基于光纤传感器与机器学习的混凝土温度监测优化方法、装置及介质

本发明涉及施工质量监测与评估，尤其是涉及一种基于光纤传感器与机器学习的混凝土温度监测优化方法、装置及介质。

背景技术：

1、随着社会经济的持续增长，对大型和高层建筑的需求日益增加。这些建筑通常采用大体积混凝土作为基础结构。然而，在大体积混凝土的浇筑和硬化过程中，由于水化反应产生大量热量，导致混凝土内部和外部的温差急剧增大。这种显著的温差，结合混凝土材料本身较低的抗拉强度，容易引发裂缝，进而影响结构的完整性，并可能对整个工程的质量造成严重影响，甚至带来严重后果。因此，对大体积混凝土在浇筑过程中的温度进行有效监控和分析其温度场的变化，对于指导裂缝的预防和控制工作，确保浇筑质量具有至关重要的意义。传统的温度监测方法主要依赖于点式温度传感器，这种方法需要人工定时检查，存在漏检风险，传感器的失效问题，以及安装过程中对施工的干扰。此外，这种方法采集的数据量有限且不连续，难以全面反映混凝土内部的温度场变化。

技术实现思路

1、本发明的目的是为了克服上述现有技术存在的监测与处理效率低下，不能精确、经济地监测混凝土温度，导致混凝土内外部温差过大引起裂缝，影响结构完整性和工程质量的问题，而提供一种基于光纤传感器与机器学习的混凝土温度监测优化方法、装置及介质。

2、本发明的目的可以通过以下技术方案来实现：

3、一种基于光纤传感器与机器学习的混凝土温度监测优化方法，包括以下步骤：

4、s1、选取并设置光纤传感器；

5、s2、进行混凝土温度监测的模拟实验，利用光纤传感器获取当前混凝土准确的温度监测数据和透射光谱数据；

6、s3、对温度监测数据进行移动平均算法处理，得到特征温度数据；

7、s4、将透射光谱多个峰值点的测量数据作为深度神经网络模型的输入，将经过移动平均算法处理后的特征温度数据作为深度神经网络模型的输出，对模型进行训练；

8、s5、在正常环境中利用光纤传感器获取混凝土的透射光谱数据，输入训练完成的深度神经网络模型，输出温度预测值。

9、所述步骤s1具体为：选取倾斜布拉格光栅传感器作为光纤传感器，确定传感器的光栅倾斜角和标距，以及透射光谱的波长范围、波长分辨率、波长扫描速度。

10、所述步骤s2中，模拟实验以立体空间模拟大体积混凝土结构，将标定好位置的光纤传感器布设在模拟大体积混凝土结构空间中。

11、所述步骤s3中，对温度监测数据进行时间、空间、质量维度的移动平均算法处理，分别在时间、空间、质量维度上以所有有效传感器的原始监测数据的算术平均值表征该传感器某时刻、某空间点的特征温度数据。

12、所述时间、空间、质量维度的移动平均计算公式如下：

13、

14、其中t为时刻，s为空间点，o为监测对象内有效传感器，δ(t)为包含该时刻的时间区间，ω(s)为包含该空间点的空间单元，n(o)为监测对象内所布设的所有温度传感器，n(t)、n(s)、n(o)分别为时间区间内、空间单元内及监测对象内采集温度值的个数，ti(t)、tj(s)、tk(o)分别为相应的原始温度测值，t(t)、t(s)、t(o)分别为该时刻、该空间点及该监测对象的特征温度数据。

15、所述深度神经网络模型的输入为透射光谱多个峰值点的波长。

16、所述深度神经网络模型的训练具体包括以下步骤：

17、收集不同温度和应变条件下由倾斜布拉格光栅传感器记录的透射光谱波长数据；

18、选择特定数量的波长峰值点作为模型输入，对应的特征温度数据作为模型输出，将数据集按比例划分为训练集、验证集、测试集，利用训练集对模型进行训练，利用验证集对模型进行验证，并选择在测试集上表现最好的模型作为最优模型，完成模型训练。

