不同工况条件下建筑工程模板变形统计特征计算方法与流程

1.本发明属于建筑工程计算领域，具体涉及一种不同工况条件下建筑工程模板变形统计特征计算方法。


背景技术：

2.建筑工程模板是最常用的建筑施工周转材料之一，有竹木纤维、钢、铝合金、塑料等多种材质。建筑工程模板在混凝土等建筑材料浇筑施工过程中因承受荷载而变形，如超过模板变形的允许范围，可能导致模板损坏，造成工程质量事故或安全事故。
3.对于模板变形的极限值，目前的研究主要通过力学计算或有限元分析得到，再根据传感器得到的实测变形数据与极限值进行对比，超出极限值时系统报警。
4.上述所提到的模板变形极限值的计算有较为严格的边界条件，当施工工况条件变化时，需要重新计算，计算流程繁琐，不利于实际工程应用。因此，本领域技术人员急需一种能够对模板变形极限值进行简便计算的方法。


技术实现要素：

5.本发明的目的是根据上述现有技术的不足之处，提供一种不同工况条件下建筑工程模板变形统计特征计算方法，该计算方法针对模板在不同工况条件下的工况参数、变形监测传感器采集到的变形统计数据，应用神经网络算法，建立有监督机器学习模型进行训练，利用训练好的模型，输入已知工况条件下的变形特征值进行回归分析，得到模板变形均值和标准差，从而确定模板的变形范围。
6.本发明目的实现由以下技术方案完成：
7.一种不同工况条件下建筑工程模板变形统计特征计算方法，其特征在于所述计算方法包括以下步骤：
8.(s1)在支模架的模板上选定若干变形监测点，并于各所述变形监测点上对应安装变形监测传感器；
9.(s2)对各所述变形监测点处的模板工况条件以6个特征进行描述，分别为x1、x2、x3、x4、x5、x6；其中：
10.x1为所述模板的板材类型；
11.x2为所述模板的厚度；
12.x3为所述模板上所浇筑的建筑材料比重；
13.x4为所述模板与水平线的夹角；
14.x5为所述模板上的变形监测点与所浇筑的建筑材料表面的垂直距离；
15.x6为所述模板上的变形监测点与主背肋的最近距离；
16.(s3)经所述变形监测传感器监测获得各所述变形监测点处的变形监测数据v；
17.(s4)将变形监测数据v以统计方法获得其变形均值μ和样本标准差σ；
18.(s5)以所述变形监测点处模板工况条件的6个特征作为输入，以对应的变形均值μ
和样本标准差σ作为输出，建立有监督机器学习模型f；
19.f(x1、x2、x3、x4、x5、x6)＝(μ，σ)；
20.应用误差反向传播神经网络算法进行回归分析计算，将训练集输入有监督机器学习模型f中进行训练，以获得偏差结果符合要求的有监督机器学习模型f；所述训练集是由各所述变形监测点处的模板工况条件以及变形监测数据v的统计学特征组成；
21.(s6)将其他支模架上的模板工况条件(x1、x2、x3、x4、x5、x6)输入至有监督机器学习模型f中，计算得到模板的变形统计学特征，包括变形均值μ和样本标准差σ，以确定其他支模架上的模板变形的正常范围区间。
22.步骤s4中，将变形监测数据v以统计方法获得其变形均值μ和样本标准差σ的计算公式为：
[0023][0024][0025]
式中：
[0026]
n为所述变形监测点的数量；
[0027]
vi为第i个所述变形监测点的变形监测数据。
[0028]
步骤s5包括以下步骤：
[0029]
(s5.1)采集n条数据样本，每条所述数据样本包括模板工况条件(x1、x2、x3、x4、x5、x6)以及对应的变形数据统计特征μ和σ；
[0030]
(s5.2)将n条所述数据样本根据比例划分为训练集、验证集、测试集；
[0031]
(s5.3)搭建采用误差反向传播神经网络算法的有监督机器学习模型f，配置以下参数，包括：隐藏层数量l＝2、每个隐藏层的节点数k＝10、创建隐藏层的默认激活函数sigmoid、设定输出层节点数量为2；创建输出层的传递函数；
[0032]
(s5.4)初始化权重和偏置值；
[0033]
(s5.5)将所述训练集的输入向量(x1、x2、x3、x4、x5、x6)和输出向量(μ，σ)导入至有监督机器学习模型f中进行神经网络训练，并以所述测试集检验有监督机器学习模型f的训练结果，以均方误差mse衡量训练效果；
