用于檢測堵塞狀態下泵管壁厚的方法、系統、存儲介質及處理器
1.本發明涉及土木工程大型施工裝備的無損檢測技術領域，尤其涉及用于檢測堵塞狀態下泵管壁厚的方法、系統、存儲介質及處理器。
背景技術：
2.目前，超高層建筑物(摩天大樓)或大跨度結構物(大橋，隧道等)，在施工過程中，所需的混凝土，往往通過高壓混凝土泵送裝備實現混凝土的傳送。然而，由于各種原因導致混凝土泵管內部堵塞的事故時有發生，在這種情況下，工程技術人員面臨兩個問題：1、如何從很長的輸送管道中確定堵塞的部位，簡稱“堵點定位”問題；2、如何確定泵管的真實壁厚以及管道壁的環向應力，根據應力狀態確定泵管的爆裂風險。
3.為了檢測金屬和其他薄壁材料的厚度，目前成熟的方法有超聲波檢測方法，利用超聲波激勵薄壁材料表面，根據信號入射和反射的時間差確定管道厚度，這種方法適用于單相介質組成的薄壁構件，即管道內部無混凝土的時候。對于堵塞狀態下，內部充滿了混凝土，這個方法是失效的。此外，超聲波檢測方法比較適合于平整的材料，對于曲面的鋼管，測量的時候需要特別注意檢測設備的特殊處理，使得它與被測對象良好貼合，作為貼合輔助的耦合劑是不可缺少的，因此，超聲波檢測方法在混凝土管道壁厚的檢測中也是很難可靠實施的。
4.因此，對混凝土高壓輸送管道進行壁厚檢測與應力檢測具有充分的工程意義，本發明針對泵管的壁厚檢測問題提出相應的技術方案。
技術實現要素：
5.針對上述現有技術無法有效對堵塞狀態下混凝土泵管的壁厚進行檢測的問題，本發明提供用于檢測堵塞狀態下泵管壁厚的方法、系統、存儲介質及處理器，顯著減少了實測數據量的要求，僅依靠少量的加速度傳感器實測數據，便可實現泵管壁厚的識別。
6.用于檢測堵塞狀態下泵管壁厚的方法，包括以下步驟：
7.s1、根據卡扣與泵管相互作用的力學模型將泵管連接端受到的約束記作未知數向量λ1；將泵管堵塞部位的粘彈性混凝土的材料參數記作未知數向量λ2；
8.s2、采用有限元方法將泵管標準段等間距地離散為n個橫斷面，獲得n個有限元節點，將m個加速度傳感器布置于泵管外表面的有限元節點對應的橫斷面頂緣處，測量擊打泵管時振動的加速度隨時間的變化；將泵管跨中位置的有限元節點作為擊打錘的擊打點，測量擊打錘擊打瞬間擊打點的力隨時間的變化；
9.s3、利用i號有限元節點的自由度向量φi導出i號有限元節點所在泵管橫斷面頂緣處的位移向量；
10.s4、設計損失函數，利用深度學習算法框架進行模型訓練，通過模型訓練的過程獲取損失函數的最小值，確定泵管壁的壁厚值。
11.進一步的，所述步驟s1中，
12.假定未知數向量λ1內的元素個數為不小于1的正整數n1，包括：卡扣作用于泵管端部的約束剛度及阻尼，則λ1為：
13.λ1＝[k
x k
y k
z k
yz k
xz k
xy c
x c
y c
z c
yz c
xz c
xy
]
t
， (1)
[0014]
其中，(1)式中n1＝12，
[0015]kx
，ky，kz分別表示卡扣約束泵管連接端沿著x，y及z軸方向運動的約束剛度；
[0016]kyz
，k
xz
，k
xy
分別表示卡扣約束泵管連接端沿著x，y及z軸旋轉運動的約束剛度；
[0017]cx
，cy，cz分別表示卡扣約束泵管連接端沿著x，y及z軸方向運動的約束阻尼系數；c
yz
，c
xz
，c
xy
分別表示卡扣約束泵管連接端沿著x，y及z軸旋轉運動的約束阻尼系數；
[0018]
假定未知向量λ2內的元素個數為不小于1的正整數n2，包括：泵管堵塞狀態時混凝土材料本構模型參數，其中，材料的本構模型包括：線性各向同性粘彈性材料，則λ2為：
[0019]
λ2＝[η e μ]
t
，
???
