CN118313259A - 基于深度学习的钢模板使用寿命评估方法及装置 - Google Patents
基于深度学习的钢模板使用寿命评估方法及装置 Download PDFInfo
- Publication number
- CN118313259A CN118313259A CN202410467002.5A CN202410467002A CN118313259A CN 118313259 A CN118313259 A CN 118313259A CN 202410467002 A CN202410467002 A CN 202410467002A CN 118313259 A CN118313259 A CN 118313259A
- Authority
- CN
- China
- Prior art keywords
- steel template
- performance
- steel
- service life
- structure unit
- 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.)
- Pending
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 441
- 239000010959 steel Substances 0.000 title claims abstract description 441
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000013135 deep learning Methods 0.000 title claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims abstract description 64
- 238000012512 characterization method Methods 0.000 claims abstract description 52
- 238000005260 corrosion Methods 0.000 claims abstract description 52
- 230000007797 corrosion Effects 0.000 claims abstract description 44
- 238000005299 abrasion Methods 0.000 claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000013139 quantization Methods 0.000 claims abstract description 8
- 238000012937 correction Methods 0.000 claims description 55
- 230000007613 environmental effect Effects 0.000 claims description 44
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000013507 mapping Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 239000011248 coating agent Substances 0.000 claims description 14
- 238000000576 coating method Methods 0.000 claims description 14
- 239000000463 material Substances 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006378 damage Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000009659 non-destructive testing Methods 0.000 claims description 10
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 239000006247 magnetic powder Substances 0.000 claims description 6
- 238000003466 welding Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000012351 Integrated analysis Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000009658 destructive testing Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 238000009864 tensile test Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Abstract
本发明涉及钢模板管理的技术领域,特别是涉及一种基于深度学习的钢模板使用寿命评估方法及装置,其提高钢模板使用寿命评估精度,实现更为精准、科学和实用的寿命管理策略;方法包括:基于钢模板的纵横肋对钢模板进行结构划分,获得若干个钢模板结构单元;针对每个钢模板结构单元进行无损强度检测,获得每个钢模板结构单元的抗拉强度和屈服强度,并进行强度特征分析,获得该钢模板结构单元的物理强度表征量化值;收集每个钢模板结构单元的表面磨损锈蚀率;将钢模板结构单元的表面磨损锈蚀率与物理强度表征量化值作为输入,输入至预先设定的钢模板结构单元性能评价体系,获得钢模板结构单元性能特征值。
Description
技术领域
本发明涉及钢模板管理的技术领域,特别是涉及一种基于深度学习的钢模板使用寿命评估方法及装置。
背景技术
在工业生产中,钢模板作为重要的基础设施材料,广泛应用于建筑、桥梁、隧道等各种结构体的施工中。钢模板的使用寿命不仅关乎项目的建设成本,更与工程的安全性和长期稳定性密切相关。然而,钢模板在实际使用过程中,由于长期承受各种复杂应力、环境侵蚀以及磨损等因素的影响,其性能会逐渐退化,最终影响到使用寿命。
