【技術實現步驟摘要】
本專利技術涉及數據處理與分析，具體涉及一種基于大數據的受壓構件智能加固方法、裝置及系統。
技術介紹
1、預應力鋼絲繩加固橋墩可在對裂縫進行修補封閉后防止裂縫再次產生，但是由于裂縫產生原因復雜，與混凝土墩柱所處位置環境溫度、日照、濕度、超載頻率息息相關，預應力儲備目標不明確，且由于鋼絲繩與混凝土墩柱壁之間的摩阻力，造成張拉過程中預應力損失較大，均對加固效果造成了較大影響。
2、專利cn115852858a公布了使用環形鋼絲繩加固橋墩的結構模型，提出了基本的加固方法框架。cn114808767a公開了一種鋼絲繩環向預應力施工工法，對張拉錨固裝置進行了改良。
3、以上專利，均涉及預應力鋼絲繩加固混凝土橋墩結構，但均未明確預應力儲備目標或提出降低摩阻損失方法。
技術實現思路
1、針對上述現有技術存在的問題，本專利技術提供了一種基于大數據的受壓構件智能加固方法、裝置及系統，明確了預應力加固混凝土橋墩時的預應力儲備，并根據加固目標自動化制定合理的降低摩阻損失策略。該技術方案如下：
2、第一方面，提供了一種基于大數據的受壓構件智能加固方法，應用于云端服務器，包括如下步驟：
3、接收智能手持終端上傳的混凝土橋墩表面高清圖像，所述受壓構件為待加固橋墩；
4、采用預設的圖像識別模塊，識別預設標記點處待加固橋墩表面與鋼絲繩的摩擦系數，生成摩擦系數矩陣，所述預設標記點在鋼絲繩上間隔設置，形成呈m行n列的矩陣位置布局；
5、基于待加固橋
6、基于標記點的摩擦系數矩陣、待加固橋墩開裂應力計算得到加固方案，所述加固方案包括確定的鋼絲繩分段長度、鋼絲繩豎向間距、混凝土表面目標摩擦系數、鋼絲繩型號，將加固方案傳送至智能手持終端。
7、在一些實施方式中，采用預設的圖像識別模塊，識別預設標記點處待加固橋墩表面與鋼絲繩的摩擦系數，包括：
8、采集不同粗糙程度的混凝土橋墩表面高清圖像作為訓練樣本，并對訓練樣本標注對應的摩擦系數；
9、基于訓練樣本和訓練樣本的標注數據訓練目標識別模型，基于訓練完成的目標識別模型作為所述圖像識別模塊；
10、針對待識別的混凝土橋墩表面高清圖像，基于所述圖像識別模塊獲取所述圖像中預設標記點處待加固橋墩表面與鋼絲繩的摩擦系數。
11、在一些實施方式中，所述基于待加固橋墩位置的日照、氣溫、濕度、超載量級、超載頻率信息輸入訓練完成的lstm神經網絡模型，獲取待加固橋墩開裂應力，包括：
12、接收智能手持終端上傳的定位信息，所述定位信息表征待加固橋墩的位置，所述智能手持終端內設高精度gps定位模塊；
13、基于待加固橋墩的位置，獲取所述位置常年的日照、氣溫、濕度、超載量級、超載頻率信息；
14、將所述位置的日照、氣溫、濕度、超載量級、超載頻率信息輸入訓練完成的lstm神經網絡模型，獲取待加固橋墩開裂應力。
15、在一些實施方式中，所述lstm神經網絡模型的訓練過程，包括：
16、利用有限元方法，根據橋墩位置的溫度、日照條件、濕度、超載量級、超載頻率參數計算得到橋墩開裂應力；
17、以溫度、日照條件、濕度、超載量級、超載頻率參數及對應的開裂應力作為一個訓練樣本；
18、基于訓練樣本的溫度、日照條件、濕度、超載發生概率參數作為輸入特征，訓練樣本的橋墩開裂應力為目標值訓練lstm神經網絡。
19、在一些實施方式中，所述加固方案，基于確定，其中，；
20、；
21、，其中，；
22、；
23、約束條件有：；
24、；；
25、；；；
26、其中：
27、——加固方案主要成本，單位為萬元；
28、——加固方案中降低混凝土摩擦系數的成本，單位為萬元，為將面積為0.2m×0.1m范圍內混凝土表面摩擦系數降低1所需的成本費用；
29、——加固方案中分段張拉錨固裝置的材料及操作成本，單位為萬元，為將360°鋼絲繩每拆分一次產生的分段張拉錨固裝置的材料及操作成本；
30、——加固方案中預應力鋼絲繩的材料及人工成本，單位為萬元，為加固方案中每使用1m預應力鋼絲繩的材料及人工成本；
31、——在摩擦系數矩陣中需要降低摩擦系數的點數量，假設在摩擦系數矩陣中需要降低摩擦系數的點的行數為，；
32、——需要降低摩擦系數的標記點的摩擦系數；
33、——加固方案混凝土表面處理后的摩擦系數，即目標摩擦系數；
34、——待加固混凝土橋墩截面直徑，單位為m；
35、——待加固混凝土橋墩截面半徑，單位為m；
36、——混凝土橋墩待加固區域豎向高度，單位為m；
37、——加固方案中的鋼絲繩豎向間距，單位為m；