(2)
[0020]
其中，(2)式中n2＝3，
[0021]
η，e及μ分別表示濕拌堵塞混凝土的牛頓粘度系數、彈性模量及泊松比。
[0022]
進一步的，所述步驟s2中，有限元方法將泵管標準段等間距地離散，堵塞狀態堵濕拌混凝土與泵管組成的系統動力學偏微分方程轉換為關于時間t的常微分方程組為：
[0023][0024]
其中，u表示經有限元法離散后得到的系統的自由度列向量；
[0025]
m表示經有限元法離散后得到的系統的質量矩陣；
[0026]
c(λ1，λ2)表示經有限元法離散后得到的系統的阻尼矩陣；
[0027]
k(λ1，λ2，h)表示經有限元法離散后得到的系統的剛度矩陣；
[0028]
h表示泵管標準段的壁厚值；
[0029]
r(t)表示經有限元法離散后得到的系統的荷載向量，該荷載來自于標準擊打錘的擊打瞬間，感知到的擊打過程中擊打點的沖擊力隨時間的變化曲線；
[0030]
對(3)式等號兩側進行傅里葉變換，將時間t變換為頻率ω，得
[0031][0032]
其中，i表示單位虛數，即i2＝-1；表示u(t)在頻率域內的象函數，其中定義為：
[0033][0034]
表示r(t)在頻率域內的象函數，其中定義為：
[0035][0036]
(5)式左側的模減去右側的模，構造以下函數：
[0037]
[0038]
構造一個深度神經網絡模型作為逼近器對進行逼近，其輸入為標量頻率ω，輸出為長度為n
dof
的向量。
[0039]
進一步的，所述u的長度為n
dof
，該向量保存著泵管所有有限元節點位置處的位移；每個有限元節點處的位移按照順序：x方向位移、y方向位移、z方向位移、繞x軸轉角、繞y軸轉角、繞z軸轉角，u展開為：
[0040]
u＝[φ
1 φ
2 φ3…
φn]
t
，φi＝[u
i v
i w
i θ
yzi θ
xzi θ
xyi
]，
??
(8)
[0041]
其中，i＝1,2，
…
，n。n為有限元節點數；
[0042]
φi為有限元節點i的自由度向量；
[0043]
ui，vi，wi，θ
yzi
，θ
xzi
，θ
xyi
分別代表有限元節點i處的x方向位移、y方向位移、z方向位移、繞x軸轉角、繞y軸轉角、繞z軸轉角。
[0044]
進一步的，所述步驟s2中，所述加速度傳感器對x、y及z軸三個方向進行感知，加速度傳感器k，其中，m≥k≥1，所采集的三個方向的加速度時間序列為：
[0045][0046]
其中，n為傳感器所記錄的時間序列條目數；
[0047]
分別表示ti時刻加速度傳感器k所感應到的x、y及z軸方向的加速度；
[0048]
第i個時刻對應時間為ti＝t0+(i-1)
△
t，其中
△
t為加速度傳感器感知振動的采樣時間間隔；t0表示加速度數據采樣的初始時刻，t0取其值為0.0，則對(9)式中的加速度時間序列進行離散傅里葉變換，得到頻率域內的序列：
[0049][0050]
其中，及分別表示對應的離散傅里葉變換；
[0051]
ωi＝(i-1)
△
ω，i＝1，2，3，
…
，n；
[0052]
△
ω表示加速度傳感器感的頻率分辨率；
[0053]
t
p
代表序列所持續的時間長度，即t
p
＝t
n-t0。
[0054]
進一步的，所述步驟s3中，所述泵管橫斷面頂緣處的位移向量包括：x軸方向位移u
topi
、y軸方向位移v
topi
、z軸方向位移w
topi
：
[0055]utopi
＝u
i-rθ
xzi
,v
topi
＝v
i-rθ
yzi
,w
topi
＝wi，
????
(11)
[0056]
設指定的m個布置了加速度傳感器的位置有限元節點編號為n1,n2,
…
,nm；根據(11)式可確定有限元節點ni處的自由度對應在u中的位置序號為：
[0057]
pi＝[6n
i-5,6n
i-4,6n
i-3,6n
i-2,6n
i-1,6ni],i＝1,2,...,m.， (12)
[0058]
ni號有限元節點所在泵管橫斷面頂緣處的位移傅里葉變換為：
[0059][0060]
其中，運算符表示從向量
·
中索引第i個元素；
[0061]
可得：
[0062][0063][0064]
進一步的，所述損失函數表達式為：
[0065][0066][0067]
其中，表示n/2的向下取整；
[0068]
w深度神經網絡模型的待定參數向量；
[0069]
b表示由泵管表面測量值與有限元模型導出值之間的差異所貢獻的分量；
[0070]
利用深度學習算法框架進行模型訓練，搜索參數w，λ1，λ2，h，使得loss(w，λ1，λ2，h)為最小值，確定泵管壁h的壁厚值。
[0071]
一種系統，包括：
[0072]