目前,对于钢模板使用寿命的评估主要依赖于人工检测和经验判断,这种方法不仅效率低下而且主观性强,难以准确预测钢模板的剩余寿命;同时,传统的钢模板性能评估主要关注钢模板整体结构,而忽视了各个结构单元对其整体性能的影响,导致钢模板剩余寿命预测精度低下。
因此,目前亟待需要提供一种基于深度学习的钢模板使用寿命评估方法来解决上述技术问题。
发明内容
为解决上述技术问题,本发明提供一种提高钢模板使用寿命评估精度,实现更为精准、科学和实用的寿命管理策略的基于深度学习的钢模板使用寿命评估方法及装置。
第一方面,本发明提供了基于深度学习的钢模板使用寿命评估方法,所述方法包括:
基于钢模板的纵横肋对钢模板进行结构划分,获得若干个钢模板结构单元;
针对每个钢模板结构单元进行无损强度检测,获得每个钢模板结构单元的抗拉强度和屈服强度,并进行强度特征分析,获得该钢模板结构单元的物理强度表征量化值;
收集每个钢模板结构单元的表面磨损锈蚀率;
将钢模板结构单元的表面磨损锈蚀率与物理强度表征量化值作为输入,输入至预先设定的钢模板结构单元性能评价体系,获得钢模板结构单元性能特征值;
根据钢模板结构单元在钢模板上的位置,对钢模板结构单元性能特征值进行映射,生成钢模板性能表征矩阵;
利用预先构建的钢模板寿命预测模型对钢模板性能表征矩阵进行识别,获得钢模板理想剩余使用寿命;
收集钢模板的使用环境信息参数集合;
将钢模板的使用环境信息参数集合输入至预先搭建的环境影响寿命修正空间进行寻优,获得与使用环境信息参数集合对应的钢模板剩余寿命修正因子;
使用钢模板剩余寿命修正因子对钢模板理想剩余使用寿命进行环境影响校正,获得钢模板实际剩余使用寿命。
另一方面,本申请还提供了基于深度学习的钢模板使用寿命评估装置,所述装置包括:
结构划分模块,用于根据钢模板的纵横肋分布,将整体钢模板分割为多个独立的钢模板结构单元;
无损检测模块,用于对每个钢模板结构单元执行无损强度检测,测量并记录每个钢模板结构单元的抗拉强度数据和屈服强度数据;
强度特征分析模块,用于对每个钢模板结构单元进行强度特征分析,将每个钢模板结构单元的抗拉强度数据和屈服强度数据转化为钢模板结构单元的物理强度表征量化值;
表面状况检测模块,搭载高精度图像识别及面积计算功能,用于测定每个钢模板结构单元的表面防腐涂层破损面积和锈蚀面积,并计算出该钢模板结构单元的表面磨损锈蚀率;
性能评价模块,用于根据物理强度表征量化值和表面磨损锈蚀率,依据预设的钢模板结构单元性能评价体系,生成对应的钢模板结构单元性能特征值;
性能矩阵生成模块,用于根据钢模板结构单元在钢模板上的布局位置,将各个钢模板结构单元性能特征值进行空间映射,形成钢模板性能表征矩阵;
寿命预测模型应用模块,载入预先训练好的钢模板寿命预测模型,对钢模板性能表征矩阵进行识别,获得钢模板理想剩余使用寿命;
环境信息采集模块,实时监测并收集钢模板在实际使用过程中的使用环境信息参数集合;
环境影响寿命修正模块,用于将钢模板的使用环境信息参数集合输入至预先搭建的环境影响寿命修正空间进行寻优,获得与使用环境信息参数集合对应的钢模板剩余寿命修正因子;
剩余寿命校正模块,用于运用钢模板剩余寿命修正因子对钢模板的理想剩余使用寿命进行动态校准,得出钢模板实际剩余使用寿命。
第三方面,本申请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
与现有技术相比本发明的有益效果为:本发明通过对钢模板进行纵横肋结构划分,将整体钢模板细分为多个结构单元,使得评估更加细致入微,能更准确地反映出不同部位因应力分布、腐蚀磨损等因素造成的性能差异;采用无损强度检测技术获取各结构单元的抗拉强度和屈服强度,避免破坏性测试的同时实现了关键力学性能指标的量化,提高了评估的客观性和科学性;不仅考虑了钢模板结构单元的物理强度,还纳入了表面磨损锈蚀率这一重要参数,反映了实际使用条件下的损耗程度,从而提高了剩余寿命预测的可靠性;建立钢模板结构单元性能评价体系,将物理强度和表面状况转化为可比较的性能特征值,有利于进一步集成分析;将所有结构单元的性能特征值整合成钢模板性能表征矩阵,便于利用寿命预测模型来计算钢模板的理想剩余使用寿命;引入使用环境信息参数集合,并通过环境影响寿命修正空间进行寻优,得到与实际使用环境匹配的剩余寿命修正因子,有效弥补传统评估中忽略环境因素带来的误差;最后结合修正因子对理想剩余使用寿命进行校正,得出钢模板实际剩余使用寿命,增强预测结果与实际情况的一致性;综上所述,该方法在提高钢模板使用寿命评估精度的同时,充分考虑材料的实际工作状态和外部环境影响,实现了更为精准、科学和实用的寿命管理策略。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种基于深度学习的钢模板使用寿命评估方法的流程图;
图2是本发明一实施例提供的一种电子设备的硬件架构图;
图3是本发明一实施例提供的一种基于深度学习的钢模板使用寿命评估装置的结构图。
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的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。
请参考图1,本发明实施例提供了一种基于深度学习的钢模板使用寿命评估方法,该方法包括:
步骤S1、基于钢模板的纵横肋对钢模板进行结构划分,获得若干个钢模板结构单元;
步骤S2、针对每个钢模板结构单元进行无损强度检测,获得每个钢模板结构单元的抗拉强度和屈服强度,并进行强度特征分析,获得该钢模板结构单元的物理强度表征量化值;
步骤S3、收集每个钢模板结构单元的表面磨损锈蚀率;
步骤S4、将钢模板结构单元的表面磨损锈蚀率与物理强度表征量化值作为输入,输入至预先设定的钢模板结构单元性能评价体系,获得钢模板结构单元性能特征值;
步骤S5、根据钢模板结构单元在钢模板上的位置,对钢模板结构单元性能特征值进行映射,生成钢模板性能表征矩阵;
步骤S6、利用预先构建的钢模板寿命预测模型对钢模板性能表征矩阵进行识别,获得钢模板理想剩余使用寿命;
步骤S7、收集钢模板的使用环境信息参数集合;
步骤S8、将钢模板的使用环境信息参数集合输入至预先搭建的环境影响寿命修正空间进行寻优,获得与使用环境信息参数集合对应的钢模板剩余寿命修正因子;
步骤S9、使用钢模板剩余寿命修正因子对钢模板理想剩余使用寿命进行环境影响校正,获得钢模板实际剩余使用寿命。
