一种落石冲击下PCCP管道结构损伤评价方法技术

本发明专利技术公开了一种落石冲击下PCCP管道结构损伤评价方法，具体为：首先，建立PCCP“管

【技术实现步骤摘要】
一种落石冲击下PCCP管道结构损伤评价方法


[0001]本专利技术属于管道结构评价方法
，具体涉及一种落石冲击下PCCP管道结构损伤评价方法。

技术介绍

[0002]PCCP自上世纪40年代问世以来，凭借着其抗渗性强、可靠性高、耐久性好、抗震性优和管理费用低等特性，被很多调水工程采用。PCCP虽然安全稳定性能好，但由于在水利工程中埋设的PCCP传输距离较长，穿越的地质单元多样，容易遇到落石冲击、滑坡、沉降等地质灾害。PCCP一旦因为大的变形而发生破坏，不仅会严重影响管线的正常运行，造成水资源的浪费；同时，管道中喷射出的高压水流极易造成次生灾害的发生，严重威胁周边群众的生命、财产安全。对于管线经过山区的埋地PCCP，在工程正常运行期间，落石作为一种在不稳定边坡容易发生的地质灾害，会对作用土体施加短暂但强有力的冲击荷载，可能导致埋地PCCP出现大变形，从而导致管体开裂，甚至引起爆管现象。因此，在落石发生后要及时对PCCP结构的安全进行快速评价，以便及时采取相应的工程措施，减少工程事故的发生。
[0003]随着数值仿真模拟技术的发展，通过数值模拟对埋地PCCP结构进行分析逐渐被许多学者采用并推广。由于建立PCCP结构的数值模型要考虑复杂的材料本构模型和非线性接触关系，通过数值模拟来进行落石冲击作用下PCCP结构安全评价需要较长的计算时间，不便于在落石灾害后对结构进行快速的安全评估。
[0004]近些年来，机器学习算法如长短时记忆网络、回归树、人工神经网络等，因其具有精度高，非线性数据挖掘能力强大等优点，被广泛的运用到结构损伤识别中。这些算法对于管道金属损失缺陷的分类识别均较好。综上所述，及时有效的对PCCP结构损伤情况做出评价已是目前亟待解决的一个问题。

