一种基于神经网络的墙体纵向裂缝宽度预测系统及方法
【专利摘要】本发明涉及一种建筑物墙体的裂缝预测系统及方法，属于建筑物墙体的危险评估领域。本发明筛选出墙体倾斜度、厚度等六个重要影响因素，作为建立的计算机预测系统的输入，本发明的计算机系统包括墙体顶部开裂点裂缝宽度等级确定模块、影响因素权重确定模块、影响因素预处理模块、分类器模块、预测关系表生成模块，最终输出裂缝预测与影响因素对应的二维表，以对墙体危险评估提供准确依据。
【专利说明】一种基于神经网络的墙体纵向裂缝宽度预测系统及方法
【技术领域】
[0001]本发明涉及一种建筑物墙体的裂缝预测方法，属于建筑物墙体的危险评估领域。在我国，因建筑物老化而引起的建筑物墙体开裂，在各个城市中都有出现，也是现在建筑评估中的重要方面，在现用的房屋评估中，大部分还是通过建筑结构、年代等信息进行人工的预测，主观因素影响较大，因此需要较准确的建筑险情预测方法，以辅助险情排查。
【背景技术】
[0002]因建筑物老化而引起的建筑物墙体开裂，在各个城市中都有出现，也是现在建筑评估中的重要方面，在现用的房屋评估中，大部分还是通过建筑结构、年代等信息进行人工的预测，主观因素影响较大，因此需要较准确的建筑险情预测方法，以辅助险情排查。
[0003]而在现有的日常房屋墙体开裂排查中，通过排查人的经验进行预测并不准确，而且在墙体仅出现细小裂缝或者不明显的倾斜时，可能容易被忽略，从而引起严重的后果；同时，在险情预测中，筛选出哪些主要影响因素，也是影响预测的直接因素；并且在墙体裂缝预测中，简单的分类预测方法并不能很好地完成精确的预测。
【发明内容】
[0004]本发明针对现有的对墙体裂缝预测排查中的不足，提出了一种基于多分类器融合的方法，并且通过大量的实测试验数据，筛选出了影响墙体裂缝的主要因素，并对这些因素的影响值进行了有效的加权计算，从而实现更加精确的墙体裂缝预测。
[0005]为了达到上述目的，本发明提出了一种应用于包含CPU的计算机中的墙体纵向裂缝宽度预测系统，具体采用如下的技术方案:
所述系统包括:
(1)墙体顶部开裂点裂缝宽度等级确定模块，用于将裂缝宽度设置成不同的等级，具体为:设裂缝宽度a在0〈a≤3mm时取1，裂缝宽度在3mm〈a ≤ 10mm时取2，裂缝宽度在10mm<a≤15mm时取3，裂缝宽度在15mm〈a≤20mm时取4，裂缝宽度在20mm〈a时取5 ；
(2)影响因素权重确定模块，用于根据系统输入的各影响因素对墙体开裂的影响程度数据，建立各影响因素与墙体裂缝等级的二维关系映射图，并通过曲线拟合方法，将拟合后的曲线二次项系数作为各个影响因素的权重；
(3)影响因素预处理模块，用于将上述六个影响因素数据进行归一化处理，并将墙体高度、墙体宽度、墙体厚度三个影响因素作为第一组，将墙体承重、墙体倾斜度、材料强度三个影响因素作为第二组，将归一化处理后的数据分别与其对应的影响因素权重相乘，获得各个影响因素的加权后值，作为分类器模块的输入；
(4)分类器模块，该模块包含K近邻分类器子模块、BP神经网络分类器子模块和分类输出子模块，所述K近邻分类器子模块与BP神经网络分类器子模块之间是并列关系，其输出分别作为分类输出子模块的输入；其中K近邻分类器子模块以第一组影响因素作为输入，以对应的裂缝宽度作为输出，BP神经网络分类器以第二组影响因素作为输入，以对应的裂缝宽度作为输出，分类输出子模块通过加权平均方式获取分类结果；
(5)预测关系表生成模块，用于将墙体的六种影响因素数据与分类器预测的墙体裂缝宽度预测值进行对比和联系，形成网格化动态信息监控，以对比表格形式输出，为建筑墙体危险评估提供预测信息，保证建筑危险评估的可靠性和准确性。
[0006]优选地，所述分类器模块中，分类输出子模块的输出算法为:
将各个影响因素对应的影响因素权重求取平均值Ni，其中i=l，2，…，6，再
求取第一组影响因素的权重
【权利要求】
1.一种基于神经网络的墙体纵向裂缝宽度预测系统，其应用于包含CPU的计算机中的，其特征在于:所述系统包括: (1)墙体顶部开裂点裂缝宽度等级确定模块，用于将裂缝宽度设置成不同的等级，具体为:设裂缝宽度a在0〈a≤3mm时取1，裂缝宽度在3mm〈a≤IOmm时取2，裂缝宽度在10mm<a≤15mm时取3，裂缝宽度在15mm〈a≤20mm时取4，裂缝宽度在20mm〈a时取5 ； (2)影响因素权重确定模块，用于根据系统输入的各影响因素对墙体开裂的影响程度数据，建立各影响因素与墙体裂缝等级的二维关系映射图，并通过曲线拟合方法，将拟合后的曲线二次项系数作为各个影响因素的权重； (3)影响因素预处理模块，用于将上述六个影响因素数据进行归一化处理，并将墙体高度、墙体宽度、墙体厚度三个影响因素作为第一组，将墙体承重、墙体倾斜度、材料强度三个影响因素作为第二组，将归一化处理后的数据分别与其对应的影响因素权重相乘，获得各个影响因素的加权后值，作为分类器模块的输入； (4)分类器模块，该模块包含K近邻分类器子模块、BP神经网络分类器子模块和分类输出子模块，所述K近邻分类器子模块与BP神经网络分类器子模块之间是并列关系，其输出分别作为分类输出子模块的输入；其中K近邻分类器子模块以第一组影响因素作为输入，以对应的裂缝宽度作为输出，BP神经网络分类器以第二组影响因素作为输入，以对应的裂缝宽度作为输出，分类输出子模块通过加权平均方式获取分类结果； (5)预测关系表生成模块，用于将墙体的六种影响因素数据与分类器预测的墙体裂缝宽度预测值进行对比和联系，形成网格化动态信息监控，以对比表格形式输出，为建筑墙体危险评估提供预测信息，保证建筑危险评估的可靠性和准确性。
