一种重力坝表观裂缝危险性预测方法及系统技术方案

本发明专利技术公开了一种重力坝表观裂缝危险性预测方法及系统，获取实测的含表观裂缝重力坝结构的前3~5阶频率和模态；将实测的含表观裂缝重力坝结构的前3~5阶频率和模态输入至预先构建的基于机器学习的裂缝信息预测模型中，确定裂缝深度和方向角。优点：本发明专利技术通过现场测试可以较为准确地预测重力坝表观裂缝内部的穿透深度和走向，从而根据预测结果评判裂缝是否对重力坝的整体安全性构成威胁，以便及时地采取加固维修措施，消除重力坝结构的安全隐患。

【技术实现步骤摘要】
一种重力坝表观裂缝危险性预测方法及系统
本专利技术涉及一种重力坝表观裂缝危险性预测方法及系统，属于水利水电工程结构的健康监测

技术介绍
水工混凝土大坝在静载及温度荷载下坝体的应力水平就比较高，部分高混凝土坝在上游坝踵部位的拉应力基本接近甚至超过混凝土的极限抗拉强度，坝身均有不同程度的裂缝存在。陈村重力拱坝由于分期施工在下游坝面产生较大范围的水平裂缝；葛洲坝一期工程各类建筑物出现裂缝3156条；小湾拱坝浇筑初期，先后在6个坝段共发现16条裂缝。裂缝的产生与扩展，不仅危害到大坝的安全，直接影响整个工程效益的充分发挥，而且威胁到下游人民的生命财产安全，是关系国计民生的大事。这些裂缝在坝身表面虽为肉眼可见，但无法确定这些裂缝在坝体内部的穿透深度及走向，进而无法准确评判裂缝的危险性程度。受到测试条件的限制，现有的常规无损检测技术无法准确预测裂缝的危险性程度，传统的超声波法利用波的反射检测裂缝的方法受复合材料的界面波的反射影响较大，且钢筋的存在加大了反射信号的复杂性，而声发射技术又受到裂缝检测深度和裂缝尺寸方面的限制，基于人工智能算法和数值模型的缺陷检测技术需要迭代搜索缺陷位置，计算代价昂贵，且受智能算法影响易于陷入局部最优。
技术实现思路
本专利技术所要解决的技术问题是克服现有技术的缺陷，提供一种重力坝表观裂缝危险性预测方法及系统。为解决上述技术问题，本专利技术提供一种重力坝表观裂缝危险性预测方法，获取实测的含表观裂缝的重力坝结构的前3～5阶频率和模态；将实测的含表观裂缝的重力坝结构前3～5阶频率和模态输入至预先构建的基于机器学习的裂缝信息预测模型中，确定裂缝深度和方向角。进一步的，所述基于机器学习的裂缝信息预测模型的构建过程包括：在重力坝内部区域随机生成裂缝信息，通过建立重力坝-地基-库水有限元模型计算不同裂缝信息对应的结构前3～5阶频率和对应实际测点的各阶模态向量作为机器学习样本的输入变量；获取随机生成裂缝信息的表观裂缝延伸至坝体内部的裂缝深度和裂缝方向角为机器学习样本的输出变量；根据机器学习样本的输入变量和输出变量训练基于机器学习的裂缝信息预测模型。进一步的，所述机器学习样本的输入变量的确定过程包括：根据实际重力坝结构的几何外形尺寸建立重力坝-地基-库水有限元网格模型，在建立重力坝-地基-库水有限元网格模型时，库水模型的上游库水域的截断边界与地基上游方向截断边界一致；利用蒙特卡洛算法在重力坝内部区域随机生成不少于10000条的裂缝信息，每条裂缝的信息包含：裂缝深度和方向角；根据建立的重力坝-地基-库水有限元网格模型的重力坝-地基-库水有限元网格以及裂缝信息，施加地基截断边界处的边界条件，采用扩展有限元法和水平集算法计算不同裂缝信息对应的结构前3～5阶频率和模态。进一步的，所述将实测的含表观裂缝的重力坝结构的前3～5阶频率和模态输入至预先构建的基于机器学习的裂缝信息预测模型中，输出裂缝深度和方向角的过程包括：多次将实测的含表观裂缝的重力坝结构的前3～5阶频率和模态输入预先构建的基于机器学习的裂缝信息预测模型中，记录每次预测得到的裂缝深度和方向角；通过正态分布分别拟合每次预测的裂缝深度和方向角；正态分布的期望值为最终确定的裂缝深度和方向角。进一步的，所述机器学习的算法为单层神经网络、多层神经网络或卷积神经网络中的任意一种。进一步的，所述实测的含表观裂缝重力坝结构前3～5阶频率和模态的获取过程包括：在重力坝下游坝面上布置若干个拾振器，通过拾振器获取大地脉动激发给拾振器的动力响应信号，对动力响应信号进行傅里叶变换，提取出结构前3～5阶频率和测点的位移模态。一种重力坝表观裂缝危险性预测系统，包括：获取模块，用于获取实测的含表观裂缝的重力坝结构的前3～5阶频率和模态；处理及输出模块，用于将实测的含表观裂缝的重力坝结构前3～5阶频率和模态输入至预先构建的基于机器学习的裂缝信息预测模型中，确定裂缝深度和方向角。进一步的，所述处理及输出模块包括：有限元网格模型预构模块，用于根据实际重力坝结构的几何外形尺寸建立重力坝-地基-库水有限元网格模型，在建立重力坝-地基-库水有限元网格模型时，库水模型的上游库水域的截断边界与地基上游方向截断边界一致；生成模块，用于利用蒙特卡洛算法在重力坝内部区域随机生成不少于10000条的裂缝信息，每条裂缝的信息包含：裂缝深度和方向角；输入量确定模块，用于根据建立的重力坝-地基-库水有限元网格模型的重力坝-地基-库水有限元网格以及裂缝信息，施加地基截断边界处的边界条件，采用扩展有限元法和水平集算法计算不同裂缝信息对应的结构前3～5阶频率和模态作为机器学习样本的输入变量；输出量确定模块，用于获取随机生成裂缝信息的表观裂缝延伸至坝体内部的裂缝深度和裂缝方向角为机器学习样本的输出变量；训练模块，用于根据机器学习样本的输入变量和输出变量训练基于机器学习的裂缝信息预测模型。进一步的，所述处理及输出模块还包括：记录模块，用于多次将实测的含表观裂缝的重力坝结构的前3～5阶频率和模态输入预先构建的基于机器学习的裂缝信息预测模型中，记录每次预测得到的裂缝深度和方向角；拟合模块，用于通过正态分布分别拟合每次预测的裂缝深度和方向角；正态分布的期望值为最终确定的裂缝深度和方向角。进一步的，所述获取模块包括：动力响应信号获取模块，用于在重力坝下游坝面上布置若干个拾振器，通过拾振器获取大地脉动激发给拾振器的动力响应信号；提取模块，用于对动力响应信号进行傅里叶变换，提取出结构前3～5阶频率和测点的位移模态。本专利技术所达到的有益效果：本专利技术通过现场测试可以较为准确地预测重力坝表观裂缝内部的穿透深度和走向，从而根据预测结果评判裂缝是否对重力坝的整体安全性构成威胁，以便及时地采取加固维修措施，消除重力坝结构的安全隐患。附图说明图1是本专利技术的整体流程示意图；图2是重力坝-地基-库水几何模型示意图；图3是重力坝网格与裂缝关系示意图；图4是构建的网络模型示意图；图5是通过正态分布拟合2000次预测的裂缝深度分布和期望值。具体实施方式为使得本专利技术的专利技术目的、特征、优点能够更加的明显和易懂，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本专利技术一部分实施例，而非全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。如图1所示，一种重力坝表观裂缝危险性预测方法，包括以下步骤：(1)获取机器学习训练样本，获取训练样本的步骤如下：(11)如图2所示，根据重力坝-地基-库水几何模型剖分有限元网格，地基模型的地基范围沿上游方向、下游方向以及地基深度方向取2倍坝高，库水本文档来自技高网...