m個布置于泵管外表面的有限元節點對應的橫斷面頂緣處的加速度傳感器，所述加速度傳感器用于測量擊打泵管時振動的加速度隨時間的變化，并將數據上傳；
[0073]
設置在擊打錘上的力學傳感器，用于測量擊打錘擊打瞬間擊打點的力隨時間的變化，并將數據上傳；
[0074]
用于接收上傳數據的后臺終端，用于執行所述用于檢測堵塞狀態下泵管壁厚的方法，確定泵管壁的壁厚值。
[0075]
一種機器可讀存儲介質，該機器可讀存儲介質上存儲有指令，該指令用于使得機器執行：用于檢測堵塞狀態下泵管壁厚的方法。
[0076]
一種處理器，用于運行程序，其中，所述程序被運行時用于執行：用于檢測堵塞狀態下泵管壁厚的方法。
[0077]
相比于現有技術，本發明的優點及有益效果在于：本發明的技術方案顯著減少了對堵塞狀態下泵管實測數據量的要求，僅依靠少量的加速度傳感器實測數據，便可實現泵管壁厚的識別，可顯著降低實際應用過程中的成本費用，利于推廣。
附圖說明
[0078]
圖1為本發明方法的流程示意圖；
[0079]
圖2為本發明中堵塞狀態泵管示意圖；
[0080]
圖3為本發明中有限元法離散后泵管軸向有限元節點編號示意圖；
[0081]
圖4為本發明中的深度神經網絡逼近器示意圖；
[0082]
圖5為本發明中加速度傳感器布置示意圖。
具體實施方式
[0083]
為了使本發明的目的、技術方案及優點更加清楚明白，下面通過具體實施方式結合附圖對本發明做進一步詳細說明。應當理解，此處所描述的具體實施例僅用以解釋本發明，并不用于限定本發明。
[0084]
如圖1所示，用于檢測堵塞狀態下泵管壁厚的方法，包括以下步驟：
[0085]
s1、根據卡扣與泵管相互作用的力學模型將泵管連接端受到的約束記作未知數向量λ1；將泵管堵塞部位的粘彈性混凝土的材料參數記作未知數向量λ2；
[0086]
s2、采用有限元方法將泵管標準段等間距地離散為n個橫斷面，獲得n個有限元節點，將m個加速度傳感器布置于泵管外表面的有限元節點對應的橫斷面頂緣處，測量擊打泵管時振動的加速度隨時間的變化；將泵管跨中位置的有限元節點作為擊打錘的擊打點，測量擊打錘擊打瞬間擊打點的力隨時間的變化；
[0087]
s3、利用i號有限元節點的自由度向量φi導出i號有限元節點所在泵管橫斷面頂緣處的位移向量；
[0088]
s4、設計損失函數，利用深度學習算法框架進行模型訓練，通過模型訓練的過程獲取損失函數的最小值，確定泵管壁的壁厚值。
[0089]
本發明提出的技術方案借助泵管與混凝土系統結構力學物理信息，將混凝土泵管壁厚的識別問題轉換為損失函數的最小值問題。相比現有技術完全依賴訓練數據的深度學習方法，本發明的技術顯著減少了實測數據量的要求，僅依靠少量的加速度傳感器實測數據，便可實現泵管壁厚的識別。這樣方法由于減少了對實測數據量要求，可顯著降低實際應用過程中的成本費用。此外，相關文獻報道已經檢驗，基于物理信息的神經網絡(pinns)模型深度學習方法，具有較好的魯棒性，實測數據的誤差對最終識別的結構參數影響較小。而且，本發明中假定的加速度傳感器為m個，實際應用中只布置1個傳感器，仍然可獲得較好的參數識別精度。
[0090]
具體的，步驟s1中，
[0091]
假定未知數向量λ1內的元素個數為不小于1的正整數n1，包括：卡扣作用于泵管端部的約束剛度及阻尼，則λ1為：
[0092]
λ1＝[k
x k
y k
z k
yz k
xz k
xy c
x c
y c
z c
yz c
xz c
xy
]
t
， (1)
[0093]
其中，(1)式中n1＝12，
[0094]kx
，ky，kz分別表示卡扣約束泵管連接端沿著x，y及z軸方向運動的約束剛度；
[0095]kyz
，k
xz
，k
xy
分別表示卡扣約束泵管連接端沿著x，y及z軸旋轉運動的約束剛度；
[0096]cx
，cy，cz分別表示卡扣約束泵管連接端沿著x，y及z軸方向運動的約束阻尼系數；c
yz
，c
xz
，c
xy
分別表示卡扣約束泵管連接端沿著x，y及z軸旋轉運動的約束阻尼系數；
[0097]
當混凝土泵管處于堵塞狀態時，混凝土不再流動，若高壓泵機繼續灌輸混凝土，則混凝土泵管存在爆裂的風險，此時，泵管內的混凝土可近似為圖2所示結構，泵管及其內部的阻塞混凝土構成了濕伴混凝土與鋼管復合材料構件。圖2中泵管為完整的泵管體系中的
某一節段，該節段通過兩端的卡扣與相鄰泵管連接，通過支座與附著點連接。
[0098]
假定未知向量λ2內的元素個數為不小于1的正整數n2，包括：泵管堵塞狀態時混凝土材料本構模型參數，其中，材料的本構模型包括：線性各向同性粘彈性材料，則λ2為：
[0099]
λ2＝[η e μ]
t
，
???
