基于机器学习的排水管道紫外光原位固化修复效果实时评估方法

本发明涉及修复效果评估，具体为一种基于机器学习的排水管道紫外光原位固化修复效果实时评估方法。

背景技术：

1、在城市基础设施中，排水管道的维护和修复至关重要。随着城市化进程的加快，排水管道面临的压力不断增加，管道老化、腐蚀以及外界环境的影响导致了管道的损坏情况频繁发生。传统的管道修复方法，如开挖和更换，通常耗时长、成本高，并且对周围环境造成很大影响。因此，开发出一种高效、经济且对环境影响较小的管道修复技术显得尤为重要。近年来，基于紫外光固化技术的原位修复方法逐渐受到关注。这种方法通过紫外光固化材料在管道内部进行修复，能够在不破坏周围环境的情况下快速恢复管道的功能。

2、然而，尽管紫外光固化技术具有很多优点，但在实际应用中仍然存在一些技术问题。首先，固化过程中的环境因素（如温度、湿度等）和修复参数（如固化时间、紫外光强度等）对固化材料的最终硬度有着显著影响。准确地控制和评估这些参数对于确保修复效果至关重要。其次，传统的固化材料硬度评估方法往往依赖于人工取样和实验室测试，导致评估结果滞后且不够精确，难以实时反映修复过程中的变化。因此，缺乏一种既能实时监测修复过程参数，又能及时评估固化效果的有效方法。

3、为了解决上述技术问题，基于机器学习的实时评估方法应运而生。通过采集历史修复过程中的过程参数，包括表面温度、湿度、固化时间和紫外光照射强度，并结合固化材料的硬度值，可以为机器学习模型提供丰富的数据基础。长短期记忆网络（lstm）作为一种适合处理时序数据的深度学习模型，能够有效捕捉历史数据中的非线性关系，为固化材料硬度的预测提供支持。此外，通过实时监测紫外光照射强度、环境湿度等因素，能够提高固化过程的精确性，进一步提升修复效果的评估精度。

4、现有技术中的，公开号为cn116386789a公开了用于埋地管道紫外光原位固化修复质量实时监控的方法，具体步骤为：首先采集uv-cipp材料现场原位固化数据，构建数据集；然后建立考虑多因素影响下用于uv-cipp材料力学性能预测的遗传算法优化支持向量机模型，简称ga-svm模型，通过数据集对ga-svm模型进行训练与验证，得到最优ga-svm模型；其次根据施工设计要求的uv-cipp材料力学参数以及最优ga-svm模型，预测出最佳固化参数和固化温度；最后将预测出的最佳固化参数和固化温度输入埋地管道紫外光原位固化修复台车综合控制系统，开始管道修复施工；在修复过程中，利用最优ga-svm模型对埋地管道紫外光原位固化修复质量实时监控。但此方案中，在建立ga-svm模型时，可能无法将所有影响力学性能的因素都纳入模型考量。比如，土壤的类型、管道的老化程度、周围环境的化学性质等因素，可能在实际修复中对结果产生显著影响，但在模型中未充分体现。同时ga-svm的评估模型可能过于依赖单一的力学性能指标，而忽视其他可能影响修复效果的因素，施工现场的环境条件（如温度、湿度、光照等）可能在较短时间内发生变化。如果模型未能适应这些动态变化，可能会导致预测结果不准确。因此仅凭一套评估模型可能使得评估系统的实时性、有效性降低。

5、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本发明的目的在于提供一种基于机器学习的排水管道紫外光原位固化修复效果实时评估方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于机器学习的排水管道紫外光原位固化修复效果实时评估方法，具体步骤包括：

4、采集历史排水管道紫外光原位固化修复过程中，不同时刻下的过程参数以及对应的固化材料硬度值，所述过程参数包括排水管道修复处表面温度、表面湿度、固化时间和紫外光照射强度；

