用于埋地管道紫外光原位固化修复质量实时监控的方法技术

本发明专利技术属于管道修复与机器学习的交叉技术领域，特别涉及一种用于埋地管道紫外光原位固化修复质量实时监控的方法，首先采集UV

【技术实现步骤摘要】
用于埋地管道紫外光原位固化修复质量实时监控的方法


[0001]本专利技术属于管道修复与机器学习的交叉
，特别涉及一种用于埋地管道紫外光原位固化修复质量实时监控的方法。

技术介绍

[0002]市政排水管网是现代化城市的重要基础设施，肩负着城市污水、雨水排放的重任。但随着我国城镇化进程的不断推进，地下管网铺设总里程的不断增多，老旧管道的使用年限越来越短，逐渐暴露出了破裂、变形、腐蚀、错口、起伏、脱节、渗透、沉积、结垢等问题。若不加以维修，势必会引起路面坍塌，造成交通中断、财产损失等问题，严重时甚至会威胁到人们的生命安全。因此，加强对市政排水管道的维护与修复意义重大。
[0003]紫外光固化修复技术是一种非开挖修复技术，相较于其他的非开挖修复技术，其具有施工速度快、工期短、内衬管连续、内衬强度高且表面光滑等优点，因此，逐渐成为埋地管道非开挖修复的主流技术。但目前对于紫外光原位固化修复过程中修复质量的实时监控尚无有效的方法，仅能通过对固化后管口处的紫外光固化材料取样进行测试，耗时耗力，且无法对管道深处的固化修复质量进行监测。鉴于此，在进行埋地管道的紫外光原位固化修复时，如何对管道修复质量进行实时监控，并在此基础上对施工参数进行优化是目前所亟待解决的问题。

