后的所有形变量中是否存在一个形变量大于等于钢混建筑的倒塌形变值；若是，则进入步骤S4；否则钢混建筑不存在倒塌风险；
S4、形变量对应的采集位置存在倒塌风险，并将其发送给求援人员进行紧急疏散。
2.根据权利要求1所述的钢混建筑结构火灾下倒塌应急监测方法，其特征在于，所述步骤S1进一步包括：
所述立体形变数据集采用固定在钢混建筑外部的多台量测相机进行测量获取；
所述点位形变数据采用测量机器人对钢混建筑的易倒塌位置进行测量获取。
3.根据权利要求2所述的钢混建筑结构火灾下倒塌应急监测方法，其特征在于，所述易倒塌位置的获取方法包括：
S11、制作钢混结构建筑的模型，并对模型进行火灾模拟；
S12、采用多台热红外相机分别收集模型在火灾过程中的多张红外线图片；
S13、对多张红外线图片进行网格化处理，并将多个网格照片与模型上的多个位置对应匹配，构建模型的火灾温度场；
S14、根据火灾温度场，查找温度高于预设温度的位置点，并将其设置为易倒塌位置。
4.根据权利要求1所述的钢混建筑结构火灾下倒塌应急监测方法，其特征在于，所述极限学习机的训练方法包括步骤：
S21、对多个点位形变数据和立体形变数据集进行归一化处理；
S22、采用归一化处理的多个形变量作为输入因子，多个点位形变数据作为输出因子，构成数据集；
S23、随机生成个雾凇因子并将其组成雾凇种群，并初始化迭代次数t=0；其中，雾凇因子包括输入权值和隐藏层偏置；
S24、采用雾凇算法在个雾凇因子中依次选取预设数量的雾凇因子，并基于雾凇因子和数据集对极限学习机进行训练，得到预设数量的极限学习机；
S25、计算每个极限学习机的适应度值F：
其中，为输出因子，/>为与/>对应的预测值，n为数据集中输出因子的个数；
S26、令t=t+1，并判断t是否小于最大迭代次数，若是进入步骤S27；否则进入步骤S28；
S27、通过设置软雾凇搜索策略、硬雾凇穿刺机制和正贪婪选择机制更新雾凇种群中雾凇因子的分布顺序，并返回步骤S24；
S28、选取所有适应度值中的最大值对应的极限学习机作为最终的极限学习机。
5.根据权利要求4所述的钢混建筑结构火灾下倒塌应急监测方法，其特征在于，所述雾凇种群为：
其中，、/>…/>分别为雾凇种群中第1个雾凇因子、第2到第N个雾凇因子。
6.根据权利要求5所述的钢混建筑结构火灾下倒塌应急监测方法，其特征在于，所述软雾凇搜索策略为：
，/>、/>
其中，为雾凇因子的新位置；/>为雾凇种群中的第/>个粒子；/>为范围（-1，1）中的随机数；/>为黏附度；/>和/>分别为逃逸空间的上界和下界；/>为用于控制阶跃函数的分段数；T为最大迭代次数；/>为（-1，1）范围内的随机数；E为被附加的系数。
7.根据权利要求6所述的钢混建筑结构火灾下倒塌应急监测方法，其特征在于，所述硬雾凇穿刺机制为：
其中，为更新雾凇因子的新位置；/>为雾凇种群中的第/>个粒子；/>为当前雾凇因子适合度的归一化值，代表第/>个因子被选择的机会；/>为（-1，1）范围内的随机数。
8.根据权利要求7所述的钢混建筑结构火灾下倒塌应急监测方法，其特征在于，所述正贪婪选择机制包括：
更新内部雾凇因子的分布顺序过程中，判断更新位置后的雾凇因子对应适应度值是否大于等于K值；若是，则停止软雾凇搜索策略和硬雾凇穿刺机制，并返回步骤S24，否则继续执行软雾凇搜索策略和硬雾凇穿刺机制。
9.根据权利要求4所述的钢混建筑结构火灾下倒塌应急监测方法，其特征在于，所述极限学习机的输出函数为：
其中，为立体形变数据集中的形变量，/>为校正后的形变量，/>为非线性激活函数，/>为权重向量，w和b分别为输入权值和隐藏层偏置，m为立体形变数据集中所有形变量的个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410365054.1A CN117968559B (zh) | 2024-03-28 | 2024-03-28 | 一种钢混建筑结构火灾下倒塌应急监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410365054.1A CN117968559B (zh) | 2024-03-28 | 2024-03-28 | 一种钢混建筑结构火灾下倒塌应急监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117968559A true CN117968559A (zh) | 2024-05-03 |
| CN117968559B CN117968559B (zh) | 2024-06-04 |
Family
ID=90849820
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410365054.1A Active CN117968559B (zh) | 2024-03-28 | 2024-03-28 | 一种钢混建筑结构火灾下倒塌应急监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117968559B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170147932A1 (en) * | 2015-11-19 | 2017-05-25 | Korea Advanced Institute Of Science And Technology | System and method for predicting collapse of structure using throw-type sensor |
| CN106767718A (zh) * | 2016-12-21 | 2017-05-31 | 中国矿业大学 | 火灾中钢结构建筑坍塌风险监测方法 |
| CN106918294A (zh) * | 2017-02-20 | 2017-07-04 | 北京交通大学 | 应用分布式裸光纤光栅进行建筑结构健康监测的方法 |
| CN111754738A (zh) * | 2020-07-23 | 2020-10-09 | 应急管理部天津消防研究所 | 基于温度场和定位的屋盖火灾下坍塌预警装置及使用方法 |
| CN111882834A (zh) * | 2020-07-23 | 2020-11-03 | 应急管理部天津消防研究所 | 一种大空间屋盖火灾下坍塌预警系统的实现方法 |
| CN115371557A (zh) * | 2022-08-29 | 2022-11-22 | 应急管理部上海消防研究所 | 一种火灾下建筑倒塌辅助监测系统 |
| CN116400585A (zh) * | 2023-06-06 | 2023-07-07 | 济南大学 | 一种基于改进雾凇优化算法的海上救援飞翼控制优化方法 |
| CN117518296A (zh) * | 2023-11-06 | 2024-02-06 | 重庆市气象台 | 一种雾凇气象景观预报方法、系统、电子设备及介质 |
| CN117725812A (zh) * | 2023-11-07 | 2024-03-19 | 青岛理工大学 | 一种水灾情况地铁站内乘客疏散路径分布式鲁棒优化方法 |
-
2024