38、——加固方案中的鋼絲繩豎向分布數量；
39、——加固方案中的分段鋼絲繩對應圓心角的1/2，單位為弧度制，為鋼絲繩分段后對應的弧度最小限制數值；
40、——加固方案中的鋼絲繩分段長度，單位為m；
41、——加固方案在混凝土墩柱表面可形成的最小壓應力，單位為mpa；
42、——預應力鋼絲繩張拉控制應力，單位為mpa；
43、——預應力鋼絲繩允許最大應力，單位為mpa。
44、在一些實施方式中，所述加固方案的分析基于智能優化算法迭代分析得到，所述智能優化算法包括：模擬退火算法、粒子群算法、灰狼算法。
45、第二方面，提供了一種基于大數據的受壓構件智能加固裝置，包括：
46、圖像獲取單元，用于接收智能手持終端上傳的混凝土橋墩表面高清圖像，所述受壓構件為待加固橋墩；
47、摩擦系數分析單元，用于采用基于卷積神經網絡的圖像識別模塊，識別預設標記點處待加固橋墩表面與鋼絲繩的摩擦系數，生成摩擦系數矩陣，所述預設標記點在鋼絲繩上間隔設置，形成呈m行n列的矩陣位置布局；
48、橋墩開裂應力分析單元，用于基于待加固橋墩位置的日照、氣溫、濕度、超載量級、超載頻率信息輸入訓練完成的lstm神經網絡模型，獲取待加固橋墩開裂應力；
49、加固方案分析單元，用于基于標記點的摩擦系數矩陣、待加固橋墩開裂應力計算得到加固方案，所述加固方案包括確定的鋼絲繩分段長度、鋼絲繩豎向間距、混凝土表面目標摩擦系數、鋼絲繩型號，將加固方案傳送至智能手持終端。
50、第三方面，提供了一種計算機可讀存儲介質，其上存儲有計算機指令，所述指令被處理器執行時實現如上述第一方面所述方法的步驟。
51、第四方面，提供了一種基于大數據的受壓構件智能加固系統，包括：
52、分段預應力鋼絲繩，用于加固受壓構件，本文檔來自技高網...
【技術保護點】
1.一種基于大數據的受壓構件智能加固方法，應用于云端服務器，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于大數據的受壓構件智能加固方法，其特征在于，采用預設的圖像識別模塊，識別預設標記點處待加固橋墩表面與鋼絲繩的摩擦系數，包括：
3.根據權利要求1所述的一種基于大數據的受壓構件智能加固方法，其特征在于，所述基于待加固橋墩位置的日照、氣溫、濕度、超載量級、超載頻率信息輸入訓練完成的LSTM神經網絡模型，獲取待加固橋墩開裂應力，包括：
4.根據權利要求1所述的一種基于大數據的受壓構件智能加固方法，其特征在于，所述LSTM神經網絡模型的訓練過程，包括：
5.根據權利要求1所述的一種基于大數據的受壓構件智能加固方法，其特征在于，所述加固方案，基于確定，其中，；
6.根據權利要求1所述的一種基于大數據的受壓構件智能加固方法，其特征在于，所述加固方案的分析基于智能優化算法迭代分析得到，所述智能優化算法包括：模擬退火算法、粒子群算法、灰狼算法。
7.一種基于大數據的受壓構件智能加固裝置，其特征在于，包括：p>
8.一種計算機可讀存儲介質，其上存儲有計算機指令，其特征在于，所述指令被處理器執行時實現如權利要求1-6中任一項所述方法的步驟。
9.一種基于大數據的受壓構件智能加固系統，其特征在于，包括：
10.根據權利要求9所述的一種基于大數據的受壓構件智能加固系統，其特征在于，所述智能手持終端，包括：
...【技術特征摘要】
1.一種基于大數據的受壓構件智能加固方法，應用于云端服務器，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于大數據的受壓構件智能加固方法，其特征在于，采用預設的圖像識別模塊，識別預設標記點處待加固橋墩表面與鋼絲繩的摩擦系數，包括：
3.根據權利要求1所述的一種基于大數據的受壓構件智能加固方法，其特征在于，所述基于待加固橋墩位置的日照、氣溫、濕度、超載量級、超載頻率信息輸入訓練完成的lstm神經網絡模型，獲取待加固橋墩開裂應力，包括：
4.根據權利要求1所述的一種基于大數據的受壓構件智能加固方法，其特征在于，所述lstm神經網絡模型的訓練過程，包括：
5.根據權利要求1所述的一種基于大數據的受壓...
【專利技術屬性】
技術研發人員：孫磊，宋軍，孫敦華，石雪飛，謝正元，曹皓，劉志權，吳志剛，雷歡，龐銳劍，殷亮，朱俊，
申請(專利權)人：安徽省交通控股集團有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。