在本实施例中,通过对钢模板进行纵横肋结构划分,将整体钢模板细分为多个结构单元,使得评估更加细致入微,能更准确地反映出不同部位因应力分布、腐蚀磨损等因素造成的性能差异;采用无损强度检测技术获取各结构单元的抗拉强度和屈服强度,避免破坏性测试的同时实现了关键力学性能指标的量化,提高了评估的客观性和科学性;不仅考虑了钢模板结构单元的物理强度,还纳入了表面磨损锈蚀率这一重要参数,反映了实际使用条件下的损耗程度,从而提高了剩余寿命预测的可靠性;建立钢模板结构单元性能评价体系,将物理强度和表面状况转化为可比较的性能特征值,有利于进一步集成分析;将所有结构单元的性能特征值整合成钢模板性能表征矩阵,便于利用寿命预测模型来计算钢模板的理想剩余使用寿命;引入使用环境信息参数集合,并通过环境影响寿命修正空间进行寻优,得到与实际使用环境匹配的剩余寿命修正因子,有效弥补传统评估中忽略环境因素带来的误差;最后结合修正因子对理想剩余使用寿命进行校正,得出钢模板实际剩余使用寿命,增强预测结果与实际情况的一致性;综上,该方法在提高钢模板使用寿命评估精度的同时,充分考虑材料的实际工作状态和外部环境影响,实现了更为精准、科学和实用的寿命管理策略。
下面描述图1所示的各个步骤的执行方式。
针对步骤S1:
在钢模板的设计与制造过程中,纵横肋起着关键的支撑和稳定作用,它们决定了模板的整体力学性能和结构稳定性;在实施步骤S1时,首先需要对钢模板进行全面的几何尺寸测量和技术状态分析,以便理解其基本构造和应力分布特性;结构划分具体包括以下步骤:
步骤S11、确定纵横肋的位置和数量:钢模板通常具有纵向和横向的肋条,这些肋条用于增加钢模板的刚度和承载能力;首先,需要确定钢模板上的纵横肋的位置和数量;这可以通过钢模板的设计图纸或实际测量来完成;
步骤S12、确定钢模板结构单元边界:根据纵横肋的位置和数量,可以确定钢模板结构单元的边界,每个钢模板结构单元由纵横肋围成一个相对独立的区域,这些区域在承受应力和外力时表现出相对独立的性能特性;
步骤S13、划分钢模板结构单元:基于确定的钢模板结构单元边界,可以将钢模板划分为多个钢模板结构单元;这些结构单元可以是矩形、正方形、或者其他几何形状,取决于纵横肋的布局;划分时需要确保每个结构单元在形状和尺寸上尽可能均匀,以便后续的强度和磨损评估能够准确反映每个部分的情况;
步骤S14、数据记录与标注:对于划分出的每个结构单元,记录其几何尺寸、材质属性、焊接质量等相关信息,形成结构单元数据库,以便后续进行详细的无损检测和性能评估。
在本步骤中,通过对钢模板进行结构划分,可以明确地将整个钢模板划分为若干个独立的结构单元;这使得每个单元的功能和受力特性更加明确,有利于后续的分析和评估;每个结构单元都可以视为一个独立的受力体,这样在进行力学分析、强度计算和磨损评估时,可以更加精确地针对每个单元进行分析,而不是对整个钢模板进行笼统的处理;结构划分后,每个单元的形状和尺寸都相对固定,这为无损检测提供了便利;检测人员可以针对每个单元进行有针对性的检查,确保每个部分都得到充分的检测,提高检测的效率和准确性;结构划分后的钢模板,每个单元的信息都被详细记录,这为后续的维护和管理提供了便利;当某个单元出现问题时,可以迅速定位并进行修复,提高了维护的效率;通过对钢模板的结构划分,可以更加深入地理解其受力特性和性能要求,从而为优化设计和制造流程提供有力的支持;例如,可以根据不同结构单元的受力特点,采用不同的材料、工艺和设计方法,使钢模板的性能更加优化。
针对步骤S2:
步骤S2中,进行了针对每个钢模板结构单元的无损强度检测,目的是获取每个结构单元的抗拉强度和屈服强度,并进行强度特征分析,最终获得该结构单元的物理强度表征量化值;这一步骤是评估钢模板性能的重要环节,因为钢模板在实际使用中会承受各种力学应力,了解其强度表征量化值有助于预测其剩余寿命,物理强度表征量化值计算公式为:
Su=w1·Rt+w2·Ry;
其中,Su表示物理强度表征量化值,Rt表示钢模板结构单元的抗拉强度,Ry表示钢模板结构单元的屈服强度,w1和w2分别表示抗拉强度和屈服强度的权重系数。
抗拉强度和屈服强度是衡量材料力学性能的重要参数,通常情况下,为了精确测定这两种强度,需要通过拉伸试验机进行破坏性检测,即拉伸试验;在这个过程中,测试样品被逐渐拉伸直至断裂,通过绘制应力-应变曲线,可以从曲线上读取材料的屈服点(对应屈服强度)和断裂时的最大应力值(对应抗拉强度);为了保证钢模板的完整性,本方法采用无损检测技术,能够间接估计钢模板的抗拉强度和屈服强度,无损检测技术可以通过探测器或传感器将能量引入到钢模板中,然后根据返回的信号来推断钢模板内部的结构情况;具体包括以下无损检测方式:
a、超声波检测:超声波检测是一种常用的无损检测方法,通过在钢模板表面施加超声波,并监测其传播和反射情况来评估钢模板内部的结构情况;通过分析超声波的传播速度和反射情况,可以确定钢模板的各项物理特性,如抗拉强度和屈服强度;
b、磁粉检测:磁粉检测是一种适用于表面裂纹检测的方法;通过在钢模板表面涂覆磁粉,并施加磁场,当存在裂纹或缺陷时,磁粉会在这些位置聚集,形成可见的磁粉堆积,从而可以确定钢模板的裂纹情况,进而推断其抗拉强度和屈服强度;
c、涡流检测:涡流检测是一种适用于金属表面缺陷检测的方法;通过在钢模板表面引入交变磁场,当磁场与钢模板表面存在缺陷时,会产生涡流,通过检测涡流的变化来确定钢模板的缺陷情况,从而推断其抗拉强度和屈服强度;
d、射线检测:射线检测是一种适用于深层缺陷检测的方法,如焊接接头内部的缺陷;通过照射钢模板并记录射线的透射情况,可以确定钢模板内部的结构情况,进而推断其抗拉强度和屈服强度。
在本步骤中,无损检测不会破坏钢模板本身,保持了其继续使用的可能性,避免了传统破坏性检测带来的资源浪费;无损检测允许在钢模板使用周期内进行多次快速检测,实现对钢模板性能状态的动态监测和及时预警;相较于定期更换或拆解检查,无损检测能够降低维护成本,提高经济效益;通过持续的无损检测和强度特征分析,可以提前预判钢模板的失效风险,降低因材料性能恶化导致的工程事故概率,保障施工安全;因此,在钢模板使用寿命评估中,采用无损检测技术和相应的强度特征分析,不仅有利于科学合理地管理和维护钢模板,也有利于提高工程质量及延长钢模板的使用寿命。
针对步骤S3:
