本發(fā)明涉及傾斜形變監(jiān)測領域，尤其涉及混凝土高拱壩施工早期傾倒變形監(jiān)測系統(tǒng)及監(jiān)測方法。

背景技術：

1、隨著物聯網、人工智能和大數據的快速發(fā)展，混凝土高拱壩施工早期傾倒變形監(jiān)測方法的智能化和自動化不斷提升，監(jiān)測的準確性和時效性成為了確保工程安全的關鍵因素。

2、傳統(tǒng)的傾斜及形變監(jiān)測方法主要依賴于人工測量和現場觀測，在高拱壩施工早期由于施工干擾和環(huán)境限制，難以實現連續(xù)和實時的監(jiān)測。

3、目前，雖然有一些高拱壩的傾倒變形監(jiān)測方法，但大多通過使用傾斜計或類似設備測量監(jiān)測點進行人工干預，需要放置大量監(jiān)測設備對整體區(qū)域進行全面監(jiān)測，并且對施工現場的影響元素捕捉不夠全面，且大多監(jiān)測時間位于施工完成時開始監(jiān)測，缺少對潛在風險的預測并利用多源數據和多因素的綜合分析。

技術實現思路

1、本發(fā)明的目的是要提供混凝土高拱壩施工早期傾倒變形監(jiān)測系統(tǒng)及監(jiān)測方法。

2、為達到上述目的，本發(fā)明是按照以下技術方案實施的：

3、本發(fā)明第一方面提供了混凝土高拱壩施工早期傾倒變形監(jiān)測方法，包括以下步驟：

4、步驟s1、獲取高拱壩設計參數，根據所述設計參數構建三維壩體模型，基于所述三維壩體模型進行應力強度分析，基于應力強度分析結果選取形變特征；

5、步驟s2、根據監(jiān)測區(qū)域的形變特征預測監(jiān)測區(qū)域底部和頂部的傾斜軌跡，根據底部和頂部之間傾斜軌跡的相似性對監(jiān)測區(qū)域的傾斜形式進行分類；所述傾斜形式包括均勻性傾斜和不均勻性傾斜；

6、步驟s3、分別為均勻性傾斜和不均勻性傾斜構建第一形變預測模型和第二形變預測模型，基于監(jiān)測區(qū)域對應的形變預測模型判斷監(jiān)測區(qū)域是否具有潛在風險；所述第一形變預測模型為基于面的形變預測，所述第二形變預測模型為基于點的形變預測；

7、步驟s4、對所述第一形變預測模型和所述第二形變預測模型進行特征關聯分析，獲得強相關性特征，獲取所述強相關性特征基于安全性的最優(yōu)權重，基于所述強相關性特征和所述最優(yōu)權重構建形變監(jiān)測模型，輸出具有潛在風險區(qū)域的異常監(jiān)測結果。

8、進一步的，所述根據所述設計參數構建三維壩體模型的方法，包括：

9、根據設計參數通過工程軟件構建壩體總體輪廓和結構元素，并為三維壩體模型分配混凝土材料屬性，定義三維壩體模型中的約束條件，表達式為：

10、

11、其中，f1為三維壩體模型上點的連續(xù)性約束，c表示為壩體側面邊界，t表示為各點應力張量，表示為應力張量的散度，s表示為壩體與地基的接觸面，ds表示為進行曲面積分，f2為連接處相容性約束，v表示為三維壩體模型的空間體積，∈ij表示為材料在方向矩陣中ij方向上的變形程度，eij表示為在方向矩陣中ij方向上的材料模量張量，dv表示為進行體積積分，t表示為作用在s上的力向量，u為表示材料的位移向量，f3為曲率約束，k(s)表示為s上點的曲率，和分別表示為壩體表面在垂直和水平方向上的彎曲變化率，和分別表示為壩體表面在垂直方向和水平方向上的切線方向，f4為擾度約束，w(x,z)表示為壩體的垂直擾度，x表示為拱壩基底的距離，ξ表示為壩體垂直截面，ξ*為ξ中的一點，m(ξ*,z)表示為壩體在ξ*位置上處的彎矩，q(ξ*,z)表示為壩體在壩軸線方向上的荷載，e表示為材料的彈性模量，i表示為壩體垂直截面的慣性矩，dξ*dξ表示為對壩體垂直截面上所有點進行積分，f5為多物理場耦合約束，ρ表示為混凝土密度，cp表示為混凝土比熱容，表示為溫度場的時間變化率，表示為散度算子，k表示為壩體熱導率，表示為溫度在空間中的變化率，q表示為熱量生成，σij表示為材料方向矩陣中ij方向上的應力狀態(tài)。

