CN116150680A - 一种基于大数据的地下交通枢纽损伤状态识别方法及*** - Google Patents

一种基于大数据的地下交通枢纽损伤状态识别方法及*** Download PDF

Info

Publication number
CN116150680A
CN116150680A CN202310408873.5A CN202310408873A CN116150680A CN 116150680 A CN116150680 A CN 116150680A CN 202310408873 A CN202310408873 A CN 202310408873A CN 116150680 A CN116150680 A CN 116150680A
Authority
CN
China
Prior art keywords
sample set
training sample
underground
underground transportation
damage
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
Application number
CN202310408873.5A
Other languages
English (en)
Other versions
CN116150680B (zh
Inventor
熊朝辉
周兵
雷崇
林作忠
王金峰
王华兵
汪国良
江中华
刘丰
曾铁梅
邢琼
梁水斌
刘永林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Railway Siyuan Survey and Design Group Co Ltd
Original Assignee
China Railway Siyuan Survey and Design Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Railway Siyuan Survey and Design Group Co Ltd filed Critical China Railway Siyuan Survey and Design Group Co Ltd
Priority to CN202310408873.5A priority Critical patent/CN116150680B/zh
Publication of CN116150680A publication Critical patent/CN116150680A/zh
Application granted granted Critical
Publication of CN116150680B publication Critical patent/CN116150680B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Computer Security & Cryptography (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于大数据的地下交通枢纽损伤状态识别方法及***，包括以下步骤：构建城市交通综合体地下交通枢纽建造方案；根据建造方案，对城市交通综合体地下交通枢纽进行数字化仿真模拟；并添加荷载、边界条件进行计算分析，提取特征点的控制指标信息，构建训练样本集；根据数值仿真分析结果，对受力薄弱和变形薄弱或关键部位进行特征点监测布设，获取特征点监测数据信息，基于特征点监测结果，选取K个特征点实测结构控制指标监测值作为测试样本集；根据训练样本集全部的控制指标信息进行地下枢纽结构损伤识别及预测。本发明基于大数据训练样本集，利用有限的监测点数据测试样本，提出改进的KNN算法，实现地下交通枢纽损伤状态的识别预测。