在钢模板使用寿命评估方法中,步骤S3专注于收集每个钢模板结构单元的表面磨损锈蚀率;这一步骤对于准确评估钢模板的剩余使用寿命至关重要,因为它考虑了钢模板在实际使用过程中受到的环境侵蚀和磨损的影响;表面磨损锈蚀率是通过测量钢模板结构单元表面防腐涂层破损面积和锈蚀面积来计算的;具体实现步骤如下:
步骤S31、使用高清摄像头或者无人机搭载的摄影系统对钢模板结构单元进行全方位拍摄,确保图像清晰且覆盖所有可能产生腐蚀或涂层破损的区域;
步骤S32、对采集的图像进行灰度化、降噪、增强对比度等操作,以便于后续图像识别算法能够更准确地区分出防腐涂层和锈蚀区域;
步骤S33、运用机器学习或深度学习的图像分割技术,训练一个专门用于识别防腐涂层破损和锈蚀部位的模型;模型经过大量带有标注信息的样本训练后,明确区分正常区域、涂层破损区域和锈蚀区域,使其具备识别能力;
步骤S34、运行预训练好的图像识别模型对处理过的图像进行像素级分割,自动勾勒出防腐涂层破损区域和锈蚀区域的边界,并计算各自所占的像素面积;
步骤S35、将识别出来的破损和锈蚀区域的像素面积转换为实际面积,这一步通常需要已知图像的比例尺或其他参照物来校准;得到防腐涂层破损面积A1和锈蚀面积A2;
步骤S36、计算表面磨损锈蚀率,表面磨损锈蚀率的计算公式为:
其中,Pw表示钢模板结构单元的表面磨损锈蚀率,Ad表示钢模板结构单元防腐涂层破损面积,Ac表示钢模板结构单元锈蚀面积,Ato表示钢模板结构单元总面积;表面磨损锈蚀率反映了钢模板结构单元受腐蚀和涂层破坏的程度。
在本步骤中,通过图像识别技术进行表面磨损锈蚀率的测量,无需直接接触钢模板,因此可以避免人为干预和可能的破坏,保持钢模板的完整性;利用高精度图像采集设备和图像处理技术,可以实现对表面磨损锈蚀情况的准确识别和测量,提高测量的精度和可重复性,减少人为误差;图像识别技术能够全面地捕捉钢模板表面的磨损和锈蚀情况,不受人眼观察的局限性,可以发现微小的磨损和锈蚀区域,提供更全面的数据支持;通过图像识别获得的磨损锈蚀情况可以以图像的形式呈现,直观展示钢模板表面的实际情况,为管理人员和工程师提供直观的参考,便于决策和维护;表面磨损锈蚀率综合考量钢模板结构单元受到的多种损害因素,有利于科学合理地评估钢模板的实际性能和剩余使用寿命。
针对步骤S4:
在钢模板使用寿命评估的过程中,步骤S4涉及到如何将钢模板结构单元的表面磨损锈蚀率和物理强度表征量化值转化为能够反映其性能特征的值;因此,需要构建一个科学、合理的钢模板结构单元性能评价体系;具体构建过程如下:
步骤S41、选择适合评价钢模板结构单元性能的指标,能够全面、客观地反映钢模板结构单元的性能状态,具体包括表面磨损锈蚀率和物理强度表征量化值;指标的选择应该基于钢模板的实际使用情况、性能退化的主要因素和工程需求等因素进行综合考虑;
步骤S42、不同的性能指标对钢模板结构单元性能的影响程度不同,因此需要为每个指标确定一个合理的权重,权重的确定可以通过专家打分、统计分析、层次分析法等方法进行;在确定权重时,应该充分考虑各个指标的重要性和相关性,确保权重的合理性和科学性;
步骤S43、基于选择的性能指标和确定的权重,建立一个钢模板结构单元性能评价体系;钢模板结构单元性能评价体系能够根据选择的性能指标和确定的权重进行加权计算,将各个指标转化为一个综合的钢模板结构单元性能特征值,以便对钢模板结构单元的性能进行整体评价;钢模板结构单元性能评价体系的建立可以采用线性加权、模糊评价、神经网络等方法进行;在选择评价方法时,应该充分考虑其适用性和准确性。
在本步骤中,通过综合考虑钢模板结构单元的表面磨损锈蚀率和物理强度表征量化值这两个关键性能指标,能够全面反映钢模板在实际使用过程中的损耗情况和内在力学性能,确保评估结果更具代表性;对不同性能指标赋予权重,这是基于专家意见、统计数据和系统分析方法得出的,确保了评价体系的科学性和公正性,能够更准确地衡量各个指标对钢模板结构单元整体性能的影响程度;采用灵活的评价体系建立方法,如线性加权、模糊评价或神经网络等,可以根据钢模板的具体应用场景和条件进行选择和调整,增强了评价体系的适应性和实用性;通过构建的性能评价体系,可以将多样化的性能指标统一转化为一个综合的钢模板结构单元性能特征值,便于进行量化比较和寿命预测,从而提高了使用寿命评估的准确性和可靠性。
针对步骤S5:
步骤S5涉及将钢模板结构单元性能特征值映射到整个钢模板上,以生成一个能够全面反映钢模板性能的表征矩阵;这一步骤是钢模板使用寿命评估过程中的关键环节,因为它连接了单个钢模板结构单元的性能评估和整个钢模板的性能表征;以下是该步骤的详细介绍:
步骤S51、钢模板由多个钢模板结构单元组成,这些钢模板结构单元在钢模板上的位置不同,对整体性能的影响也不同;因此,在进行性能特征值映射时,需要为每个位置分配一个权重;权重的大小应根据钢模板结构单元在钢模板中的重要性、受力情况、以及潜在的失效模式等因素来确定;
步骤S52、将每个钢模板结构单元性能特征值乘以对应位置的权重,然后将加权后的性能特征值映射到整个钢模板上;这样,每个位置都有一个与之对应的性能特征值,这些性能特征值共同构成了钢模板的性能表征;
步骤S53、将映射后的性能特征值按照钢模板的结构布局排列,形成一个矩阵,即钢模板性能表征矩阵;钢模板性能表征矩阵能够全面反映钢模板在不同位置(即不同钢模板结构单元)上的性能状态;钢模板性能表征矩阵中的每个元素都代表了相应位置(即钢模板结构单元)的性能特征值。
在本步骤中,通过将各个钢模板结构单元的性能特征值与它们在整体结构中的位置相结合,并赋予不同的权重,确保了评估方法能充分考虑局部性能差异对整体性能的影响,避免了传统方法可能忽略的局部薄弱环节对整体寿命的决定性作用;通过加权映射的方式生成钢模板性能表征矩阵,实现了对钢模板性能的定量分析,这种精细化处理有助于提高剩余使用寿命预测的准确性,因为每个结构单元的状况都被明确地体现在矩阵中;生成的钢模板性能表征矩阵以直观的方式展示了钢模板在不同位置上的性能状态;这种可视化方式使得工程人员和管理人员更容易理解和分析钢模板的性能,从而做出更加明智的决策;综上,步骤S5通过综合考虑钢模板结构单元的位置和性能特征值,生成了一个全面、科学、直观且灵活的钢模板性能表征矩阵;这一步骤的优点为钢模板使用寿命评估提供了有力的支持,有助于提高评估结果的准确性和可靠性。
针对步骤S6:
