高大模板支撑体系监控方法、系统及设备与流程

本发明涉及建筑智慧监测领域。更具体地说，本发明涉及高大模板支撑体系监控方法、系统及设备。

背景技术：

1、高大模板支撑体系是建筑工程中用于现浇混凝土顶板、大跨度梁等水平构件施工的临时承重结构，其中满堂式脚手架因其承载力高、整体性好而被广泛采用。满堂式脚手架通常由大量钢管立杆、横杆及剪刀撑按设计间距组装而成，立杆在平面内呈等间隔矩阵式排列，纵横向间距一般为0.6~1.2米，整个支撑体系杆件数量庞大且分布密集。在混凝土浇筑过程中，立杆承受的荷载经由底座传递至下方底板，立杆的微小状态异常，如底部局部悬空、顶托偏位、杆身歪斜或水平杆连接失效等，均可能改变传力路径，引起局部应力集中与重分布，严重时将导致支撑体系失稳甚至整体坍塌。

2、现有的满堂式脚手架监控手段多依赖人工巡视和局部仪器监测。人工检查受限于杆件密集、视野遮挡及人员经验，难以发现立杆底部的隐蔽性悬空、顶部架体脱离等早期病害。仪器监测则通常只在少量代表性立杆处布置轴力计、位移传感器或倾角仪，通过个别点位的轴力或位移变化来推断体系安全状态。这种方式无法覆盖数量庞大的全部立杆，对于荷载传递路径复杂、病害位置与形式多样化的整体支撑体系而言，局部监测信息难以全面反映各处立杆的真实工作状况，也无法系统性地诊断每一根立杆具体发生了何种异常，单纯依靠阈值报警无法实现对病害类别和位置进行精准识别。

3、满堂式脚手架的立杆在平面内呈规则的矩阵式等间隔排列，这一几何特征使得每根立杆正下方的底板区域构成了一个天然的空间离散网格。当立杆将上部荷载传递至底板混凝土时，底板内会产生竖向、两个水平向的正应力分量，而立杆的任何状态变化都会在其底部局域引起这三个应力分量的特征性偏离。这种在每个网格节点上获取三个独立应力分量并进行空间分析的需求，在数据形式上与数字图像中的像素阵列及rgb三通道结构具有高度相似性。近年来，基于卷积神经网络的图像识别技术已在缺陷检测、模式分类等领域展现出强大的空间特征提取能力，能够从多通道网格化数据中自动学习复杂的局部模式。受此启发，如果将支撑体系底板各测点处的三向应力偏差场类比为三通道图像，则可利用深度学习模型从整体上识别应力异常的空间模式，从而提供一种高大模板支撑体系监控方法、系统及设备。

技术实现思路

1、本发明的一个目的是提供一种高大模板支撑体系监控方法、系统及设备，针对满堂式脚手架规则矩阵布局，在立杆下方底板预埋三向应变传感器形成三通道应力偏差场，利用卷积神经网络学习应力异常模式，实现对每根立杆底部悬空、歪斜等隐蔽病害的全局智能诊断，突破局部监测局限，全面提升施工安全监控的准确性与效率。

2、为了实现根据本发明的这些目的和其它优点，根据本发明的一个方面，本发明提供了一种高大模板支撑体系监控方法，包括以下步骤：

3、s1、根据支撑体系立杆的平面布置，在每根立杆正下方的底板混凝土内预埋应变传感器，所述应变传感器用于测量混凝土内三个正交方向的应变分量；

4、s2、建立包含底板、支撑体系与顶部荷载的有限元模型，模拟承载状态下底板内的应力分布，在应变传感器对应位置，提取三个正交方向的正应力，形成底板的理论应力场；

5、s3、搭设支撑体系并完成顶板混凝土浇筑，采集所有应变传感器的应变分量数据，将所述应变分量数据转换为底板的实测应力场；

6、s4、计算实测应力场与理论应力场之间的逐点偏差，生成由三个正交方向应力偏差值分别构成的三通道应力偏差场；

7、s5、针对每根立杆，利用预先训练好的卷积神经网络模型，根据以该立杆为中心的局部区域内各测点的三通道应力偏差场数据，对该立杆的病害类型进行诊断，输出诊断结果；

8、s6、汇总全部立杆的诊断结果，标记异常立杆位置并生成补强方案。

9、优选的是，2.所述应变传感器由竖向钢筋及粘贴于其上的三个正交方向的应变片构成，分别测量竖向、第一水平向、第二水平向的应变；所述应变传感器垂直固定于每根立杆底座正下方的底板混凝土内，所有应变传感器的水平测量方向统一。

10、优选的是，在浇筑底板混凝土时同步制作同条件养护试块，并在所述同条件养护试块内埋设应变补偿传感器；待底板混凝土达到设计强度后，将全部应变传感器和所述应变补偿传感器同步置零；在后续应变数据处理中，将各应变传感器的实测应变值减去同一时刻所述应变补偿传感器测得的自由应变，以扣除混凝土收缩和温度效应对应力计算的影响。

