基于LSTM的泵闸工程混凝土施工期温度场预测

为了快速准确地预测混凝土施工期温度过程线,结合主成分分析,提出了一种基于长短期记忆网络(LSTM)算法的预测模型。以上海崇明岛四滧港和八滧港水闸底板为例,采用主成分分析对混凝土温度场的可能影响因素进行降维,建立以四滧港水闸底板温度数据为基础的LSTM温度过程线预测模型并对输入主成分进行训练,将训练后的模型用于八滧港温度过程线的拟合和预测并与实测结果进行对比。结果表明,该模型预测温度过程线与实际测点温度过程线拟合良好,均方根误差在2℃以内,判定系数接近1,预测结果符合工程精度要求。该预测模型可部分替代有限元反馈分析,从而提高泵闸混凝土温度场预测的效率。

泵闸混凝土施工期智能温控关键信息识别

为实现施工期大体积混凝土温控要素的智能快速识别,提高智能温控系统的反馈及预测模型精度,提出了一套智能算法对物联网技术采集到的各类温控要素原始测值进行识别及转化。针对浇筑温度、浇筑时间、最高温度、内外温差、冷却通水起止时间与表面保温覆盖等施工期关键温控参数,结合工程经验分别给出相应识别任务的判定逻辑并编写对应程序,然后应用多个实际工程数据进行验证,并分析各识别功能的准确率。验证结果表明,本文算法识别效果良好,能够实现温控要素采集的自动化、智能化、快速化、精准化,具有较强的工程实用价值。

基于改进鲸鱼优化算法的大体积混凝土热学参数反演

为提高混凝土热学参数反演分析时的计算效率和精度,引入Logistic映射和惯性权重对鲸鱼优化算法进行改进,并结合有限元仿真计算,提出一种基于改进鲸鱼优化算法的混凝土热学参数反演分析方法。结合上海ZJH泵闸工程开展现场非绝热温升试验,采用该方法对大体积混凝土试块的导温系数和表面散热系数进行了反演分析,并与粒子群算法反演结果进行比较。结果表明,改进鲸鱼优化算法在计算精度及迭代效率方面均较粒子群算法有明显提高,该算法在求解混凝土热学参数反演问题方面具有可行性和有效性,能够满足工程精度要求。