本发明属于大坝安全监测领域,特别涉及一种基于bim(buildinginformationmodeling,建筑信息模型)的混凝土坝监测数据智能化管理与实时评估系统。
背景技术:
水电是全球可再生能源的主力,水电发电量占可再生能源发电量的70%。截至2018年底,我国水电总装机容量已达3.5亿千瓦,年发电量1.2万亿千瓦时,装机容量和发电量均居世界第一。据不完全统计,我国已建成大中型水电站近700座,装机在5万千瓦及以下的小水电站达47000多座。随着越来越多的电站、水库建成投产运行,其运行状况不仅仅关系到工程安全,还涉及到人民生命财产等公共安全,因此对电站及水库运行进行定期检查、实时监控、安全评价、除险加固与综合整治将是一个系统、持久的工作和任务。
随着计算机软、硬件技术的飞速发展,以工程三维技术支撑的建筑信息模型bim和建筑物全生命周期管理的理念和方法不断发展。“十一五”以来,水利水电行业如华东院、昆明院等一些大型设计院对bim在水利水电工程三维设计研究与扩展应用上进行了不少探索,取得了丰硕成果。然而,现阶段bim更多地运用在设计、施工阶段,在运维阶段的运用还很少。
随着我国水电资源的开发利用,大批水电站处于运行维护阶段,多数运行管理单位对电站主要水工建筑物及机电设备监测系统、管理手段进行了自动化信息化改造,可以及时获取各类监测信息及运行状态信息,这对保证大坝的安全运行起到了重要作用。与此同时,许多工程在运维阶段积累了海量的监测数据,存在内容多、周期长、数据量大、数据源分散等特征。过去人工的数据管理和分析处理模式已不再满足监测自动化和实时监测分析预报的要求。
因此,为高效地完成大坝安全监测工作,提高水电站信息化管理水平,确保工程长期服役运行安全,需要利用现代化技术手段对工程运行及检查中获取的海量信息进行实时管理、处理和深度挖掘。
技术实现要素:
发明目的:为克服现有技术的上述缺陷,本发明将大坝安全监测数据作为bim全生命周期管理信息中的一部分,引入机器学习等人工智能方法对自动化监测数据进行实时处理分析,提供了一种基于bim的混凝土坝监测数据智能化管理与实时评估系统,可以协助工作人员高效完成监测资料的分析评估工作,提高大坝信息化管理水平。
技术方案:本发明的基于bim的混凝土坝监测数据智能化管理与实时评估系统包括:数据库模块、建筑信息模型模块、实时评估模块;建筑信息模型模块与数据库模块相关联,并与实时评估模块连接;所述数据库模块包括监测资料采集模块和监测数据处理模块;其中,监测资料采集模块经配置以收集、汇总和存储混凝土坝工程中所有监测设备的监测数据;监测数据处理模块经配置以对监测资料采集模块中存储的监测数据进行查询、输出、处理、管理工作;所述建筑信息模型模块经配置以存储工程相关的信息资料并构建混凝土坝及监测测点三维信息模型,所述混凝土坝及监测测点三维信息模型包括坝体地形、重要构件和监测仪器的参数化模型;所述实时评估模块包括机器学习模块和监测数据分析模块;其中,机器学习模块经配置以存储一或多种机器学习算法;监测数据分析模块经配置以经由所述监测数据处理模块获取监测数据,并基于获取的监测数据评估混凝土坝的安全情况。
进一步地,上述基于bim的混凝土坝监测数据智能化管理与实时评估系统还包括分别与数据库模块、建筑信息模型模块、实时评估模块连接的web展示平台;所述web展示平台经配置以进行模型轻量化展示、监控信息浏览和评估结果输出;其中,模型轻量化展示包括借助于bimface轻量化模型转换功能,将构建的混凝土坝及监测测点三维信息模型在用户浏览器中进行展示,以使用户可通过浏览器查看大坝及监测测点信息和实时评估的结果信息。
