本發(fā)明涉及鋼結(jié)構(gòu)施工安全管理，尤其公開了一種基于人工智能的鋼結(jié)構(gòu)施工安全風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估方法及系統(tǒng)。
背景技術(shù)：
1、鋼結(jié)構(gòu)施工安全管理是建筑工程領(lǐng)域中至關(guān)重要的研究方向，尤其在大跨度場(chǎng)館、高層建筑和裝配式鋼結(jié)構(gòu)項(xiàng)目中，施工過程涉及大量高空作業(yè)和隱蔽工程，一旦發(fā)生安全事故，往往后果嚴(yán)重且難以挽回，因此如何有效保障施工全過程的安全成為行業(yè)持續(xù)關(guān)注的重點(diǎn)。
2、當(dāng)前鋼結(jié)構(gòu)施工安全評(píng)估主要依賴人工巡檢和定期檢測(cè)，這種方式在面對(duì)施工現(xiàn)場(chǎng)快速變化的實(shí)際情況時(shí)暴露出明顯不足。施工現(xiàn)場(chǎng)環(huán)境復(fù)雜多變，構(gòu)件安裝、焊接、螺栓連接等工序交替進(jìn)行，力學(xué)狀態(tài)、焊縫質(zhì)量、連接緊固度等關(guān)鍵參數(shù)會(huì)隨著時(shí)間和工況實(shí)時(shí)發(fā)生變化，而人工檢查通常只能在特定時(shí)間點(diǎn)獲取靜態(tài)數(shù)據(jù)，無(wú)法連續(xù)跟蹤這些參數(shù)的動(dòng)態(tài)演變過程，導(dǎo)致許多潛在風(fēng)險(xiǎn)在事發(fā)前難以被及時(shí)發(fā)現(xiàn)。
3、更深一層的問題在于，鋼結(jié)構(gòu)施工中的風(fēng)險(xiǎn)具有很強(qiáng)的時(shí)空關(guān)聯(lián)特性。構(gòu)件受力、溫度變化、風(fēng)載影響以及人員設(shè)備位置等因素并非孤立存在，而是相互作用、共同決定結(jié)構(gòu)的安全狀態(tài)。例如，在焊接作業(yè)完成后，如果附近區(qū)域正在吊裝大型構(gòu)件，產(chǎn)生的振動(dòng)和沖擊荷載會(huì)直接影響剛剛形成的焊縫穩(wěn)定性，同時(shí)高溫焊接殘余應(yīng)力又會(huì)隨著環(huán)境溫度波動(dòng)而緩慢釋放，這些因素疊加在一起，使得同一位置的風(fēng)險(xiǎn)水平在短時(shí)間內(nèi)可能從低等級(jí)迅速上升到高等級(jí)。然而，現(xiàn)有的評(píng)估手段很難捕捉到這種多因素耦合引起的連續(xù)變化趨勢(shì)，常常在風(fēng)險(xiǎn)已經(jīng)累積到臨界點(diǎn)時(shí)才被察覺，錯(cuò)失最佳干預(yù)時(shí)機(jī)。
4、因此，如何在鋼結(jié)構(gòu)施工現(xiàn)場(chǎng)實(shí)現(xiàn)對(duì)多源影響因素實(shí)時(shí)耦合與連續(xù)演變的精準(zhǔn)刻畫，從而及時(shí)發(fā)現(xiàn)并預(yù)警那些由時(shí)空動(dòng)態(tài)交互導(dǎo)致的突發(fā)性安全風(fēng)險(xiǎn)，成為當(dāng)前鋼結(jié)構(gòu)施工安全管理亟待突破的關(guān)鍵問題。
技術(shù)實(shí)現(xiàn)思路
1、本發(fā)明提供了一種基于人工智能的鋼結(jié)構(gòu)施工安全風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估方法及系統(tǒng)，旨在解決上述現(xiàn)有技術(shù)中存在的至少一種缺陷。
2、本發(fā)明的一方面涉及一種基于人工智能的鋼結(jié)構(gòu)施工安全風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估方法，包括以下步驟：