技术实现思路

[0004]针对现有技术中存在的问题，本专利技术提出一种用于埋地管道紫外光原位固化修复质量实时监控的方法，通过最优GA
‑
SVM模型预测出施工设计要求的UV
‑
CIPP材料力学参数对应的最佳固化参数和固化温度，从而提高了整个管道修复的效率和质量；通过最优GA
‑
SVM模型还可实现对埋地管道紫外光原位固化修复质量的实时监控。
[0005]为了实现上述目的，本专利技术采用以下的技术方案：本专利技术提供了一种用于埋地管道紫外光原位固化修复质量实时监控的方法，包含以下步骤：步骤1，采集UV
‑
CIPP材料现场原位固化数据，构建数据集；步骤2，建立考虑多因素影响下用于UV
‑
CIPP材料力学性能预测的遗传算法优化支持向量机模型，简称GA
‑
SVM模型，通过数据集对GA
‑
SVM模型进行训练与验证，得到最优GA
‑
SVM模型；步骤3，根据施工设计要求的UV
‑
CIPP材料力学参数以及最优GA
‑
SVM模型，预测出最佳固化参数和固化温度；步骤4，将预测出的最佳固化参数和固化温度输入埋地管道紫外光原位固化修复台车综合控制系统，开始管道修复施工；在修复过程中，利用最优GA
‑
SVM模型对埋地管道紫外光原位固化修复质量实时监控。
[0006]根据本专利技术的用于埋地管道紫外光原位固化修复质量实时监控的方法，优选地，
步骤1包含以下步骤：步骤11，采集UV
‑
CIPP材料现场原位固化时的固化温度和固化参数；步骤12，采集UV
‑
CIPP材料现场原位固化完成后的各项力学参数；步骤13，对数据进行处理，用列表法使得步骤11与步骤12中的各项数据一一对应，建立UV
‑
CIPP材料现场原位固化“固化参数
‑
固化温度
‑
各项力学参数”数据库，并将数据集按比例划分。
[0007]根据本专利技术的用于埋地管道紫外光原位固化修复质量实时监控的方法，优选地，所述固化温度为固化反应峰值温度；所述固化参数包括固化时间、固化距离、材料厚度和紫外灯功率；所述力学参数包括抗拉强度和抗弯强度；所述将数据集按比例划分是指按8:2的比例将数据集随机划分为训练集和测试集。
[0008]根据本专利技术的用于埋地管道紫外光原位固化修复质量实时监控的方法，优选地，步骤2包含以下步骤：步骤21，导入数据集，确定GA算法的群体大小、终止迭代次数、交叉概率以及变异概率；步骤22，对SVM模型参数进行编码，产生初始种群；步骤23，将训练集导入SVM模型进行训练，计算各个体适应度；步骤24，判断最优个体适应度是否符合收敛条件，若符合，则执行步骤26，否则执行步骤25；步骤25，对种群执行遗传操作，通过选择、交叉、变异得到新的种群，再执行步骤23；步骤26，将测试集导入SVM模型进行性能测试，输出各项评价指标；步骤27，判断各项评价指标是否满足要求，若满足，则执行步骤28，否则执行步骤25；步骤28，将最优的SVM模型参数赋值为SVM模型的初始参数，得到最优GA
‑
SVM模型。
[0009]根据本专利技术的用于埋地管道紫外光原位固化修复质量实时监控的方法，优选地，所述SVM模型选用的核函数为多项式核函数，涉及到的参数包括惩罚参数c和核函数参数g，且初始惩罚参数c和核函数参数g均设置为0。
[0010]根据本专利技术的用于埋地管道紫外光原位固化修复质量实时监控的方法，优选地，所述步骤23中的个体适应度是指SVM模型输出值与试验期望值之差。
[0011]根据本专利技术的用于埋地管道紫外光原位固化修复质量实时监控的方法，优选地，所述步骤25对种群执行遗传操作的过程实际上是对SVM模型的惩罚参数c和核函数参数g进行遗传操作，对惩罚参数c和核函数参数g进行寻优。
[0012]根据本专利技术的用于埋地管道紫外光原位固化修复质量实时监控的方法，优选地，步骤3包含以下步骤：步骤31，在输入参数解空间，随机生成若干输入参数并对这些输入参数进行编码，产生初始种群，其中输入参数为固化温度和固化参数；步骤32，将步骤31中的若干输入参数输入到最优GA
‑
SVM模型中进行训练，计算各个体适应度；步骤33，判断最优个体适应度是否符合收敛条件，若符合，则判定为施工设计要求
的UV
‑
CIPP材料力学参数对应的最佳固化参数和固化温度；否则执行步骤34；步骤34，对种群执行遗传操作，通过选择、交叉、变异得到新的种群，执行步骤32。
[0013]根据本专利技术的用于埋地管道紫外光原位固化修复质量实时监控的方法，优选地，步骤32中的个体适应度是指最优GA
‑
SVM模型输出值与施工设计要求的UV
‑
CIPP材料力学参数值之差；步骤34对种群执行遗传操作的过程实际上是对输入参数进行遗传操作，对固化参数和固化温度进行寻优。
[0014]根据本专利技术的用于埋地管道紫外光原位固化修复质量实时监控的方法，优选地，步骤4包含以下步骤：步骤41，将最佳固化参数和固化温度输入埋地管道紫外光原位固化修复台车综合控制系统；步骤42，台车综合控制系统对固化参数和固化温度进行实时监测，判断其是否达到最佳固化参数和固化温度，若达到，则开始管道修复施工，若未达到，执行步骤43；步骤43，通过调节紫外灯功率和灯链牵引速度对固化参数和固化温度进行调节，直至固化参数和固化温度达到最佳固化参数和固化温度；步骤44，在修复过程中，最优GA
‑
SVM模型基于输入的施工现场实时固化参本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于埋地管道紫外光原位固化修复质量实时监控的方法，其特征在于，包含以下步骤：步骤1，采集UV
‑
CIPP材料现场原位固化数据，构建数据集；步骤2，建立考虑多因素影响下用于UV
‑
CIPP材料力学性能预测的遗传算法优化支持向量机模型，简称GA
‑
SVM模型，通过数据集对GA
‑
SVM模型进行训练与验证，得到最优GA
‑
SVM模型；步骤3，根据施工设计要求的UV
‑
CIPP材料力学参数以及最优GA
‑
SVM模型，预测出最佳固化参数和固化温度；步骤4，将预测出的最佳固化参数和固化温度输入埋地管道紫外光原位固化修复台车综合控制系统，开始管道修复施工；在修复过程中，利用最优GA
‑
SVM模型对埋地管道紫外光原位固化修复质量实时监控。2.根据权利要求1所述的用于埋地管道紫外光原位固化修复质量实时监控的方法，其特征在于，步骤1包含以下步骤：步骤11，采集UV
‑
CIPP材料现场原位固化时的固化温度和固化参数；步骤12，采集UV
‑
CIPP材料现场原位固化完成后的各项力学参数；步骤13，对数据进行处理，用列表法使得步骤11与步骤12中的各项数据一一对应，建立UV
‑
CIPP材料现场原位固化“固化参数
‑
固化温度
‑
各项力学参数”数据库，并将数据集按比例划分。3.根据权利要求2所述的用于埋地管道紫外光原位固化修复质量实时监控的方法，其特征在于，所述固化温度为固化反应峰值温度；所述固化参数包括固化时间、固化距离、材料厚度和紫外灯功率；所述力学参数包括抗拉强度和抗弯强度；所述将数据集按比例划分是指按8:2的比例将数据集随机划分为训练集和测试集。4.根据权利要求3所述的用于埋地管道紫外光原位固化修复质量实时监控的方法，其特征在于，步骤2包含以下步骤：步骤21，导入数据集，确定GA算法的群体大小、终止迭代次数、交叉概率以及变异概率；步骤22，对SVM模型参数进行编码，产生初始种群；步骤23，将训练集导入SVM模型进行训练，计算各个体适应度；步骤24，判断最优个体适应度是否符合收敛条件，若符合，则执行步骤26，否则执行步骤25；步骤25，对种群执行遗传操作，通过选择、交叉、变异得到新的种群，再执行步骤23；步骤26，将测试集导入SVM模型进行性能测试，输出各项评价指标；步骤27，判断各项评价指标是否满足要求，若满足，则执行步骤28，否则执行步骤25；步骤...

【专利技术属性】
技术研发人员：张超，张茜，王翠霞，夏洋洋，赵鹏，王磊，
申请(专利权)人：郑州大学，
类型：发明
国别省市：