进一步地,所述一或多种机器学习算法选自以下各项算法:多元回归、rbf神经网络、支持向量机、随机森林、高斯过程回归算法。
进一步地,所述监测数据处理模块包括接口层和数据层;所述接口层用于为数据源文件导入系统提供接口,所述接口包括本地数据访问接口、文件数据导入接口;所述数据层用于对所述监测资料采集模块中存储的监测数据执行简单的增、删、改、查。
进一步地,所述混凝土坝及监测测点三维信息模型是由所述建筑信息模型模块通过如下方式构建的:通过bim应用的软件建立坝址区三维地形及大坝结构和监测测点系统的相关族库,组装建立融合坝体地形、重要构件、监测仪器为一体的整体模型,并利用bim模型自身具有的属性将所述整体模型与所述数据库模块关联。
进一步地,所述混凝土坝工程中所有监测设备的监测数据包括以下各项监测数据的原始测值:环境量监测数据、变形监测数据、渗流监测数据和压力或应力监测数据;针对获取的变形监测数据,所述监测数据分析模块经配置以调用机器学习模块中存储的机器学习算法对获取的变形监测数据进行机器学习训练,构建监控模型以评估混凝土坝的安全情况。
进一步地,所述监测数据分析模块采用hst统计模型对所述变形监测数据进行机器学习训练,具体包括:
(1)根据需要分析的监测时间段,从所述监测数据处理模块获取所需的变形监测数据;
(2)根据实测的大坝环境量,计算静水压力分量δh(t),温度分量δt(t),时效分量δθ(t)作为所述hst统计模型的输入量,提取实测大坝位移y作为hst统计模型的输出量,所有的输入量输入模型前进行归一化处理;
(3)对所有作为输入量和输出量的数据划分训练集和测试集;
(4)从机器学习模块中选取机器学习算法;
(5)用选取的机器学习算法基于所述hst统计模型对数据训练集进行训练,构建监控模型,并通过测试集对生成的监控模型进行测试。
进一步地,所述hst统计模型中将混凝土坝径向位移δ按照成因分为水压分量δh、温度分量δt、时效分量δθ,具体表示为:
δ=δh(t)+δt(t)+δθ(t)+ε
式中,δh(t)为静水压力分量,δt(t)为温度分量,δθ(t)为时效分量,ε为模型的随机误差;
静水压力分量δh(t)选取三项因子,分别为x1=h-h0,x2=h2-h02和x3=h3-h03,其中,h0为始测日库水位,h为监测当日库水位;
温度分量δt(t)选取多周期简谐波作为因子,包括四项因子,分别为
时效分量δθ(t)选用线性函数、对数函数、指数函数和双曲函数组成的多项式函数来描述,包括四项因子,分别为:x8=θ-θ0,x9=lnθ-lnθ0,
进一步地,步骤(4)中,选机器学习算法包括通过gui及按钮触发机器学习模块选择框,以选取机器学习算法。
有益效果:具体地,本发明采用以上技术方案与现有技术相比,具有以下优点:
1.将监测信息作为工程全生命周期内的信息进行统一管理,使相关领域的技术人员能够对工程安全监测信息以及其它信息进行科学有序的管理;
2.有效结合人工智能技术、高性能计算技术,以及大坝安全监控理论和技术,能够对监测信息进行高效率分析和高精度预测,具有重要的科学实用价值;
3.有效对接bim和web,在web实现工程信息的轻量化展示,可供管理人员实时查询监测信息和分析评估结果。
附图说明
图1为本发明混凝土坝监测数据智能化管理与实时评估系统的结构图;
图2为上游水位测值过程线示意图;
图3为测点a位移测值过程线示意图;
图4为测点a的gpr监控模型输出结果示意图。
具体实施方式