[0034][0035]
式中：n为所述验证集的样本数量；
[0036]
如果均方误差mse指标大于阈值，表明不能满足误差的精度要求，则返回步骤s5.3重新配置有监督机器学习模型f的参数，调整隐藏层数量、节点数，并将默认激活函数sigmoid替换为其他的激活函数，直至均方误差mse满足误差精度要求，获得训练完毕的有监督机器学习模型f。
[0037]
将n条所述数据样本按照0.7：0.15:0.15的比例划分为所述训练集、所述验证集、所述测试集。
[0038]
本发明的优点是：可以应用在建筑支模架工程等安全风险较大的领域，制定支模
架施工专项方案后，确定需要监测的模板变形部位，再采用本发明所述方法，确定监测点的变形范围；如果传感器得到的实时监测数据超过该范围，则触发报警条件，可以提醒高大支模架作业面人员采取加固或避险措施，减少人员伤亡及财产损失。
附图说明
[0039]
图1为本发明中支模架不同变形监测点处的模板工况条件示意图；
[0040]
图2为本发明中有监督学习流程示意图；
[0041]
图3为本发明中神经网络算法结构图。
具体实施方式
[0042]
以下结合附图通过实施例对本发明的特征及其它相关特征作进一步详细说明，以便于同行业技术人员的理解：
[0043]
如图1-3，图中各标记分别为：模板1、混凝土2、主背肋3。
[0044]
实施例：如图1、2、3所示，本实施例具体涉及一种不同工况条件下建筑工程模板变形统计特征计算方法，该计算方法针对模板1在不同工况条件下的工况参数、变形监测传感器采集到的变形统计数据，应用神经网络算法，建立有监督机器学习模型f进行训练，利用训练好的模型f，输入已知工况条件下的模板特征值进行回归分析，得到模板变形均值和标准差，从而确定模板1的变形范围。具体包括以下步骤：
[0045]
(s1)如图1所示，确定支模架技术方案，支模架由支架、设置在支架上的主背肋3以及由各主背肋联合支撑的模板1所组成，在模板1的围合之下浇筑混凝土2；在各模板1上的所需位置设定若干变形监测点，并在各变形监测点上对应安装变形监测传感器，变形监测传感器具体安装在模板1的背面并用于监测采集其变形数据。
[0046]
(s2)记录各变形监测传感器位置处的模板1的对应工况条件，即各变形监测点处所对应的工况条件，具体由6个特征来进行描述，分别为x1、x2、x3、x4、x5、x6；其中：
[0047]
x1为模板1的板材类型；
[0048]
x2为模板1的厚度；
[0049]
x3为模板1上所浇筑的建筑材料(本实施例中为混凝土2)比重；
[0050]
x4为模板1与水平线的夹角；
[0051]
x5为模板1上的变形监测点与所浇筑的建筑材料(本实施例中为混凝土2)表面的垂直距离；
[0052]
x6为模板1上的变形监测点与主背肋3的最近距离。
[0053]
(s3)经变形监测传感器监测获得各变形监测点处的变形监测数据v。
[0054]
(s4)将变形监测数据v以统计方法获得其变形均值μ和样本标准差σ；变形均值μ和样本标准差σ的计算方法如下：
[0055][0056]
[0057]
式中：
[0058]
n为变形监测点的数量；
[0059]
vi为第i个变形监测点的变形监测数据。
[0060]
(s5)以变形监测点处模板工况条件的6个特征作为输入，以对应的变形均值μ和样本标准差σ作为输出，建立有监督机器学习模型f；
[0061]
f(x1、x2、x3、x4、x5、x6)＝(μ，σ)；
[0062]
应用误差反向传播神经网络算法进行回归分析计算，将训练集输入有监督机器学习模型f中进行训练，以获得偏差结果符合要求的有监督机器学习模型f；所述训练集是由各所述变形监测点处的模板工况条件以及变形监测数据v的统计学特征组成。具体的方法如下：
[0063]
(s5.1)采集n条数据样本，每条的数据样本包括模板工况条件(x1、x2、x3、x4、x5、x6)以及对应的变形数据统计特征μ和σ。
[0064]
