CN115563874A - 一种基于大数据的隧道健康度分析方法及*** - Google Patents
一种基于大数据的隧道健康度分析方法及*** Download PDFInfo
- Publication number
- CN115563874A CN115563874A CN202211259843.4A CN202211259843A CN115563874A CN 115563874 A CN115563874 A CN 115563874A CN 202211259843 A CN202211259843 A CN 202211259843A CN 115563874 A CN115563874 A CN 115563874A
- Authority
- CN
- China
- Prior art keywords
- data
- health degree
- tunnel
- health
- big
- 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.)
- Withdrawn
Links
- 230000036541 health Effects 0.000 title claims abstract description 125
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 36
- 230000004927 fusion Effects 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000013210 evaluation model Methods 0.000 claims abstract description 10
- 235000012907 honey Nutrition 0.000 claims description 43
- 241000256844 Apis mellifera Species 0.000 claims description 30
- 241000257303 Hymenoptera Species 0.000 claims description 16
- 238000006073 displacement reaction Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000007797 corrosion Effects 0.000 claims description 9
- 238000005260 corrosion Methods 0.000 claims description 9
- 239000003016 pheromone Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000007812 deficiency Effects 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 241000256837 Apidae Species 0.000 claims description 2
- 241001148688 Apis mellifera lamarckii Species 0.000 claims description 2
- 230000035882 stress Effects 0.000 description 9
- 238000010276 construction Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 239000007788 liquid Substances 0.000 description 6
- 230000003068 static effect Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- 239000011435 rock Substances 0.000 description 4