19、所述深度神经网络模型使用lm算法最小化损失函数来实现模型训练。

20、一种基于光纤传感器与机器学习的混凝土温度监测优化装置，包括存储器、处理器，以及存储于所述存储器中的程序，所述处理器执行所述程序时实现如上所述的方法。

21、一种存储介质，其上存储有程序，所述程序被执行时实现如上所述的方法。

22、与现有技术相比，本发明具有以下有益效果：

23、本发明将机器学习领域的深度神经网络模型迁移应用于建筑工程领域，优化了现有的混凝土温度监测方法，提升了混凝土健康状况监测效率，能够精准、经济地实时监测混凝土内部温度，提高了混凝土健康状况检测的准确性。

技术特征：

1.一种基于光纤传感器与机器学习的混凝土温度监测优化方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于光纤传感器与机器学习的混凝土温度监测优化方法，其特征在于，所述步骤s1具体为：选取倾斜布拉格光栅传感器作为光纤传感器，确定传感器的光栅倾斜角和标距，以及透射光谱的波长范围、波长分辨率、波长扫描速度。

3.根据权利要求1所述的一种基于光纤传感器与机器学习的混凝土温度监测优化方法，其特征在于，所述步骤s2中，模拟实验以立体空间模拟大体积混凝土结构，将标定好位置的光纤传感器布设在模拟大体积混凝土结构空间中。

4.根据权利要求1所述的一种基于光纤传感器与机器学习的混凝土温度监测优化方法，其特征在于，所述步骤s3中，对温度监测数据进行时间、空间、质量维度的移动平均算法处理，分别在时间、空间、质量维度上以所有有效传感器的原始监测数据的算术平均值表征该传感器某时刻、某空间点的特征温度数据。

5.根据权利要求4所述的一种基于光纤传感器与机器学习的混凝土温度监测优化方法，其特征在于，所述时间、空间、质量维度的移动平均计算公式如下：

6.根据权利要求1所述的一种基于光纤传感器与机器学习的混凝土温度监测优化方法，其特征在于，所述深度神经网络模型的输入为透射光谱多个峰值点的波长。

7.根据权利要求1所述的一种基于光纤传感器与机器学习的混凝土温度监测优化方法，其特征在于，所述深度神经网络模型的训练具体包括以下步骤：

8.根据权利要求1所述的一种基于光纤传感器与机器学习的混凝土温度监测优化方法，其特征在于，所述深度神经网络模型使用lm算法最小化损失函数来实现模型训练。

9.一种基于光纤传感器与机器学习的混凝土温度监测优化装置，包括存储器、处理器，以及存储于所述存储器中的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一所述的方法。

10.一种存储介质，其上存储有程序，其特征在于，所述程序被执行时实现如权利要求1-8中任一所述的方法。

技术总结
本发明涉及一种基于光纤传感器与机器学习的混凝土温度监测优化方法、装置及介质，其中方法包括以下步骤：选取并设置光纤传感器；进行混凝土温度监测的模拟实验，利用光纤传感器获取当前混凝土准确的温度监测数据和透射光谱数据；对温度监测数据进行移动平均算法处理，得到特征温度数据；将透射光谱多个峰值点的测量数据作为深度神经网络模型的输入，将经过移动平均算法处理后的特征温度数据作为深度神经网络模型的输出，对模型进行训练；在正常环境中利用光纤传感器获取混凝土的透射光谱数据，输入训练完成的深度神经网络模型，输出温度预测值。与现有技术相比，本发明具有提高了混凝土温度监测的经济性、准确性等优点。

技术研发人员：徐易禛,方根深,邓昊宇,张家宁,温作鹏
受保护的技术使用者：同济大学
技术研发日：
技术公布日：2025/4/7