基于机器学习的能量桩主动式桥面除冰融雪设计方法技术

本发明专利技术属于地热能开发利用、桥梁工程、除冰融雪技术领域，提出了一种基于机器学习的能量桩主动式桥面除冰融雪设计方法。输入样本属性数据获得桥面埋管结构融雪效率K近邻算法预测结果和桥面埋管结构热致应力模拟退火法改进支持向量回归预测结果。选取融雪效率和热致应力所对应的桥面埋管结构参数，采用包含桥面板埋管设计模块、机组选型模块、能量桩埋管设计模块的联邦学习能量桩主动式桥面除冰融雪设计方法确定机组设备、能量桩结构。该发明专利技术解决了无法准确评估和预测桥面埋管热力响应的问题，联邦学习考虑了能量桩主动式桥面除冰融雪技术的多节点协同配合，计算出科学合理的方案，可以提高系统的能源利用率。可以提高系统的能源利用率。可以提高系统的能源利用率。

【技术实现步骤摘要】
基于机器学习的能量桩主动式桥面除冰融雪设计方法


[0001]本专利技术涉及地热能开发利用、桥梁工程、除冰融雪
，特别涉及一种基于机器学习的能量桩主动式桥面除冰融雪设计方法。

技术介绍

[0002]冬季桥面积雪结冰现象严重影响我国北方城市高速公路、市政道路的交通运输能力，研究表明冬季积雪结冰可导致路面附着系数降低60～70％，导致车辆制动失灵、打滑，造成严重的交通事故。研究人员在桥梁路面除冰融雪技术上已经有了大量研究成果，主要可分为两类：被动式技术和主动式技术。其中被动式技术有人工除雪、机械除雪、新型融雪剂、无人除冰车。这些方法技术相对成熟、已得到广泛应用。但实际应用中存在腐蚀桥面、污染环境、成本过高的局限性。新兴的主动式技术主要有相变材料除冰、太阳能除冰融雪、电热法除冰融雪、地热能除冰融雪。相变材料除冰技术效果好，但相变材料成本过高。太阳能技术能耗低，但除冰稳定性很大程度上依赖于光照条件，稳定性差。电热法技术热稳定性好，但对电能消耗量大，运营成本高。相比而言，浅层地热能作为一种分布广泛的可再生清洁能源，在除冰融雪方面具有广阔的推广应用前景本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的能量桩主动式桥面除冰融雪设计方法，其特征在于，桥面埋管结构融雪效率与反复冻融过程对桥面埋管结构热致应力相互约束，能量桩桥面除冰融雪技术设计兼顾桥面埋管结构融雪效率和桥面埋管结构热致应力，计算出与之匹配的机组设备和能量桩结构；基于机器学习的能量桩主动式桥面除冰融雪设计方法通过输入相同的样本属性数据获得桥面埋管结构融雪效率的K近邻预测结果、桥面埋管热致应力支持向量回归预测结果，选取融雪效率和热致应力所对应的桥面埋管结构参数采用联邦学习架构的能量桩主动式桥面除冰融雪设计方法确定机组设备、能量桩结构；桥面埋管结构融雪效率的K近邻预测方法，包括如下步骤：T1：获取融雪效率训练样本数据及对应的标签；融雪效率训练样本属性数据包括桥面板埋管几何参数、桥面材料参数、气象参数、换热循环液状态参数，标签数据包括反映桥面埋管结构融雪效率的相关信息，包括换热效率、延米换热量、融雪耗时、表面无雪率；T2：融雪效率训练样本数据预处理，进行融雪效率训练样本数据的质量分析、清洗处理，对清洗后的融雪效率训练样本数据提取数据的分布规律、归一化处理、不同标签之间的样本数据相关性评价，分为训练集和预测集；定义状态向量，通过敏感性分析将样本属性变量按照相关性进行排序，取排序靠前的样本属性变量作为状态参数的元素，t时刻的状态向量表示为X(t)＝[x1(t),x1(t
‑
1),x2(t),x2(t
‑
1),x3(t),x3(t
‑
1),
…
,x
n
(t),x
n
(t
‑
1)]；T3：选择距离度量准则；距离度量准则为欧式距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧式距离、马氏距离、夹角余弦中的一种，或者根据上述距离度量准则设计组合距离，组合距离d
xy
＝λd
xy1
+(1
‑
λ)d
xy
表示状态空间中的各状态向量X与目标向量Y之间的相关程度；式中，d
xy1
为选择的一种距离度量准则，d
xy2