- 238000009933 burial Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000006056 electrooxidation reaction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的隧道健康度分析方法及***,所述方法包括获取隧道相关数据上传至大数据平台,进行数据预处理,建立健康度模型,所述健康度模型为多个子模型的融合,所述子模型分别为结构健康度、载荷健康度、附加健康度,基于大数据平台实时获取被监测隧道的检测数据,将所述检测数据带入模型计算健康度。基于上述方法实现了基于多数据融合的健康度评估模型的建立,提高了隧道健康度监测的准确性以及可以应用在多种类型的隧道中。
Description
技术领域
本发明涉及隧道工程领域,尤其是一种基于大数据的隧道健康度分析方法及***。
背景技术
在隧道建设和运营的过程中,隧道会出现各种影响结构受力的损伤与缺陷。如隧道建设过程中由于超挖、欠挖、孔洞、回填不实等造成的缺陷,以及运营中由于隧道结构老化退化产生的裂缝、损伤等。这些问题都会降低隧道结构的健康程度,影响隧道的正常使用寿命,对隧道的运营会产生较大的不利影响。
现有技术对隧道健康度的监测通常为基于某种特定的隧道类型采用多种传感器对隧道的结构、应力等方面的指标进行监测。
现有技术中存在如下问题:
(1)隧道监测方法局限于用于某种固定的隧道类型的监测,不能适用于多种类型的隧道;
(2)对于监测指标的监测通常是单独进行评价,并未进行有机融合;只能实现对某些特定参数的监测;
(3)隧道监测仅针对某些特定的隧道进行数据的获取和模型建立,数据量较少,监测指标较为单一,无法实现隧道的全面监测;建立的模型使用场景有限,无法适用于其他隧道。
发明内容
(一)解决的技术问题
为了解决上述技术问题,本发明提供一种基于大数据的隧道健康度分析方法及***,所述方法通过大数据平台集成庞大的隧道监测数据,基于大数据对隧道进行健康度模型的建立,结合静态影响因素与动态影响因素进行健康度模糊综合评价分析,实现了对多种类型隧道的健康度的监测。
(二)技术方案
为了解决上述存在的技术问题,实现发明目的,本发明是通过以下技术方案实现的:
一种基于大数据的隧道健康度分析方法,包括如下步骤:
S1:获取隧道相关数据上传至大数据平台;所述相关数据包括隧道固有数据、实时监测数据、灾害情况数据以及已使用年限;
S2:进行数据预处理,将步骤S1收集到的数据进行量化处理,并对量化后的数据进行类别平衡化和数据标准化;
S3:建立健康度模型,所述健康度模型为多个子模型的融合,所述子模型分别为结构健康度、载荷健康度、附加健康度;
S4:基于大数据平台实时获取被监测隧道的检测数据
从大数据平台上实时获取被监测隧道的检测数据,并按照步骤S2的方法进行数据预处理;
S5:将所述检测数据带入模型计算健康度
将所述步骤S4处理的数据代入步骤S3中得到的评价模型进行健康度的评价。
进一步地,所述隧道固有数据包括结构数据以及载荷数据;所述实时监测数据包括隧道应力应变、裂缝、腐蚀程度、各向位移以及温湿度。
进一步地,基于SMOTE算法进行处理类别平衡化。
进一步地,所述步骤S3中子模型的融合方式如下:
进一步地,所述结构健康度计算基于改进的GRA-TOPSIS-BP模型结合蜂群算法得到。
进一步地,所述改进的GRA-TOPSIS-BP模型结合蜂群算法,包括如下步骤:
a.获取完成预处理的结构健康度影响因素数据;
b.将预处理完的数据进行模糊综合评价分析,并按照一定的比例划分训练集和测试集;
c.进行参数初始化,确定最大迭代次数,初始权重、蜂群数量、蜜源停留最大搜索次数和蜜蜂种群数,其中采蜜蜂和观察蜂各一半;
d. 按照初始化公式随机产生初始解;
e. 采蜜蜂对蜜源邻域搜索产生新位置,将算法全局最优解与蜜蜂邻域搜索后的解进行概率交叉得到新解,依据贪婪准则对原解和新解进行比较,选出任务调度中任务完成时间少的蜜源;
基于蜂群算法在收敛精度上的不足,本发明采用基于迭代次数调整更新步长的方式进行邻域搜索,搜索策略如下:
其中,p为与迭代次数相关的值,具体如下:
A为随机参数,取值范围为[0,1];
f. 观察蜂获取采蜜蜂摇摆舞传递的蜜源信息,计算蜜源信息素,根据灵敏度和蜜源的信息素的关系选择蜜源;
g. 观察蜂变成采蜜蜂邻域搜索当前的解,并将全局最优解与其概率交叉得到另一解,按贪婪策略选择新的解;
h. 若蜜源达到开采限度,采蜜蜂转化为侦察蜂,产生新的蜜源;
i. 若达到算法终止迭代次数,则返回当前所有蜂群找到的最优解和最少任务调度完成时间,算法结束,记录最优参数;
j.将最优参数用于BP神经网络的权值和阈值;
k.将测试数据用于BP神经网络进行健康度的计算。
进一步地,所述模糊综合评价分析基于GRA-TOPSIS模型,按照如下方式将欧式距离与灰色关联度计算结果进行耦合:
进一步地,所述载荷健康度由理论载荷与实际载荷计算得到:
