一种基于神经网络可自主学习的搅拌植桩自动化系统及方法与流程
- 国知局
- 2024-11-06 14:24:29
本发明涉及搅拌植桩施工设备的,具体而言,涉及一种基于神经网络可自主学习的搅拌植桩自动化系统及方法。
背景技术:
1、搅拌植桩是首先采用深层搅拌机械,将土体切割搅拌后注入水泥浆,按预先设置的注浆量和切割拌合次数进行高速切割、拌合,形成流态水泥土桩,其次在水泥土桩植入预制桩,形成复合型桩基,相比于传统的钻孔灌注桩工艺,搅拌植桩造价低、不取土、无泥浆排放、施工效率高,而相比于传统的混凝土预制桩工艺,搅拌植桩不产生挤土效应、能穿越硬质夹层,是一种无污染、低造价、高工效、工程质量好的新型桩基施工工艺,是近几年来被广泛推广的一种桩基方案。
2、现代化的搅拌植桩设备开始逐步替代传统设备,该类设备往往都配备一定数量的传感器和后台数据存储功能,能对每根桩的施工参数进行记录,方便施工人员日常管理,但并没改变传统的搅拌植桩在施工过程中缺乏真正“智能化”控制的现状,无法根据不同地质条件和施工环境进行实时调整,使得施工质量不高、效率较低、成本难以控制、适应性不强,同时大量珍贵的施工数据被浪费,因此迫切需要一种智能化的搅拌植桩自动化系统和方法来解决上述问题。
技术实现思路
1、本发明要解决的技术问题是提高施工质量,提高施工效率,方便控制成本,提高适应性,为克服以上现有技术(或相关技术)的缺陷,本发明提供一种基于神经网络可自主学习的搅拌植桩自动化系统及方法。
2、本发明提供一种基于神经网络可自主学习的搅拌植桩自动化系统,包括:
3、多个传感器,分别安装于搅拌植桩机动力头、卷扬机和水龙头内;
4、一特征采集模块,连接各所述传感器,用于控制各所述传感器采集施工过程中所述搅拌植桩机动力头、所述卷扬机和所述水龙头的参数特征数据;
5、一特征处理模块,连接所述特征采集模块,用于对采集到的所述参数特征数据进行预处理得到预处理后数据;
6、一数据库模块,连接所述特征处理模块,用于储存所述预处理后数据至数据库内并与预先存储的历史项目数据进行混合得到模型训练数据;
7、一模型训练模块,连接所述数据库模块,用于通过深度机器学习技术构建得到参数分析模型,并利用所述模型训练数据对所述参数分析模型进行训练;
8、一控制模块,分别连接所述特征处理模块和所述模型训练模块,用于调用所述参数分析模型并将所述预处理后数据输入至所述参数分析模型内得到优化参数预测结果,并根据所述优化参数预测结果调整所述搅拌植桩机动力头、所述卷扬机和所述水龙头的运行状态。
9、本申请一种基于神经网络可自主学习的搅拌植桩自动化系统与现有技术相比,具有以下优点:
10、1.施工质量提高:参数分析模型作为神经网络模型,具有自主学习和优化的能力,能够根据不同地质条件实时调整优化参数预测结果,保证搅拌桩的施工质量;
11、2.施工效率提升:本申请系统采用自动化的数据采集、数据处理、参数预测的策略,减少了人工操作误差和不确定性,提高了施工效率,并缩短了施工周期;
12、3.成本控制:参数分析模型给出的优化参数预测结果能够优化搅拌桩的施工参数,结合高效的施工过程能够有效降低施工成本,提升经济效益;
13、4.适应性强:本申请中系统具有较强的适应性,能够在不同地质条件和施工环境下保持高效稳定运行。
14、在一种可能的实施方式中,所述特征处理模块对所述参数特征数据进行预处理的方式包括特征过滤、降噪、平滑、清洗和归一化处理。
15、与现有技术相比,采用上述技术方案能够保证输入参数分析模型的预处理后数据的高质量特性。
16、在一种可能的实施方式中,所述特征处理模块进行预处理得到的所述预处理后数据包括当前钻头电压、当前钻头电流、当前钻压、当前搅拌转速、当前喷浆流量、当前进尺速度、当前预估成桩时间、当前实际成桩时间、当前桩长、当前桩径和当前地质条件。
17、在一种可能的实施方式中,所述数据库模块中存储的所述历史项目数据包括历史钻头电压、历史钻头电流、历史钻压、历史搅拌转速、历史喷浆流量、历史进尺速度、历史预估成桩时间、历史实际成桩时间、历史桩长、历史桩径和历史地质条件。
18、在一种可能的实施方式中,还包括一反馈模块,连接所述模型训练模块,用于接收外部输入的实际施工结果,并将所述实际施工结果和所述优化参数预测结果进行对比得到差异特征,以及将所述差异特征回传至所述模型训练模块以使所述模型训练模块根据所述差异特征对所述参数分析模型进行优化与调整。