3、s100、通過數(shù)據(jù)采集設(shè)備獲取鋼結(jié)構(gòu)施工現(xiàn)場(chǎng)的多源數(shù)據(jù)，得到清洗后的多維數(shù)據(jù)集，多維數(shù)據(jù)集包括力學(xué)參數(shù)和環(huán)境變量；
4、s200、根據(jù)清洗后的多維數(shù)據(jù)集，采用深度學(xué)習(xí)算法處理圖像與傳感器信號(hào)，識(shí)別施工過程中的鋼結(jié)構(gòu)缺陷，確定鋼結(jié)構(gòu)缺陷的缺陷特征向量；
5、s300、若缺陷特征向量超出預(yù)設(shè)閾值，則采用機(jī)器學(xué)習(xí)分類器構(gòu)建風(fēng)險(xiǎn)評(píng)估模型，對(duì)缺陷特征向量進(jìn)行分類量化，獲得初始風(fēng)險(xiǎn)等級(jí)；
6、s400、針對(duì)初始風(fēng)險(xiǎn)等級(jí)，采用概率狀態(tài)轉(zhuǎn)移模型分析融合后的時(shí)空數(shù)據(jù)，模擬風(fēng)險(xiǎn)演化趨勢(shì)，判斷風(fēng)險(xiǎn)演化趨勢(shì)的穩(wěn)定性，其中融合后的時(shí)空數(shù)據(jù)包括與初始風(fēng)險(xiǎn)等級(jí)對(duì)應(yīng)的鋼結(jié)構(gòu)施工現(xiàn)場(chǎng)設(shè)備歷史運(yùn)行軌跡及環(huán)境監(jiān)測(cè)記錄；
7、s500、根據(jù)趨勢(shì)穩(wěn)定性判定結(jié)果，依托虛擬仿真技術(shù)映射模型，動(dòng)態(tài)模擬風(fēng)險(xiǎn)變化，生成可視化報(bào)告與分級(jí)預(yù)警信號(hào)級(jí)別。
8、進(jìn)一步地，步驟s100包括：
9、s110、獲取鋼結(jié)構(gòu)施工現(xiàn)場(chǎng)的力學(xué)原始流與環(huán)境原始流，根據(jù)時(shí)間戳記對(duì)力學(xué)原始流與環(huán)境原始流進(jìn)行時(shí)序?qū)R，得到多源混合數(shù)據(jù)流；
10、s120、對(duì)多源混合數(shù)據(jù)流進(jìn)行濾波去噪及漂移誤差修正，得到修正后的力學(xué)響應(yīng)序列；
11、s130、剔除修正后的力學(xué)響應(yīng)序列中的無(wú)效異常波形并提取共變特征，得到核心特征向量組；
12、s140、根據(jù)核心特征向量組重構(gòu)應(yīng)力分布狀態(tài)，并將應(yīng)力分布狀態(tài)進(jìn)行結(jié)構(gòu)化封裝，得到包含力學(xué)參數(shù)和環(huán)境變量的清洗后的多維數(shù)據(jù)集。
13、進(jìn)一步地，步驟s200包括：
14、s210、解析清洗后的多維數(shù)據(jù)集得到結(jié)構(gòu)表面監(jiān)測(cè)圖像流與傳感器力學(xué)時(shí)序信號(hào)，將結(jié)構(gòu)表面監(jiān)測(cè)圖像流輸入卷積神經(jīng)網(wǎng)絡(luò)模型生成視覺特征圖譜；
15、s220、根據(jù)傳感器力學(xué)時(shí)序信號(hào)確定力學(xué)信號(hào)奇異性序列，將力學(xué)信號(hào)奇異性序列映射至視覺特征圖譜中標(biāo)記結(jié)構(gòu)缺陷目標(biāo)區(qū)域；
16、s230、對(duì)結(jié)構(gòu)缺陷目標(biāo)區(qū)域進(jìn)行聯(lián)合編碼，確定缺陷特征向量。
17、進(jìn)一步地，步驟s300包括：