进一步地,所述附加健康度影响因素包括灾害情况以及已使用年限。
本发明还提供一种基于大数据的隧道健康度分析***,所述***包括:
数据获取模块,其用于获取隧道相关数据上传至大数据平台,所述相关数据包括隧道固有数据、实时监测数据、灾害情况;
隧道固有数据,包括结构数据以及载荷数据;所述实时监测数据包括隧道应力应变、裂缝、腐蚀程度、各向位移以及温湿度;
数据预处理模块,其用于将数据获取模块收集到的数据进行量化处理,并对量化后的数据进行类别平衡化和数据标准化;
建立健康度模型模块,其用于建立健康度模型,所述健康度模型为多个子模型的融合,所述子模型分别为结构健康度、载荷健康度、附加健康度;
健康度计算模块,其用于将检测数据带入模型计算健康度,得到的评价模型进行健康度的评价。
(三)有益效果
与现有技术相比,本发明的有益效果为:
(1)本发明的隧道健康度监测方法基于大数据平台,获取大量数据,可以更加精准地确定健康度评估模型。
(2)本发明的隧道健康度监测方法适用于大多数类型的隧道,应用范围广。
(3)本发明对隧道监测指标进行有机融合,实现了基于多数据融合的健康度评估模型的建立。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种基于大数据的隧道健康度分析方法流程示意图;
图2是根据本申请实施例的健康度模型建立示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
参见图1,一种基于大数据的隧道健康度分析方法包括:
S1:获取隧道相关数据上传至大数据平台,所述相关数据包括如下数据:
(1)隧道固有数据,主要包括结构数据以及载荷数据。
结构数据:
按照不同的分类方法隧道结构有不同的分类。按照开挖地层地质的不同,将隧道分为岩石隧道和土质隧道;按照隧道埋深的不同,可以将隧道分为浅埋隧道和深埋隧道;按照隧道所在位置的不同,分为山岭隧道、城市隧道以及水下隧道;按照施工方法的不同分为矿山法、明挖法、盾构法、沉管法、掘进机法;按照断面形状不同,分为圆形、马蹄形和矩形;按照隧道用途分为交通隧道、水工隧道、市政隧道和矿山隧道等。
因此,基于隧道的结构影响因素,确定地层地质、埋深、隧道所在位置、施工方法、断面形状以及隧道用途。
载荷数据:
地层开挖会对底层产生扰动,造成岩石或土层松动,由于自重作用会在隧道衬砌结构上施加载荷,这是隧道结构要承受的主要永久荷载之一。载荷包括岩层的围岩压力、土层中载荷土压力、水压力、衬砌自重、灌浆压力。
(2)实时监测数据
实时监测数据包括隧道应力应变、裂缝、腐蚀程度、各向位移以及温湿度。
a.应力应变监测
基于振弦应变计监测混凝土的应力应变,通过将应变计粘接或使用锚杆通过钻孔的方式固定在混凝土结构表面来测量混凝土的应变。
b. 裂缝监测
隧道裂缝监测基于测缝计,将测缝计按照在混凝土结构表面来测量结构裂缝和裂缝的大小。
c.腐蚀监测
腐蚀监测包括氯离子浓度监测传感器、PH传感器或电化学腐蚀传感器进行监测。
d.各向位移监测包括竖向位移监测以及横向位移监测。
纵向位移主要是由于隧道在运营期间受到车辆载荷的反复作用,使隧道顶部受水流的冲刷或淤积,从而导致隧道主体结构发生沉降。
本发明基于静力水准仪进行沉降监测,在多个观测点分别设置静力水准仪。静力水准仪包括多个连通的容器,容器内注入液体,当液体液面静止时,所有的容器内的液体液面位于一个水平面上,此时分别测量出各个容器的初始液面高度为:h01,h02,h03…h0i,随后实时测量各个容器的液面高度h11,h12,h13…h1i。
基于位移传感器监测横向位移。位移传感器用于测量多种结构间的相对位移,将其安装在隧道待测量区域的侧壁,实现横向位移的测量。
(3)灾害情况
重大灾害对于隧道的健康度也有较大的影响。例如重大交通事故的撞击、地震引起的水土流失、暴雨造成的山体滑坡、火灾等重大灾害。为便于进行后续的数据处理,需要将灾害情况进行量化,以评分的方式评估灾害对隧道健康度造成的影响。
(4)已使用年限
使用年限关乎隧道的建筑强度等参数,因此还需对使用年限进行分析。
将上述数据上传至大数据平台。
S2:进行数据预处理
将步骤S1收集到的数据进行量化处理,并对量化后的数据进行类别平衡化和数据标准化。
类别平衡化:
在得到采样数据后,会遇到不同类别的采样样本相差较大的问题,基于此,本发明基于SMOTE算法进行处理。
数据标准化:
将数据进行标准化处理,计算公式为:
S3:建立健康度模型
如图2所示,健康度模型为多个子模型的融合,所述子模型分别为结构健康度、载荷健康度、附加健康度。