11、优选的是，步骤s5包括：

12、以当前立杆为中心，从所述三通道应力偏差场中提取覆盖该立杆及其相邻立杆的局部窗口，将所述局部窗口内每个测点在竖向、第一水平向、第二水平向的应力偏差值分别作为该立杆在三个独立通道的数值，按测点平面位置排列，形成该局部窗口的三通道应力偏差矩阵；

13、将所述三通道应力偏差矩阵输入预先训练好的卷积神经网络模型；

14、由所述卷积神经网络模型提取所述三通道应力偏差矩阵中三向应力偏差的空间分布特征，并据此输出该立杆的病害类型，所述病害类型包括立杆底部悬空、顶托偏心、立杆歪斜、水平连接失效中的至少一种。

15、优选的是，所述卷积神经网络模型包括：

16、输入层，用于接收所述三通道应力偏差矩阵；

17、第一卷积层，用于对所述三通道应力偏差矩阵的三个通道同时进行局部空间特征提取，输出第一中间结果；

18、第二卷积层，用于对所述第一中间结果进行进一步特征组合，输出第二中间结果；

19、展平层，用于将所述第二中间结果拉伸为一维向量；

20、全连接层，用于对所述一维向量进行整合，得到该立杆的病害特征表示；

21、输出层，用于基于所述病害特征表示输出该立杆属于各病害类型的概率。

22、优选的是，所述输出层还包括回归输出支路，所述回归输出支路用于输出多个病害严重程度参数；所述卷积神经网络模型根据分类结果从所述多个病害严重程度参数中选取与该病害类型对应的有效参数；当所述有效参数的值超过预设的严重程度阈值时，对该立杆的病害立即现场处理。

23、优选的是，所述卷积神经网络模型的训练过程包括：

24、定义联合损失函数，所述联合损失函数由分类损失项和回归损失项加权求和构成，所述分类损失项用于衡量病害类型预测值与真实标签之间的差异，所述回归损失项用于衡量病害严重程度参数预测值与真实标签之间的差异；

25、利用预先构建的训练样本集对待训练的卷积神经网络模型进行训练，通过最小化所述联合损失函数并采用反向传播算法迭代更新网络权重，直至模型收敛。

26、优选的是，所述训练样本集的构建包括：

27、通过参数化有限元模型生成训练样本，在有限元模型中设置不同类型的立杆病害，施加施工荷载后提取立杆周围区域的三向应力偏差场，构造三通道应力偏差矩阵并标注对应的病害类型和病害严重程度参数作为标签；

28、每个训练样本包含一个三通道应力偏差矩阵及其对应的标签。

29、高大模板支撑体系监控系统，应用于上述高大模板支撑体系监控方法，包括：

30、应变传感器阵列，预埋于每根立杆正下方底板混凝土内；

31、采集设备，与所述应变传感器阵列电连接，用于在顶板混凝土浇筑过程中及浇筑后采集各应变传感器的应变数据；

32、数据处理设备，与所述采集设备通信连接，所述数据处理设备包括：

33、应力场生成模块，用于将采集到的应变数据转换为实测应力场，并与预存的理论应力场逐点计算偏差，生成三通道应力偏差场；

34、诊断模块，内置预先训练好的卷积神经网络模型，用于根据以每根立杆为中心的局部区域内各测点的三通道应力偏差场数据，输出该立杆的病害类型；

35、预警模块，用于汇总全部立杆的诊断结果，标记异常立杆位置并生成补强方案。

36、一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行上述的高大模板支撑体系监控方法。

37、本发明至少包括以下有益效果：

38、第一、本发明通过将监测对象由立杆本身转向立杆-底板相互作用界面，在每根立杆正下方底板内预埋三向应变传感器，能够捕捉立杆底部悬空、顶托偏心等直接监测手段难以发现的隐蔽性病害引起的底板局部应力重分布特征，从根源上提升了病害识别的敏感性和全面性。

39、第二、本发明通过充分利用满堂式脚手架立杆规则矩阵排列的天然几何特征，将各测点的三向应力偏差构造为具有空间结构的三通道偏差场，相当于将结构力学问题转化为类图像识别问题，使得卷积神经网络能够高效提取各类病害特有的空间应力偏差模式，实现对整个支撑体系所有立杆的无死角覆盖。

40、第三、本发明通过预先训练好的卷积神经网络模型对三通道应力偏差场进行自动分析，能够同时诊断立杆底部悬空、杆身歪斜、水平连接失效等多种病害类型并评估其严重程度，突破了传统方法仅能发现承载力超限而无法区分具体病因的局限，为精准补强提供了可靠依据。