Description

一种基于大数据的地下交通枢纽损伤状态识别方法及***
技术领域
本发明涉及城市交通建设、综合交通枢纽或地下空间建造技术领域，更具体地，涉及一种基于大数据的地下交通枢纽损伤状态识别方法及***。
背景技术
随着我国城市化的快速发展，大中城市中心土地资源紧缺与交通日益拥堵的矛盾愈加严峻，构建集多线地铁与市政隧道于一体的集约化地下空间，成为打通城市中心节点交通瓶颈、实现城市人居环境可持续发展的迫切需求。现如今，面临着亟待解决的主要技术难题是：
（1）如何科学地构建城市中心多线路立体交通地下空间；
（2）如何保障大型深埋复杂地下空间全生命期结构安全；
（3）如何实现超大客流复杂地下交通枢纽的安全绿色运营。
因此，针对日益复杂的交通环境，如何设计一种满足多地铁线、多公路隧道以及环线的城市交通枢纽，并针对复杂的地下交通枢纽的建筑型式，如何实现城市交通综合体地下交通枢纽损伤状态的识别预测成为亟需解决的问题。
发明内容
本发明针对现有技术中存在的技术问题，提供一种基于大数据的地下交通枢纽损伤状态识别方法及***。本发明通过构建以三环层叠、多线放射为基本形态，以高架站台地下站厅布局的城市交通综合体地下交通枢纽建造方案。采用“同向归并、异向立交”策略，打造“中央节点+环廊+两翼放射走廊”的空间结构形态，实现两条市政隧道、三条地铁线相互交叉分隔的五线交汇空间布局，全交通型式畅通无分隔。同时通过改进KNN算法，实现城市交通综合体地下交通枢纽损伤状态的识别预测。
根据本发明的第一方面，提供了一种基于大数据的地下交通枢纽损伤状态识别方法，包括以下步骤：
步骤1. 构建城市交通综合体地下交通枢纽建造方案；
步骤2.根据所述建造方案，对城市交通综合体地下交通枢纽进行数字化仿真模拟，并添加荷载、边界条件进行计算分析，提取特征点的控制指标信息，构建训练样本集；
步骤3. 根据数值仿真分析结果，对受力薄弱和变形薄弱或关键部位进行特征点监测布设；获取特征点监测数据信息；其中，特征点对应的控制指标信息包含在训练样本集中；
步骤4. 基于特征点监测结果，选取K个特征点实测结构控制指标监测值作为测试样本集；
步骤5.基于距离最小找出训练样本集中与其最靠近的K个样本点，基于所述K个最近邻的样本点所处训练样本集工况视为结构所处即时状态，根据训练样本集全部的控制指标信息进行地下枢纽结构损伤识别及预测。
在上述技术方案的基础上，本发明还可以作出如下改进。
可选的，还包括：步骤6. 将以上预测方法程序化，关联数字化仿真模拟平台，将监测点数据实时上传，程序自动根据算法模型进行损伤识别评价，可视化监测，并结合演化曲线对比预测发展趋势，按给定的规则实时预警，供施工期及运营期安全保障决策参考。
可选的，所述构建城市交通综合体地下交通枢纽建造方案包括：
构建以三环层叠、多线放射为基本形态，以高架站台地下站厅布局的城市交通综合体地下交通枢纽建造方案。
可选的，所述对城市交通综合体地下交通枢纽进行数字化仿真模拟包括：
利用REVIT建立地下交通枢纽BIM精细化三维分析模型。
可选的，所述并添加荷载、边界条件进行计算分析包括：
基于创建的BIM 结构模型，生成结构分析模型，添加荷载、边界条件信息后进行计算分析，生成结构构件应力、应变、位移、内力及配筋信息，通过有限元分析优化结构布置、尺寸，反馈到BIM模型中修改调整。
可选的，还包括：建立多专业协同工作机制，通过共享数据中心集将修改后的结构BIM模型工作集同步链接到建筑、暖通相关专业模型工作集，对优化后的BIM模型进行碰撞检查及工程量统计,优化修改后的BIM模型再次导入有限元软件，进行三维数值仿真计算。
可选的，还包括：基于优化后的三维分析模型，针对施工工况、运营期设计工况及可能发生的偶然工况进行有限元计算，找出受力和变形薄弱或关键部位，并对不同荷载工况进行参数化分析，形成地下枢纽结构受力、变形性能演化曲线。
可选的，所述根据训练样本集全部的控制指标信息进行地下枢纽结构损伤识别及预测包括：对KNN算法进行改进根据训练样本集全部的控制指标信息进行地下枢纽结构损伤识别及预测，改进后的公式为：
Figure SMS_1
（1）
Figure SMS_2
（2）
其中，M为训练样本集中各类计算工况总数；G为训练样本集中特征点总数；K为测试样本集中实测特征点总数；
Figure SMS_4
表示含K个实测特征点的测试样本集与训练样本集的KNN距离度量值；/>
Figure SMS_5
表示含K个实测样本点对应的测试样本集的控制指标信息集；/>
Figure SMS_6
表示训练样本集中特征点k的训练样本集j工况所对应的控制指标参数；/>
Figure SMS_7
是训练集特征点定位参数；/>
Figure SMS_8
表示K个实测样本点对应的测试样本集及训练样本集定位参数；/>
Figure SMS_9
表示K个实测样本点对应的训练样本集工况参数；/>
Figure SMS_10
表示K个实测样本点对应的测试样本集工况参数；/>
Figure SMS_3
表示为训练样本集工况参数。
根据本发明的第二方面，提供一种基于大数据的地下交通枢纽损伤状态识别***，包括：
建造方案构建模块，用于构建城市交通综合体地下交通枢纽建造方案；
模型建立模块，用于根据所述建造方案，对城市交通综合体地下交通枢纽进行数字化仿真模拟，并添加荷载、边界条件进行计算分析，提取特征点的控制指标信息，构建训练样本集；
数据获取模块，根据数值仿真分析结果，对受力薄弱和变形薄弱或关键部位进行特征点监测布设，用于获取特征点监测数据信息，其中，特征点对应的控制指标信息包含在训练样本集中；
损伤预测模块，用于基于特征点监测结果，选取K个特征点实测结构控制指标监测值作为测试样本集；基于距离最小找出训练样本集中与其最靠近的K个样本点，基于所述K个最近邻的样本点所处训练样本集工况视为结构所处即时状态，根据训练样本集全部的控制指标信息进行地下枢纽结构损伤识别及预测。