- 2024-03-28 CN CN202410365054.1A patent/CN117968559B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170147932A1 (en) * | 2015-11-19 | 2017-05-25 | Korea Advanced Institute Of Science And Technology | System and method for predicting collapse of structure using throw-type sensor |
| CN106767718A (zh) * | 2016-12-21 | 2017-05-31 | 中国矿业大学 | 火灾中钢结构建筑坍塌风险监测方法 |
| CN106918294A (zh) * | 2017-02-20 | 2017-07-04 | 北京交通大学 | 应用分布式裸光纤光栅进行建筑结构健康监测的方法 |
| CN111754738A (zh) * | 2020-07-23 | 2020-10-09 | 应急管理部天津消防研究所 | 基于温度场和定位的屋盖火灾下坍塌预警装置及使用方法 |
| CN111882834A (zh) * | 2020-07-23 | 2020-11-03 | 应急管理部天津消防研究所 | 一种大空间屋盖火灾下坍塌预警系统的实现方法 |
| CN115371557A (zh) * | 2022-08-29 | 2022-11-22 | 应急管理部上海消防研究所 | 一种火灾下建筑倒塌辅助监测系统 |
| CN116400585A (zh) * | 2023-06-06 | 2023-07-07 | 济南大学 | 一种基于改进雾凇优化算法的海上救援飞翼控制优化方法 |
| CN117518296A (zh) * | 2023-11-06 | 2024-02-06 | 重庆市气象台 | 一种雾凇气象景观预报方法、系统、电子设备及介质 |
| CN117725812A (zh) * | 2023-11-07 | 2024-03-19 | 青岛理工大学 | 一种水灾情况地铁站内乘客疏散路径分布式鲁棒优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| 唐尧;王立娟;马国超;贾虎军;靳晓;: "无人机与国产高分技术在"6・24"茂县滑坡灾情应急监测中的应用", 国土资源情报, no. 08, 31 December 2017 (2017-12-31), pages 17 - 21 * |
| 李晔;杨猛;上官大堰;杨刚;: "基于物理的雾凇生长模拟算法", 图学学报, no. 01, 15 February 2020 (2020-02-15), pages 38 - 46 * |
| 黄卫华;: "应对火灾中建筑物倒塌事故的防灭火对策探讨", 中国西部科技, no. 24, 25 August 2010 (2010-08-25), pages 57 - 58 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117968559B (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tan et al. | Computational methodologies for optimal sensor placement in structural health monitoring: A review | |
| Wu et al. | An intelligent tunnel firefighting system and small-scale demonstration | |
| CN111459166B (zh) | 一种灾后救援环境下含受困人员位置信息的情景地图构建方法 | |
| CN109448292A (zh) | 一种电网山火监测预警方法 | |
| CN103914622A (zh) | 一种化学品泄漏快速预测预警应急响应决策方法 | |
| CN111882834B (zh) | 一种大空间屋盖火灾下坍塌预警系统的实现方法 | |
| CN112270122B (zh) | 一种建筑火灾火源参数反演评估方法 | |
| Michel et al. | Seismic vulnerability assessment to slight damage based on experimental modal parameters | |
| KR102064328B1 (ko) | 건축물 지진 피해 예측 정보 제공 장치 및 그 방법 | |
| CN112199882B (zh) | 一种火灾下人员疏散过程模拟方法、疏散预警方法及系统 | |
| CN109598374B (zh) | 一种关键设施实物保护系统的启发式有效性分析方法 | |
| KR102098888B1 (ko) | 재난 피해 예측 및 분석 시스템, 방법 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 | |
| CN112927345B (zh) | 一种地震救援现场环境的监控方法和设备 | |
| CN108229726A (zh) | 一种碎块石边坡灾变险情预警预报方法 | |
| CN113155109B (zh) | 超高层建筑工程测量的监理控制方法、系统、设备及介质 | |
| CN111797572A (zh) | 一种城市事故灾害演化模拟及风险预测预警方法 | |
| Casillo et al. | A deep learning approach to protecting cultural heritage buildings through IoT-based systems | |
| CN113917458A (zh) | 一种火灾中建筑结构位移的自动监测方法 | |
| CN112446543A (zh) | 基于神经网络的城市地下综合管廊风险管控系统及方法 | |
| RU2467298C1 (ru) | Система спутникового мониторинга смещений инженерных сооружений с использованием спутниковых навигационных систем глонасс/gps | |
| CN117968559B (zh) | 一种钢混建筑结构火灾下倒塌应急监测方法 | |
| CN113011747A (zh) | 建筑物监测方法、装置、电子设备及存储介质 | |
| JP2007122332A (ja) | 耐震診断システム | |
| JP6642232B2 (ja) | 地震被害推定システム、地震被害推定システムを備えた構造物、及び地震被害推定プログラム | |
| Son et al. | Effects of partial infrastructure on indoor positioning for emergency rescue evacuation support system |
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 |