论文部分内容阅读
在我国大坝施工过程中,质量是最为关键的部分。针对碾压质量的评估,现有的试坑采样法不能获得整体仓面的情况,并影响施工进度,不能有效进行质量反馈。在当前土石坝碾压质量实时监控系统的应用下,通过获取碾压过程中的行车速度、碾压遍数、碾压厚度等信息,分析其与压实质量之间的关系,为碾压施工现场的全仓面压实质量评估提供新的途径。本文提出一种基于深度置信网络的机器学习方法,对碾压参数进行特征提取,对压实质量的值进行分类,从而为碾压施工现场的质量评估提供参考价值。本文主要完成以下几个方面的研究:1.针对碾压施工质量评估现状和实时监控系统,分析碾压参数对压实质量的影响,并确定实验中选用的影响因素,如行车速度、碾压遍数、碾压厚度。通过对机器学习发展历程的了解,选用深度学习中的深度置信网络DBN方法进行实验,详细介绍了DBN模型的结构与训练过程。2.设计基于DBN模型的特征提取与分类方法。通过对监控系统获得的数据进行预处理操作,使用DBN模型进行碾压参数的特征提取过程,对碾压参数与压实质量的关系进行模型训练,得到DBN模型下的压实质量分类模型。使用PCA与人工手动提取特征两种方法,与DBN模型进行对比,证明DBN模型在特征提取方面具有一定的优越性。3.设计与实现碾压参数分析系统。在DBN压实质量分类模型的基础上,进行系统需求分析、系统设计与系统实施。采用Spring MVC框架,对系统进行架构设计、数据库设计、功能详细设计,使用功能结构图、网络拓扑图、时序图等对系统设计进行必要的说明。系统实施后,用户可通过该系统方便快捷的进行碾压参数与压实质量的分析,便于操作,为施工现场的压实质量评估提供帮助。基于DBN模型的碾压参数与压实质量分析可在一定程度上对碾压施工现场压实质量的分类提供理论和实践意义,配合使用碾压参数分析系统,便于监控人员对碾压过程的质量进行控制,对施工现场整体仓面的质量评估起到良好的指导作用。