技术实现思路

[0005]本专利技术的目的是提供一种落石冲击下PCCP管道结构损伤评价方法，能够快速且准确的预测落石冲击下PCCP结构的损伤情况。
[0006]本专利技术所采用的技术方案是，一种落石冲击下PCCP管道结构损伤评价方法，具体按照以下步骤具体实施：
[0007]步骤1，建立PCCP“管
‑
土
‑
石”三维有限元模型，通过有限元法计算分析不同落石参数情况下，埋地PCCP结构损伤情况，并形成样本数据集，将样本数据集的5％作为测试样本，其余作为训练样本；
[0008]步骤2，建立LSTM神经网络模型；
[0009]步骤3，利用贝叶斯算法对LSTM神经网络模型的第一层隐含层神经元数m、第二层隐含层神经元数n和初始学习率l进行自动寻优，构成BO
‑
LSTM模型；
[0010]步骤4，当落石灾害发生后，根据现场实测的落石参数和BO
‑
LSTM模型，预测实际工程中PCCP结构的损伤情况。
[0011]本专利技术的特点还在于，
[0012]步骤1中，具体为：通过有限元法计算分析不同落石参数情况下，埋地PCCP结构损伤情况，其中，落石参数包括落石半径、落石高度以及落石位置，给予落石位置的X和Y坐标、落石半径和落石高度参数若干不同的取值，这样可以得到M组落石参数的组合，对于每一组落石参数，采用PCCP“石
‑
土
‑
管”三维有限元模型计算对应的混凝土管芯全截面混凝土受拉损伤dt的最大值，从而形成样本数据集，并将样本数据集的5％作为测试样本，其余作为训练样本。
[0013]步骤2中，具体为：
[0014]步骤2.1，LSTM神经网络模型的表达式如式(3)所示：
[0015][0016]式中：i
i
是输入门；f
i
是遗忘门；c
i
是更新后的细胞状态；o
i
是输出门；x
i
是输入信息；h
i
是获取的输出信息；W
xi
、W
ci
、W
xf
、W
hf
、W
cf
、W
xc
、W
hc
、W
xo
、W
ho
和W
co
是权重系数；b
i
、b
f
、B
e
和b0是偏置量；
[0017]步骤2.2，采用两种量化指标对LSTM神经网络模型的精度进行定量的分析，分别为均方根误差和平均绝对误差；RMSE和MAE具体计算公式分别如式(4)和式(5)所示；
[0018][0019][0020]式中，N样本总数；h
i
是实际输出；是预测输出。
[0021]步骤3中，具体为：在超参数m、n和l的取值范围内，随机生成初始样本点，将初始样本点输入到高斯过程中，利用训练样本对LSTM神经网络模型进行训练，利用训练好的LSTM神经网络模型计算训练集对应的PCCP混凝土管芯全截面混凝土受拉损伤dt的最大值，输出均方根误差RMSE，对高斯模型进行修正，使其更接近真实的函数分布；在修正后的高斯模型中选取下一组需要评估的样本点，利用训练好的LSTM神经网络模型对训练样本进行计算，输出RMSE，更新训练样本集合和高斯模型；迭代完成后，终止算法并退出，输出迭代过程中使得RMSE最小的训练样本点，作为最优超参数组合，从而建立落石参数与PCCP结构损伤之间复杂非线性关系的BO
‑
LSTM模型。
[0022]本专利技术的有益效果是：通过结合实际工程建模进行不同落石冲击工况下的PCCP结构的有限元计算，并在此基础之上，以混凝土管芯最大混凝土塑性损伤值为评价指标构建基于BO
‑
LSTM模型的落石冲击作用下PCCP的智能评价模型，用于对PCCP结构在不同落石冲击下的损伤情况进行及时准确的分析。
附图说明
[0023]图1是本专利技术一种落石冲击下PCCP管道结构损伤评价方法的流程图；
[0024]图2是本专利技术实施例中落石位置位于管道跨中(X＝0m，Y＝3m)混凝土管芯最大损伤dt随落石高度和落石半径的变化图；
[0025]图3是本专利技术实施例中落石位置位于管道跨中(X＝0m，Y＝3m)，落石半径1.0m，落石高度20.0m工况落石与地面接触力的时程曲线图；
[0026]图4是本专利技术实施例中落石位置位于管道跨中(X＝0m，Y＝3m)，落石半径1.0m，落石高度20.0m工况跨中处混凝土管芯第一主应变时程图；
[0027]图5是本专利技术实施例中落石位置位于管道跨中(X＝0m，Y＝3m)，落石半径1.0m，落石高度20.0m工况插口处混凝土管芯第一主应变时程图；
[0028]图6是本专利技术实施例中落石位置位于管道跨中(X＝0m，Y＝3m)，落石半径1.0m，落石高度20.0m工况承口处混凝土管芯第一主应变时程图；
[0029]图7是本专利技术实施例中落石位置位于管道跨中(X＝0m，Y＝3m)，落石半径1.0m，落石高度2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种落石冲击下PCCP管道结构损伤评价方法，其特征在于，具体按照以下步骤具体实施：步骤1，建立PCCP“管
‑
土
‑
石”三维有限元模型，通过有限元法计算分析不同落石参数情况下，埋地PCCP结构损伤情况，并形成样本数据集，将样本数据集的5％作为测试样本，其余作为训练样本；步骤2，建立LSTM神经网络模型；步骤3，利用贝叶斯算法对LSTM神经网络模型的第一层隐含层神经元数m、第二层隐含层神经元数n和初始学习率l进行自动寻优，构成BO
‑
LSTM模型；步骤4，当落石灾害发生后，根据现场实测的落石参数和BO
‑
LSTM模型，预测实际工程中PCCP结构的损伤情况。2.根据权利要求1所述的一种落石冲击下PCCP管道结构损伤评价方法，其特征在于，所述步骤1中，具体为：通过有限元法计算分析不同落石参数情况下，埋地PCCP结构损伤情况，其中，落石参数包括落石半径、落石高度以及落石位置，给予落石位置的X和Y坐标、落石半径和落石高度参数若干不同的取值，这样可以得到M组落石参数的组合，对于每一组落石参数，采用PCCP“石
‑
土
‑
管”三维有限元模型计算对应的混凝土管芯全截面混凝土受拉损伤dt的最大值，从而形成样本数据集，并将样本数据集的5％作为测试样本，其余作为训练样本。3.根据权利要求1所述的一种落石冲击下PCCP管道结构损伤评价方法，其特征在于，所述步骤2中，具体为：步骤2.1，LSTM神经网络模型的表达式如式(3)所示：式中：i
i
是输入门；f
i
是遗忘门；c
i
是更新后的细胞状态；o
i
是输出门；x
i
是输入信息；h...

【专利技术属性】
技术研发人员：程琳，陈家敏，毛昊然，杨杰，张宇恒，潘鹏生，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：