融合方式如下:
(1)所述结构健康度影响因素包括静态影响因素与动态影响因素。所述静态影响因素包括地层地质、埋深、隧道所在位置、施工方法、断面形状以及隧道用途;动态影响因素包括隧道应力应变、裂缝、腐蚀程度、各向位移以及温湿度。
所述结构健康度的计算基于改进的GRA-TOPSIS-BP模型结合蜂群算法得到,蜂群算法在优化参数调整、避免出现局部最优等方面具有明显的优势,因此,在改进的GRA-TOPSIS-BP模型结合蜂群算法,包括如下步骤:
a.获取完成预处理的结构健康度影响因素数据;
b.将预处理完的数据进行模糊综合评价分析,并按照一定的比例划分训练集和测试集;
所述模糊综合评价分析基于GRA-TOPSIS模型,具体包括:
确定正负理想解并计算欧氏距离:
欧氏距离计算方式如下:
计算GRA灰色关联度包括:
计算灰色关联矩阵:
确定正负理想解的灰色关联度:
按照如下方式将欧式距离与灰色关联度计算结果进行耦合:
其中,E为期望函数。
基于上述耦合方式,通过对两种评价方法计算结果进行相似度判定,进一步根据判定结果对结果融合方式进行选择,从而实现了更加精准的模糊综合评价分析。
从而得到相对贴近度:
最后,根据相对贴近度的值得到分析结果。
c.进行参数初始化,确定最大迭代次数,初始权重、蜂群数量、蜜源停留最大搜索次数和蜜蜂种群数,其中采蜜蜂和观察蜂各一半;
d. 按照初始化公式随机产生初始解;
初始化公式为:
e. 采蜜蜂对蜜源邻域搜索产生新位置,将算法全局最优解与蜜蜂邻域搜索后的解进行概率交叉得到新解,依据贪婪准则对原解和新解进行比较,选出任务调度中任务完成时间少的蜜源。
基于蜂群算法在收敛精度上的不足,本发明采用基于迭代次数调整更新步长的方式进行邻域搜索,搜索策略如下:
其中,p为与迭代次数相关的值,具体如下:
A为随机参数,取值范围为[0,1]。
f. 观察蜂获取采蜜蜂摇摆舞传递的蜜源信息,计算蜜源信息素,根据灵敏度和蜜源的信息素的关系选择蜜源。
具体实现方式如下:
设置变量m(i),n(i)用于记录第i个蜜源连续更新的次数,按照以下公式进行更新:
通过m(i),n(i)表征蜜源更新次数,从而获得此蜜源的搜索活力大小。计算第i个蜜源的信息素H(i)为:
观察蜂根据各个蜜源的信息素和灵敏度选择蜜源,动态选择的概率为:
其中,为第i个雇佣蜂蜜源的信息素, N为雇佣蜂的数量。由此,观察蜂在选择雇佣蜂时考虑了适应度和蜜源的搜索活力,选择了活力较高的蜜源,保证了算法前期跳出局部最优,后期细致搜索,最终使改进算法收敛速度快,收敛精度高。
根据随机生成第i个观察蜂的灵敏度S(i),若第i个观察蜂的灵敏度S(i)≤P(i),则进行邻域搜索,选择更优的蜜源;若S(i)>P(i),则蜜源位置不变。
g. 观察蜂变成采蜜蜂邻域搜索当前的解,并将全局最优解与其概率交叉得到另一解,按贪婪策略选择新的解。
h. 若蜜源达到开采限度,采蜜蜂转化为侦察蜂,产生新的蜜源。
i. 若达到算法终止迭代次数,则返回当前所有蜂群找到的最优解和最少任务调度完成时间,算法结束,记录最优参数。
j.将最优参数用于BP神经网络的权值和阈值;
k.将测试数据用于BP神经网络进行健康度的计算。
S4:基于大数据平台实时获取被监测隧道的检测数据
从大数据平台上实时获取被监测隧道的检测数据,并按照步骤S2的方法进行数据预处理。
S5:将所述检测数据带入模型计算健康度
将所述步骤S4处理的数据代入步骤S3中得到的评价模型进行健康度的评价。
在本实施方式中,基于获取隧道相关数据上传至大数据平台,进行数据预处理,建立健康度模型,所述健康度模型为多个子模型的融合,所述子模型分别为结构健康度、载荷健康度、附加健康度,基于大数据平台实时获取被监测隧道的检测数据,将所述检测数据带入模型计算健康度。基于上述方法实现了基于多数据融合的健康度评估模型的建立,提高了隧道健康度监测的准确性以及可以应用在多种类型的隧道中。
本发明实施例还提出一种基于大数据的隧道健康度分析***,其包括:
数据获取模块,其用于获取隧道相关数据上传至大数据平台,所述相关数据包括隧道固有数据、实时监测数据、灾害情况。
隧道固有数据,包括结构数据以及载荷数据;所述实时监测数据包括隧道应力应变、裂缝、腐蚀程度、各向位移以及温湿度。
数据预处理模块,其用于将数据获取模块收集到的数据进行量化处理,并对量化后的数据进行类别平衡化和数据标准化。
建立健康度模型模块,其用于建立健康度模型,所述健康度模型为多个子模型的融合,所述子模型分别为结构健康度、载荷健康度、附加健康度。
健康度计算模块,其用于将检测数据带入模型计算健康度,得到的评价模型进行健康度的评价。