步骤S6是利用预先构建的钢模板寿命预测模型对钢模板性能表征矩阵进行识别,以获得钢模板的理想剩余使用寿命;这一步骤是整个钢模板使用寿命评估方法中的关键环节,因为它直接决定了对钢模板剩余寿命的预测精度和可靠性;在介绍步骤S6之前,需要了解钢模板寿命预测模型的基本概念和原理;钢模板寿命预测模型是一种基于机器学习或深度学习的模型,它通过学习和分析大量历史数据,建立钢模板性能表征矩阵与剩余寿命之间的映射关系;这种模型可以自动提取钢模板性能表征矩阵中的特征,并根据这些特征预测钢模板的剩余寿命;步骤S6的具体流程如下:
步骤S61、收集一定数量的历史数据,包括钢模板的性能表征矩阵和对应的剩余寿命;这些数据应该来自于不同项目、不同使用环境下的钢模板,以保证模型的泛化能力;同时,还需要对数据进行预处理,包括数据清洗、归一化等操作,以提高模型的训练效果;
步骤S62、在数据准备好之后,开始构建钢模板寿命预测模型;需要使用机器学习或深度学习框架来实现;模型的结构可以根据实际情况进行选择,如全连接神经网络、卷积神经网络等;在模型构建过程中,还需要进行参数设置,如学习率、批大小等;
步骤S63、模型构建完成后,使用历史数据对模型进行训练;训练过程通常包括前向传播、计算损失、反向传播和参数更新等步骤;通过不断地迭代训练,模型可以逐渐学习到钢模板性能表征矩阵与剩余寿命之间的映射关系;
步骤S64、训练完成后,需要对模型进行评估,以检验其预测性能;常用的评估指标包括准确率、召回率、F1分数等;同时,还可以使用交叉验证等方法来评估模型的泛化能力;
步骤S65、经过评估后,如果模型的性能达到预期要求,就可以将其应用于实际的钢模板使用寿命评估中;在步骤S6中,将钢模板性能表征矩阵输入到训练好的模型中,模型会根据其学习到的映射关系预测出钢模板的理想剩余使用寿命。
在本步骤中,钢模板寿命预测模型基于大量的历史数据,通过机器学习或深度学习算法发掘隐藏在钢模板性能表征矩阵背后的寿命规律,能够更准确地预测钢模板在不同条件下的理想剩余使用寿命,相较于传统的人工检测和经验判断,大大提高了预测精度和一致性;钢模板寿命预测模型能够自动从复杂的性能表征矩阵中提取关键的性能特征,无需人工手动设计和选取特征,增强了评估方法的客观性和自动化程度;通过对多种来源和环境下钢模板数据的训练,确保钢模板寿命预测模型具备良好的泛化能力,能在未见过的新样本上稳定地输出预测结果;一旦钢模板寿命预测模型构建完成并经过有效验证,即可快速对新出现的钢模板性能数据进行实时分析,及时给出剩余使用寿命预测,有助于提升工程项目中钢模板使用的安全性和经济性;相比传统的人工检查方法,钢模板寿命预测模型可批量处理数据,极大地提高了工作效率,减少了因人为因素造成的误判和不确定性,使得钢模板管理更加科学和高效。
针对步骤S7:
步骤S7是收集钢模板的使用环境信息参数集合,这一步骤在钢模板使用寿命评估过程中至关重要,因为它为后续的环境影响寿命修正提供了基础数据;使用环境信息参数集合包括了影响钢模板寿命的各种环境因素,这些因素在钢模板的实际使用过程中会对其性能产生直接或间接的影响;具体来说,步骤S7包括以下内容:
步骤S71、明确需要收集的环境信息参数:明确钢模板使用环境的环境信息参数集合,环境信息参数集合包括但不限于气候环境,例如温度、湿度、气候区域等;使用场所,例如室内、室外、高海拔、潮湿地区等;化学环境,例如是否有腐蚀性气体、化学品接触等;动态环境,例如是否有振动、冲击等;使用频率和方式,例如频繁使用、长时间负荷等;
步骤S72、数据采集与监测:利用传感器等装置对钢模板的使用环境进行实时数据采集和监测,以获取精准的环境参数;数据采集可以是定期进行的,也可以是连续不间断的,以确保环境参数的全面性和准确性;
步骤S73、数据处理与存储:对采集到的环境数据进行处理和存储,包括数据清洗、去噪、归一化等预处理步骤,以确保数据质量和可用性;确保环境数据的安全存储和管理,采用合适的数据库或数据仓库进行存储,以便后续的分析和应用;
步骤S74、环境影响分析:基于收集到的环境数据,利用统计分析、数据挖掘等方法,分析钢模板使用环境对其性能和寿命的影响规律;确定不同环境参数对钢模板性能的权重和影响程度,为后续的寿命修正提供依据;
步骤S75、环境参数更新与调整:针对环境参数的变化,及时更新和调整数据采集和监测方案,确保环境数据的及时性和准确性;针对重要环境参数的变化,及时进行寿命修正,以确保钢模板使用寿命评估的准确性和实用性。
在本步骤中,步骤S7将环境信息参数的收集和处理分解为多个具体步骤,确保了对钢模板使用环境的全面了解和系统性分析;利用传感器等装置实时监测环境数据,采集到的数据经过处理和存储后,保证了数据的准确性和可靠性,为后续分析和应用提供了可靠的数据基础;采集到的环境数据可以是连续不间断的,使得环境参数的更新及时,能够及时对重要环境参数的变化进行调整和修正,确保了评估的实时性和准确性;环境影响分析基于统计分析、数据挖掘等科学方法,使得对钢模板性能和寿命影响的评估更加客观和科学;步骤S7不仅仅是理论性的环境信息参数收集,还包括了针对环境参数变化的及时更新和寿命修正,确保了评估结果的实用性和操作性。
针对步骤S8:
步骤S8在钢模板使用寿命评估过程中扮演了关键的角色,其核心是对钢模板的理想剩余使用寿命进行环境因素校正,以求得更加贴近实际使用状况的钢模板实际剩余使用寿命;以下是该步骤的具体实现和技术要点:
步骤S81、收集大量关于钢模板在不同环境条件下的使用情况和寿命衰减数据,这些数据包括但不限于气候环境,例如温度、湿度、气候区域等;使用场所,例如室内、室外、高海拔、潮湿地区等;化学环境,例如是否有腐蚀性气体、化学品接触等;动态环境,例如是否有振动、冲击等;使用频率和方式,例如频繁使用、长时间负荷等,以及钢模板在这些环境下的实际使用寿命记录和材料性能的变化情况;
步骤S82、对每一种使用环境信息参数进行量化处理,将其转换成适合模型输入的形式,例如,将温度、湿度等连续变量标准化或者离散化,确保它们能有效反映环境对钢模板寿命的影响程度,并将数量化的使用环境信息参数与寿命相结合,获得环境-寿命数据集;
步骤S83、根据材料科学和腐蚀工程的相关理论,研究不同环境因素对钢铁材料疲劳、腐蚀、脆化等寿命缩短机制的作用规律,构建相应的环境影响函数;比如,可以依据已有文献资料、实验数据和专家知识确定温度对材料疲劳寿命的指数关系模型、湿度对锈蚀速度的影响模型等;
步骤S84、使用统计学方法或机器学习技术,基于已有的环境-寿命数据集,建立一个环境影响寿命修正模型;模型的目标是预测在给定的环境参数组合下,钢模板寿命相对于标准环境下的修正因子;
步骤S85、利用历史数据对所构建的模型进行训练,通过交叉验证、独立测试集等方式检验模型的预测能力和泛化能力,不断调整模型参数直至达到满意的预测效果;