18、s310、計(jì)算缺陷特征向量的歐氏范數(shù)，若缺陷特征向量的歐氏范數(shù)大于預(yù)設(shè)閾值，則調(diào)取帶有風(fēng)險(xiǎn)標(biāo)簽的歷史缺陷樣本集；
19、s320、利用帶有風(fēng)險(xiǎn)標(biāo)簽的歷史缺陷樣本集訓(xùn)練梯度提升決策樹分類器，并將缺陷特征向量輸入梯度提升決策樹分類器以計(jì)算置信度數(shù)值；
20、s330、將置信度數(shù)值與風(fēng)險(xiǎn)嚴(yán)重度權(quán)重矩陣運(yùn)算得到風(fēng)險(xiǎn)量化數(shù)值；
21、s340、根據(jù)風(fēng)險(xiǎn)量化數(shù)值在風(fēng)險(xiǎn)等級(jí)映射表中的位置鎖定風(fēng)險(xiǎn)類別標(biāo)簽，以獲得初始風(fēng)險(xiǎn)等級(jí)。
22、進(jìn)一步地，步驟s400包括：
23、s410、獲取與初始風(fēng)險(xiǎn)等級(jí)對(duì)應(yīng)的鋼結(jié)構(gòu)施工現(xiàn)場(chǎng)設(shè)備歷史運(yùn)行軌跡及環(huán)境監(jiān)測(cè)記錄，利用時(shí)空網(wǎng)格化算法生成包含時(shí)空關(guān)聯(lián)特征的融合數(shù)據(jù)向量；
24、s420、將融合數(shù)據(jù)向量輸入離散時(shí)間馬爾可夫鏈模型，構(gòu)建描述系統(tǒng)動(dòng)態(tài)變化的概率轉(zhuǎn)移矩陣；
25、s430、依據(jù)概率轉(zhuǎn)移矩陣執(zhí)行蒙特卡洛模擬運(yùn)算，生成未來(lái)預(yù)設(shè)時(shí)間窗口內(nèi)的多條演化軌跡序列；
26、s440、計(jì)算演化軌跡序列的趨勢(shì)波動(dòng)方差，若趨勢(shì)波動(dòng)方差小于預(yù)設(shè)的穩(wěn)定性判定閾值，則輸出趨勢(shì)穩(wěn)定性判定結(jié)果。
27、進(jìn)一步地，步驟s500包括：
28、s510、獲取趨勢(shì)穩(wěn)定性判定結(jié)果，結(jié)合虛擬仿真技術(shù)映射模型將鋼結(jié)構(gòu)施工現(xiàn)場(chǎng)設(shè)備的時(shí)空狀態(tài)數(shù)據(jù)映射至虛擬三維空間以構(gòu)建數(shù)字孿生體；
29、s520、依據(jù)數(shù)字孿生體及趨勢(shì)穩(wěn)定性判定結(jié)果關(guān)聯(lián)的風(fēng)險(xiǎn)演化趨勢(shì)數(shù)據(jù)，驅(qū)動(dòng)虛擬仿真引擎推演風(fēng)險(xiǎn)演化狀態(tài)；
30、s530、提取風(fēng)險(xiǎn)演化狀態(tài)的關(guān)鍵特征向量，生成包含動(dòng)態(tài)風(fēng)險(xiǎn)熱力分布的虛擬仿真場(chǎng)景；
31、s540、若虛擬仿真場(chǎng)景中的風(fēng)險(xiǎn)熱力分布數(shù)值超過預(yù)設(shè)的安全閾值區(qū)間，則生成可視化報(bào)告與分級(jí)預(yù)警信號(hào)級(jí)別。
32、本發(fā)明的另一方面涉及一種基于人工智能的鋼結(jié)構(gòu)施工安全風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估系統(tǒng)，用于執(zhí)行上述的基于人工智能的鋼結(jié)構(gòu)施工安全風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估方法，包括：
