基于双驱动结合的坝体深度学习模型构建方法技术

本发明专利技术涉及一种基于双驱动结合的坝体深度学习模型构建方法，该方法包括构建建筑结构的深度学习模型，深度学习模型是根据材料强度为输入和结构主体安全监测指标为输出；构建逆映射模型，逆映射模型用以根据结构主体安全指标确定材料强度，用以根据计算得到的材料强度验证当前结构主体材料强度的风险度，以及，根据当前结构主体的材料强度确定建筑结构的安全监测指标，确定建筑结构的风险度；根据材料的风险度和结构主体的风险度确定报警机制，以对结构主体的安全程度进行报警。通过对构建模型的数据参数量进行调整，使得经过调整之后的模型更为精准，对于建筑结构的评估更为精准，大大提高了预测的准确性和可靠性。大大提高了预测的准确性和可靠性。大大提高了预测的准确性和可靠性。

【技术实现步骤摘要】
基于双驱动结合的坝体深度学习模型构建方法


[0001]本专利技术涉及人工智能
，尤其涉及一种基于双驱动结合的坝体深度学习模型构建方法。

技术介绍

[0002]我国是全球电力生产第一大国，发电量约占全球发电量总额的四分之一。电力生产的安全、高效、绿色，是关系国家与企业的健康发展的关键。在“碳达峰、碳中和”的中长期发展目标指导下，能源结构优化的要求体现为新能源发电的全吸纳、火力发电为缺口补充。在新能源中，水力发电占据一半的份额，具有极为重要地位，因此确保坝体安全对水力发电企业的安全生产具有重要意义，同时，还具有极重要的环境、社会经济、人身安全的意义。
[0003]大坝安全监测目的是通过对布设监测设备并对收集的时序数据进行分类、整理、计算、分析来掌握大坝的运行状态，保障其安全运行。由于大坝安全监测种类多、设备布置分散、监测数据处理难度大和时变不易察觉，使管理过程中各类数据冗杂且信息分散，导致工程安全管理难度增大。同时，从监测量分析大坝结构与材料强度的变化，进而分析大坝的安全风险，极具技术挑战性。
[0004]当前大坝安全风险量化预警技术的原理是根据坝体结构设计方案，以结构强度参数作为自变量，以结构变形、应力、裂缝、渗流等检测指标作为因变量，建立自变量到因变量的映射模型，通过监测结构安全指标是否到达门限值来评估坝体安全。通过对各类大坝安全检测指标进行分层加权得到大坝整体安全的评价，依赖于专家的经验，难以定量的、精准的分析大坝的风险，具有一定的局限性。

技术实现思路

[0005]为此，本专利技术提供一种基于双驱动结合的坝体深度学习模型构建方法，可以解决过于依赖人为经验判断，局限性高的技术问题。
[0006]为实现上述目的，本专利技术提供一种基于双驱动结合的坝体深度学习模型构建方法，包括：构建建筑结构的深度学习模型，所述深度学习模型是根据材料强度为输入和结构主体安全监测指标为输出的，且当输入任意材料强度值经过所述深度学习模型，唯一确定所述结构主体安全监测指标；构建逆映射模型，所述逆映射模型与所述深度学习模型的网络结构类型和层参数均相同，所述逆映射模型用以根据结构主体安全指标确定材料强度，用以根据所述计算得到的材料强度验证当前结构主体材料强度的风险度，以及，根据当前结构主体的所述材料强度确定建筑结构的安全监测指标，确定所述建筑结构的风险度；根据所述材料的风险度和结构主体的风险度确定报警机制，以对所述结构主体的安全程度进行报警；在构建建筑结构的深度学习模型时，获取建筑结构的结构设计模型以及基于所述
结构设计模型的材料强度理论数据；获取所述建筑结构的历史监测数据，所述历史监测数据包括结构主体安全监测指标集，所述结构主体安全监测指标集是基于若干监测参数构成，所述监测参数的数量设置为n个；在确定报警机制时，根据材料的风险度和结构主体的风险度的实际值调整所述历史监测数据中的监测参数的数量。
[0007]进一步地，先设置有材料参数阈值范围，在进行材料的风险度评估时，根据逆映射模型计算得到的材料强度S0与实际的材料强度值S进行比较，若所述实际材料强度值S属于材料参数阈值范围，但是计算得到的材料强度S0等于所述实际材料强度值S，则表示所述材料的危险度低，设置为D1，采用第二时段T2作为预警周期;若所述实际材料强度值S属于材料参数阈值范围，但是计算得到的材料强度S0不等于所述实际材料强度值S，则表示材料的危险度中等，设置为D2，采用第一时段T1作为预警周期；若所述实际材料强度值S不属于材料参数阈值范围，但是计算得到的材料强度S0不等于所述实际材料强度值S，则表示材料的危险度高，设置为D3，采用即时预警。
[0008]进一步地，当采用第一时段T1作为预警周期时，根据所述计算得到的材料强度S0与所述实际材料强度值S关系对所述预警周期的长度进行调整；若计算得到的材料强度S0>实际材料强度值S，则采用第一系数k1对第一时段T1进行修正；若计算得到的材料强度S0<实际材料强度值S，则采用第二系数k2对第一时段T1进行修正。
[0009]进一步地，当采用第一系数k1对第一时段T1进行修正时，根据计算得到的材料强度S0与实际材料强度值S的实际差值与预设标准差值ΔS10的关系，确定第一系数k1的调整参数；若S0
‑
S≤ΔS10，则将第一系数k1调整为0.5
×
k1；若S0
‑
S>ΔS10，则将第一系数k1调整为0.2
×
k1。
[0010]进一步地，在进行即时报警时，根据所述计算得到的材料强度S0与所述实际材料强度值S关系对所述预警周期的预警音量进行调整；若计算得到的材料强度S0>实际材料强度值S，则采用第一音量V1进行报警；若计算得到的材料强度S0<实际材料强度值S，则采用第二音量V2进行报警,且第一音量V1<第二音量V2。
[0011]进一步地，预先设置有结构主体安全监测指标集，在所述结构主体安全监测指标集内设置有多个不连续的结构主体安全监测值，根据所述深度学习模型计算得到的结构主体安全监测指标，判定所述结构主体安全监测指标是否属于结构主体安全监测指标集，若属于则表示当前的材料强度下结构主体安全；若不属于，则表示当前的材料强度下结构主体的风险度高。
[0012]进一步地，当结构主体安全监测指标不属于结构主体安全监测指标集时，确定所述结构主体安全监测指标集中的极大值M10和极小值M20；若极大值M10>结构主体安全监测指标>极小值M20，则将对应的强度和所述结构主
体安全监测指标加入历史数据集，作为深度学习模型的历史数据，增加训练次数；若结构主体安全监测指标>极大值M10，则将当前的结构主体安全监测指标对应的材料强度确定为不合格强度。
[0013]进一步地，在进行训练次数的增加时，根据所述结构主体安全监测指标与相邻两个结构主体安全监测值的关系，对训练次数增加的幅度进行选择；若结构主体安全监测指标为相邻两个结构主体安全监测值的均值，则采用第一增量I1增加训练次数；若结构主体安全监测指标为靠近相邻两个结构主体安全监测值中的任意一个，则采用第二增量I2增加训练次数。
[0014]进一步地，在采用第二增量I2增加训练次数时，设置相邻两个结构主体安全监测值分别为A1和A2，其中A1>A2，若结构主体安全监测指标与A1的差值绝对值小于与A2的差值绝对值，则采用第一参数α对第二增量I2进行调整；若结构主体安全监测指标与A1的差值绝对值大于与A2的差值绝对值，则采用第二参数β对第二增量I2进行调整。
[0015]进一步地，当采用第一参数α对第二增量I2进行调整，调整后的第二增量为I21
′
= I2
×
（1+α），并利用修正后的第二增量增加训练次数；当采用第二参数β对第二增量I2进行调整，调整后的第二增量为I22
′
= I2...