2.如权利要求1所述的系统，其特征在于:所述分类器模块中，分类输出子模块的输出算法为: 将各个影响因素对应的影响因素权重求取平均值Ni，其中i=l，2，…，6，再求取第一组影响因素的权重
3.如权利要求1所述的系统，其特征在于:所述BP神经网络分类器子模块的建立方法为: BP神经网络从输入层到隐含层和隐含层到输出层的传递函数分别采用1gsig函数和tansig 函数；
BP 神经网络为:net=newff (r, c, [30, 10], { ‘ligsig，, ’ tansig，}) 其中，newff ()为BP神经网络函数，r表示输入数据，c表示输出数据，[30，10]表示BP神经网络隐含层节点数为30个，输出层节点数为10个，{ ‘ligsig’，’tansig’}表示网络从输入层到隐含层和隐含层到输出层的传递函数分别采用1gsig函数和tansig函数。
4.如权利要求1所述的系统，其特征在于:该系统可以运行于同一计算机系统中，也可以以分布式方式运行于多台可相互通信的计算机系统中。
5.一种基于神经网络的墙体纵向裂缝宽度预测方法，其特征在于: (1)通过实测，获取墙体材料力学数据、结构力学数据，筛选出影响墙体开裂及裂缝变化的影响因素，所述影响因素包括:墙体高度、墙体宽度、墙体厚度、墙体承重、墙体倾斜度、材料强度； (2)建立墙体顶部开裂点裂缝宽度等级，设裂缝宽度a在0〈a( 3mm时取1，裂缝宽度在3mm〈a ^ IOmm时取2,裂缝宽度在10mm〈a ^ 15mm时取3,裂缝宽度在15mm〈a ^ 20mm时取4，裂缝宽度在20mm〈a时取5 ； (3)通过实际测量，获取并记录所述各影响因素对墙体开裂的影响程度数据，建立各影响因素与墙体裂缝等级的二维关系映射图，并根据该二维关系映射图和数据，进行曲线拟合，该曲线拟合式为:a=kix2+k2x+k3，式中，a为裂缝宽度等级，X表示所述各影响因素k3表示拟合曲线的系数；记录各个影响因素对应的h值，作为各个影响因素的权重； (4)将上述六个影响因素数据进行归一化处理，将墙体高度、墙体宽度、墙体厚度三个影响因素作为第一组，将墙体承重、墙体倾斜度、材料强度三个影响因素作为第二组，将归一化处理后的数据分别与其对应的拟合曲线中的Ic1值相乘，获得各个影响因素的加权后值； (5)建立分类器体系，首先建立K近邻分类器，具体采用KNN算法，以第一组影响因素作为输入，以对应的裂缝宽度作为输出；其次建立BP神经网络分类器，采用三层结构BP神经网络，采用1gsig函数和tansig函数作为传递函数，以第二组影响因素作为输入，以对应的裂缝宽度作为输出；将各个影响因素对应的匕值求取平均值Ni，其中i=l，2，…，6，再求取第一组影响因素的权重
6.如权利要求5所述的方法，其特征在于:所述步骤(1)中实测获取墙体倾斜度的具体方法为: a.首先在墙体周围选取两个可通视的点作为测量控制点；b.通过所述测量控制点设定临时坐标系，在墙体裂缝最高点左右两个相距IOcm处沿墙体选取两条垂直线，通过观测所述两条垂直线上每间隔IOcm的点的位移信息的三维坐标计算出各个点相对于底面的倾斜度； c.将各个倾斜度求取平均值作为墙体倾斜度。
7.如权利要求5所述的方法，其特征在于:所述步骤(5)中的BP神经网络分类器的建立方法为: BP神经网络从输入层到隐含层和隐含层到输出层的传递函数分别采用1gsig函数和tansig 函数； BP 神经网络为:net=newff (r, c, [30, 10], { ‘ligsig，, ’ tansig，}) 其中，newff ()为BP神经网络函数，r表示输入数据，c表示输出数据，[30，10]表示BP神经网络隐含层节点数为30个，输出层节点数为10个，{ ‘ligsig’，’tansig’}表示网络从输入层到隐含层和隐含层到输出层的传递函数分别采用1gsig函数和tansig函数。
【文档编号】G06F19/00GK103984856SQ201410187972
【公开日】2014年8月13日 申请日期:2014年6月19日 优先权日:2014年6月19日
【发明者】刘迎春, 魏华峰 申请人:江苏新瑞峰信息科技有限公司