步骤S86、利用训练好的模型构成了一个多维空间,其中每一个点代表了一组具体的使用环境信息参数量化值,对应的模型输出则为在该环境下钢模板寿命的修正因子;这个空间允许输入任意的使用环境信息参数集合,然后快速得到相应的寿命修正因子,实现对钢模板实际剩余使用寿命的精准预测。
在本步骤中,对环境参数进行量化处理和标准化,有助于消除不同环境指标间量纲差异的影响,便于模型处理和比较,提高预测模型的有效性和实用性;基于材料科学和腐蚀工程的理论基础建立环境影响函数,确保模型预测逻辑的合理性与可靠性,使得寿命修正因子的计算有坚实的科学依据;采用统计学方法或机器学习技术建立环境影响寿命修正模型,充分利用历史数据资源,使模型具备自我学习和适应的能力,能够在新情境下给出合理的寿命预测;搭建的环境影响寿命修正空间允许便捷地输入当前或预期的使用环境参数,迅速获取相应的寿命修正因子,极大地提高了剩余使用寿命评估的时效性和灵活性。
针对步骤S9:
为了获得更加贴近实际使用状况的钢模板剩余寿命预测,我们需要在理想剩余使用寿命的基础上,根据钢模板所处的实际使用环境信息参数集合进行修正;步骤S9的核心目标是利用之前计算得到的钢模板剩余寿命修正因子,对基于深度学习模型预测得到的理想剩余使用寿命进行校准,从而得到钢模板在实际使用环境下的实际剩余使用寿命;具体实现过程如下:
步骤S91、根据步骤S8中环境影响寿命修正空间的输出结果,获取与钢模板实际使用环境信息参数集合对应的剩余寿命修正因子;剩余寿命修正因子是一个量化值,反映了环境因素对钢模板寿命的潜在影响;
步骤S92、将钢模板剩余寿命修正因子应用到步骤S6中预测得到的钢模板理想剩余使用寿命上以得到实际剩余使用寿命,计算公式为:
La=Li×F;
其中,La表示理想剩余使用寿命,Li表示实际剩余使用寿命,F表示钢模板剩余寿命修正因子,钢模板剩余寿命修正因子小于1,表示环境因素对钢模板寿命有负面影响,实际剩余使用寿命将低于理想值;如果修正因子大于1,则可能意味着环境因素在某种程度上延长了钢模板的寿命;
例如,如果理想剩余使用寿命为500天,而环境影响寿命修正因子为0.8(表示环境因素可能导致寿命减少20%),则实际剩余使用寿命计算如下:500×0.8=400天,这意味着在考虑了使用环境因素后,钢模板的实际剩余使用寿命为400天。
完成校正后,得到的钢模板实际剩余使用寿命将是一个综合考虑了钢模板自身结构性能和环境因素影响的值;这个值更接近于实际使用情况,可以为工程管理人员提供更为准确和可靠的决策依据;基于实际剩余使用寿命的评估结果,工程管理人员可以制定出更为合理的维护和更换计划,确保钢模板在工程中的安全、高效使用,同时优化项目的成本效益;综上,步骤S9通过对理想剩余使用寿命进行环境影响校正,实现了对钢模板实际剩余使用寿命的精准预测,为钢模板的管理和维护提供了有力的技术支持。
如图2、图3所示,本发明实施例提供了一种基于深度学习的钢模板使用寿命评估装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言,如图2所示,为本发明实施例提供的一种基于深度学习的钢模板使用寿命评估装置所在电子设备的一种硬件架构图,除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的电子设备通常还可以包括其他硬件,如负责处理报文的转发芯片等等。以软件实现为例,如图3所示,作为一个逻辑意义上的装置,是通过其所在电子设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。
如图3所示,本实施例提供的一种基于深度学习的钢模板使用寿命评估装置,包括:
结构划分模块,用于根据钢模板的纵横肋分布,将整体钢模板分割为多个独立的钢模板结构单元;
无损检测模块,用于对每个钢模板结构单元执行无损强度检测,测量并记录每个钢模板结构单元的抗拉强度数据和屈服强度数据;
强度特征分析模块,用于对每个钢模板结构单元进行强度特征分析,将每个钢模板结构单元的抗拉强度数据和屈服强度数据转化为钢模板结构单元的物理强度表征量化值;
表面状况检测模块,搭载高精度图像识别及面积计算功能,用于测定每个钢模板结构单元的表面防腐涂层破损面积和锈蚀面积,并计算出该钢模板结构单元的表面磨损锈蚀率;
性能评价模块,用于根据物理强度表征量化值和表面磨损锈蚀率,依据预设的钢模板结构单元性能评价体系,生成对应的钢模板结构单元性能特征值;
性能矩阵生成模块,用于根据钢模板结构单元在钢模板上的布局位置,将各个钢模板结构单元性能特征值进行空间映射,形成钢模板性能表征矩阵;
寿命预测模型应用模块,载入预先训练好的钢模板寿命预测模型,对钢模板性能表征矩阵进行识别,获得钢模板理想剩余使用寿命;
环境信息采集模块,实时监测并收集钢模板在实际使用过程中的使用环境信息参数集合;
环境影响寿命修正模块,用于将钢模板的使用环境信息参数集合输入至预先搭建的环境影响寿命修正空间进行寻优,获得与使用环境信息参数集合对应的钢模板剩余寿命修正因子;
剩余寿命校正模块,用于运用钢模板剩余寿命修正因子对钢模板的理想剩余使用寿命进行动态校准,得出钢模板实际剩余使用寿命。
在本实施例中,通过结构划分模块将钢模板细分为多个结构单元,能够实现对钢模板局部性能的精准评估,克服了以往只关注整体结构而忽略局部损伤的缺陷,提高了评估的细致程度和准确性;无损检测模块和表面状况检测模块结合高精度传感器技术和图像识别技术,实现了对钢模板性能指标的自动化检测和定量分析,减少了人工误差,提高了工作效率和客观性;强度特征分析模块和性能评价模块通过深度学习的方法将检测数据转化为量化特征值,避免了主观经验判断,使钢模板性能评估更加科学化和标准化;该装置不仅考虑了钢模板本身的物理力学性能,还加入了表面磨损锈蚀率等影响因素,并且将这些因素整合到钢模板性能表征矩阵中,使得寿命预测更为全面;寿命预测模型应用模块采用预先训练的深度学习模型,能够基于钢模板性能表征矩阵准确预测其理想剩余使用寿命,大大提升了预测的精度和可靠性;环境信息采集模块和环境影响寿命修正模块能实时获取和分析使用环境对钢模板寿命的影响,并据此动态调整寿命预测结果,确保了评估结果能够真实反映实际工况下的钢模板使用寿命;综上,基于深度学习的钢模板使用寿命评估装置有效解决了传统评估手段存在的效率低、主观性强、精度不高等问题,实现了对钢模板剩余寿命的高效、准确、客观和动态的评估。