5、建立lstm预测模型，将获取的不同时刻的过程参数作为模型的输入，并以对应的固化材料硬度值作为标签，对lstm预测模型进行训练，得到输入为过程参数，输出为对应固化材料硬度值的固化硬度预测模型；

6、基于实时修复时的紫外光源输出功率、紫外光源与管道修复处之间的距离和光源的有效发射面积计算得到紫外光照射强度，并通过环境湿度对紫外光照射强度进行修正，得到精确紫外光照射强度；

7、采集待修复排水管道修复过程中的实时过程参数，将对应的精确紫外光照射强度、表面温度、表面湿度和固化时间作为输入数据，输入完成训练的固化硬度预测模型中，模型输出实时的固化材料硬度值；

8、基于模型输出实时的固化材料硬度值，通过光照均匀性对实时的固化材料硬度值进行修正，得到平均固化材料硬度值，结合对应时刻的表面平整度、裂缝形状指数和固化材料声波信号的共振频率和谱熵，生成修复效果评估指数，根据修复效果评估指数与评估阈值进行对比，根据不同对比结果，发出不同的修复效果评估结果。

9、进一步地，以lstm长短期记忆网络模型为基底建立预测模型，选取激活函数和优化算法，其中选择tanh函数作为激活函数，选择adam作为lstm模型的优化算法；tanh函数其公式为：

10、；

11、式中，表示tanh函数，自变量表示神经元的输入加权和，即神经元接收到的来自上一层的输入经过加权求和后的结果；

12、同时设定lstm模型的超参数，所述lstm模型的超参数包括：网络层数、迭代次数、学习率、批量数大小、训练次数、批处理数量和隐藏层神经元个数；

13、其中网络层数设置为四层网络结构，迭代次数设定为200，学习率设置为0.001，批量数大小设为64，训练次数设为500，批处理数量设为256，隐藏层神经元个数为32。

14、进一步地，基于实时修复时的紫外光源输出功率、紫外光源与管道修复处之间的距离和光源的有效发射面积计算得到紫外光照射强度所依据的公式为：

15、；

16、式中，为紫外光照射强度，为紫外光源输出功率，为光源的有效发射面积，为紫外光源与管道修复处之间的最短距离；

17、根据环境湿度对紫外光照射强度进行修正，得到精确紫外光照射强度，其中计算精确紫外光照射强度所依据的公式为：

18、；

19、式中，为精确紫外光照射强度，为湿度衰减系数，用于描述湿度对紫外线强度的衰减影响，为实时环境湿度，其中湿度衰减系数大于0。

20、进一步地，基于模型输出实时的固化材料硬度值，通过光照均匀性对实时的固化材料硬度值进行修正，得到平均固化材料硬度值，其中计算平均固化材料硬度值所依据的公式为：

21、；

22、其中，为t时刻的平均固化材料硬度值，为模型输出实时的固化材料硬度值，为光照均匀性，其中光照均匀性计算所依据的公式为：

23、；

24、式中，和分别表示精确紫外光照射强度的最小值和最大值，其中精确紫外光照射强度的最小值和最大值和通过光源入射方向与管道裂缝不同切面间的夹角计算，具体所依据的公式分别为：

25、；

26、；

27、式中，为光源入射方向与管道裂缝不同切面间的夹角。

28、进一步地，计算对应时刻的表面平整度所依据的逻辑为：

29、计算对应时刻的表面平整度所依据的逻辑为：获取对应时刻时裂缝底部与管道表面的高度绝对差值，基于高度差计算管道表面平整度，所依据的公式为：

30、；

31、式中，为t时刻的管道表面平整度，为t时刻时的裂缝长度，表示t时刻裂缝第x处与管道表面的高度绝对差值，x表示裂缝处点的位置索引。

32、进一步地，所述裂缝形状指数的获取方法为：实时采集修复过程中，修复裂缝的图像信息，对采集的裂缝图像进行图像增强预处理，基于增强后的裂缝图像，通过canny算法进行裂缝轮廓提取，得到裂缝实时的轮廓特征信息，根据裂缝实时的轮廓特征信息计算裂缝的几何特征，所述裂缝的几何特征包括裂缝的面积和裂缝的周长，根据裂缝的面积和裂缝周长计算裂缝形状指数，其中计算裂缝形状指数具体所依据的公式为：