【技术保护点】

【技术特征摘要】
1.一种基于双驱动结合的坝体深度学习模型构建方法，其特征在于，包括：构建建筑结构的深度学习模型，所述深度学习模型是根据材料强度为输入和结构主体安全监测指标为输出的，且当输入任意材料强度值经过所述深度学习模型，唯一确定所述结构主体安全监测指标；构建逆映射模型，所述逆映射模型与所述深度学习模型的网络结构类型和层参数均相同，所述逆映射模型用以根据结构主体安全指标确定材料强度，用以根据计算得到的材料强度验证当前结构主体材料强度的风险度，以及，根据当前结构主体的所述材料强度确定建筑结构的安全监测指标，确定所述建筑结构的风险度；根据所述材料的风险度和结构主体的风险度确定报警机制，以对所述结构主体的安全程度进行报警；在构建建筑结构的深度学习模型时，获取建筑结构的结构设计模型以及基于所述结构设计模型的材料强度理论数据；获取所述建筑结构的历史监测数据，所述历史监测数据包括结构主体安全监测指标集，所述结构主体安全监测指标集是基于若干监测参数构成，所述监测参数的数量设置为n个；在确定报警机制时，根据材料的风险度和结构主体的风险度的实际值调整所述历史监测数据中的监测参数的数量。2.根据权利要求1所述的基于双驱动结合的坝体深度学习模型构建方法，其特征在于，先设置有材料参数阈值范围，在进行材料的风险度评估时，根据逆映射模型计算得到的材料强度S0与实际的材料强度值S进行比较，若所述实际材料强度值S属于材料参数阈值范围，但是计算得到的材料强度S0等于所述实际材料强度值S，则表示所述材料的危险度低，设置为D1，采用第二时段T2作为预警周期;若所述实际材料强度值S属于材料参数阈值范围，但是计算得到的材料强度S0不等于所述实际材料强度值S，则表示材料的危险度中等，设置为D2，采用第一时段T1作为预警周期；若所述实际材料强度值S不属于材料参数阈值范围，但是计算得到的材料强度S0不等于所述实际材料强度值S，则表示材料的危险度高，设置为D3，采用即时预警。3.根据权利要求2所述的基于双驱动结合的坝体深度学习模型构建方法，其特征在于，当采用第一时段T1作为预警周期时，根据所述计算得到的材料强度S0与所述实际材料强度值S关系对所述预警周期的长度进行调整；若计算得到的材料强度S0>实际材料强度值S，则采用第一系数k1对第一时段T1进行修正；若计算得到的材料强度S0<实际材料强度值S，则采用第二系数k2对第一时段T1进行修正。4.根据权利要求3所述的基于双驱动结合的坝体深度学习模型构建方法，其特征在于，当采用第一系数k1对第一时段T1进行修正时，根据计算得到的材料强度S0与实际材料强度值S的实际差值与预设标准差值ΔS10的关系，确定第一系数k1的调整参数；若S0
‑
S≤ΔS10，则将第一系数k1调整为0.5
×
k1；若S0
‑
S>ΔS10，则将第一系数k1调整为0.2
×
k1。
5.根据权利要求4所述的基于双驱动结合...

【专利技术属性】
技术研发人员：王鑫，许英坚，田禾，梦鸽乐，卢怀钿，温志华，钟勇，赵振锐，彭岳星，张迎冰，
申请(专利权)人：中国华能集团有限公司江西分公司，
类型：发明
国别省市：