自动预警模块，用于将以上预测方法程序化，关联数字化仿真模拟平台，将监测点数据实时上传，程序自动根据算法模型进行损伤识别评价，可视化监测，并结合演化曲线对比预测发展趋势，按给定的规则实时预警，供施工期及运营期安全保障决策参考。
本发明的技术效果和优点：
本发明提出的一种基于大数据的地下交通枢纽损伤状态识别方法及***，构建以三环层叠、多线放射为基本形态，以高架站台地下站厅布局的城市交通综合体地下交通枢纽建造方案。采用“同向归并、异向立交”策略，打造“中央节点+环廊+两翼放射走廊”的空间结构形态，实现两条市政隧道、三条地铁线相互交叉分隔的五线交汇空间布局，全交通型式畅通无分隔。
结合BIM及有限元仿真交互技术，对城市交通综合体地下交通枢纽建造方案进行数字化仿真模拟，设计迭代优化，三维可视化建造，将地铁站台与公路隧道同层共建于大厅中部上方，巧妙创造了一种独特的地下大空间内高架车站站台和公路隧道的全新建筑型式，实现了地下空间的巧妙利用，构建了畅通无阻隔的大型地下交通空间，创造了地下三层空间内实现五条交通线路交汇的立体布局方案，有效解决了困扰设计与运营方的三线换乘流线交织、换乘空间被线路分隔的难题，保障了最优交通功能，同时相比常规解决方法节约了两层地下结构，大大节省了工程挖深和投资，集约高效地利用了地下空间资源。
同时，基于大数据训练样本集，利用有限的监测点数据测试样本，提出改进的KNN算法，实现城市交通综合体地下交通枢纽损伤状态的识别预测。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
图1为本发明实施例提供的基于大数据的地下交通枢纽损伤状态识别方法步骤流程图；
图2为本发明实施例提供的城市交通综合体地下交通枢纽空间示意图；
图3为本发明实施例提供地下交通枢纽BIM数字化仿真模拟结构图；
图4为本发明实施例提供的不同地层抗力下，下排柱沉降值沿横向变化示意图；
图5为本发明实施例提供的断面1应变传感器测点布置示意；
图6为本发明实施例提供的基于大数据的地下交通枢纽损伤状态识别***模块示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供的方法可以在如下的终端环境中实施，所述终端可以包括一个或多个如下部件：处理器、存储介质和显示屏。其中，存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分，通过运行或执行存储在存储介质内的指令、程序、代码集或指令集，以及调用存储在存储介质内的数据，执行终端的各种功能和处理数据。
存储介质可以包括随机存储介质(Random Access Memory，RAM)，也可以包括只读存储介质(Read-Only Memory，ROM)。存储介质可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
除此之外，本领域技术人员可以理解，上述终端的结构并不构成对终端的限定，终端可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件，在此不再赘述。
可以理解的是，基于背景技术中的缺陷，本发明实施例提出了一种基于大数据的地下交通枢纽损伤状态识别方法，如图1所示，所述方法包括以下步骤：
步骤1：构造城市交通综合体地下交通枢纽建造方案；
在本发明实例中，具体如图2所示，本发明实施例所涉及的城市交通综合体地下交通枢纽建造方案采用五层设计，包括地面层、地下夹层、地下一层、地下二层和地下三层；其中，
地下三层布置有第二地铁线路，在第二地铁线路的站台布置有第二地铁站台，解决第二地铁车站及区间的穿过需求；
所述地下二层布置有第一地铁线路和第二公路隧道，在所述第一地铁线路站台设置有第一地铁站台，所述第一地铁站台和第二地铁站台之间设置上下连接通道，连接通道包括升降电梯或楼梯；
地下一层布置有换乘大厅和连接换乘大厅的连廊以及第三地铁线路换乘通道，换乘大厅和第一地铁站台之间设置上下连接通道，连接通道包括升降电梯或楼梯，供上下行人通行；
地下夹层设置有第一公路隧道、第三地铁站台、第三地铁线路和非机动车环线；第一公路隧道、第一地铁线路站台走行方向一致，并排设置，旅客先进入地下一层（换乘大厅、第三地铁线路换乘通道），再到地下二层（第一地铁线路站台、第二公路隧道）以及非机动车环道进入第一地铁线路站台乘车。非机动车环道供旅客及非机动车过街用，第一公路隧道沿南北走向供公路交通使用；
地面层布置了地面交通及环岛，环岛上设置有大型雕塑；
为了便于行人上下通行，分别在在地下三层（第二地铁线路站台）、地下二层（第二公路隧道、第三地铁线路南延线区间）、地下一层（换乘大厅、第三地铁线路换乘通道）、地下一层夹层（第一地铁线路站台、第一公路隧道、非机动车环道）之间设置了流线换乘楼扶梯。
在本实施例中，城市交通综合体地下交通枢纽建造方案的工程主体枢纽区轮廓呈圆形，根据主要客流行进方向，柱网沿环向、径向布置，并严格保证环向框柱位置，避免阻挡环向过街客流；工程规模较大，地下一层柱网采用大跨度结构形式，提高空间效果和舒适度。
在本实施例中，城市交通综合体地下交通枢纽建造方案核心是圆形共享大厅延伸至各个地块的下沉庭院，以及沿两翼放射走廊，通过将地铁站台和市政道路隧道上抬到地下一层夹层，将整个地下一层大厅设置为贯通的地铁换乘和交通层，独特的空间结构方式形成了一个贯通无阻隔的地下一层换乘大厅，使得客流的主流线通畅；形成独特的地下站厅高架站台布局，解决地铁线路对换乘厅的分隔问题，同时大大提升空间感。
步骤2：根据所述建造方案，对城市交通综合体地下交通枢纽进行数字化仿真模拟，并添加荷载、边界条件进行计算分析，提取特征点的控制指标信息，构建训练样本集；