【技术保护点】
1.一种重力坝表观裂缝危险性预测方法，其特征在于，/n获取实测的含表观裂缝的重力坝结构的前3~5阶频率和模态；/n将实测的含表观裂缝的重力坝结构前3~5阶频率和模态输入至预先构建的基于机器学习的裂缝信息预测模型中，确定裂缝深度和方向角。/n

【技术特征摘要】
1.一种重力坝表观裂缝危险性预测方法，其特征在于，
获取实测的含表观裂缝的重力坝结构的前3~5阶频率和模态；
将实测的含表观裂缝的重力坝结构前3~5阶频率和模态输入至预先构建的基于机器学习的裂缝信息预测模型中，确定裂缝深度和方向角。


2.根据权利要求1所述的重力坝表观裂缝危险性预测方法，其特征在于，所述基于机器学习的裂缝信息预测模型的构建过程包括：
在重力坝内部区域随机生成裂缝信息，通过建立重力坝-地基-库水有限元模型计算不同裂缝信息对应的结构前3~5阶频率和对应实际测点的各阶模态向量作为机器学习样本的输入变量；
获取随机生成裂缝信息的表观裂缝延伸至坝体内部的裂缝深度和裂缝方向角为机器学习样本的输出变量；
根据机器学习样本的输入变量和输出变量训练基于机器学习的裂缝信息预测模型。


3.根据权利要求2所述的重力坝表观裂缝危险性预测方法，其特征在于，所述机器学习样本的输入变量的确定过程包括：
根据实际重力坝结构的几何外形尺寸建立重力坝-地基-库水有限元网格模型，在建立重力坝-地基-库水有限元网格模型时，库水模型的上游库水域的截断边界与地基上游方向截断边界一致；
利用蒙特卡洛算法在重力坝内部区域随机生成不少于10000条的裂缝信息，每条裂缝的信息包含：裂缝深度和方向角；
根据建立的重力坝-地基-库水有限元网格模型的重力坝-地基-库水有限元网格以及裂缝信息，施加地基截断边界处的边界条件，采用扩展有限元法和水平集算法计算不同裂缝信息对应的结构前3~5阶频率和模态。


4.根据权利要求1所述的重力坝表观裂缝危险性预测方法，其特征在于，所述将实测的含表观裂缝的重力坝结构的前3~5阶频率和模态输入至预先构建的基于机器学习的裂缝信息预测模型中，输出裂缝深度和方向角的过程包括：
多次将实测的含表观裂缝的重力坝结构的前3~5阶频率和模态输入预先构建的基于机器学习的裂缝信息预测模型中，记录每次预测得到的裂缝深度和方向角；
通过正态分布分别拟合每次预测的裂缝深度和方向角；
正态分布的期望值为最终确定的裂缝深度和方向角。


5.根据权利要求1所述的重力坝表观裂缝危险性预测方法，其特征在于，所述机器学习的算法为单层神经网络、多层神经网络或卷积神经网络中的任意一种。


6.根据权利要求1所述的重力坝表观裂缝危险性预测方法，其特征在于，所述实测的含表观裂缝的重力坝结构...

【专利技术属性】
技术研发人员：江守燕，杜成斌，赵林鑫，孙立国，万晨，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32