一种基于深度学习的损伤感知和灾变预警智能土工织物

1.本发明涉及土工织物具体而言，涉及一种基于深度学习的损伤感知和灾变预警智能土工织物。


背景技术：

2.土工织物具有良好的透气性和透水性，使水流通过，从而有效地截留砂土流失，长丝土工布具有良好的导水功能，它可以使土体内部形成排水通道，将土体结构内多余液体和气体外排；可以利用土工布增强土体的抗拉强度和抗变形能力，增强建筑结构的稳定性，以改善土体质量；可以有效的将集中应力扩散，传达或分解，防止土体受外力作用而破坏；可以防止上下层砂土、土体及混凝土之间混杂，从而使网孔不易堵塞—因不定型纤维组织形成的网状结构有应变性和运动性。
3.现有技术当中的针对土体路基病害的监测方法主要分为两类：第一类是运用传统的监测传感器结合无线通讯技术将采集到的数据上传至数据库中，再经行处理，传统的监测传感元件不能对整个检测区域进行全覆盖，只能针对于某一检测点或者有限的监测范围进行监测，不能完全地反应整个检测区域，因此不能满足日益提高的监测要求。如现有技术，中国专利，其申请号：cn2016201864725，公告号：cn205421228u，公开一种具有监测功能的土工织物，由若干土工织物层通过缝合线缝制而成，其特征是土工织物层之间设置若干管式护套，管式护套中放置若干光学传感器，若干信号线穿入管式护套中与光学传感器相连。 该类方法存在不足在于，只能测量到监控点位的数据，存在监测不全面或是漏监的情况，且对监测人员布点有一定的要求，不能全范围地实现监测。第二类是，结合新的传感技术手段，如光纤传感器土工织物，这类技术手段只是简单的将土工织物同传感器元件进行结合，并未能够实现对数据的二次处理，仅仅简单地进行了采集。
4.因此本发明能够在不增加额外的传感器的情况下，将功能纤维同传统的土工织物有机结合在一起，并加入深度学习模块，实现路基病害监测全覆盖以及智能感知、病害预测等功能。为智能建造提供技术储备。