下面结合附图对本发明作进一步描述,以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明提供一种基于bim的混凝土坝监测数据智能化管理与实时评估系统,用于大坝安全监测系统的管理与科学运用,该系统包括数据库模块、建筑信息模型模块、实时评估模块和web展示平台。建筑信息模型模块与数据库模块相关联,并与实时评估模块连接,web展示平台分别与数据库模块、建筑信息模型模块、实时评估模块连接。系统结构如图1所示,具体而言:
数据库模块包括监测资料采集模块和监测数据处理模块。其中,监测资料采集模块经配置以收集、汇总和存储混凝土坝工程中所有监测设备的监测数据。监测数据包括以下各项监测数据的原始测值:环境量监测数据、变形监测数据、渗流监测数据和压力或应力监测数据。监测数据处理模块用于对监测资料采集模块中存储的监测数据进行查询、输出、处理、管理工作。监测数据处理模块包括接口层和数据层。其中,接口层为数据源文件导入系统提供了接口,主要包含本地数据访问接口,文件数据导入接口等;数据层用于对数据库执行简单的增、删、改、查等功能。
建筑信息模型模块用于存储工程相关的信息资料并构建混凝土坝及监测测点三维信息模型,该混凝土坝及监测测点三维信息模型包括坝体地形、重要构件和监测仪器的参数化模型。建筑信息模型模块通过bim应用的软件,建立坝址区三维地形及大坝结构(坝段、廊道系统等)和监测测点系统的相关族库,进一步组装建立融合坝体地形、重要构件、监测仪器为一体的整体模型,在此基础上利用bim模型自身具有的属性将模型与数据库关联。
实时评估模块包括机器学习模块和监测数据分析模块。其中,机器学习模块用于存储多种机器学习算法,包括多元回归、rbf神经网络、支持向量机、随机森林、高斯过程回归算法。监测数据分析模块用于调用机器学习模块中存储的机器学习算法,对从所述监测数据处理模块获取的监测数据进行机器学习训练,构建监控模型,并通过所述监控模型评估混凝土坝的安全情况。
web展示平台用于模型轻量化展示、监控信息浏览和评估结果输出。其中,模型轻量化展示包括借助于bimface轻量化模型转换功能,将构建的大坝及监测测点三维信息模型在用户浏览器中进行展示,以使用户可通过浏览器查看大坝及监测测点信息和实时评估的结果信息。
下面再对监测数据分析模块的作进一步说明。之前已经提到,监测数据包括以下各项监测数据的原始测值:环境量监测数据、变形监测数据、渗流监测数据和压力或应力监测数据。
针对渗流监测数据和压力或应力监测数据,监测数据分析模块在获取成功后,会判断获取的渗流监测数据和压力或应力监测数据是否在预定的阈值范围内,如果在阈值范围内,则认为混凝土坝处于安全状态,反之则认为处于不安全状态。
针对混凝土坝的变形监测数据,监测数据分析模块采用hst统计模型对混凝土坝变形监测数据序列进行训练分析。在hst统计模型中将混凝土坝径向位移δ按照成因分为水压分量δh、温度分量δt、时效分量δθ,混凝土坝位移可表示为:
δ=δh(t)+δt(t)+δθ(t)+ε式(2)
式中,δh(t)为静水压力分量,δt(t)为温度效应分量,δθ(t)为时效分量,ε为模型的随机误差;
水压位量δh(t)选取三项因子,即x1=h-h0,x2=h2-h02和x3=h3-h03,其中,h0为始测日库水位,h为监测当日库水位。
温度分量选择多周期简谐波作为因子,选取四项因子,即
时效分量δθ(t)选用线性函数、对数函数、指数函数和双曲函数组成的多项式函数来描述,四项因子分别为:x8=θ-θ0,x9=lnθ-lnθ0,
基于上述hst统计模型,监测数据分析模块对变形监测数据进行机器学习训练,以构建监控模型对混凝土坝的安全状况进行评估。对变形监测数据进行机器学习训练具体包括以下步骤:
步骤1,选择需要分析的监测时间段,从监测数据处理模块获取所需的混凝土坝变形监测数据。
步骤2,根据实测的大坝环境量,计算静水压力分量δh(t)(即x1至x2),温度分量δt(t)(即x4至x7),时效分量δθ(t)(即x8至x11),作为hst统计模型的输入量,提取实测的大坝位移y作为hst统计模型的输出量,所有的数据输入模型前进行归一化处理。
步骤3,对所有作为输入量和输出量的数据划分训练集和测试集;
步骤4,从机器学习模块中选取机器学习算法;
步骤5,用选取的机器学习算法基于hst统计模型对训练集进行训练,构建监控模型,并通过测试集对生成的监控模型进行测试。
其中,步骤4中可通过gui及按钮触发机器学习模块选择框。可选取的机器学习算法包括多元回归、rbf神经网络、支持向量机、随机森林、高斯过程回归算法。
下面以一个工程实例来说明本发明:
某碾压混凝土重力坝,坝顶高程为153.00m,坝底高程41.00m,最大坝高112.00m。坝顶宽度6.0m,坝体上游面84m高程以上为竖直面,84m高程以下坡度为1:0.3;下游面坡度为1:0.75,折坡点高程为145.00m。该混凝土重力坝从左岸到右岸共设有10个坝段,依次为1#~10#。
所述碾压混凝土重力坝工程的各类监测数据存放于数据库模块,可对相关数据执行查询、输出、处理、管理等工作。工程各部件的参数化信息存放于建筑信息模型模块,并与数据库相关联。
在此基础上,通过实时评估模块对各变形监测点进行分析,以评估大坝的运行状态。以全部监测测点中任一监测测点a为例,操作步骤如下:
步骤1:选择测点a,通过建筑信息模型模块查看测点a的监测仪器布置信息;通过调用后台的数据库模块选取测点对应的监测资料,以及水位等环境量资料;测点a从2014年7月29日到2018年5月5日共记录有170次测值,如图2所示为上游水位测值过程线示意图,如图3所示为测点a位移测值过程线示意图。
步骤2:实时评估模块调用所选取测点a对应的监测数据构建监控模型,进行实时评估,包括:
(1)输入指令,调用a测点的实测数据和上游水位实测数据;
(2)根据实测的大坝环境量,计算静水压力分量δh(t)(即x1至x2)、温度分量δt(t)(即x4至x7)、时效分量δθ(t)(即x8至x11),作为模型的输入量,提取实测的大坝位移y作为hst统计模型的输出量;
(3)对数据划分训练集(2014年7月29日到2017年9月14日共145组测值)和测试集(2017年9月22日到2018年5月5日共25组测值);
(4)从机器学习模块中选取机器学习算法,如本案例中选用高斯过程回归(gpr)算法;
(5)对数据训练集进行训练,构建监控模型,并通过测试集对生成的监控模型进行测试。
如图4所示为a测点的gpr监控模型输出结果示意图,从图中可以看出,gpr模型的位移在训练阶段的拟合过程线和测试阶段的预测过程线均与实测位移过程线接近(实际应用中通常可以针对接近程度设定阈值进行判断),说明构建的gpr模型可以有效识别并预测a测点的位移测值,a测点的测值没有突变情况,运行正常。
步骤3:通过web展示平台对建筑信息模型模块构建的混凝土坝及监测测点三维信息模型进行轻量化展示,对数据库模块存储的监控信息和监测数据分析模块得到的实时评估的结果信息进行展示。
综上,本专利从水电工程超长服役的根本要求出发,综合运用现代化信息技术、人工智能技术,以及大坝安全监控和健康诊断的理论和方法,提出了一种基于bim的混凝土坝监测数据智能化管理与实时评估系统,以实现对大坝安全信息科学有序地管理。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。