以上所述的实施例仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (10)
1.一种基于大数据的隧道健康度分析方法,其特征在于,包括如下步骤:
S1:获取隧道相关数据上传至大数据平台,所述相关数据包括隧道固有数据、实时监测数据、灾害情况数据以及已使用年限;
S2:进行数据预处理,将步骤S1收集到的数据进行量化处理,并对量化后的数据进行类别平衡化和数据标准化;
S3:建立健康度模型,所述健康度模型为多个子模型的融合,所述子模型分别为结构健康度、载荷健康度、附加健康度;
S4:基于大数据平台实时获取被监测隧道的检测数据,从大数据平台上实时获取被监测隧道的检测数据,并按照步骤S2的方法进行数据预处理;
S5:将所述检测数据带入模型计算健康度,将所述步骤S4处理的数据代入步骤S3中得到的评价模型进行健康度的评价。
2.根据权利要求1所述的基于大数据的隧道健康度分析方法,其特征在于,所述隧道固有数据包括结构数据以及载荷数据;所述实时监测数据包括隧道应力应变、裂缝、腐蚀程度、各向位移以及温湿度。
3.根据权利要求1所述的基于大数据的隧道健康度分析方法,其特征在于,基于SMOTE算法进行处理类别平衡化。
5.根据权利要求4所述的基于大数据的隧道健康度分析方法,其特征在于,所述结构健康度计算基于改进的GRA-TOPSIS-BP模型结合蜂群算法得到。
6.根据权利要求5所述的基于大数据的隧道健康度分析方法,其特征在于,所述改进的GRA-TOPSIS-BP模型结合蜂群算法,包括如下步骤:
a.获取完成预处理的结构健康度影响因素数据;
b.将预处理完的数据进行模糊综合评价分析,并按照一定的比例划分训练集和测试集;
c.进行参数初始化,确定最大迭代次数,初始权重、蜂群数量、蜜源停留最大搜索次数和蜜蜂种群数,其中采蜜蜂和观察蜂各一半;
d. 按照初始化公式随机产生初始解;
e. 采蜜蜂对蜜源邻域搜索产生新位置,将算法全局最优解与蜜蜂邻域搜索后的解进行概率交叉得到新解,依据贪婪准则对原解和新解进行比较,选出任务调度中任务完成时间少的蜜源;
基于蜂群算法在收敛精度上的不足,本发明采用基于迭代次数调整更新步长的方式进行邻域搜索,搜索策略如下:
其中,p为与迭代次数相关的值,具体如下:
A为随机参数,取值范围为[0,1];
f. 观察蜂获取采蜜蜂摇摆舞传递的蜜源信息,计算蜜源信息素,根据灵敏度和蜜源的信息素的关系选择蜜源;
g. 观察蜂变成采蜜蜂邻域搜索当前的解,并将全局最优解与其概率交叉得到另一解,按贪婪策略选择新的解;
h. 若蜜源达到开采限度,采蜜蜂转化为侦察蜂,产生新的蜜源;
i. 若达到算法终止迭代次数,则返回当前所有蜂群找到的最优解和最少任务调度完成时间,算法结束,记录最优参数;
j.将最优参数用于BP神经网络的权值和阈值;
k.将测试数据用于BP神经网络进行健康度的计算。
9.根据权利要求4所述的基于大数据的隧道健康度分析方法,其特征在于, 所述附加健康度影响因素包括灾害情况以及已使用年限。
10.一种如权利要求1-9任意项所述的的基于大数据的隧道健康度分析方法的***,其包括:
数据获取模块,其用于获取隧道相关数据上传至大数据平台,所述相关数据包括隧道固有数据、实时监测数据、灾害情况;
隧道固有数据,包括结构数据以及载荷数据;所述实时监测数据包括隧道应力应变、裂缝、腐蚀程度、各向位移以及温湿度;
数据预处理模块,其用于将数据获取模块收集到的数据进行量化处理,并对量化后的数据进行类别平衡化和数据标准化;
建立健康度模型模块,其用于建立健康度模型,所述健康度模型为多个子模型的融合,所述子模型分别为结构健康度、载荷健康度、附加健康度;
健康度计算模块,其用于将检测数据带入模型计算健康度,得到的评价模型进行健康度的评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211259843.4A CN115563874A (zh) | 2022-10-14 | 2022-10-14 | 一种基于大数据的隧道健康度分析方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211259843.4A CN115563874A (zh) | 2022-10-14 | 2022-10-14 | 一种基于大数据的隧道健康度分析方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115563874A true CN115563874A (zh) | 2023-01-03 |
