【技术实现步骤摘要】
这项专利技术涉及大坝损伤识别及安全评估领域，致力于提高对水利工程安全性的监测水平。涉及一种基于裂缝智能识别和有限元反演的混凝土大坝损伤识别及安全评估方法。
技术介绍
1、大坝作为一种人工建造的水利工程，承担着对水资源的蓄积和调度的责任。然而在使用过程中，大坝可能会受到材料老化、冲刷和侵蚀等的不利影响，导致产生裂缝，裂纹等的损伤，从而对大坝的安全性和稳定性造成隐患。因此，对大坝损伤进行有效且迅速的检测识别具有重要意义。
2、传统的大坝表面损伤检测技术主要有目视检查和使用传感器进行大坝结构参数的监测，前者受限于人眼的主观判断和可见性，不适用于大规模和难以接触的大坝。并且耗时较久，效率太低；后者通常使用位移传感器、应变计、加速度计等来监测大坝的结构变化信息，但仅限于监测物理性质的变化，对于图像中的视觉损伤信息的获取有一定局限性，从而对裂缝这种损伤的识别存在障碍。此外，还有其他的一些常见的损伤识别方法，比如遥感技术，利用航拍图像或卫星图像进行监测，遥感技术能够获取大范围的图像信息，但分辨率较低，通常难以捕捉到小尺度的损伤。还有使用图像处理技术进行损伤识别的图像处理方法，例如边缘检测、纹理分析等。这些方法通常基于手工提取的图像特征，存在对复杂结构的适应性差的问题，并且受光照等因素的影响较大。
3、另外，传统的有限元反演在大坝损伤识别上的应用主要侧重于对大坝结构参数的监测，通过测得的数据进行反演识别损伤，从而进行安全评估。但是这种方法计算量巨大，并且识别也不够准确，因此，提出一种便捷、快速的检测方法就尤为重要。>
技术实现思路
1、为了解决上面的问题，本专利技术是通过将深度学习技术与有限元反演法结合，提出一种基于u-net网络的、用于对大坝裂缝损伤识别的技术。利用无人机采集后的大坝表面裂缝图片，使用u-net网络进行识别，并将其从背景中分割出来，然后将图片进行拼接，赋予到大坝的几何模型上进行建模，再基于有限元反演法以u-net网络模型识别出的裂缝作为初始值进行迭代，不断改变裂缝的大小、位置，最终得到与现场实际值相差最小的值，以此确定大坝的损失情况，进而对大坝进行安全评估。
2、本专利技术的目的是通过以下技术方案予以实现，一种基于裂缝智能识别和有限元反演的混凝土大坝损伤识别及安全评估方法，包括以下步骤：
3、步骤s1：利用无人机采集大坝的图像，获得大坝表面裂缝的图片，按顺序进行编号。
4、步骤s2：通过深度学习u-net模型对采集的数据进行分析，识别分割出大坝结构可能的裂缝损伤迹象。
5、步骤s3：根据真实的大坝几何尺寸建立大坝的初始有限元模型，确定混凝土材料的力学特性，并确定有限元反演法的反演参数为裂缝损伤的大小、位置。
6、步骤s4：将识别分割后的裂缝图片拼接映射到大坝的有限元模型上。
7、步骤s5：对大坝进行动力学测试获取现场实测动力结果。
8、步骤s6：通过反演分析对大坝内部损伤情况进行修改迭代求解，不断修改坝体内部裂缝损伤的大小、位置等，使有限元计算结果与实际现场值相差最小。
9、步骤s7得到反演容许误差的参数值，确定大坝的整体损伤情况。
10、步骤s8以表面裂缝、整体损伤及数值模拟的结果对大坝进行安全评估。
11、在一种实施方案中，所述步骤s1的具体方法如下：
12、步骤s1.1.根据大坝的现场涉及出固定的飞行路线，设置好无人机的飞行高度，焦距和相机分辨率等；
13、步骤s1.2.利用无人机配置的拍摄装备拍摄大坝表面裂缝图片。
14、在一种实施方案中，所述步骤s2的具体方法如下：
15、步骤s2.1.建立深度学习语义分割网络u-net模型；
16、步骤s2.2.使用u-net网络对大坝表面裂缝图片进行识别，将图片中的裂缝分割出来这是一种经典的用于图像分割任务的深度学习架构，它的结构特点是u字型，左侧收缩路径为编码器部分，由一系列卷积层和池化层组成，用于提取图像的高级特征。右侧的扩张路径为解码器的部分，通过上采样和反卷积操作，将中间层的特征图还原到输入图像的原始分辨率，从而产生分割后的图片。卷积层采用3*3的卷积核进行特征提取。损失函数选择二分类交叉熵损失函数(binary cross-entropy loss)，
17、
18、n是坝体裂缝图片像素数量总数，yi指的是第i个像素对应于分类任务的二值指示函数，0表示不属于该类别，1表示属于该类别，pi是模型预测为正类别的概率，取值范围为0到1，激活函数采用relu函数用于引入非线性，
19、relu(x)＝max(0,x) (2)
20、输出层使用softmax激活函数产生最终的分割图。
21、在一种实施方案中，所述步骤s3的具体方法如下：
22、步骤s3.1.是基于ansys软件对大坝建立有限元模型，需要考虑大坝与地基的交互作用，设置适当的边界条件，由于是固定支撑，边界条件可设置为：
23、ux＝uy＝uz＝0 (3)
24、步骤s3.2.需要考虑到水位的影响，通过水位监测设备获取此大坝蓄水的高度，将其反馈到有限元模型中，调整边界条件，并模拟水压加载情况，包括水压的方向、大小和分布等。
25、在一种实施方案中，所述步骤s4的具体方法如下：
26、步骤s4.1.是在u-net模型将所有的图片识别后，有裂缝损伤的地方将被分割出来；
27、步骤s4.2.是将所有的图片按照对应的编号顺序拼接映射到有限元模型上，将损伤信息转化为有限元网格上的结构信息，构建包含裂缝的有限元模型。
28、在一种实施方案中，所述步骤s5的具体方法如下：
29、步骤s5涉及对大坝进行动力学测试，以获取现场实测动力结果，为全面了解坝体的振动特性，可采用人工加载激励的方式，在使用外部激励时，需借助专门设计的机械振动装置，如在大坝结构上施加机械力或通过振动台引起振动，在实验过程中，必须收集大坝结构的完整响应数据，以进行全面的振动特性分析，为此，可以在大坝不同位置设置多个传感器，以获取动力学特征参数，如振型、频率和阻尼比等，这些参数对深入了解大坝的振动行为和结构响应至关重要。
30、在一种实施方案中，所述步骤s6的具体方法如下：
31、步骤s6.1.采用有限元反演法迭代求解，可以将其转化为求最优解的问题，利用最优化理论将问题转化为自变量的最优解求解的问题，即
32、f0＝f(x,y,l) (4)
33、f0为裂缝的模型函数，(x，y)为裂缝的中心坐标，l表示裂缝的长度，对于一种简化的大坝模型的裂缝的函数为
34、
35、其中(x0，y0)是裂缝的中心位置的坐标。
36、步骤s6.2.的目标函数为
37、j(p)＝|u0-u(p)| 本文档来自技高网...