在本发明实施例中，对城市交通综合体地下交通枢纽建造方案进行数字化仿真模拟包括：利用REVIT建立地下交通枢纽BIM精细化三维分析模型。
其中，BIM精细化三维模型包括基坑支护结构模型、主体结构模型。基坑支护结构模型包括围护桩（墙）、冠梁、支撑、挡墙、临时立柱等；主体结构模型包括结构板、立柱、边墙、纵梁及梁加腋，具体参考如图3所示。
所述添加荷载、边界条件进行计算分析包括：
基于创建的BIM 结构模型，通过接口软件导入结构分析软件生成结构分析模型，添加荷载、边界条件等信息后进行计算分析，生成结构构件应力、应变、位移、内力及配筋信息。
进一步地，通过有限元分析优化结构布置、尺寸，反馈到BIM模型中修改调整。如：利用深基坑计算软件进行基坑支护结构三维整体受力及变形分析，调整优化围护结构尺寸、支撑布置。利用MIDAS/GEN进行结构整体受力分析，并根据内力分析结果进行构件配筋计算。利用PKPM软件校核MIDAS/GEN计算结果，保证结构受力计算的准确无误。
之后还包括：建立多专业协同工作机制，通过共享数据中心集将修改后的结构BIM模型工作集同步链接到建筑、暖通相关专业模型工作集，对优化后的BIM模型进行碰撞检查及工程量统计。优化修改后的BIM模型再次导入有限元软件，进行三维数值仿真计算。
需要进行说明的是，此过程可多次循环迭代，直至优化到合理简约的结构布置，形成环向+径向柱网***和蛛网式环梁向心放射大跨结构体系，最大程度避免结构构件对环向过街客流的阻滞和对大空间视野的遮挡；巧妙利用主梁之间的空间为放射状布置的主设备管线提供了敷设条件，节约地下空间净高；同时结合高架站台的有利条件，将地下一层除高架站台以外区域设置为通高的交通大厅，有效避免了大空间、低净空的压抑感。
基于优化后的三维分析模型，针对施工工况、运营期设计工况及可能发生的偶然工况进行有限元计算，具体参考如图4所示，比如地层抗力弱化或局部缺失（如岩溶），判断在不同地层抗力下，下排柱沉降值沿横向变化情况；超预期堆载、周边施工、地下水变化等，找出受力和变形薄弱或关键部位，并对不同荷载工况进行参数化分析，形成地下枢纽结构受力、变形性能演化曲线。
所述提取特征点的控制指标信息，构建训练样本集包括：
根据形成的地下枢纽结构受力、变形性能演化曲线，提出6项关键控制指标，如围护结构水平位移q1、混凝土裂缝宽度q2、混凝土应变q3、钢筋应力q4、层间位移角q5、受弯构件挠度q6。提取特征点的控制指标信息
Figure SMS_11
（i为特征点定位参数编号，i=1,2,...N，N的最大值为三维模型节点总数；j为特征点工况参数编号，j=1,2,...M，M的最大值为各类计算工况总数；z=1,2,3,4,5,6…表示控制指标类型编号），其中/>
Figure SMS_12
为特征点定位参数，/>
Figure SMS_13
为特征点工况参数。由/>
Figure SMS_14
构建KNN算法训练样本集Q。增加训练样本集数据，可提高损伤预测准确性。
步骤3. 根据数值仿真分析结果，对受力薄弱和变形薄弱或关键部位进行特征点监测布设；获取特征点监测数据信息，其中，特征点对应的控制指标信息包含在KNN训练样本集Q中；
所述对受力薄弱和变形薄弱或关键部位进行特征点监测布设包括:
根据数值仿真分析结果，对受力和变形薄弱或关键部位进行特征点监测点布设，具体如图5所示，布设应变传感器在结构体系复杂区域，如刚度突变区域、结构不连续区域等；结构强度薄弱区域，如受力峰值区域、承载力最小区域等；周边环境复杂区段，如不良地质区域、地质状况发生变化区域等。
在本发明实施例中，监测的特征点总数量记为P，通过施工期、运营期持续监测，获得特征点p(p=1,2,..P)的监测或检测数据信息。注意，特征点p对应的数值模拟计算得到的控制指标信息
Figure SMS_15
应包含在KNN训练样本集Q中。
步骤4. 基于特征点监测结果，选取K个特征点实测结构控制指标监测值作为测试样本集；
具体地，包括以下步骤：基于特征点监测结果，选取K个特征点实测结构控制指标监测值作为测试样本集
Figure SMS_16
（i为特征点定位参数编号，i=1,2,...K），基于距离Lp最小找出训练样本集Q中与其最靠近的K个样本点，然后基于这K个最近邻的样本点所处训练样本集工况/>
Figure SMS_17
视为结构所处即时状态，对应训练样本集工况/>
Figure SMS_18
全部的控制指标信息
Figure SMS_19
（/>
Figure SMS_20
为KNN近邻选定的训练样本集工况，i=1,2,...G，G为训练样本集Q中特征点总数）进行地下枢纽结构损伤判别及预测。
需要进行说明的是，所述K值作为测试样本集，可依据经验设定取值。
步骤5.基于距离最小找出训练样本集中与其最靠近的K个样本点，基于所述K个最近邻的样本点所处训练样本集工况视为结构所处即时状态，根据训练样本集全部的控制指标信息进行地下枢纽结构损伤识别及预测。
所述根据训练样本集全部的控制指标信息进行地下枢纽结构损伤识别及预测包括：对KNN算法进行改进根据训练样本集全部的控制指标信息进行地下枢纽结构损伤识别及预测，改进的KNN判别算法如下式：
Figure SMS_21
（1）
Figure SMS_22
（2）
其中，M为训练样本集中各类计算工况总数；G为训练样本集中特征点总数；K为测试样本集中实测特征点总数；Z为实测特征点样本集对应的控制指标类型号，比如围护结构水平位移、混凝土裂缝宽度、混凝土应变、钢筋应力。
Figure SMS_23
表示含K个实测特征点的测试样本集与训练样本集的KNN距离度量值；/>
Figure SMS_24
表示K个实测样本点对应的测试样本集及训练样本集定位参数（基于假定实测特征点对应的控制指标信息均包含在训练样本集中，因而K个实测样本点对应的测试样本集与训练样本集定位参数相同）；/>
Figure SMS_25
表示K个实测样本点对应的训练样本集工况参数；/>