19、与现有技术相比,采用上述技术方案能够利用实际施工结果和优化参数预测结果对比后的差异特征对参数分析模型进行优化与调整,提高后续优化参数预测结果的准确性。
20、本发明的另一技术解决方案是提供一种基于神经网络可自主学习的搅拌植桩自动化方法,应用于上述的搅拌植桩自动化系统,包括以下步骤:
21、步骤s1,采集施工过程中所述搅拌植桩机动力头、所述卷扬机和所述水龙头的参数特征数据;
22、步骤s2,对采集到的所述参数特征数据进行预处理得到预处理后数据;
23、步骤s3,将所述预处理后数据输入至预先构建的参数分析模型内得到优化参数预测结果,并根据所述优化参数预测结果调整所述搅拌植桩机动力头、所述卷扬机和所述水龙头的运行状态。
24、在一种可能的实施方式中,执行所述步骤s3之前还包括一模型训练过程,所述模型训练过程包括以下步骤:
25、步骤a1,将所述预处理后数据与预先存储的历史项目数据进行混合得到模型训练数据;
26、步骤a2,基于深度机器学习技术构建得到参数分析模型,并利用所述模型训练数据对所述参数分析模型进行训练。
27、在一种可能的实施方式中,执行所述步骤s3之后还包括:
28、获取并将实际施工结果和所述优化参数预测结果进行对比得到差异特征,以及根据所述差异特征对所述参数分析模型进行优化与调整。
技术特征:1.一种基于神经网络可自主学习的搅拌植桩自动化系统,其特征在于,包括:
2.根据权利要求1所述的搅拌植桩自动化系统,其特征在于,所述特征处理模块(3)对所述参数特征数据进行预处理的方式包括特征过滤、降噪、平滑、清洗和归一化处理。
3.根据权利要求1所述的搅拌植桩自动化系统,其特征在于,所述特征处理模块(3)进行预处理得到的所述预处理后数据包括当前钻头电压、当前钻头电流、当前钻压、当前搅拌转速、当前喷浆流量、当前进尺速度、当前预估成桩时间、当前实际成桩时间、当前桩长、当前桩径和当前地质条件。
4.根据权利要求1所述的搅拌植桩自动化系统,其特征在于,所述数据库模块(4)中存储的所述历史项目数据包括历史钻头电压、历史钻头电流、历史钻压、历史搅拌转速、历史喷浆流量、历史进尺速度、历史预估成桩时间、历史实际成桩时间、历史桩长、历史桩径和历史地质条件。
5.根据权利要求1所述的搅拌植桩自动化系统,其特征在于,还包括一反馈模块(7),连接所述模型训练模块(5),用于接收外部输入的实际施工结果,并将所述实际施工结果和所述优化参数预测结果进行对比得到差异特征,以及将所述差异特征回传至所述模型训练模块(5)以使所述模型训练模块(5)根据所述差异特征对所述参数分析模型进行优化与调整。
6.一种基于神经网络可自主学习的搅拌植桩自动化方法,其特征在于,应用于如权利要求1-5中任意一项所述的搅拌植桩自动化系统,包括以下步骤:
7.根据权利要求6所述的搅拌植桩自动化方法,其特征在于,执行所述步骤s3之前还包括一模型训练过程,所述模型训练过程包括以下步骤:
8.根据权利要求6所述的搅拌植桩自动化方法,其特征在于,执行所述步骤s3之后还包括:
技术总结本发明提供了一种基于神经网络可自主学习的搅拌植桩自动化系统及方法,包括:多个传感器,分别安装于搅拌植桩机动力头、卷扬机和水龙头内;特征采集模块,用于采集施工过程中搅拌植桩机动力头、卷扬机和水龙头的参数特征数据;特征处理模块,用于对参数特征数据进行预处理得到预处理后数据;数据库模块,用于储存预处理后数据并与历史项目数据混合得到模型训练数据;模型训练模块,用于构建得到参数分析模型;控制模块,用于调用参数分析模型并将预处理后数据输入至参数分析模型内得到优化参数预测结果,并调整搅拌植桩机动力头、卷扬机和水龙头的运行状态。有益效果是本发明能够提高施工质量,提高施工效率,方便控制成本,提高适应性。技术研发人员:王慧荣,徐新战,曹欣受保护的技术使用者:浙江易通特种基础工程股份有限公司技术研发日:技术公布日:2024/11/4本文地址:https://www.jishuxx.com/zhuanli/20241106/321882.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表