System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及建筑,尤其涉及深度学习辅助的3d打印混凝土结构内部完整性评估系统。
技术介绍
1、在现有的3d打印技术中,特别是在涉及复杂结构如混凝土建筑部件的打印时,内部完整性的评估是一个技术挑战,传统的检测方法,如物理探针或视觉检查,往往不足以检测微观级别的缺陷,如微小裂缝和空洞,这些缺陷可能会在结构负载下扩展,最终影响整个结构的稳定性和安全性。
2、此外,传统的评估技术通常是离线进行,这意味着任何发现的缺陷都需要在打印过程后才能修正,这不仅增加了材料和时间成本,还可能导致整个部件的报废,这种后期检测方法缺乏实时反馈,无法允许及时调整打印参数来纠正潜在的缺陷。
3、现有技术中也存在数据处理和分析的挑战,由于缺乏高级数据融合和分析工具,从多个传感器和检测设备中获取的大量数据往往无法被充分利用,这些数据如果被适当分析和整合,可以显著提高缺陷检测的准确性和评估的可靠性。
4、最后,用户界面的直观性和交互性在现有技术中通常是被忽视的,对于非专业用户来说,复杂的数据和技术报告难以理解,限制了他们在3d打印过程中做出快速决策的能力。
技术实现思路
1、基于上述目的,本专利技术提供了深度学习辅助的3d打印混凝土结构内部完整性评估系统。
2、深度学习辅助的3d打印混凝土结构内部完整性评估系统,包括数据采集模块、数据预处理模块、3d映射与建模模块、深度学习分析模块、完整性评估模块以及用户界面模块;其中,
3、数据采集模块:配置有多个传感器
4、数据预处理模块:包括信号转换器和增强算法,用于将采集的模拟信号转换为数字信号,并通过增强算法改善信号质量;
5、3d映射与建模模块:基于数据预处理模块的数据,采用体积元分析技术,构建混凝土结构的3d微观模型,以映射内部结构;
6、深度学习分析模块:包括一个预设的神经网络,该网络接收3d映射数据,并训练用于检测混凝土内部微小裂缝和空洞的模式;
7、完整性评估模块:集成声波和电磁数据分析结果,与3d映射数据相结合,使用预设算法评估混凝土结构的内部完整性;
8、用户界面模块:展示评估结果,并提供实时反馈机制,允许用户根据系统提供的数据进行及时调整和优化3d打印参数。
9、进一步的,所述数据采集模块包括
10、声波传感器单元:包括一个超声波发射器和接收器,所述超声波发射器用于向混凝土结构发射预定频率的声波,接收器则布置于混凝土结构的对面或旁边,用于接收声波在混凝土结构中传播后的反射波
11、电磁传感器单元:包括电磁场发生器和磁感应探测器,所述电磁场发生器用于产生预定频率的交变电磁场,该电磁场穿透混凝土结构并由磁感应探测器捕获其变化,从而分析混凝土中的金属含量、电导率和磁导率;
12、数据接口单元:负责从声波传感器单元和电磁传感器单元接收模拟信号,并将其转换为数字信号以供数据预处理模块进行处理;
13、控制单元:用于根据3d打印机的具体操作阶段调节传感器单元的工作频率和发射功率,以对应不同混凝土层的检测需求。
14、进一步的,所述数据预处理模块包括
15、模拟数字转换器adc单元:用于接收来自数据采集模块的模拟信号,并将其转换为数字信号,该模拟数字转换器adc单元具有高采样率和高分辨率特性,能将信号从时间连续形式转换为时间离散的数字形式,以精确表示信号的幅值;
16、信号处理单元:配备数字信号处理器dsp,用于实施增强算法,特别是傅里叶变换,用于将时域信号转换为频域信号以分析其频谱内容,所述傅里叶变换的数学表达式为:其中,f(t)表示时域中的信号函数,ω表示角频率,f(ω)表示复频域中信号的幅度和相位;
17、噪声消除单元:利用自适应滤波技术进行噪声消除,具体采用最小均方误差lms算法调整滤波器的系数,以最小化输入信号x(n)和参考信号之间的误差,所述lms算法的更新规则为:w(n+1)=w(n)+μ·e(n)·x(n),其中,w(n)是当前滤波器系数,μ是步长大小,控制学习速率,e(n)是期望信号与滤波输出信号之差的误差信号,x(n)是输入信号的样本;
18、信号增强单元:采用动态范围压缩drc和自动增益控制agc技术,动态调整信号的幅度,使得信号在转换过程中维持在预设的动态范围内。
19、进一步的,所述3d映射与建模模块包括数据接收单元、体积元分析单元、微观结构重建单元和微观特性分析单元;其中,