Figure SMS_26
表示K个实测样本点对应的测试样本集工况参数。
Figure SMS_28
表示训练样本集中特征点k（训练样本集定位参数为/>
Figure SMS_29
）的训练样本集j工况（训练样本集工况参数为/>
Figure SMS_30
）所对应的控制指标参数；/>
Figure SMS_32
表示测试样本集中实测特征点k（基于前述假设，测试样本集定位参数与训练样本集定位参数相同，取/>
Figure SMS_34
）的测试样本集j工况（测试样本集工况参数为/>
Figure SMS_35
）对应的控制指标参数；/>
Figure SMS_36
是训练集特征点定位参数；J是通过KNN算法找出的与测试样本集最靠近的训练样本集工况号；/>
Figure SMS_27
是通过KNN算法找出的与测试样本集最靠近的训练样本集工况号J对应的训练样本集工况参数；/>
Figure SMS_31
表示含K个实测样本点对应的测试样本集的控制指标信息集；
Figure SMS_33
表示通过KNN算法找出的与测试样本集最靠近的训练样本集控制指标信息集。
该损伤状态识别方法可以基于有限监测断面采集的监测数据，预测非监测断面点位损伤状态，实现地下枢纽结构整体损伤状态的识别预测。
为了便于理解，本发明实施例以混凝土压应变判别结构损伤状态为例进行示例性的说明，具体方法如下：
（1）混凝土在达到峰值强度混凝土压应变之前，损伤因子基本为0；混凝土损伤因子达到0.7时，认为混凝土已完全破坏，失去承载能力。混凝土的损伤因子在0-0.7之间时与压应变基本呈线性关系，可以采用函数表示：
Figure SMS_37
，其中a、b为系数，与混凝土等级相关；/>
Figure SMS_38
为混凝土压应变。
通过混凝土内预埋的应变传感器测量混凝土应变，计算得到实测混凝土损伤值。损伤因子等级分为1、2、3、4、5级，不同的等级对应不同的混凝土损伤因子。损伤因子等级划分指标参考下表1。
表1损伤因子等级划分
等级指标 1 2 3 4 5
混凝土损伤因子D 0 0<D＜0.1 0.1≤D＜0.2 0.2≤D＜0.5 0.5≤D
（2）基于监测结果，采用改进的KNN判别算法，判断与其损伤结果最靠近的训练样本集工况，以该工况下结构损伤结果判断结构损伤情况。
示例：针对大范围堆载的数值模拟计算工况，整理不同堆载下，结构的损伤位置如下表2所示。空间坐标中，小数点后面数字1、5、9分别表示构件底部，中部和顶部。施工期下表中22个特征点均无损伤；堆载为70kPa时，22个特征点均有损伤。在其中8个特征点预埋混凝土应变计，结合8个混凝土应变计的监测结果，采用改进的KNN判别算法，目前，8个特征点位混凝土应变计监测结果均在设计值内，均无损伤，结合KNN改进的算法，与施工期的结构损伤值Lp=0.000最为接近，即结构目前损伤情况为处在施工期。
此实施例中，M=9，G=22，K=8，Z为控制指标类型号混凝土应变，
Figure SMS_39
见表2中表格最后一行Lp计算结果。
表2不同工况下结构特征点损伤情况统计表
Figure SMS_40
步骤6：将以上方法程序化，关联BIM平台，监测点数据实时上传，程序自动根据算法模型进行损伤识别评价，可视化监测，并结合演化曲线对比预测发展趋势，可按给定的规则实时预警，供施工期及运营期安全保障决策参考。
综上，本发明提出了一种基于大数据的地下交通枢纽损伤状态识别方法，研究了各种交通线路的空间组合型式，提出基于同向归并、异向立交、地下交通枢纽的全新建筑型式，并基于此创新出全新的交通枢纽损伤状态识别方法，改进KNN算法，实现地下交通枢纽损伤状态的智能识别预测。具备畅通无阻隔的地下交通空间，彻底解决困扰地铁运营的多线换乘流线交织、换乘空间被线路分隔的难题，同时相比常规解决方法减少地下结构层数，节约投资。
此外，本发明实施例还提供一种基于大数据的地下交通枢纽损伤状态识别***，所述识别***应用于上述所述的识别方法，具体如图6所示，所述识别***包括：
建造方案构建模块，用于构建城市交通综合体地下交通枢纽建造方案；
模型建立模块，用于根据所述建造方案，对城市交通综合体地下交通枢纽进行数字化仿真模拟，并添加荷载、边界条件进行计算分析，提取特征点的控制指标信息，构建训练样本集；
数据获取模块，根据数值仿真分析结果，对受力薄弱和变形薄弱或关键部位进行特征点监测布设；用于获取特征点监测数据信息，其中，特征点对应的控制指标信息包含在训练样本集中；
损伤预测模块，用于基于特征点监测结果，选取K个特征点实测结构控制指标监测值作为测试样本集；基于距离最小找出训练样本集中与其最靠近的K个样本点，基于所述K个最近邻的样本点所处训练样本集工况视为结构所处即时状态，根据训练样本集全部的控制指标信息进行地下枢纽结构损伤识别及预测。
自动预警模块，用于将以上预测方法程序化，关联数字化仿真模拟平台，将监测点数据实时上传，程序自动根据算法模型进行损伤识别评价，可视化监测，并结合演化曲线对比预测发展趋势，按给定的规则实时预警，供施工期及运营期安全保障决策参考。
可以理解的是，本发明提供的一种基于大数据的地下交通枢纽损伤状态识别***与前述各实施例提供的一种基于大数据的地下交通枢纽损伤状态识别方法相对应，一种基于大数据的地下交通枢纽损伤状态识别***的相关技术特征可参考一种基于大数据的地下交通枢纽损伤状态识别方法的相关技术特征，在此不再赘述。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于大数据的地下交通枢纽损伤状态识别方法，其特征在于，包括以下步骤:
步骤1. 构建城市交通综合体地下交通枢纽建造方案；
步骤2.根据所述建造方案，对城市交通综合体地下交通枢纽进行数字化仿真模拟，并添加荷载、边界条件进行计算分析，提取特征点的控制指标信息，构建训练样本集；