为选择的另一种距离度量准则，λ为选择的一种距离度量准则的比例；T4：将训练集样本属性形成状态向量，在训练集中搜索当前向量的K个近邻，形成K近邻预测模型；输入预测集的样本属性数据至K近邻预测模型中，K个近邻对应的预测均值为K近邻预测模型计算预测集对应的融雪效率预测结果；T5：桥面埋管结构融雪效率预测结果评价，将步骤T4的预测结果与预测集样本对应的标签进行对比形成混淆矩阵；根据混淆矩阵进一步评价模型预测误差、模型精度；T6：将待预测的桥面板埋管几何参数、气象参数、换热循环液状态参数、桥面材料参数作为预测集属性空间，进行桥面埋管结构融雪效率预测计算；桥面埋管热致应力支持向量回归预测方法，包括如下步骤：S1：获取桥面埋管结构热致应力训练样本数据及对应的标签；所述桥面埋管结构热致应力训练样本数据包括桥面埋管几何参数、气象参数、桥面材料参数、换热循环液状态参数，标签数据包括反映桥面埋管结构热致应力的相关信息；S2：桥面埋管结构热致应力训练样本数据预处理及数据特征分析；对桥面埋管结构热致应力训练样本数据进行质量分析、特征分析、清洗处理、划分用于监督学习的桥面埋管结构热致应力训练集和桥面埋管结构热致应力预测集；S3：训练桥面埋管结构热致应力预测模型，根据桥面埋管结构热致应力训练集的样本属性信息训练建立桥面埋管结构热致应力预测模型；
S4：输入桥面埋管结构热致应力预测集的样本属性信息，样本属性包括：桥面板埋管几何参数、桥面材料参数、换热循环液状态参数；S5：根据桥面埋管结构热致应力预测模型计算桥面埋管结构热致应力预测集对应的热致应力预测结果；S6：桥面埋管结构热致应力预测结果评价，将S5获得的预测结果与桥面埋管结构热致应力预测集样本对应的标签进行对比，计算桥面埋管结构热致应力预测模型预测误差，评价其精度；S7：将待预测的桥面板埋管几何参数、气象参数、桥面材料参数、换热循环液状态参数作为桥面埋管结构热致应力预测集属性空间，进行桥面埋管结构热致应力预测计算；基于联邦学习架构的能量桩主动式桥面除冰融雪设计方法，建立以客户端
‑
服务器架构为基础的能量桩主动式桥面除冰融雪设计联邦学习算法框架；在客户端实现所有子模块的学习计算，客户端包括3大模块：桥面板埋管设计模块、机组选型模块以及能量桩埋管设计模块；将客户端计算出的脱敏参数汇总到中央服务器进行计算后，下发至各客户端更新自己的本地模型，直至全局模型稳健为止；具体步骤如下：D1：获取整理桥梁资料、桩基资料以及气象资料，进行数据预处理，分析样本数据特征，并分配至相应的计算模块客户端；D2：桥面板埋管设计模块、机组选型模块以及能量桩埋管设计模块3个客户端更新本地模型；D3：桥面板埋管设计模块、机组选型模块以及能量桩埋管设计模块3个客户端以公钥的形式上传加密的脱敏参数至中央服务器；D4：中央服务器利用私钥对3个客户端上传的加密脱敏参数解密，进行安全聚合，随后更新全局共享模型；中央服务器进行加密脱敏参数的解码；中央服务器端的联邦学习按照如下梯度平均、联邦平均、知识蒸馏中一种或一种以上方式获得全局共享模型；D5：中央服务器将全局共享模型生成用于加密传输数据的公钥，并下发至各客户端；根据全局共享模型，各本地客户端更新其他相关客户端的迭代结果作为新样本数据属性参数；D6：重复步骤D2～D5不断迭代，直至全局共享模型稳健为止，最终各客户端根据全局共享模型计算得到对应的结果；计算出能量桩主动式桥面除冰融雪系统中相互匹配的设计参数，包括桥面埋管结构、热泵机组型号、循环泵型号、能量桩埋管几何参数。2.根据权利要求1所述的基于机器学习的能量桩主动式桥面除冰融雪设计方法，其特征在于，所述桥面板的埋管几何参数为换热管长度、管间距、管径、布管分类；所述桥面材料参数为混凝土导热率、混凝土温度、混凝土弹性模量、混凝土膨胀系数；所述换热循环液状态参数为换热介质导热率、换热介质温度、换热介质流速、循环液流速、密度、比热、入口温度；所述气象参数为环境温度、风速、湿度、降雪量；所述桥面埋管结构热致应力包括热致应变、热致弯矩、热致翘曲变形。3.根据权利要求1或2所述的基于机器学习的能量桩主动式桥面除冰融雪设计方法，其特征在于，所述清洗处理的对象包括不完整数据、错误数据、重复数据、异常数据；清洗处理的内容包括识别无效值、异常值和缺失值，处理无效值、异常值和缺失值。
4.根据权利要求1所述的基于机器学习的能量桩主动式桥面除冰融雪设计方法，其特征在于，所述桥面埋管结构热致应力预测模型基于模拟退火法、回归树算法、随机森林回归算法、支持向量回归算法、多元线性回归算法、模拟退火法改进支持向量回归算法、聚类回归算法中的一项或一项以上算法实现。5.根据权利要求4所述的基于机器学习的能量桩主动式桥面除冰融雪设计方法，其特征在于，所述桥面埋管结构热致应力预测模型采用模拟退火法改进支持向量回归算法训练桥面埋管结构热致应力预测模型时，具体步骤如下：S3.1：为解决样本属性变量与样本标签数据之间的关系，引入松弛变量ξ
...

【专利技术属性】
技术研发人员：杨庆，胡帅军，孔纲强，王晓辉，周杨，王忠涛，赵志强，杨钢，王浩，陈玉，李任融，
申请(专利权)人：河海大学大连公共交通建设投资集团有限公司，
类型：发明
国别省市：