一种基于卷积神经网络的建筑工程应力评定方法及系统

本发明涉及建筑工程，特别涉及一种基于卷积神经网络的建筑工程应力评定方法及系统。

背景技术：

1、建筑工程应力评定是一种工程实践，旨在评估和监测建筑结构中各种力和应力的分布情况，以确保建筑物的结构安全和可靠性。这一过程通常是为了确保建筑物在使用和负载下能够承受各种应力，并监测和评估结构的稳定性，以及在自然灾害或意外事件发生时的表现。以此提前发现和修复潜在的结构问题，以延长建筑物的寿命。

2、传统的建筑工程应力评定方法包括了一系列工程实验、数学模型和现场监测。这些方法通常涉及使用物理实验仪器、数学方程和工程经验来估计和监测建筑结构的应力分布。包括有限元分析、弹性理论、物理试验(如应力应变测试)、人工检查和定期巡视等。

3、传统方法依赖于离散的数据点或周期性检查，因此可能无法捕获结构的全局性能和变化。而物理试验和巡视需要大量人力和资源，通常不适用于大规模或遥远的建筑物。而且传统方法的数据分析和解释通常依赖于人工判断，可能受到主观性和经验的限制。同时缺乏实时监测和数据分析，使得无法及时发现结构问题，可能导致不必要的风险和修复成本。

4、总结起来，可将上述传统方法的缺陷综合为：

5、(1)成本高昂：进行物理试验和定期巡视需要大量人力、时间和资源，成本较高。

6、(2)局限性：传统方法通常只能提供有限的数据点，无法实时监测结构的全局性能，可能错过隐蔽的问题。

7、(3)依赖经验：一些方法依赖于工程师的经验和判断，可能受主观因素的影响，难以标准化和自动化。

8、(4)不足的实时性：传统方法通常难以提供实时的结构健康状态信息，不能立即响应问题。

9、为此，提出一种基于卷积神经网络的建筑工程应力评定方法及系统。

技术实现思路

1、有鉴于此，本发明实施例希望提供一种基于卷积神经网络的建筑工程应力评定方法及系统，以解决或缓解现有技术中存在的技术问题，即成本高昂、局限性、依赖经验和不足的实时性，并对此至少提供一种有益的选择；

2、本发明实施例的技术方案是这样实现的：

3、第一方面

4、一种基于卷积神经网络的建筑工程应力评定方法

5、(一)概述

6、本技术提供基于卷积神经网络(cnn)的建筑工程应力评定方法。该方法旨在通过使用深度学习技术，实现对建筑结构的实时监测和应力评估，以提高结构的安全性和可靠性。以下是该方法的内容及其原理。

7、(二)技术内容

8、基于cnn的建筑工程应力评定方法使用计算机视觉和机器学习技术，将结构监测数据和图像信息结合起来，以自动检测应力分布、损伤和结构健康状态。

9、(2.1)数据准备

10、数据收集：收集建筑工程的相关数据，包括结构监测数据、图像数据和材料属性。

11、数据集d，其中每个样本di包含结构设计图、监测数据和材料属性，以张量形式表示：

12、di＝(ii，mi，si)

13、数据标准化和归一化：将数据标准化和归一化，确保数据具有相似的尺度和分布，以便输入模型。

14、1)标准化图像数据：

15、

16、ii′：表示经过标准化处理后的第i个样本的图像数据；

17、μi：表示所有样本的图像数据的均值；

18、σi：表示所有样本的图像数据的标准差；

19、2)归一化监测数据：

20、

21、mi’：表示经过归一化处理后的第i个样本的监测数据；

22、min(mi)：表示第i个样本监测数据中的最小值；

23、max(mi)：表示第i个样本监测数据中的最大值；

24、3)标准化材料属性：

25、

26、si’：表示经过标准化处理后的第i个样本的材料属性数据；

27、μs：表示所有样本的材料属性数据的均值；

28、σs：表示所有样本的材料属性数据的标准差。

29、(2.2)数据标签化

30、为数据集添加明确的标签，表示每个样本的应力评定情况。这可以是二元标签(安全/不安全)或多类别标签(不同应力等级)。

31、标签为二元标签或多类别标签，其包括：

32、1)所述二元标签：

33、yi∈{0，1}

34、0表示安全，1表示不安全；

35、2)所述多类别标签：

36、yi∈{0，1，2，3......，n}

37、n为不同的应力等级，n的数值越大，等级越高。

38、(2.3)数据分割

39、将数据集分为训练集、验证集和测试集，用于模型训练、超参数调整和性能评估。

40、1)所述训练集t：t＝{di|di∈d，i∈训练集索引}；

41、3)所述验证集v：v＝{di|di∈d，i∈训练集索引}；

42、3)所述测试集te：te＝{di|di∈d，i∈训练集索引}。

43、(2.4)模型构建

44、构建卷积神经网络(cnn)模型，包括卷积层、池化层和全连接层。模型的输入是标准化的监测数据和图像数据。

45、构建二维cnn模型包括卷积层、池化层和全连接层，模型的输入是所述图像数据ii′，输入x：

46、x＝ii'

47、cnn模型：

48、y＝cnn(x)

49、使用预训练的vgg模型；

50、1)输入x表示一张图像，为高度h、宽度w、通道数c的三维张量r：

51、x∈r(h×w×c)