步骤3. 根据数值仿真分析结果，对受力薄弱和变形薄弱或关键部位进行特征点监测布设；获取特征点监测数据信息；其中，特征点对应的控制指标信息包含在训练样本集中；
步骤4. 基于特征点监测结果，选取K个特征点实测结构控制指标监测值作为测试样本集；
步骤5.基于距离最小找出训练样本集中与其最靠近的K个样本点，基于所述K个最近邻的样本点所处训练样本集工况视为结构所处即时状态，根据训练样本集全部的控制指标信息进行地下交通枢纽结构损伤识别及预测。
2.根据权利要求1所述的一种基于大数据的地下交通枢纽损伤状态识别方法，其特征在于，还包括：
步骤6. 将以上预测方法程序化，关联数字化仿真模拟平台，将监测点数据实时上传，程序自动根据算法模型进行损伤识别评价，可视化监测，并结合演化曲线对比预测发展趋势，按给定的规则实时预警，供施工期及运营期安全保障决策参考。
3.根据权利要求1所述的一种基于大数据的地下交通枢纽损伤状态识别方法，其特征在于，所述构建城市交通综合体地下交通枢纽建造方案包括：
构建以三环层叠、多线放射为基本形态，以高架站台地下站厅布局的城市交通综合体地下交通枢纽建造方案。
4.根据权利要求1所述的一种基于大数据的地下交通枢纽损伤状态识别方法，其特征在于，所述对城市交通综合体地下交通枢纽进行数字化仿真模拟包括：
利用REVIT建立地下交通枢纽BIM三维分析模型。
5.根据权利要求1所述的一种基于大数据的地下交通枢纽损伤状态识别方法，其特征在于，所述并添加荷载、边界条件进行计算分析包括：
基于创建的BIM 结构模型，生成结构分析模型，添加荷载、边界条件信息后进行计算分析，生成结构构件应力、应变、位移、内力及配筋信息，通过有限元分析优化结构布置、尺寸，反馈到BIM模型中修改调整。
6.根据权利要求5所述的一种基于大数据的地下交通枢纽损伤状态识别方法，其特征在于，还包括：建立多专业协同工作机制，通过共享数据中心集将修改后的结构BIM模型工作集同步链接到建筑、暖通相关专业模型工作集，对优化后的BIM模型进行碰撞检查及工程量统计,优化修改后的BIM模型再次导入有限元软件，进行三维数值仿真计算。
7.根据权利要求6所述的一种基于大数据的地下交通枢纽损伤状态识别方法，其特征在于，还包括：
基于优化后的三维分析模型，针对施工工况、运营期设计工况及可能发生的偶然工况进行有限元计算，找出受力和变形薄弱或关键部位，并对不同荷载工况进行参数化分析，形成地下枢纽结构受力、变形性能演化曲线。
8.根据权利要求1所述的一种基于大数据的地下交通枢纽损伤状态识别方法，其特征在于，所述根据训练样本集全部的控制指标信息进行地下交通枢纽结构损伤识别及预测包括：对KNN算法进行改进根据训练样本集全部的控制指标信息进行地下交通枢纽结构损伤识别及预测，改进后KNN算法的公式为：
Figure QLYQS_1
（1）
Figure QLYQS_2
（2）
其中，M为训练样本集中各类计算工况总数；G为训练样本集中特征点总数；K为测试样本集中实测特征点总数；
Figure QLYQS_4
表示含K个实测特征点的测试样本集与训练样本集的KNN距离度量值；/>
Figure QLYQS_5
表示含K个实测样本点对应的测试样本集的控制指标信息集；/>
Figure QLYQS_6
表示训练样本集中特征点k的训练样本集j工况所对应的控制指标参数；/>
Figure QLYQS_7
是训练集特征点定位参数；/>
Figure QLYQS_8
表示K个实测样本点对应的测试样本集及训练样本集定位参数；/>
Figure QLYQS_9
表示K个实测样本点对应的训练样本集工况参数；/>
Figure QLYQS_10
表示K个实测样本点对应的测试样本集工况参数；/>
Figure QLYQS_3
表示为训练样本集工况参数。
9.一种基于大数据的地下交通枢纽损伤状态识别***，其特征在于，包括：
建造方案构建模块，用于构建城市交通综合体地下交通枢纽建造方案；
模型建立模块，用于根据所述建造方案，对城市交通综合体地下交通枢纽进行数字化仿真模拟，并添加荷载、边界条件进行计算分析，提取特征点的控制指标信息，构建训练样本集；
数据获取模块，用于根据数值仿真分析结果，对受力薄弱和变形薄弱或关键部位进行特征点监测布设，获取特征点监测数据信息，其中，特征点对应的控制指标信息包含在训练样本集中；
损伤预测模块，用于基于特征点监测结果，选取K个特征点实测结构控制指标监测值作为测试样本集；基于距离最小找出训练样本集中与其最靠近的K个样本点，基于所述K个最近邻的样本点所处训练样本集工况视为结构所处即时状态，根据训练样本集全部的控制指标信息进行地下交通枢纽结构损伤识别及预测。
10.根据权利要求9所述的一种基于大数据的地下交通枢纽损伤状态识别***，其特征在于，还包括：自动预警模块，用于将以上预测方法程序化，关联数字化仿真模拟平台，将监测点数据实时上传，程序自动根据算法模型进行损伤识别评价，可视化监测，并结合演化曲线对比预测发展趋势，按给定的规则实时预警，供施工期及运营期安全保障决策参考。
CN202310408873.5A 2023-04-18 2023-04-18 一种基于大数据的地下交通枢纽损伤状态识别方法及*** Active CN116150680B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310408873.5A CN116150680B (zh) 2023-04-18 2023-04-18 一种基于大数据的地下交通枢纽损伤状态识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310408873.5A CN116150680B (zh) 2023-04-18 2023-04-18 一种基于大数据的地下交通枢纽损伤状态识别方法及***