20、数据接收单元:从数据预处理模块接收处理过的数字信号,并将该信号编排成为三维数据点阵列;
21、体积元分析单元:利用计算机视觉算法对三维数据点进行体积元建模,将连续的数据点阵列转换为离散的体积元,体积元表示为vi,j,k,其中,i,j,k分别代表在二维空间网格中的位置索引;
22、微观结构重建单元:通过marchingcubes三维重建算法,将体积元转换为微观结构的三维网格模型,所述marchingcubes算法根据体积元边界上的阈值确定表面,并生成网格顶点和面片,构建出混凝土内部的微观结构模型;
23、微观特性分析单元:应用有限元分析fea技术对微观结构模型进行力学特性分析,fea通过公式:来预测每个体积元在外力作用下的响应,其中σ代表应力张量,f代表体积力,ρ是材料密度,a是加速度。
24、进一步的,所述3d映射与建模模块中映射内部结构具体步骤包括:
25、s1:运用从微观特性分析单元获得的3d网格模型,通过设置特定的材料属性阈值来识别和区分各个体积元的结构特征,具体的,通过比较应力分布和密度分布,来区分密实区域和潜在的空洞或裂缝;
26、s2:结合结构分辨单元的分析,创建一个完整性映射,该映射利用颜色编码或视觉标记来表示混凝土结构内部的完整性等级,其中每个体积元根据其结构稳定性被赋予不同的标记,直观地揭示结构的内部完整性状况;
27、s3:利用统计和图形学算法对完整性映射中的数据进行分析,识别出结构中的关键负载点或应力集中区域,该区域代表了热点,要进行监测或干预;
28、s4:基于当前的完整性映射和历史数据,使用机器学习算法预测混凝土结构在未来使用过程中会出现的问题区域,从而为维护和修复提供前瞻性的信息。
29、进一步的,所述深度学习分析模块包括网络架构配置单元、训练数据准备单元、网络训练与验证单元、缺陷检测执行单元以及结果输出单元;
30、网络架构配置单元:采用卷积神经网络架构,该架构具体配置包括多个卷积层、激活层、池化层和全连接层,以适应混凝土结构图像特征的自动提取和学习;
31、训练数据准备单元:收集并标注一个包括已知内部缺陷的混凝土结构图像数据集,并标注信息包括缺陷的位置、大小和类型;
32、网络训练与验证单元:采本文档来自技高网...
【技术保护点】
1.深度学习辅助的3D打印混凝土结构内部完整性评估系统,其特征在于,包括数据采集模块、数据预处理模块、3D映射与建模模块、深度学习分析模块、完整性评估模块以及用户界面模块;其中,
2.根据权利要求1所述的深度学习辅助的3D打印混凝土结构内部完整性评估系统,其特征在于,所述数据采集模块包括
3.根据权利要求2所述的深度学习辅助的3D打印混凝土结构内部完整性评估系统,其特征在于,所述数据预处理模块包括
4.根据权利要求3所述的深度学习辅助的3D打印混凝土结构内部完整性评估系统,其特征在于,所述3D映射与建模模块包括数据接收单元、体积元分析单元、微观结构重建单元和微观特性分析单元;其中,
5.根据权利要求4所述的深度学习辅助的3D打印混凝土结构内部完整性评估系统,其特征在于,所述3D映射与建模模块中映射内部结构具体步骤包括:
6.根据权利要求5所述的深度学习辅助的3D打印混凝土结构内部完整性评估系统,其特征在于,所述深度学习分析模块包括网络架构配置单元、训练数据准备单元、网络训练与验证单元、缺陷检测执行单元以及结果输出单元;<
...【技术特征摘要】
1.深度学习辅助的3d打印混凝土结构内部完整性评估系统,其特征在于,包括数据采集模块、数据预处理模块、3d映射与建模模块、深度学习分析模块、完整性评估模块以及用户界面模块;其中,
2.根据权利要求1所述的深度学习辅助的3d打印混凝土结构内部完整性评估系统,其特征在于,所述数据采集模块包括
3.根据权利要求2所述的深度学习辅助的3d打印混凝土结构内部完整性评估系统,其特征在于,所述数据预处理模块包括
4.根据权利要求3所述的深度学习辅助的3d打印混凝土结构内部完整性评估系统,其特征在于,所述3d映射与建模模块包括数据接收单元、体积元分析单元、微观结构重建单元和微观特性分析单元;其中,
5.根据权利要求4所...
【专利技术属性】
技术研发人员:孙浚博,赵宏宇,王翔宇,王雨飞,邹泽峰,姜楠,
申请(专利权)人:重庆大学溧阳智慧城市研究院,
类型:发明
国别省市:
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。