52、2)卷积层：

53、使用卷积核filters对输入进行卷积操作，产生特征映射；设f个卷积核，每个卷积核的大小为kxk，卷积操作使用步幅为s，产生特征映射的深度为d；每个卷积核都有自己的权重矩阵w，以及一个偏差值b；

54、特征映射的大小为：

55、(hout，wout，d)

56、其中hout，和wout是根据输入图像尺寸、卷积核大小和步幅计算得到的输出尺寸；

57、3)池化层：使用最大池化来减小特征映射的空间尺寸；使用池化窗口大小p，产生的池化后的特征映射的大小为：

58、(hp，wp，d)

59、其中hp和wp是池化后的尺寸；

60、4)全连接层：将池化后的特征映射拉平成一维向量，然后将其与全连接层的权重矩阵相乘；

61、5)输出层：对于二元分类，使用sigmoid激活函数；对于多类别分类，使用softmax激活函数。

62、(2.5)模型训练

63、使用训练集对cnn模型进行训练，通过最小化损失函数来优化模型参数。训练过程中，模型学会了从输入数据中提取特征并预测应力分布。

64、(2.6)超参数调整

65、使用验证集来调整超参数，如学习率、卷积核大小等，以优化模型的性能。

66、(2.7)模型部署

67、一旦模型达到满意的性能水平，可以将其部署到实际建筑工程中，通过api或其他方式实现实时应力评定。

68、(三)技术原理

69、基于cnn的建筑工程应力评定方法的原理如下：

70、(1)特征提取：卷积层和池化层用于从监测数据和图像中提取特征，这些特征反映了结构的状态和性能。

71、(2)学习应力分布：通过训练，cnn模型学会了将提取的特征映射到应力分布，从而可以预测不同部位的应力情况。

72、(3)实时监测：一旦模型训练完成并部署，它可以实时处理新的监测数据和图像，并提供实时的应力评估，以及对潜在问题的早期警示。

73、第二方面

74、一种基于卷积神经网络的建筑工程应力评定系统

75、系统的核心组件是处理器，它是负责执行建筑工程应力评定方法的计算机处理单元。处理器通过执行存储在存储器中的程序指令来实现数据处理、特征提取、模型训练和应力评估等任务。

76、(1)存储器：

77、系统包括一个与处理器耦接的存储器，用于存储以下内容：

78、(1.1)监测数据：包括来自建筑工程的各种监测数据，如传感器测量值、材料属性等。这些数据被用作cnn模型的输入。

79、(1.2)图像数据：存储建筑工程的图像信息，如结构设计图、实际监测图像等。这些图像数据用于提供视觉信息，帮助评估建筑结构的状态。

80、(1.3)程序指令：存储有执行建筑工程应力评定方法所需的程序指令。这些指令包括数据预处理、模型构建、训练和评估等步骤。

81、(2)系统原理

82、系统的原理基于前文所述的建筑工程应力评定方法：

83、(2.1)数据准备：系统从存储器中获取监测数据和图像数据，对其进行标准化和归一化，以确保数据一致性和可比性。

84、(2.2)特征提取：通过卷积神经网络(cnn)模型，系统从监测数据和图像数据中提取特征，这些特征用于应力评估。

85、(2.3)模型训练：系统使用训练集中的数据，对cnn模型进行训练，以学习应力分布的模式和特征。

86、(2.4)应力评估：一旦模型训练完成，系统可以实时处理新的监测数据和图像数据，并使用已训练的模型进行应力评估。评估结果可以显示建筑工程的应力分布情况，提供结构健康状态的实时信息。

87、与现有技术相比，本发明的有益效果是：

88、(1)实时监测与预警：本发明所提出的技术可以实时监测建筑结构的应力分布情况，从而及时发现潜在的问题和损伤。这有助于提前采取措施，防止结构的进一步损害，减少维修成本，确保结构的长期安全性。基于卷积神经网络的方法大大减少了人工干预的需求。系统能够自动处理大量监测数据和图像信息，快速生成应力评估结果，提高了工作效率。

89、(2)全面的结构评估：通本发明所提出的技术可以过结合监测数据和图像信息，该方法能够提供更全面的结构评估。不仅可以评估应力分布，还可以考虑其他因素，如材料属性、结构设计等，从而更全面地理解结构的性能。传统方法依赖于工程师的主观判断和经验，容易受到人为误差的影响。基于卷积神经网络的方法通过自动化数据分析，减少了这种误差，提高了评估的准确性。

90、(3)可扩展性：本发明所提出的技术可以应用于各种建筑工程项目，包括大型桥梁、建筑物、水坝等。由于其自动化和可扩展性，可以轻松适应不同项目的需求。通过实时监测和应力评估，该方法有助于提高建筑结构的安全性。在应力达到危险水平之前，可以采取必要的维护和修复措施，降低了事故风险。

91、(4)科学决策支持：本发明所提出的技术可以基于数据驱动的应力评估方法为工程师和决策者提供了更科学的依据。他们可以根据准确的数据和模型预测来做出更明智的决策，确保建筑结构的长期稳定性。

92、(5)节省成本：本发明所提出的技术可以通过提前发现和解决结构问题，可以减少维护和修复的成本。此外，减少了人工巡检的需求，也可以节省人力和资源成本。