Publications (2)

Publication Number Publication Date
CN116150680A true CN116150680A (zh) 2023-05-23
CN116150680B CN116150680B (zh) 2023-07-21

Family

ID=86358481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310408873.5A Active CN116150680B (zh) 2023-04-18 2023-04-18 一种基于大数据的地下交通枢纽损伤状态识别方法及***

Country Status (1)

Country Link
CN (1) CN116150680B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195664A (zh) * 2023-11-07 2023-12-08 北京市科学技术研究院 一种地下管线监测预警方法和***

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110077918A1 (en) * 2009-09-25 2011-03-31 Ovunc Mutlu Method of Predicting Natural Fractures And Damage In A Subsurface Region
CN104200004A (zh) * 2014-07-28 2014-12-10 东北大学 一种优化的基于神经网络的桥梁损伤识别方法
US20180336652A1 (en) * 2017-05-16 2018-11-22 One Concern, Inc. Estimation of damage prevention with building retrofit
EP3555846A1 (en) * 2016-12-13 2019-10-23 Koninklijke Philips N.V. Stress prediction and stress assessment for device insertion into a deformable object
CN111307092A (zh) * 2019-12-18 2020-06-19 华中科技大学 一种地铁深隧工程建设安全自动连续监控***及信息平台
US20200203017A1 (en) * 2017-06-09 2020-06-25 Alerte Digital Sport Pty Ltd Systems and methods of prediction of injury risk with a training regime
CN112528365A (zh) * 2020-11-30 2021-03-19 北京航空航天大学 一种地下基础设施结构健康演化趋势预测方法
CN113553749A (zh) * 2021-09-22 2021-10-26 深圳市城市交通规划设计研究中心股份有限公司 一种桥梁健康监测方法、***、计算机及存储介质
CN113868904A (zh) * 2021-09-01 2021-12-31 浙江大学 一种基于三维点云自动化生成既有结构有限元模型的方法
WO2022047970A1 (zh) * 2020-09-01 2022-03-10 浙江勤业建工集团有限公司 基于bim的施工前深基坑模拟计算方法
CN114417537A (zh) * 2022-04-01 2022-04-29 中国工程物理研究院流体物理研究所 一种开式行骨架结构变形场实时测量方法、装置及***