技术实现要素：

5.为了解决现有技术中的缺陷，本发明公开一种智能土工织物及其制备方法，其技术方法如下：本发明公开一种智能土工织物，其特征为：采用热固化处理方式将不锈螺纹钢制成的导电核芯层和压阻纳米复合材料制成具有固化涂层包裹的压组功能纤维；再通过编制机与土工织物合成材料，如锦纶、腈纶、涤纶、氯纶等编织成成品，最终通过数据导线与深度学习模块芯片组连接。
6.本发明还公开一种智能土工织物制备方法，其特征为：步骤1：用不锈钢拉丝机将不锈钢原材料进行拉丝处理，制成不锈钢螺纹钢成品，作为导电核芯；
步骤2：用热固化处理方式将不锈螺纹钢制成的导电核芯和压阻纳米复合材料制成具有固化涂层包裹的压组功能纤维。
7.步骤3：用土工织物编制机将步骤1中所述导电核心与步骤2中所述压阻功能纤维，结合传统土工织物合成材料，如腈纶纱等编织成智能土工织物成品。
8.步骤 4：将制成的智能土工织物成品同深度学习模块组通过数据导线进行连接，组成完整的监测系统。
9.本发明还公开一种全范围路基病害预警监测的监测方法，其特征为：包括如下步骤：步骤1：对整个智能土工织物和嵌入神经网络的深度学习模块芯片组进行训练，给由智能土工织物采集路基内部的各类响应，如应变、应力、温度和含水率；步骤2：将智能土工织物埋入需要监测的路基土体内部，智能土工织物采集路基内部的各类响应，并智能土工织物连接到深度学习模块组，组成路基长期监测及病害预警系统；步骤3：将采集到的数据输入到嵌入深度学习功能的芯片模块当中，由d/c转码器将电信号转为数字信号，存入内存中，由神经网络核心对数据进行分析，预测路基病害的即将发生的位置和时间。
10.有益效果本发明解决了传统路基内部监测方法不能全范围监控以及缺乏预警功能等一系列的不足，同时也极大地提高智能土工织物的使用价值，符合国家倡导的智能建造的需求。
附图说明
11.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：图1是本发明实施例的同轴压阻纤维材料的结构示意图，包括不锈钢拉丝的导电核心层1，和包裹导电核心层的压阻纳米包裹材料2；1.导电核心层；2压阻纳米包裹材料；图2是根据本发明实施的智能土工织物的结构图，包括传统的土工织物材料和同轴压阻纤维材料；图3是根据本发明实施例的深度学习算法的原理结构图。
具体实施方式
12.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图如土工织物主题，在此处展开描述该土工织物结构组成、位置关系、制备方法流程等内容。
13.实施例1一种智能土工织物，包括同轴压阻纤维材料与锦纶、腈纶、涤纶、氯纶传统的土工织物合成材料、和深度学习模块芯片组；所述的同轴压阻纤维材料采用热固化处理方式将压阻纳米复合材料包裹到导电核心层，再通过编制机与所述土工织物合成材料编织成成品，最终通过数据导线与所述深度学习模块芯片组连接。
14.上述同轴压阻纤维材料的制备，由压阻护套和导电核心层两部分构成：所述压阻护套制备方法：步骤1：通过混合石墨纳米颗粒（1200nm）、铜纳米颗粒（580nm）和pdms弹性体（sylgard-184，碱与固化剂重量比为10:1）制备压阻护套；步骤2：向压阻护套中添加硅溶剂os2，以优化涂料混合物的粘度；步骤3：使用速度混合器以2500转/分的速度将混合物充分混合90秒；步骤4：将制备的压阻复合材料装入注射器中。该注射器连接到一个定制的材料贮存器，该材料贮存器具有500微米直径的入口和700微米直径的出口；步骤5：使用分配器向注射器施加恒压（20psi），同时将3层不锈钢螺纹送入入口；步骤6：用一个连续旋转的马达拉动线，并涂上纳米复合材料，在150
°
c下热固化后，将所得同轴压阻纤维（即功能纤维）卷成卷；每个传感器构建在两个正交重叠的功能纤维的交叉处，形成一个层状结构，压阻纳米复合材料由两个导电电极夹在中间。 实施例2本发明还公开一种智能土工织物制备方法，其特征为：步骤1：用不锈钢拉丝机将不锈钢原材料进行拉丝处理，制成不锈钢螺纹钢成品，作为导电核芯；步骤2：用热固化处理方式将不锈螺纹钢制成的导电核芯和压阻纳米复合材料制成具有固化涂层包裹的压组功能纤维。
15.压阻纳米复合材料由聚二甲基硅氧烷（pdms）弹性体作为基体，石墨/铜纳米颗粒作为导电填料组成步骤3：用土工织物编制机将土工织物，步骤1中所述导电核心与步骤2中所述压阻功能纤维，结合传统土工织物合成材料，如腈纶纱和功能纤维编织成智能土工织物成品。
16.步骤 4：将制成的智能土工织物成品同深度学习模块组通过数据导线进行连接，组成完整的监测系统。
17.实施例3一种全范围路基病害预警监测的监测方法，其特征为：包括如下步骤；步骤1：对整个智能土工织物和嵌入神经网络的深度学习模块芯片组进行训练，给由智能土工织物采集路基内部的各类响应，如应变、应力、温度和含水率等。
18.步骤2：将智能土工织物埋入需要监测的路基土体内部，智能土工织物采集路基内部的各类响应，如应变、应力、温度和含水率等，并智能土工织物连接到深度学习模块组，组成路基长期监测及病害预警系统。
19.步骤3：将采集到的数据输入到嵌入深度学习功能的芯片模块当中，由d/c转码器将电信号转为数字信号，存入内存中，由神经网络核心对数据进行分析，预测路基病害的即将发生的位置和时间。
20.基于深度学习技术的路基长期监控和病害预警的人工神经网络算法。本发明中的深度学习算法是一种具有多个隐藏层的完全卷积神经网络，该网络以一小部分原始阵列响应作为输入，并以相同的空间阵列分辨率输出代表输入序列中间的修正响应。同轴压阻纤维材料作为神经网络的输入信号端口，能够输入的响应有应力、应变、温度、含水率等，这些参数科作为神经网络模型的输入量，而长期变形、病害发生作为模型的输出参数。
21.本发明采用交叉验证和早停准则来防止网络出现过拟合，将数据集按照80%和20%
的比例划分为训练集和测试集，训练集用于开发神经网络模型，而测试集用于评估所开发的模型的泛化能力，即模型在新的数据上的表现。本发明采用多隐含层的训练函数trainlm和学习函数learngdm作为激活函数对网络进行训练最后采用误差平方和(sse)、均方根误差(rmse)、平均绝对误差(mae)、平均绝对百分比误差(mape)以及决定系数(r2)来评价ann模型的预测精度，见下式。分别就上述两种激活函数、对输入和输出数据进行归一化处理以及隐含层神经元个数对模型预测结果的影响进行讨论。
22.ꢀꢀ
(1)
ꢀꢀ
(2)
ꢀꢀ
(3)
ꢀꢀ
(4)
ꢀꢀ
(5)此外，在实际应用之前，需要对连接智能土工织物的神经网络进行随机梯度下降进行优化，优化目标由两部分组成：一种是保留输入的空间细节，另一种是要求总响应接近训练时的实测读数。神经网络不断增加响应数据和实际参考数据之间的相关性，将各类响应数据同实际压力输入参量的相关性增加至目标值，如目标值为95%，即认为神经网络训练优化达到目标。通过该算法能够实现大量数据的深度学习，能够抵抗单个元件间的干扰变化，提高测量的精确度和可靠度。此外，该算法的另一部分为记录土体长期变形过程中变形、附加应力、含水率、温度的变化规律，通过长期学习并记录病害，利用已测的历史数据与病害响应进行回归分析，从而实现路基病害的预警预测，并且利用预测值与实测值的均方误差不断优化该神经网络。