12、進一步的，所述基于所述三維壩體模型進行應力強度分析，基于應力強度分析結果選取形變特征的方法，包括：

13、基于有限元方法模擬應力對三維壩體模型的橫截面進行應力分析，表達式為：

14、

15、其中，σself表示為自重應力，σhydro表示為水壓應力，σtemp表示為溫度熱應力，γ表示為壩體材料的單位重量，h表示為壩體的高度，g(z)表示為沿高度z方向上處的重力加速度變化，p表示為水體對壩體的壓力，n表示為壩體水壓力方向，e表示為材料的彈性模量，α表示為材料的熱膨脹系數，δt表示為材料經歷的溫度變化，v表示為材料的松泊比，i表示為壩體垂直截面的慣性矩，表示為張量積運算，(3i-2vi)表示為材料的各向異性，表示為與壩體水壓力方向n正交的平面內的應力狀態(tài)；

16、應用損傷力學模擬混凝土損傷過程，統(tǒng)計混凝土坍落情況，將混凝土坍落率大于安全標準的區(qū)域作為應力集中區(qū)域；

17、提取應力集中區(qū)域中局部化特征變化大于20％的特征作為形變特征。

18、進一步的，所述根據監(jiān)測區(qū)域的形變特征預測監(jiān)測區(qū)域底部和頂部的傾斜軌跡的方法，包括：

19、設置時間窗，將時間窗作為監(jiān)測周期，通過監(jiān)測區(qū)域中的傾斜傳感器收集監(jiān)測區(qū)域底部和頂部形變特征的時間序列數據；

20、使用變分模態(tài)分解將時間序列數據分解為若干個內在模態(tài)函數和殘差分量；

21、設計包含輸入層、cnn層、lstm層、全連接層和輸出層的深度學習模型，將得到的內在模態(tài)函數和殘差分量作為輸入特征，采用adam優(yōu)化算法對深度學習模型進行訓練；

22、采用迭代方法，將深度學習模型前一時間步的預測結果作為當前時間步的輸入，得到監(jiān)測區(qū)域底部和頂部的傾斜軌跡。

23、進一步的，所述根據底部和頂部之間傾斜軌跡的相似性對監(jiān)測區(qū)域的傾斜形式進行分類的方法，包括：

24、計算底部和頂部的傾斜軌跡的相似度，表達式為：

25、

26、其中，t1和t2分別表示為底部傾斜軌跡和頂部傾斜軌跡，表示為時間窗滑動的次數即監(jiān)測的次數，其中包括三維空間上的軌跡和時間維度上的傾斜軌跡，d3d(t1,t2)表示為底部傾斜軌跡和頂部傾斜軌跡間的歐式距離，dtw(t1,t2)表示為底部傾斜軌跡和頂部傾斜軌跡間的動態(tài)時間彎曲距離，v1和v2分別表示底部傾斜軌跡和頂部傾斜軌跡的傾斜角度變化的速度向量；

27、將高拱壩設計標準中各垂直截面中頂部和底部間軌跡相似度的平均值作為劃分的閾值，小于閾值的監(jiān)測區(qū)域為非均勻性傾斜區(qū)域，大于閾值的監(jiān)測區(qū)域為均勻性傾斜區(qū)域。

28、進一步的，所述分別為均勻性傾斜和不均勻性傾斜構建第一形變預測模型和第二形變預測模型的方法，包括：

29、構造正演模型，表達式為：

30、

31、+h(u(t),t(t),ε(t))＝fext

32、其中，m表示為高拱壩結構抵抗傾斜加速度變化的慣性力，u(t)表示為高拱壩的傾斜位移，和分別表示為傾斜加速度和傾斜速度，表示為，表示為混凝土材料在傾倒變形下的恢復力，為幾何剛性矩陣，h(u(t),t(t),ε(t))為環(huán)境荷載向量，fext為外部荷載向量；

33、對均勻性傾斜類型區(qū)域中的面基于正演模型進行形變分析，提取空間特征，對不均勻性傾斜類型區(qū)域中的點基于正演模型進行形變分析，提取時間特征；

34、基于卷積神經網絡構建第一形變預測模型，通過提取的空間特征進行訓練，基于長短期記憶算法構建第二形變預測模型，使用提取的時間特征進行訓練。

35、進一步的，所述對所述第一形變預測模型和所述第二形變預測模型進行特征關聯分析的方法，包括：

36、將第二形變預測模型的數據通過空間插值法轉換為連續(xù)的空間表面zp(x,y)，計算第一形變預測模型和第二形變預測模型特征間的相關性系數，計算公式為：

37、

38、其中，g為空間網格點的數量，為第二形變預測模型的數據通過空間插值得到的第i個點的形變預測值，為第一形變預測模型第i個點對應的形變預測值，和分別為第二形變預測模型的數據通過空間插值的形變預測值和第一形變預測模型的形變預測值的均值；