可以理解的是,本发明实施例示意的结构并不构成对一种基于深度学习的钢模板使用寿命评估装置的具体限定。在本发明的另一些实施例中,一种基于深度学习的钢模板使用寿命评估装置可以包括比图示更多或者更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本发明实施例还提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现本发明任一实施例中的一种基于深度学习的钢模板使用寿命评估方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序在被处理器执行时,使所述处理器执行本发明任一实施例中的一种基于深度学习的钢模板使用寿命评估方法。
具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于深度学习的钢模板使用寿命评估方法,其特征在于,所述方法包括:
对钢模板进行结构划分,获得若干个钢模板结构单元;
针对每个钢模板结构单元进行无损强度检测,获得每个钢模板结构单元的抗拉强度和屈服强度,并进行强度特征分析,获得该钢模板结构单元的物理强度表征量化值;
收集每个钢模板结构单元的表面磨损锈蚀率;
将钢模板结构单元的表面磨损锈蚀率与物理强度表征量化值作为输入,输入至预先设定的钢模板结构单元性能评价体系,获得钢模板结构单元性能特征值;
根据钢模板结构单元在钢模板上的位置,对钢模板结构单元性能特征值进行映射,生成钢模板性能表征矩阵;
利用预先构建的钢模板寿命预测模型对钢模板性能表征矩阵进行识别,获得钢模板理想剩余使用寿命;
收集钢模板的使用环境信息参数集合;
将钢模板的使用环境信息参数集合输入至预先搭建的环境影响寿命修正空间进行寻优,获得与使用环境信息参数集合对应的钢模板剩余寿命修正因子;
使用钢模板剩余寿命修正因子对钢模板理想剩余使用寿命进行环境影响校正,获得钢模板实际剩余使用寿命。
2.如权利要求1所述的基于深度学习的钢模板使用寿命评估方法,其特征在于,所述物理强度表征量化值计算公式为:
Su=w1·Rt+w2·Ry;
其中,Su表示物理强度表征量化值,Rt表示钢模板结构单元的抗拉强度,Ry表示钢模板结构单元的屈服强度,w1和w2分别表示抗拉强度和屈服强度的权重系数。
3.如权利要求2所述的基于深度学习的钢模板使用寿命评估方法,其特征在于,所述表面磨损锈蚀率的计算公式为:
其中,Pw表示钢模板结构单元的表面磨损锈蚀率,Ad表示钢模板结构单元防腐涂层破损面积,Ac表示钢模板结构单元锈蚀面积,Ato表示钢模板结构单元总面积。
4.如权利要求3所述的基于深度学习的钢模板使用寿命评估方法,其特征在于,对钢模板进行结构划分的方法,包括:
确定钢模板上的纵横肋的位置和数量;
根据纵横肋的位置和数量,确定钢模板结构单元的边界,每个钢模板结构单元由纵横肋围成一个独立的区域;
基于确定的钢模板结构单元边界,将钢模板划分为多个钢模板结构单元;
对于划分出的每个钢模板结构单元,记录其几何尺寸、材质属性以及焊接质量,形成钢模板结构单元数据库。
5.如权利要求4所述的基于深度学习的钢模板使用寿命评估方法,其特征在于,对钢模板结构单元进行无损强度检测的方法包括超声波检测、磁粉检测、涡流检测以及射线检测。
6.如权利要求5所述的基于深度学习的钢模板使用寿命评估方法,其特征在于,获得钢模板结构单元性能特征值的方法,包括:
确定评价钢模板结构单元的性能指标,性能指标包括表面磨损锈蚀率和物理强度表征量化值;
确定每个性能指标对钢模板结构单元性能的影响权重;
基于确定的性能指标和对应的影响权重,建立钢模板结构单元性能评价体系;钢模板结构单元性能评价体系能够根据确定的性能指标和对应的权重进行加权计算,将各性能指标转化为钢模板结构单元性能特征值。
7.如权利要求6所述的基于深度学习的钢模板使用寿命评估方法,其特征在于,对钢模板结构单元性能特征值进行映射的方法,包括:
根据各个钢模板结构单元所在位置对钢模板整体性能的影响差异,为每个位置分配对应的影响权重;影响权重的大小根据钢模板结构单元在钢模板中的重要性、受力情况以及潜在的失效模式来确定;
将每个钢模板结构单元性能特征值乘以对应位置的影响权重,并将加权后的性能特征值映射到整个钢模板上;
将映射后的性能特征值按照钢模板的结构布局排列,形成钢模板性能表征矩阵;钢模板性能表征矩阵能够反映钢模板在不同位置上的性能状态。
8.一种基于深度学习的钢模板使用寿命评估装置,其特征在于,所述装置包括:
结构划分模块,用于根据钢模板的纵横肋分布,将整体钢模板分割为多个独立的钢模板结构单元;
无损检测模块,用于对每个钢模板结构单元执行无损强度检测,测量并记录每个钢模板结构单元的抗拉强度数据和屈服强度数据;
强度特征分析模块,用于对每个钢模板结构单元进行强度特征分析,将每个钢模板结构单元的抗拉强度数据和屈服强度数据转化为钢模板结构单元的物理强度表征量化值;
表面状况检测模块,搭载高精度图像识别及面积计算功能,用于测定每个钢模板结构单元的表面防腐涂层破损面积和锈蚀面积,并计算出该钢模板结构单元的表面磨损锈蚀率;
性能评价模块,用于根据物理强度表征量化值和表面磨损锈蚀率,依据预设的钢模板结构单元性能评价体系,生成对应的钢模板结构单元性能特征值;
性能矩阵生成模块,用于根据钢模板结构单元在钢模板上的布局位置,将各个钢模板结构单元性能特征值进行空间映射,形成钢模板性能表征矩阵;
寿命预测模型应用模块,载入预先训练好的钢模板寿命预测模型,对钢模板性能表征矩阵进行识别,获得钢模板理想剩余使用寿命;
环境信息采集模块,实时监测并收集钢模板在实际使用过程中的使用环境信息参数集合;
环境影响寿命修正模块,用于将钢模板的使用环境信息参数集合输入至预先搭建的环境影响寿命修正空间进行寻优,获得与使用环境信息参数集合对应的钢模板剩余寿命修正因子;
剩余寿命校正模块,用于运用钢模板剩余寿命修正因子对钢模板的理想剩余使用寿命进行动态校准,得出钢模板实际剩余使用寿命。
9.一种电子设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-7中任一项所述的方法。
Publications (1)
Publication Number | Publication Date |
---|---|