【技术保护点】
1.本专利技术提供了一种基于裂缝智能识别和有限元反演的混凝土大坝损伤识别及安全评估方法，其特征在于，包括以下的步骤：
2.根据权利要求1所述的方法，其特征在于：所述步骤S1中利用无人机拍摄大坝图片时，需要拍摄出规整、大小相同的照片，为了保证后续方便处理，照片应当无重叠，为了达到这种要求，应该设计固定的飞行路线，并对无人机的飞行高度、焦距和相机分辨率等做出设置及调整。
3.根据权利要求1所述的方法，其特征在于：所述步骤S2使用的是U-Net网络，这是一种经典的用于图像分割任务的深度学习架构，它的结构特点是U字型，左侧收缩路径为编码器部分，由一系列卷积层和池化层组成，用于提取图像的高级特征，右侧的扩张路径为解码器的部分，通过上采样和反卷积操作，将中间层的特征图还原到输入图像的原始分辨率，从而产生分割后的图片，卷积层采用3*3的卷积核进行特征提取，损失函数选择二分类交叉熵损失函数(Binary Cross-Entropy Loss),
4.根据权利要求1所述的方法，其特征在于：所述步骤S3是基于Ansys软件对大坝建立有限元模型，需要考虑大坝与地基的
5.根据权利要求1所述的方法，其特征在于：所述步骤S3的大坝的有限元模型需要考虑到水位的影响，通过水位监测设备获取此大坝蓄水的高度，将其反馈到有限元模型中，调整边界条件，并模拟水压加载情况，包括水压的方向、大小和分布等。
6.根据权利要求1所述的方法，其特征在于：所述步骤S4是在U-Net模型将所有的图片识别后，有裂缝损伤的地方将被分割出来，再将所有的图片按照对应的编号顺序拼接映射到有限元模型上，将损伤信息转化为有限元网格上的结构信息，构建包含裂缝的有限元模型。
7.根据权利要求1所述的方法，其特征在于：所述步骤S6采用有限元反演法迭代求解，可以将其转化为求最优解的问题，利用最优化理论将问题转化为自变量的最优解求解的问题，即
8.根据权利要求1所述的方法，其特征在于：所述步骤S6的目标函数为
9.根据权利要求1所述的方法，其特征在于：所述步骤S8在确认了大坝裂缝的大小和位置后，依据损伤情况进行结构分析，通过模拟不同载荷和工况下的结构响应，评估裂缝对结构强度和稳定性的影响，值得注意的是，在最终评估大坝的安全性时，需综合考虑多个因素，包括反演结果、深度学习识别的信息以及动力学测试的结果，这有助于准确了解大坝结构的健康状况，确保做出全面而可靠的判断。
...【技术特征摘要】
1.本发明提供了一种基于裂缝智能识别和有限元反演的混凝土大坝损伤识别及安全评估方法，其特征在于，包括以下的步骤：
2.根据权利要求1所述的方法，其特征在于：所述步骤s1中利用无人机拍摄大坝图片时，需要拍摄出规整、大小相同的照片，为了保证后续方便处理，照片应当无重叠，为了达到这种要求，应该设计固定的飞行路线，并对无人机的飞行高度、焦距和相机分辨率等做出设置及调整。
3.根据权利要求1所述的方法，其特征在于：所述步骤s2使用的是u-net网络，这是一种经典的用于图像分割任务的深度学习架构，它的结构特点是u字型，左侧收缩路径为编码器部分，由一系列卷积层和池化层组成，用于提取图像的高级特征，右侧的扩张路径为解码器的部分，通过上采样和反卷积操作，将中间层的特征图还原到输入图像的原始分辨率，从而产生分割后的图片，卷积层采用3*3的卷积核进行特征提取，损失函数选择二分类交叉熵损失函数(binary cross-entropy loss),
4.根据权利要求1所述的方法，其特征在于：所述步骤s3是基于ansys软件对大坝建立有限元模型，需要考虑大坝与地基的交互作用，设置适当的边界条件，由于是固定支撑，边界条件可设置为：
5.根据权利要求1所...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。