39、將特征關聯性大于0.7的特征作為強關聯性特征。

40、進一步的，所述獲取所述強相關性特征基于安全性的最優(yōu)權重的方法，包括：

41、以最大化安全性為目標函數，表達式為：

42、

43、其中，ξ為安全性度量值，θ1為高拱壩的傾斜角，γ為風險區(qū)域自重，κ為1m3體積計劃承載水壓力，α為高拱壩底厚，β為高拱壩頂厚，n為監(jiān)測點數量，φi為第i個監(jiān)測點的熱應力，λmax為混凝土在澆筑過程中達到的最高溫度，λmin為混凝土在冷卻過程中達到的最低溫度，v為混凝土從最高溫度降至最低溫度的速率，ω1為溫度控制精度的權重，θ2為高拱壩的拱冠角，σ(i)為第i個監(jiān)測點的形變位移大小，j為高拱壩的拱高比，t為混凝土的養(yǎng)護時間，ω2為單位體積中混凝土的抗壓程度的權重，μb為混凝土彎曲模量，μc為混凝土壓縮模量，dv為1m3混凝土的抗壓程度；

44、通過粒子群算法選擇具有最高安全性度量值的粒子位置作為最優(yōu)權重解。

45、進一步的，所述基于所述強相關性特征和所述最優(yōu)權重構建形變監(jiān)測模型的方法，包括：

46、根據得到的最優(yōu)權重解對強相關性特征進行加權處理，基于深度神經網絡構建形變監(jiān)測模型，將加權特征作為輸入層到隱藏層的連接權重的初始值，以均方誤差作為目標函數，選擇隨機梯度下降算法對網絡進行訓練，其中隨機梯度下降的更新規(guī)則的表達式為：

47、

48、其中，θt為第t次迭代的模型參數，η為學習率，表示為在參數θt處的目標函數j對樣本(xi,yi)的梯度。

49、本發(fā)明第二方面還提供了混凝土高拱壩施工早期傾倒變形監(jiān)測系統(tǒng)，包括：

50、特征選取模塊，獲取高拱壩設計參數，根據設計參數構建三維壩體模型，基于三維壩體模型進行應力強度分析，基于應力強度分析結果選取形變特征；

51、傾斜形變類型劃分模塊，獲取監(jiān)測區(qū)域的傾斜形變信息，根據傾斜形變信息獲取底部和頂部的傾斜軌跡，根據底部和頂部之間傾斜軌跡的相似性對監(jiān)測區(qū)域的傾斜形式進行分類；

52、潛在風險區(qū)域識別模塊，分別為均勻性傾斜和不均勻性傾斜構建第一形變預測模型和第二形變預測模型，基于監(jiān)測區(qū)域對應的形變預測模型判斷是否具有潛在風險；

53、監(jiān)測模型構建模塊，對第一形變預測模型和第二形變預測模型進行特征關聯分析，獲得強相關性特征，獲取強相關性特征基于安全性的最優(yōu)權重，基于強相關性特征和最優(yōu)權重構建形變監(jiān)測模型嗎，輸出具有潛在風險的監(jiān)測區(qū)域的異常監(jiān)測結果。

54、相對于現有技術，本發(fā)明的實施例至少具有如下優(yōu)點或有益效果：

55、(1)本發(fā)明提供混凝土高拱壩施工早期傾倒變形監(jiān)測系統(tǒng)及監(jiān)測方法，通過基于三維模型的應力分析，選擇出應力強度薄弱的區(qū)域，基于應力薄弱區(qū)域進行特征選取，提高了監(jiān)測效率和資源的使用效率；

56、(2)本發(fā)明通過基于傾斜軌跡的相似度分類，構建基于面的第一形變預測模型和基于點的第二形變預測模型，使監(jiān)測模型擬合基于面和基于點的形變特征，實現更精細化和全面的監(jiān)測，提高了監(jiān)測的準確性和針對性；

57、(3)本發(fā)明通過特征關聯分析，可以識別出在不同條件下均對形變有顯著影響的特征，通過識別和量化強相關性特征對安全性的影響，可以更有效地進行風險監(jiān)測和管理。