(s5.2)将n条数据样本根据比例划分为训练集、验证集、测试集；
[0065]
训练集比例系数为k1(0《k1《1)，验证集比例系数为k2(0《k2《1)，测试集比例系数为k3(0《k3《1)；k1+k2+k3＝1；本实施例中，可取k1＝0.7，k2＝0.15，k3＝0.15。因此，训练集数量n1＝n
×
k1，验证集数量n2＝n
×
k2，测试集数量n3＝n
×
k3；数据样本的条数应不小于30条，即n≥30。
[0066]
(s5.3)如图3所示，搭建采用误差反向传播神经网络算法的有监督机器学习模型f，配置以下参数，包括：隐藏层数量l＝2、每个隐藏层的节点数k＝10、创建隐藏层的默认激活函数sigmoid、设定输出层节点数量为2；创建输出层的传递函数。
[0067]
(s5.4)初始化有监督机器学习模型f的权重和偏置值。
[0068]
(s5.5)将训练集的输入向量(x1、x2、x3、x4、x5、x6)和输出向量(μ，σ)导入至有监督机器学习模型f中进行神经网络训练，并以测试集检验有监督机器学习模型f的训练结果，以均方误差mse衡量训练效果；
[0069][0070]
式中：n为验证集的样本数量；
[0071]
如果均方误差mse指标大于阈值，表明不能满足误差的精度要求，则返回步骤s5.3重新配置有监督机器学习模型f的参数，调整隐藏层数量、节点数，并将默认激活函数sigmoid替换为其他的激活函数，直至均方误差mse满足误差精度要求，获得训练完毕的有监督机器学习模型f。
[0072]
(s6)将其他支模架上的模板工况条件(x1、x2、x3、x4、x5、x6)输入至训练完毕的有监督机器学习模型f中，计算得到模板的变形统计学特征，包括变形均值μ和样本标准差σ，以确定其他支模架上的模板变形的正常范围区间。
[0073]
需要说明的是，bp神经网络算法是一种成熟的有监督机器学习算法，结构图参见图3，应用开源软件(如python)中的神经网络算法包，训练机器学习模型。其原理是不断调整神经网络权值，利用牛顿梯度方法或信赖域算法，使网络计算结果与真实值的误差不断缩小的过程。
[0074]
在有监督机器学习模型f的神经网络的训练阶段，隐藏层第i个节点在输入样本q
后可以表达为：
[0075][0076]
式1中：
[0077]
i＝1,2,3,...；
[0078]
和分别为输入节点j在样本q作用时的输入和输出；
[0079]wij
为输入层节点j与隐藏层节点i之间的连接权值；
[0080]
θi为隐藏层节点i的阈值；
[0081]
m为输入层的节点数。
[0082]
隐藏层第i个神经元的输出为
[0083]
式2中：
[0084]
i＝1,2,3,...；
[0085]
f为sigmoid激活函数，θ1和θ0都为需要训练确定的参数值。
[0086]
式2的微分函数
[0087]
式3中：
[0088]
i＝1,2,3,...；
[0089]
式3中第i个节点的输出传递至神经网络输出层第k个节点，则节点k的总输入为：
[0090][0091]
式4中：
[0092]
k＝1,2,3,...；
[0093]
式4中w
ki
为隐藏层节点i与输出层节点k之间的权值；θk为输出层节点k的阈值，p为隐藏层的节点数。
[0094]
输出层第k个节点的实际输出为
[0095]
式5中：
[0096]
k＝1,2,3,...；
[0097]
式5的激活函数为：
[0098][0099]
k＝1,2,3,...；
[0100]
如果与用于验证的数值偏差超出设定的范围，则将其误差信号从输出端反向传播，对权值w
ki
重新不断修正，直到偏差在设定范围内。样本q完成调整后再进行另一组样本的训练，直到全部训练集数据完成以上过程。
[0101]
本实施例的有益效果在于：可以应用在建筑支模架工程等安全风险较大的领域，制定支模架施工专项方案后，确定需要监测的模板变形部位，再采用本发明所述方法，确定监测点的变形范围；如果传感器得到的实时监测数据超过该范围，则触发报警条件，可以提醒高大支模架作业面人员采取加固或避险措施，减少人员伤亡及财产损失。