33、多維數(shù)據(jù)集獲取模塊，用于通過數(shù)據(jù)采集設(shè)備獲取鋼結(jié)構(gòu)施工現(xiàn)場(chǎng)的多源數(shù)據(jù)，得到清洗后的多維數(shù)據(jù)集，多維數(shù)據(jù)集包括力學(xué)參數(shù)和環(huán)境變量；
34、缺陷特征向量確定模塊，用于根據(jù)清洗后的多維數(shù)據(jù)集，采用深度學(xué)習(xí)算法處理圖像與傳感器信號(hào)，識(shí)別結(jié)構(gòu)缺陷，確定結(jié)構(gòu)缺陷的缺陷特征向量；
35、初始風(fēng)險(xiǎn)等級(jí)獲取模塊，用于若缺陷特征向量超出預(yù)設(shè)閾值，則采用機(jī)器學(xué)習(xí)分類器構(gòu)建風(fēng)險(xiǎn)評(píng)估模型，對(duì)缺陷特征向量進(jìn)行分類量化，獲得初始風(fēng)險(xiǎn)等級(jí)；
36、趨勢(shì)穩(wěn)定性判斷模塊，用于針對(duì)初始風(fēng)險(xiǎn)等級(jí)，采用概率狀態(tài)轉(zhuǎn)移模型分析時(shí)空數(shù)據(jù)融合，模擬風(fēng)險(xiǎn)演化趨勢(shì)，判斷趨勢(shì)穩(wěn)定性；
37、可視化報(bào)告與分級(jí)預(yù)警信號(hào)級(jí)別生成模塊，用于根據(jù)趨勢(shì)穩(wěn)定性判定結(jié)果，依托虛擬仿真技術(shù)映射模型，動(dòng)態(tài)模擬風(fēng)險(xiǎn)變化，生成可視化報(bào)告與分級(jí)預(yù)警信號(hào)級(jí)別。
38、本發(fā)明所取得的有益效果為：本發(fā)明提供的基于人工智能的鋼結(jié)構(gòu)施工安全風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估方法及系統(tǒng)，通過數(shù)據(jù)采集設(shè)備實(shí)時(shí)獲取現(xiàn)場(chǎng)多源異構(gòu)數(shù)據(jù)，經(jīng)清洗后形成包含力學(xué)參數(shù)和環(huán)境變量的多維數(shù)據(jù)集；基于該多維數(shù)據(jù)集，采用深度學(xué)習(xí)算法融合圖像與傳感器信號(hào)，精準(zhǔn)識(shí)別結(jié)構(gòu)缺陷并提取缺陷特征向量；當(dāng)缺陷特征向量超出預(yù)設(shè)閾值時(shí)，引入機(jī)器學(xué)習(xí)分類器構(gòu)建風(fēng)險(xiǎn)評(píng)估模型，實(shí)現(xiàn)缺陷的分類量化并輸出初始風(fēng)險(xiǎn)等級(jí)；隨后，針對(duì)初始風(fēng)險(xiǎn)等級(jí)，運(yùn)用概率狀態(tài)轉(zhuǎn)移模型對(duì)時(shí)空融合數(shù)據(jù)進(jìn)行分析，模擬風(fēng)險(xiǎn)的動(dòng)態(tài)演化趨勢(shì)并判斷其穩(wěn)定性；最后，依托虛擬仿真技術(shù)構(gòu)建映射模型，對(duì)風(fēng)險(xiǎn)變化進(jìn)行動(dòng)態(tài)仿真推演，生成直觀的可視化報(bào)告與分級(jí)預(yù)警信號(hào)級(jí)別。本發(fā)明將缺陷識(shí)別、風(fēng)險(xiǎn)量化、趨勢(shì)預(yù)測(cè)與虛擬仿真深度融合，解決了傳統(tǒng)鋼結(jié)構(gòu)施工中缺陷發(fā)現(xiàn)滯后、風(fēng)險(xiǎn)評(píng)估靜態(tài)單一、演化趨勢(shì)難以預(yù)判的綜合性難題，實(shí)現(xiàn)了從缺陷感知到風(fēng)險(xiǎn)前瞻性預(yù)警的全鏈條智能化閉環(huán)，大幅提升了施工現(xiàn)場(chǎng)的安全管控水平與事故預(yù)防能力。