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110077918A1 (en) * 2009-09-25 2011-03-31 Ovunc Mutlu Method of Predicting Natural Fractures And Damage In A Subsurface Region
CN104200004A (zh) * 2014-07-28 2014-12-10 东北大学 一种优化的基于神经网络的桥梁损伤识别方法
EP3555846A1 (en) * 2016-12-13 2019-10-23 Koninklijke Philips N.V. Stress prediction and stress assessment for device insertion into a deformable object
US20180336652A1 (en) * 2017-05-16 2018-11-22 One Concern, Inc. Estimation of damage prevention with building retrofit
US20200203017A1 (en) * 2017-06-09 2020-06-25 Alerte Digital Sport Pty Ltd Systems and methods of prediction of injury risk with a training regime
CN111307092A (zh) * 2019-12-18 2020-06-19 华中科技大学 一种地铁深隧工程建设安全自动连续监控***及信息平台
WO2022047970A1 (zh) * 2020-09-01 2022-03-10 浙江勤业建工集团有限公司 基于bim的施工前深基坑模拟计算方法
CN112528365A (zh) * 2020-11-30 2021-03-19 北京航空航天大学 一种地下基础设施结构健康演化趋势预测方法
CN113868904A (zh) * 2021-09-01 2021-12-31 浙江大学 一种基于三维点云自动化生成既有结构有限元模型的方法
CN113553749A (zh) * 2021-09-22 2021-10-26 深圳市城市交通规划设计研究中心股份有限公司 一种桥梁健康监测方法、***、计算机及存储介质
CN114417537A (zh) * 2022-04-01 2022-04-29 中国工程物理研究院流体物理研究所 一种开式行骨架结构变形场实时测量方法、装置及***

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
孙立东等: "基于 K 近邻算法的平面结构变形场实时测量方法", 应用科技, pages 1 - 8 *
曹鸿猷等: "基于马氏距离及K最近邻算法的结构优化设计", 武汉理工大学学报, vol. 44, no. 10, pages 60 - 71 *
邓治纲等: "大型地铁十字换乘车站施工阶段变形预测", 岩石力学与工程学报, vol. 27, no. 1, pages 2929 - 2936 *
陈国刚: "二七长江大桥健康监测***研究", 中外公路, vol. 34, no. 01, pages 170 - 174 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195664A (zh) * 2023-11-07 2023-12-08 北京市科学技术研究院 一种地下管线监测预警方法和***
CN117195664B (zh) * 2023-11-07 2024-01-12 北京市科学技术研究院 一种地下管线监测预警方法和***

Also Published As

Publication number Publication date
CN116150680B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
CN105387274B (zh) 一种地下管线修复辅助方法、装置及***
Lin et al. Novel model for risk identification during karst excavation
CN116150680B (zh) 一种基于大数据的地下交通枢纽损伤状态识别方法及***
CN110956335B (zh) 一种基于预测事故率分级的公路安全评价***及评价方法
CN102384856A (zh) 基于概率有限元法的钢桥疲劳可靠度评估方法
CN109767042A (zh) 基于用地评估的人防专业队工程选址方法
CN108846152A (zh) 基于bim的装配式剪力墙结构吊装阶段场地优化布置方法
CN111042143A (zh) 一种基于大量监测数据分析的基坑工程预警方法和***
CN105718658A (zh) 大型桥梁在线评估体系
CN110619187A (zh) 一种混凝土坝施工方案及资源冲突检测与调整方法
CN112184282A (zh) 影院选址模型建立方法、影院选址方法及影院选址平台
CN114418333A (zh) 一种多因素综合定权的公路路线方案评价方法
CN117669002B (zh) 一种基于大数据的道路设计实用程度评估方法及装置
CN113221399B (zh) 一种铁路隧道装配式衬砌构件划分方案决策方法
Lai et al. Review of constraints and critical success factors of developing urban underground space
CN110084460A (zh) 一种机场净空条件的量化评定方法
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
CN107944089A (zh) 一种基于现状视廊的地块限高分析***及其分析方法
CN117196302A (zh) 一种基于汇水分区的区域内涝风险预测方法及***
CN110569598A (zh) 一种雨水管道与道路联合***最大排涝能力的预测方法
Herabat et al. A decision support system for flexible pavement treatment selection
Hasan Decision support system for crane selection and location optimization on construction sites
CN113762021A (zh) 一种基于循环神经网络和注意力引导机制的复杂路面裂缝检测方法
CN113128887A (zh) 优选路基边坡施工方案的方法
CN112287439A (zh) 一种机械式立体车库数字化设计***及其操作方法

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