一种基于神经网络的地下管线的安全评价方法

1.本发明涉及地下管线安全检测技术领域，尤其涉及一种基于神经网络的地下管线的安全评价方法。


背景技术：

2.随着城市的发展，人民对生活水平要求的不断提高，同时也是为了保证输电用电安全，架空线缆入地措施在全国范围内的广泛大力推行。各个城市都开始大规模修建用于电力线缆的地下通道或者是城市综合地下管廊。这类地下构筑物往往具有埋深较浅，抗外力破坏能力弱的特点。其往往会由于地表重载、临近施工、降水等影响发生变形甚至是破坏。为了防止由于管线通道的破坏造成大面积断电等危害人民人身及财产安全的灾害，在管线实际服役过程中需要对管线通道的状态进行实时的监测。
3.近些年随着数字孪生的发展，数字孪生也开始应用于地下管线的运营及管理分析。针对地下结构的模拟往往采用荷载结构法或地层结构法。为了更好的模拟实际管线运营中的状态，采用地层结构法是相对合理的。然而由于地下管线的单元数较多，计算分析时间普遍较长。这对数字孪生系统在地下管线中的应用带来了一定的困难。
4.目前，现有技术中将数值模拟或者是基于参数化建模的数值模拟应用于数字孪生的方法在分析时间上存在较大的问题。针对三维建模下的计算分析，其往往需要数小时甚至数天的时间。
5.在地下管线的数字孪生系统应用过程中，需要在不同位置不同工况下进行数值模拟分析。然而在模拟计算中通常需要消耗大量的时间，依据模型精细度不同会持续数小时至数天时间不等。数字孪生系统是现实工程的信息模型，需要对可能危险的发生进行预报。所以过长的计算时间有可能会延误预警的发出，带来巨大的经济损失。