Family
ID=84745301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211259843.4A Withdrawn CN115563874A (zh) | 2022-10-14 | 2022-10-14 | 一种基于大数据的隧道健康度分析方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115563874A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907565A (zh) * | 2023-02-14 | 2023-04-04 | 清华四川能源互联网研究院 | 引水隧洞结构安全评价方法、装置、电子设备和存储介质 |
-
2022
- 2022-10-14 CN CN202211259843.4A patent/CN115563874A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907565A (zh) * | 2023-02-14 | 2023-04-04 | 清华四川能源互联网研究院 | 引水隧洞结构安全评价方法、装置、电子设备和存储介质 |
CN115907565B (zh) * | 2023-02-14 | 2023-06-23 | 清华四川能源互联网研究院 | 引水隧洞结构安全评价方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113779835A (zh) | 基于ai与智能监测***的深大基坑安全预警方法 | |
KR101642951B1 (ko) | Gis 기반 실시간 지진피해 예측 방법 | |
CN109800954B (zh) | 基于测井数据的储层评价方法 | |
CN107341586A (zh) | 一种基于降雨的地质灾害发生频率的计算方法 | |
CN108332696B (zh) | 滑坡监测方法选择方法 | |
CN115014272B (zh) | 一种基于物联网的堤坝智能监测装置及安装和监测方法 | |
CN115563874A (zh) | 一种基于大数据的隧道健康度分析方法及*** | |
CN110751397A (zh) | 一种边坡监测***评价方法 | |
CN116911115A (zh) | 一种数字孪生隧道与智能建造方法及*** | |
CN116291271A (zh) | 一种基于随钻测试的岩土体参数反演方法及*** | |
CN116402951A (zh) | 基于数字孪生的边坡安全管理方法及*** | |
CN113111411B (zh) | 一种加固深层淤泥地基的***及方法 | |
CN114997671A (zh) | 基于人工神经网络和熵值法的基坑变形安全风险评估的方法 | |
JP2000002769A (ja) | 地質構造の空間分布を予測して地質図を作成する方法及び装置 | |
CN114036831A (zh) | 一种待检测工程场地边坡的岩土力学参数的实时检测方法 | |
CN115019476B (zh) | 一种基于多源信息融合的滑坡时空信息监测预警方法 | |
CN114663840B (zh) | 隧道环境的巡检设备监控方法及*** | |
CN114562236B (zh) | 一种基于集成学习模型的地质工程一体化井漏实时预警方法 | |
CN114493295B (zh) | 一种盐岩地质下隧道监测项目的确定方法及监测*** | |
KR102408840B1 (ko) | 산림물지도를 활용한 산사태위험지도 개선을 위한 산림토양 수분포화 취약지역 탐색방법 및 시스템 | |
CN114066271A (zh) | 一种隧道突水灾害监测管理*** | |
KR102408827B1 (ko) | 컴퓨터 프로그램을 이용한 산림물지도 제작방법 | |
CN112064617B (zh) | 一种土石混合料地基质量检测方法 | |
KR102408836B1 (ko) | 산림물지도를 활용한 수원함양기능 우수산림 분포 확인방법 및 시스템 | |
CN117474340B (zh) | 用于地铁盾构施工沉降的风险评价方法及*** |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230103 |