(2)
[0100]
其中，(2)式中n2＝3，
[0101]
η，e及μ分別表示濕拌堵塞混凝土的牛頓粘度系數、彈性模量及泊松比。
[0102]
本發明假定泵管標準段中的堵塞混凝土由粘彈性材料組成，泵送管道由薄壁等厚度的鋼材組成。堵塞狀態的粘彈性混凝土的材料參數未知，記為λ2，λ2作為一個列向量，由堵塞狀態時混凝土材料本構模型參數所組成，材料的本構模型可以是但不限于線性各向同性粘彈性材料。
[0103]
具體地，如圖3-圖5所示，采用有限元方法將泵管的位移沿x坐標軸進行離散，離散后的泵管標準段在x軸方向被等間距地離散為n個橫斷面，每個橫斷面與x軸(即泵管形心軸軸線)的交點進行編號，即有限元節點號，從左到右編號從1到n編號。圖2所示加速度傳感器布置于節點所在斷面的泵管外表面。選擇m個節點所在斷面的頂緣處安裝加速度傳感器，這m個節點號為n1，n2，
…
，nm；選擇靠近泵管跨中位置，具有編號n
p
且的節點作為圖2所示擊打錘的擊打點所在位置，且
[0104]
步驟s2中，有限元方法將泵管標準段等間距地離散，堵塞狀態堵濕拌混凝土與泵管組成的系統動力學偏微分方程轉換為關于時間t的常微分方程組為：
[0105][0106]
其中，u表示經有限元法離散后得到的系統的自由度列向量；
[0107]
m表示經有限元法離散后得到的系統的質量矩陣，本發明假定混凝土的密度、鋼材的密度，均為已知參數，因此，此處的質量矩陣是已知的；
[0108]
c(λ1，λ2)表示經有限元法離散后得到的系統的阻尼矩陣，由于系統阻尼矩陣與未知邊界條件所貢獻的阻尼、混凝土材料自身的粘滯性特性所貢獻的阻尼均有關，因此，它是關于λ1和λ2的函數；
[0109]
k(λ1，λ2，h)表示經有限元法離散后得到的系統的剛度矩陣，由于系統的剛度矩陣取決于混凝土材料、泵管壁材料、泵管壁厚和邊界約束條件，因此，它是關于λ1、λ2和h的函數；
[0110]
h表示泵管標準段的壁厚值；
[0111]
r(t)表示經有限元法離散后得到的系統的荷載向量，該荷載來自于標準擊打錘的擊打瞬間，感知到的擊打過程中擊打點的沖擊力隨時間的變化曲線，因此，r(t)為關于時間t的已知函數；
[0112]
擊打錘遠離擊打端的一段與力學傳感器連接，通過力學傳感器感知到擊打瞬間的力隨時間的變化量。力學傳感器感知得到的力是已知的關于時間的函數，表達式為r(t)。
[0113]
選擇泵送管道跨中位置作為擊打點，使擊打點兩端布置的加速傳感器均能接收到來自擊打點的震動，利于加速度傳感器對整個震動過程中力傳導的捕捉。
[0114]
換一種說法，如果跨中斷面(即橫斷面的x坐標為l/2，其中l為管道長度)上沒有安
裝加速度傳感器，那么擊打點就選擇在跨中斷面的任意圓周處，如果剛好在跨中斷面布置了傳感器，那么擊打點就布置在沒有安裝加速度傳感器且距離跨中斷面最近的節點上。
[0115]
對(3)式等號兩側進行傅里葉變換，將時間t變換為頻率ω，得
[0116][0117]
其中，i表示單位虛數，即i2＝-1；表示u(t)在頻率域內的象函數，其中定義為：
[0118][0119]
表示r(t)在頻率域內的象函數，其中定義為：
[0120][0121]
(5)式左側的模減去右側的模，構造以下函數：
[0122][0123]
如圖4所示，構造一個深度神經網絡模型作為逼近器對進行逼近，其輸入為標量頻率ω，輸出為長度為n
dof
的向量。該模型的隱藏層數為s，(s不小于2)，每一隱藏層的神經元個數不小于n
dof
；圖中σ表示激活函數，本發明采用relu函數，即relu(x)＝max(0，x)，作為激活函數。
[0124]
具體地，u的長度為n
dof
，該向量保存著泵管所有有限元節點位置處的位移；每個有限元節點處的位移按照順序：x方向位移、y方向位移、z方向位移、繞x軸轉角、繞y軸轉角、繞z軸轉角，u展開為：
[0125]
u＝[φ
1 φ
2 φ3…
φn]
t
，φi＝[u
i v
i w
i θ
yzi θ
xzi θ
xyi
]，
???
(8)
[0126]
其中，i＝1，2，
…
，n。n為有限元節點數；
[0127]
φi為有限元節點i的自由度向量；
[0128]
ui，vi，wi，θ
yzi
，θ
xzi
，θ
xyi
分別代表有限元節點i處的x方向位移、y方向位移、z方向位移、繞x軸轉角、繞y軸轉角、繞z軸轉角。
[0129]
具體的，步驟s2中，加速度傳感器對x、y及z軸三個方向進行感知，加速度傳感器k，其中，m≥k≥1，所采集的三個方向的加速度時間序列為：
[0130][0131]
其中，n為傳感器所記錄的時間序列條目數；
[0132]
分別表示ti時刻加速度傳感器k所感應到的x、y及z軸方向的加速度；
[0133]
第i個時刻對應時間為ti＝t0+(i-1)
△
t，其中
△
t為加速度傳感器感知振動的采樣時間間隔；t0表示加速度數據采樣的初始時刻，t0取其值為0.0，則對(9)式中的加速度時間序列進行離散傅里葉變換，得到頻率域內的序列：
[0134][0135]
其中，及分別表示對應的離散傅里葉變換；
[0136]
ωi＝(i-1)
△
ω，i＝1，2，3，
…
，n；
[0137]
△
ω表示加速度傳感器感的頻率分辨率；
[0138]
t
p
代表序列所持續的時間長度，即t
p
＝t
n-t0。
[0139]
具體的，步驟s3中，利用timoshenko梁模型的平截面假定和剛性截面假定，可以利用圖3所示的i號有限元節點處的自由度向量導出i號有限元節點所在泵管橫斷面頂緣處的位移向量，其包括：x軸方向位移u
topi
、y軸方向位移v
topi
、z軸方向位移w
topi
：
[0140]utopi
＝u
i-rθ
xzi
,v
topi
＝v
i-rθ
yzi
,w
topi
＝wi，
????
(11)
[0141]
設指定的m個布置了加速度傳感器的位置有限元節點編號為n1，n2，
…
nm；根據(11)式可確定有限元節點ni處的自由度對應在u中的位置序號為：
[0142]
pi＝[6n
i-5,6n
i-4,6n
i-3,6n
i-2,6n
i-1,6ni],i＝1,2,...,m.，
????
(12)
[0143]
ni號有限元節點所在泵管橫斷面頂緣處的位移傅里葉變換為：
[0144][0145]
其中，運算符表示從向量
·
中索引第i個元素；
[0146]
可得：
[0147][0148][0149]
若式(7)等號的右側恒為零向量，且式(13)、式(14)、式(15)也成立，那么式(4)內的未知參數向量λ1，λ2的估值符合實際泵送管道內部的情況。
[0150]
通過建立一個損失函數，使得這個損失函數取最小值，如果取到了精確的λ1，λ2的值，那么目標函數會接近于0。如果有限元方程是精確的，測量也是精確的，那么理論上這里的目標函數是可以取到0的。本發明目標是讓這個目標函數loss取最小值，這樣就能實現盡可能準確搜索λ1，λ2的目的。
[0151]
具體的，損失函數表達式為：
[0152]
[0153][0154]
其中，表示n/2的向下取整；
[0155]
w深度神經網絡模型的待定參數向量；
[0156]
b表示由泵管表面測量值與有限元模型導出值之間的差異所貢獻的分量；
[0157]
利用深度學習算法框架進行模型訓練，深度學習算法框架如pytorch、tensorflow等，所積累的大量優化求解器，搜索參數w，λ1，λ2，h，使得loss(w，λ1，λ2，h)為最小值，確定泵管壁h的壁厚值。
[0158]
實際應用中，可以規定損失函數的值小于某個小數，或者試算優化變量w，λ1，λ2，h的次數達到某個大數，就認為h的值被確定了。
[0159]
一種系統，包括：
[0160]
m個布置于泵管外表面的有限元節點對應的橫斷面頂緣處的加速度傳感器，所述加速度傳感器用于測量擊打泵管時振動的加速度隨時間的變化，并將數據上傳；
[0161]
設置在擊打錘上的力學傳感器，用于測量擊打錘擊打瞬間擊打點的力隨時間的變化，并將數據上傳；
[0162]
用于接收上傳數據的后臺終端，用于執行所述用于檢測堵塞狀態下泵管壁厚的方法，確定泵管壁的壁厚值。
[0163]
一種機器可讀存儲介質，該機器可讀存儲介質上存儲有指令，該指令用于使得機器執行：用于檢測堵塞狀態下泵管壁厚的方法。
[0164]
一種處理器，用于運行程序，其中，所述程序被運行時用于執行：用于檢測堵塞狀態下泵管壁厚的方法。
[0165]
處理器中包含內核，由內核去存儲器中調取相應的程序單元。內核可以設置一個或以上，通過調整內核參數來確定泵管壁h的壁厚值。
[0166]
存儲器可能包括計算機可讀介質中的非永久性存儲器，隨機存取存儲器(ram)和/或非易失性內存等形式，如只讀存儲器(rom)或閃存(flash ram)，存儲器包括至少一個存儲芯片。
[0167]
本發明實施例提供了一種存儲介質，其上存儲有程序，該程序被處理器執行時實現所述用于檢測堵塞狀態下泵管壁厚的方法。
[0168]
本發明實施例提供了一種處理器，所述處理器用于運行程序，其中，所述程序運行時執行所述用于檢測堵塞狀態下泵管壁厚的方法。
[0169]
本發明實施例提供了一種設備，設備包括處理器、存儲器及存儲在存儲器上并可在處理器上運行的程序，處理器執行程序時實現以下步驟：
[0170]
s1、根據卡扣與泵管相互作用的力學模型將泵管連接端受到的約束記作未知數向
量λ1；將泵管堵塞部位的粘彈性混凝土的材料參數記作未知數向量λ2；
[0171]
s2、采用有限元方法將泵管標準段等間距地離散為n個橫斷面，獲得n個有限元節點，將m個加速度傳感器布置于泵管外表面的有限元節點對應的橫斷面頂緣處，測量擊打泵管時振動的加速度隨時間的變化；將泵管跨中位置的有限元節點作為擊打錘的擊打點，測量擊打錘擊打瞬間擊打點的力隨時間的變化；
[0172]
s3、利用i號有限元節點的自由度向量φi導出i號有限元節點所在泵管橫斷面頂緣處的位移向量；
[0173]
s4、設計損失函數，利用深度學習算法框架進行模型訓練，通過模型訓練的過程獲取損失函數的最小值，確定泵管壁的壁厚值。
[0174]
本文中的設備可以是服務器、pc、pad、手機等。
[0175]
本技術還提供了一種計算機程序產品，當在數據處理設備上執行時，適于執行初始化有如下方法步驟的程序：s1、根據卡扣與泵管相互作用的力學模型將泵管連接端受到的約束記作未知數向量；將泵管堵塞部位的粘彈性混凝土的材料參數記作未知數向量；
[0176]
s2、采用有限元方法將泵管標準段等間距地離散為n個橫斷面，獲得n個有限元節點，將m個加速度傳感器布置于泵管外表面的有限元節點對應的橫斷面頂緣處，測量擊打泵管時振動的加速度隨時間的變化；將泵管跨中位置的有限元節點作為擊打錘的擊打點，測量擊打錘擊打瞬間擊打點的力隨時間的變化；
[0177]
s3、利用i號有限元節點的自由度向量導出i號有限元節點所在泵管橫斷面頂緣處的位移向量；
[0178]
s4、設計損失函數，利用深度學習算法框架進行模型訓練，通過模型訓練的過程獲取損失函數的最小值，確定泵管壁的壁厚值。
[0179]
本領域內的技術人員應明白，本技術的實施例可提供為方法、系統、或計算機程序產品。因此，本技術可采用完全硬件實施例、完全軟件實施例、或結合軟件和硬件方面的實施例的形式。而且，本技術可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(包括但不限于磁盤存儲器、cd-rom、光學存儲器等)上實施的計算機程序產品的形式。
[0180]
本技術是參照根據本技術實施例的方法、設備(系統)、和計算機程序產品的流程圖和/或方框圖來描述的。應理解可由計算機程序指令實現流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結合。可提供這些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數據處理設備的處理器以產生一個機器，使得通過計算機或其他可編程數據處理設備的處理器執行的指令產生用于實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。
[0181]
這些計算機程序指令也可存儲在能引導計算機或其他可編程數據處理設備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產生包括指令裝置的制造品，該指令裝置實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。
[0182]
這些計算機程序指令也可裝載到計算機或其他可編程數據處理設備上，使得在計算機或其他可編程設備上執行一系列操作步驟以產生計算機實現的處理，從而在計算機或其他可編程設備上執行的指令提供用于實現在流程圖一個流程或多個流程和/或方框圖一
個方框或多個方框中指定的功能的步驟。
[0183]
在一個典型的配置中，計算設備包括一個或多個處理器(cpu)、輸入/輸出接口、網絡接口和內存。
[0184]
存儲器可能包括計算機可讀介質中的非永久性存儲器，隨機存取存儲器(ram)和/或非易失性內存等形式，如只讀存儲器(rom)或閃存(flash ram)。存儲器是計算機可讀介質的示例。
[0185]
計算機可讀介質包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術來實現信息存儲。信息可以是計算機可讀指令、數據結構、程序的模塊或其他數據。計算機的存儲介質的例子包括，但不限于相變內存(pram)、靜態隨機存取存儲器(sram)、動態隨機存取存儲器(dram)、其他類型的隨機存取存儲器(ram)、只讀存儲器(rom)、電可擦除可編程只讀存儲器(eeprom)、快閃記憶體或其他內存技術、只讀光盤只讀存儲器(cd-rom)、數字多功能光盤(dvd)或其他光學存儲、磁盒式磁帶，磁帶磁磁盤存儲或其他磁性存儲設備或任何其他非傳輸介質，可用于存儲可以被計算設備訪問的信息。按照本文中的界定，計算機可讀介質不包括暫存電腦可讀媒體(transitorymedia)，如調制的數據信號和載波。
[0186]
還需要說明的是，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、商品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、商品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個
……”
限定的要素，并不排除在包括要素的過程、方法、商品或者設備中還存在另外的相同要素。
[0187]
以上內容是結合具體的實施方式對本發明所做的進一步詳細說明，不能認定本發明的具體實施只局限于這些說明。對于本發明所屬技術領域的普通技術人們來說，在不脫離本發明構思的前提下，還可以做出若干簡單推演或替換，都應當視為屬于本發明的保護范圍。
技術特征：
1.用于檢測堵塞狀態下泵管壁厚的方法，其特征在于，包括以下步驟：s1、根據卡扣與泵管相互作用的力學模型將泵管連接端受到的約束記作未知數向量λ1；將泵管堵塞部位的粘彈性混凝土的材料參數記作未知數向量λ2；s2、采用有限元方法將泵管標準段等間距地離散為n個橫斷面，獲得n個有限元節點，將m個加速度傳感器布置于泵管外表面的有限元節點對應的橫斷面頂緣處，測量擊打泵管時振動的加速度隨時間的變化；將泵管跨中位置的有限元節點作為擊打錘的擊打點，測量擊打錘擊打瞬間擊打點的力隨時間的變化；s3、利用i號有限元節點的自由度向量φ
i
導出i號有限元節點所在泵管橫斷面頂緣處的位移向量；s4、設計損失函數，利用深度學習算法框架進行模型訓練，通過模型訓練的過程獲取損失函數的最小值，確定泵管壁的壁厚值。2.根據權利要求1所述的用于檢測堵塞狀態下泵管壁厚的方法，其特征在于，所述步驟s1中，假定未知數向量λ1內的元素個數為不小于1的正整數n1，包括：卡扣作用于泵管端部的約束剛度及阻尼，則λ1為：λ1＝[k
x k
y k
z k
yz k
xz k
xy c
x c
y c
z c
yz c
xz c
xy
]
t
，
????
(1)其中，(1)式中n1＝12，k
x
，k
y
，k
z
分別表示卡扣約束泵管連接端沿著x，y及z軸方向運動的約束剛度；k
yz
，k
xz
，k
xy
分別表示卡扣約束泵管連接端沿著x，y及z軸旋轉運動的約束剛度；c
x
，c
y
，c
z
分別表示卡扣約束泵管連接端沿著x，y及z軸方向運動的約束阻尼系數；c
yz
，c
xz
，c
xy
分別表示卡扣約束泵管連接端沿著x，y及z軸旋轉運動的約束阻尼系數；假定未知向量λ2內的元素個數為不小于1的正整數n2，包括：泵管堵塞狀態時混凝土材料本構模型參數，其中，材料的本構模型包括：線性各向同性粘彈性材料，則λ2為：λ2＝[ηeμ]
t
，
????
(2)其中，(2)式中n2＝3，η，e及μ分別表示濕拌堵塞混凝土的牛頓粘度系數、彈性模量及泊松比。3.根據權利要求2所述的用于檢測堵塞狀態下泵管壁厚的方法，其特征在于，所述步驟s2中，有限元方法將泵管標準段等間距地離散，堵塞狀態濕拌混凝土與泵管組成的系統動力學偏微分方程轉換為關于時間t的常微分方程組為：其中，u表示經有限元法離散后得到的系統的自由度列向量；m表示經有限元法離散后得到的系統的質量矩陣；c(λ1，λ2)表示經有限元法離散后得到的系統的阻尼矩陣；k(λ1，λ2，h)表示經有限元法離散后得到的系統的剛度矩陣；h表示泵管標準段的壁厚值；r(t)表示經有限元法離散后得到的系統的荷載向量，該荷載來自于標準擊打錘的擊打瞬間，感知到的擊打過程中擊打點的沖擊力隨時間的變化曲線；
對(3)式等號兩側進行傅里葉變換，將時間t變換為頻率ω，得其中，i表示單位虛數，即i2＝-1；表示u(t)在頻率域內的象函數，其中定義為：為：表示r(t)在頻率域內的象函數，其中定義為：(5)式左側的模減去右側的模，構造以下函數：構造一個深度神經網絡模型作為逼近器對進行逼近，其輸入為標量頻率ω，輸出為長度為n
dof
的向量。4.根據權利要求3所述的用于檢測堵塞狀態下泵管壁厚的方法，其特征在于，所述u的長度為n
dof
，該向量保存著泵管所有有限元節點位置處的位移；每個有限元節點處的位移按照順序：x方向位移、y方向位移、z方向位移、繞x軸轉角、繞y軸轉角、繞z軸轉角，u展開為：u＝[φ
1 φ
2 φ3?…?
φ
n
]
t
，φ
i
＝[u
i v
i w
i θ
yzi θ
xzi θ
xyi
]，
????
(8)其中，i＝1，2，
…
，n。n為有限元節點數；φ
i
為有限元節點i的自由度向量；u
i
，v
i
，w
i
，θ
yzi
，θ
xzi
，θ
xyi
分別代表有限元節點i處的x方向位移、y方向位移、z方向位移、繞x軸轉角、繞y軸轉角、繞z軸轉角。5.根據權利要求4所述的用于檢測堵塞狀態下泵管壁厚的方法，其特征在于，所述步驟s2中，所述加速度傳感器對x、y及z軸三個方向進行感知，加速度傳感器k，其中，m≥k≥1，所采集的三個方向的加速度時間序列為：其中，n為傳感器所記錄的時間序列條目數；分別表示t
i
時刻加速度傳感器k所感應到的x、y及z軸方向的加速度；第i個時刻對應時間為t
i
＝t0+(i-1)
△
t，其中
△
t為加速度傳感器感知振動的采樣時間間隔；t0表示加速度數據采樣的初始時刻，t0取其值為0.0，則對(9)式中的加速度時間序列進行離散傅里葉變換，得到頻率域內的序列：其中，及分別表示對應的離散傅里葉變換；ω
i
＝(i-1)
△
ω，i＝1，2，3，
…
，n；
△
ω表示加速度傳感器感的頻率分辨率；
t
p
代表序列所持續的時間長度，即t
p
＝t
n-t0。6.根據權利要求5所述的用于檢測堵塞狀態下泵管壁厚的方法，其特征在于，所述步驟s3中，所述泵管橫斷面頂緣處的位移向量包括：x軸方向位移u
topi
、y軸方向位移v
topi
、z軸方向位移w
topi
：u
topi
＝u
i-rθ
xzi
,v
topi
＝v
i-rθ
yzi
,w
topi
＝w
i
，
?????
(11)設指定的m個布置了加速度傳感器的位置有限元節點編號為n1,n2,
…
,n
m
；根據(11)式可確定有限元節點n
i
處的自由度對應在u中的位置序號為：p
i
＝[6n
i-5,6n
i-4,6n
i-3,6n
i-2,6n
i-1,6n
i
],i＝1,2,...,m.，
?????????
(12)n
i
號有限元節點所在泵管橫斷面頂緣處的位移傅里葉變換為：其中，運算符表示從向量
·
中索引第i個元素；可得：得：7.根據權利要求6所述的用于檢測堵塞狀態下泵管壁厚的方法，其特征在于，所述損失函數表達式為：函數表達式為：其中，表示n/2的向下取整；w深度神經網絡模型的待定參數向量；b表示由泵管表面測量值與有限元模型導出值之間的差異所貢獻的分量；利用深度學習算法框架進行模型訓練，搜索參數w，λ1，λ2，h，使得loss(w，λ1，λ2，h)為最小值，確定泵管壁h的壁厚值。8.一種系統，其特征在在于，包括：m個布置于泵管外表面的有限元節點對應的橫斷面頂緣處的加速度傳感器，所述加速度傳感器用于測量擊打泵管時振動的加速度隨時間的變化，并將數據上傳；設置在擊打錘上的力學傳感器，用于測量擊打錘擊打瞬間擊打點的力隨時間的變化，并將數據上傳；
用于接收上傳數據的后臺終端，用于執行如權利要求1-7任意一項所述的用于檢測堵塞狀態下泵管壁厚的方法，確定泵管壁的壁厚值。9.一種機器可讀存儲介質，該機器可讀存儲介質上存儲有指令，該指令用于使得機器執行如權利要求1-7任意一項用于檢測堵塞狀態下泵管壁厚的方法。10.一種處理器，其特征在于，用于運行程序，其中，所述程序被運行時用于執行：如權利要求1-7任意一項所述的用于檢測堵塞狀態下泵管壁厚的方法。
技術總結
本發明公開了用于檢測堵塞狀態下泵管壁厚的方法、系統、存儲介質及處理器，本發明的技術方案借助泵管與混凝土系統結構力學物理信息，將混凝土泵管壁厚的識別問題轉換為損失函數的最小值問題，相比現有完全依賴訓練數據的深度學習方法，本發明的方法顯著減少了實測數據量的要求，僅依靠少量的加速度傳感器實測數據，便可實現泵管壁厚的識別，可顯著降低實際應用過程中的成本費用，利于推廣。利于推廣。利于推廣。