技术实现要素：

6.本发明的实施例提供了一种基于神经网络的地下管线的安全评价方法，以实现有效地判别地下管线的结构是否安全。
7.为了实现上述目的，本发明采取了如下技术方案。
8.一种基于神经网络的地下管线的安全评价方法，包括：
9.确定针对地下管线结构的神经网络模型的输入层的参数范围，通过有限元分析软件计算出当前输入层参数组合下的最大变形截面位置和相应的变形安全系数；
10.将不同参数组合下的地下管线结构的最大变形截面位置和相应的变形安全系数作为训练集，利用所述训练集训练神经网络模型，得到训练好的神经网络模型；
11.根据待测量地下管线现场的实际情况确定神经网络模型的输入层参数，将待测量地下管线现场的输入层参数输入到训练好的神经网络模型，神经网络模型输出所述待测量地下管线现场的大结构变形的位置以及变形系数。
12.优选地，所述的确定针对地下管线结构的神经网络模型的输入层的参数范围，包
括：
13.设置神经网络模型包括输入层、隐含层和输出层，设置地下管线结构在堆载情况下的神经网络模型的输入层的结构参数包括：整体模型长度l、整体模型宽度b、整体模型深度h、隧道起始点埋深h0、终止点埋深h1、隧道截面形状系数α、隧道截面直径d、结构厚度d、结构强度e、堆载平面中心延隧道轴线方向位置y、堆载平面中心延隧道截面方向位置x、堆载区域长度l1、堆载区域宽度b1和堆载荷载大小p，将所述地下管线结构在堆载情况下的结构参数进行归一化处理后，作为神经网络模型的输入层的参数；
14.神经网络模型的隐含层的节点个数依据输入层节点个数确定。
15.优选地，所述的通过有限元分析软件计算出当前输入层参数组合下的最大变形截面位置和相应的变形安全系数，包括：
16.将所述地下管线结构在堆载情况下的结构参数输入到有限元计算软件，使用有限元计算软件依据输入参数进行建模，并分析得到地下管线结构在外界影响下的内力及变形情况，计算出当前输入层参数组合下的地下管线结构的最大变形截面位置和相应的变形安全系数；
17.地下管线变形值的截面位置参数y1为最大变形截面延隧道轴线方向的位置，l代表了模型的整体长度；
18.变形安全系数s为最大变形截面的最大变形量，hg为设计最大变形量。
19.优选地，所述的将不同参数组合下的地下管线结构的最大变形截面位置和相应的变形安全系数作为训练集，利用所述训练集训练神经网络模型，得到训练好的神经网络模型，包括：
20.将可选参数范围中的地下管线结构在堆载情况下的结构参数依照正交分析法确定参数组合，将不同参数组合下的地下管线结构有限元分析结果中的最大变形截面位置、相应的变形安全系数以及参数组合作为训练集，利用所述训练集训练神经网络，得到训练好的神经网络模型，该神经网络模型为输入的结构参数组合与最大变形位置和安全系数之间的关系模型。
21.优选地，所述的方法还包括：
22.将计算出的变形安全系数与变形容许值进行比较确定地下结构安全性，当安全系数大于设定值进行报警，将结构变形的位置和变形系数，以及报警反馈给数字孪生平台进行监控，变形容许值依据现场实际结构及规范要求进行确定。
23.由上述本发明的实施例提供的技术方案可以看出，本发明提供了一种基于神经网络的安全评价方法，该方法使用神经网络获得地下管线现场的大结构变形的位置以及变形系数，用于判别地下管线结构是否安全。
24.本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
25.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本
领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
26.图1为本发明实施例提供的一种地下管线的结构模型示意图。
27.图2为本发明实施例提供的一种基于神经网络的地下管线的安全评价方法的处理流程图。
具体实施方式
28.下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
29.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
30.本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
31.为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
32.针对数字孪生系统中，数值计算软件计算时间过长的问题，本发明采用神经网络方法进行地下管线的结构安全性分析，上述地下管线可以为地下电缆通道。
33.图1为本发明实施例提供的一种地下管线的结构模型示意图，基于图1所示的模型，本发明实施例提供的一种基于神经网络的地下管线的安全评价方法的处理流程如图2所示，包括如下的处理步骤：
34.步骤s1：确定针对地下管线结构的神经网络模型的输入层的参数范围。
35.每一组神经网络模型分为3层即输入层、隐含层和输出层。在本发明实施例中，针对数字孪生平台中地下管线结构在堆载情况下的数值模拟常包括的参数有：整体模型长度l、整体模型宽度b、整体模型深度h、隧道起始点埋深h0、终止点埋深h1、隧道截面形状系数α、隧道截面直径d、结构厚度d、结构强度e、堆载平面中心延隧道轴线方向位置y、堆载平面中心延隧道截面方向位置x、堆载区域长度l1、堆载区域宽度b1和堆载荷载大小p。针对地下管线结构的神经网络模型的输入层选用上述参数进行训练。
36.隐含层的节点个数依据输入层节点个数确定，一般为log2z，z为输入层的节点个数。
37.神经网络模型训练过程中的输入层的参数取值范围依照实际情况中的最大可能范围进行确定。
38.神经网络模型的输入层数据需要进行归一化操作。输入层节点依据实际情况中常见的变量选择。针对复杂的结构形式，输入层节点个数可以相应增加，但需要保证使用输入层的参数可以唯一确定满足实际现场有限元建模的需求。
39.步骤s2：通过有限元分析软件计算出单一一种输入层参数组合下的地下管线的结构内力分布情况并获取计算结果。
40.依照参数组合中的地下管线结构在堆载情况下的结构参数使用有限元分析软件进行模拟计算并得出地下电缆通道结构的内力以及变形情况。计算并得到相应的最大变形截面位置和相应的变形安全系数。
41.最大变形截面位置选择结构变形最大位置对应的截面，变形安全系数根据地下电缆通道结构变形的最大位置的变形与变形容许值的比确定。变形容许值依据现场实际结构及规范要求进行确定。地下管线变形值的截面位置参数y1为最大变形截面延隧道轴线方向的位置，l为模型的整体长度。
42.神经网络模型的隐含层计算变形安全系数s为最大变形截面的最大变形量，hg为设计最大变形量。
43.变形安全系数是否满足要求可以使用多种方法，最基本的方法是采用固定比值，即安全系数大于设定值进行报警。安全系数代表最大变形量与容许最大变形量的比值，其大小一般不可超过1。
44.步骤s3：将可选参数范围中的地下管线结构在堆载情况下的结构参数依照正交分析法确定参数组合。将不同参数组合下的地下管线结构有限元分析结果中的最大变形截面位置、相应的变形安全系数以及参数组合作为训练集。利用上述训练集训练神经网络，得到训练好的神经网络模型。该神经网络模型为输入的结构参数组合与最大变形位置和安全系数之间的关系模型。
45.步骤s4：在实际系统运用中，根据待测量地下管线现场的实际情况确定神经网络模型的输入层参数，将待测量地下管线现场的输入层参数输入到训练好的神经网络模型，神经网络模型的输出层输出该输入参数组合下的大结构变形的位置以及变形系数，进而反馈给数字孪生平台进行监控。在安全系数不满足要求时即可快速风险并进行预警，同时可以再使用有限元分析方法针对性的分析结构的具体内力情况。
46.综上所述，本发明实施例的基于神经网络的地下管线的安全评价方法的计算时间短，可以有效应用于数字孪生系统中，该方法使用神经网络获得安全系数用于判别地下管线结构是否安全，可以有效评价出地下管线的安全性。
47.本发明的最大有益效果为提高了分析速度，可以通过该方法快速得到一个初步的分析结果用以判断结构是否安全。
48.该方法较传统通过传感器检测的方法优点在于可以实时预测不同工况下的风险发生。该方法较已有的参数话建模有限元计算分析方法的优势在于分析速度快，便于实时反馈结果。
49.本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
50.通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可
借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
51.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
52.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。