33、；

34、式中，为t时刻的裂缝形状指数，为t时刻裂缝的面积，为t时刻的裂缝周长，其中裂缝的面积和裂缝周长通过裂缝像素的数量进行计算，具体所依据的公式为：

35、；

36、；

37、式中，和分别表示t时刻裂缝区域内的像素数和裂缝轮廓边缘像素的数量，表示每个像素的实际面积，表示每个边缘像素的长度。

38、进一步地，所述固化材料声波信号的共振频率和谱熵具体的获取逻辑为：确定发出的声波信号的频率最大值，基于该频率最大值确定采样频率，其中采样频率确定所依据的具体公式为：

39、；

40、式中，为采样频率，为发出的声波信号中频率最大值，其中且为正整数；

41、通过对固化材料发出声波信号，利用传感器获取固化材料传递的声波信号，对固化材料的声波信号进行快速傅里叶变换，将时域信号转换为频域信号，得到信号的频谱，基于频谱计算功率谱密度，具体所依据的公式为：

42、；

43、式中，为频率处的功率谱密度，表示频谱的幅度；

44、基于功率谱密度识别共振频率，具体所依据的公式为：

45、；

46、式中，为共振频率，表示使得函数达到最大值的自变量，即为使得功率谱密度达到最大值的频率；

47、基于功率谱密度计算固化材料声波信号的谱熵所依据的具体公式为：

48、；

49、式中，为固化材料声波信号的谱熵。

50、进一步地，基于平均固化材料硬度值，结合对应时刻的表面平整度、裂缝形状指数和固化材料声波信号的共振频率和谱熵，生成修复效果评估指数，其中生成修复效果评估指数所依据的具体公式为：

51、；

52、式中，为修复效果评估指数，为t时刻的平均固化材料硬度值，为t时刻的管道表面平整度，为t时刻的裂缝形状指数，和分别为平均固化材料硬度值和共振频率的权重指数，其中，且和均大于0；

53、根据修复效果评估指数与评估阈值进行对比，根据不同对比结果，得出不同的修复效果评估结果所依据的逻辑为：

54、当时，判断管道修复处于初期阶段，发出修复效果为弱的评估结果，继续进行修复工作；

55、当时，判断管道修复处于过程状态，发出修复效果为中的评估结果，继续对管道裂缝进行修补完善工作；

56、当时，判断管道修复处于结束状态，发出修复效果为优的评估结果，结束修复工作；

57、式中，为评估阈值。

58、与现有技术相比，本发明的有益效果是：

59、首先，采用lstm（长短期记忆网络）模型，能够动态处理时间序列数据，并实时分析固化过程中紫外光照射强度、环境湿度和温度等多种参数。这种动态监测能力使得能够及时获取固化材料的实时硬度预测，提高了修复效果的可靠性和一致性，其次通过实时计算紫外光照射强度，并根据环境湿度进行修正使得修复过程中能够动态监测和优化紫外光照射条件，确保所预测的硬度值更为准确。不仅增强了动态监测能力，提高了实际修复过程中紫外光照射强度的模拟效果，实时数据分析和紫外线强度修正能够根据当前环境条件和修复效果，做出更为科学的决策。最后该方案不仅关注固化材料硬度，还结合了表面平整度、裂缝形状指数、声波信号等多维度指标，生成综合的修复效果评估指数，通过综合多种评估指标，能够提供更全面的修复效果评估，使得修复效果的评估更全面、更具科学性。