CN118313259A true CN118313259A (zh) | 2024-07-09 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Okasha et al. | Integration of structural health monitoring in a system performance based life-cycle bridge management framework | |
US9792555B2 (en) | Probabilistic modeling and sizing of embedded flaws in ultrasonic nondestructive inspections for fatigue damage prognostics and structural integrity assessment | |
Hao et al. | Condition-based maintenance with imperfect inspections for continuous degradation processes | |
EP3899522A1 (en) | An improved method for evaluating pipe condition | |
WO2024041233A1 (zh) | 桥梁结构多因素耦合作用疲劳损伤与寿命的评估方法 | |
Mai et al. | Prediction of remaining fatigue life of welded joints in wind turbine support structures considering strain measurement and a joint distribution of oceanographic data | |
Schoefs et al. | The αδ method for modeling expert Judgment and combination of NDT tools in RBI context: application to Marine Structures | |
CN116840135A (zh) | 一种腐蚀和疲劳同时作用的钢闸门加速劣化试验台及劣化后运行状态评估方法 | |
CN117349947B (zh) | 一种基于sn曲线与svm的结构安全智慧监测方法 | |
RU2699918C1 (ru) | Способ диагностики технического состояния зданий и строительных сооружений | |
CN117233347B (zh) | 一种碳钢球化等级测量方法、系统及设备 | |
Zhou et al. | Quantification of value of information associated with optimal observation actions within partially observable Markov decision processes | |
CN118313259A (zh) | 基于深度学习的钢模板使用寿命评估方法及装置 | |
Zhang et al. | Quantification of the value of condition monitoring system with time-varying monitoring performance in the context of risk-based inspection | |
Diamantidis et al. | Implementing information gained through structural health monitoring-proposal for standards | |
Wu et al. | Optimization of unmanned aerial vehicle inspection strategy for infrastructure based on model-enabled diagnostics and prognostics | |
Breysse et al. | Life cycle cost analysis of ageing structural components based on non-destructive condition assessment | |
Daró et al. | Data‐informed safety assessment of concrete structures | |
FRANGOPOL¹ et al. | Life-cycle assessment and life extension of structures via innovative methods | |
Keprate et al. | Inspection planning and maintenance scheduling of offshore piping undergoing fatigue degradation: A probabilistic view | |
Gerards-Wünsche et al. | A framework for assessing the reliability of crack luminescence: an automated fatigue crack detection system | |
Little et al. | Spatio‐temporal modelling of corrosion in an industrial furnace | |
Geiss et al. | A concept for an integrated risk-based operation and maintenance strategy for wind turbines | |
CN116258467B (zh) | 一种电力施工管控系统 | |
Khan | A comprehensive value of information framework for quantifying structural health monitoring benefits |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |