1、基于智慧云的超高层建筑施工测控管理平台的研究 邱冬炜 段明旭 丁克良 王彤 王来阳 北京建筑大学 摘 要： 超高层建筑施工测控管理平台依托于云管理、云计算和智能分析, 实现了超高层建筑的整体变形的自动化提取和表达、空间结构形态的精细化检测以及变形趋势的智慧预测。论文详细介绍了系统逻辑结构层次划分、系统功能的具体实现方法和核心技术。并结合在建的北京市第一高楼“中国尊” (528m) 施工测控项目, 完成了平台的应用研究与验证。该平台在超高层建筑施工的变形数据处理分析、主体结构检测和桁架卸载三维分析等方面应用效果良好, 具备良好的数据处理、分析和管理能力。关键词： 超高层建筑; 智慧云; 测控管理
2、平台; 系统设计; 变形监测; 结构检测; 作者简介：邱冬炜 (1978-) , 男, 北京人, 博士研究生, 副教授、高级工程师, 研究方向为建构筑物监测与检测、精密工程测量与变形数据分析。E-mail:收稿日期：2017-11-06基金：国家重点研发计划 (2017YFB0503700) The Construction of Measurement and Management Platform for Super High-rise Building Based on Intelligent CloudQIU Dongwei DUAN Mingxu DING Keliang WANG
3、Tong WANG Laiyang Beijing University of Civil Engineering and Architecture; Abstract： With technology of cloud management, cloud computing and intelligent analysis, the platform of measurement and management of super high-rise building realizes the automatic extraction and expression of the overall
4、deformation of the super high-rise building, the refined detection of spatial structure morphology and the intelligent prediction of deformation trends.This paper introduces in detail the logical structure of the system, the hierarchical division, the concrete realization method and the core technol
5、ogy of the system function.Combined with the construction project of the China Zun (the first high-rise under construction in Beijing, 528 m) , the application of research and verification of the platform has been completed.The platform has good application effect in the deformation data processing
6、analysis, monitoring of main structure and three-dimensional analysis of truss unloading in the super high-rise building construction, and has good data processing, analysis and management capabilities.Keyword： the super high-rise building; intelligent cloud; measurement and management platform; sys
7、tem design; deformation monitoring; structure detection; Received： 2017-11-061 引言超高层建筑工程具有楼层超高、体量宏大、施工工艺复杂和施工周期长的特点。在超高层建筑施工期间, 建筑结构受到日照、风振、垂直温差、动力荷载、施工扰动等综合影响, 呈现出差异沉降、水平扭转和位移、压缩、倾斜、挠曲、振动等变形现象, 施工风险极大。对超高层建筑施工进行综合测控 (测:监测和检测;控:质量控制) 和变形分析是超高层建筑施工的一项重要环节, 也是确保施工质量和安全的重要手段。超高层建筑变形复杂, 需要多种测控仪器和方法联合施测,
8、 从而产生了多源海量的监测和检测数据, 数据管理和分析难度大, 对数据的空间分辨率、安全存储、快速处理和智能分析等方面提出了更高的要求。目前, 国内外一些专家学者已经在建筑物变形信息自动化管理方面进行了有益的探索和研究。比如, 2004 年, M.elebi 等人采用自主研发的地震监测系统, 对一座 24 层钢架建筑进行了长期的加速度和位移监测、分析和管理, 实验分析结果证明了该系统是一种有效的损伤检测工具1。2009 年, Ceriotti M 等人对意大利特兰托的一座中世纪塔型建筑进行了为期 4 个月的振动检测, 并且应用自主研发的软件系统对实时数据进行了管理、分析和加工, 证明了软件系统
9、的稳定性和有效性2。另外, Seon P H 等学者于 2013 年构建了一套建筑钢结构健康监测系统, 取得了良好的数据管理效果3。2015 年, 祝小龙等人对重庆国际博览中心构建了长期安全健康监测系统, 为进行大型建筑结构的结构状态识别、结构的承载力评估等项目管理提供了有效的参考4。2016 年, 李长辉研发了一套古建筑空间数据的管理与分析应用系统, 实现了古建筑空间数据的查询显示、保存、更新、量测与对比等功能, 为古建遗产保护提供了高效的工作平台5。尽管, 国内外市场上充斥了琳琅满目的建筑监测软件, 但这些建筑监测系统不适用于超高层建筑的施工特点和监测需求, 无法进行整体变形的智能处理。因
10、此, 根据超高层建筑变形所具有的整体时空联动性的特点, 研发了“基于智慧云的超高层建筑施工测控管理平台”。该系统依托于“云计算”、“云管理”和“智能分析”, 实现了超高层建筑变形监测和检测数据的综合管理、智慧分析和智能预测, 提供了建筑形态全景化展示、结构风险“侦察”、危险部位的精确化定位和数据异常的自动化预警, 为超高层建筑施工提供有效的指导与参考。2 系统设计本系统采用 C#开发语言, 开发平台为 Visual Studio 2010。系统运行环境首选Windows 7, 以 C/S 结构搭建主体框架, 具有操作简单、界面风格简洁实用等特点。系统不仅支持二次开发及扩展, 也易于实现平台和网
11、络之间的交互式操作。2.1 系统交互流程系统将人工录入或自动化采集获取的测量和非量测信息组成数据集, 通过筛查、格式转化、编码和加密完成数据集入库准备。然后, 预存数据集通过平台和智慧云之间的交互式操作, 将不同数据存储到云平台的相应数据库, 数据存储完毕后系统会自动建立数据索引。用户可以通过数据索引获取相应数据集, 进而可在平台上完成数据管理、预览、显示、预测预报以及成果输出。系统交互流程如图 1 所示。图 1 系统交互流程 下载原图2.2 系统主体框架该系统为超高层建筑监测各项目不仅建立了全寿命期的数字化、信息化档案, 也为验证结构是否符合设计要求提供了第一手原型检测资料。如图 2 所示,
12、 该系统被划分为四层, 包括采集层、数据层、应用层及管理层。图 2 系统框架 下载原图(1) 采集层采集层是本系统的基础层, 它不仅能够与全站仪、GPS、IBIS 等多种外援设备建立有线或无线连接, 实现了数据的自动化采集, 也可以通过人工录入的方式采集项目非量测信息。该层还集成了数据预处理模块, 所有数据在入库之前, 可通过预处理模块完成数据初步检索、筛选及类型转换, 以保证采集数据的完整性、统一性和稳定性。(2) 数据层数据层是本系统的核心层, 所有的数据交换、存储和检索都通过该层的数据库来进行。充分考虑到监测数据量大、需要快速更新, 采用 SQLite 数据库及PostgreSQL 数据
13、库联合管理方式, 实现本地程序、服务器及数据库的动态交互。另外, 采用 Oracle 数据库完成空间数据存储、索引及更新。(3) 应用层应用层是该系统的具体功能实现, 依托于若干在线模块 (测量云模块、测点管理模块、预测模块、三维全景展览模块等) , 完成软件、数据与云平台的交互式操作, 实现了数据全景化浏览、成果输出、数据在线传输、在线咨询、智能分析和系统配置等功能。(4) 管理层管理层是整个系统的后台控制平台, 被划分为系统管理及空间信息支撑平台, 主要负责系统的日常维护与管理、空间数据的分析与处理、业务数据的组织与调用以及系统权限的配置与更新。2.3 系统子系统系统被划分为 4 个子系统
14、, 包括数据采集、管理、智能分析以及显示和安全评定子系统。其中, 智能分析子系统是整个系统的“大脑”, 依托于超高层建筑数据处理模型、非线性测量数据分析模型和多种预测数学模型, 实现了结构整体变形的精度分析、模式识别、结构损伤监测、数据挖掘、智能分析和变形趋势预测等内容。各子系统围绕“智慧云”构成一个有机的整体, 系统间相互协调, 实现了数据流的云端交互、统一组织和安全管理。子系统数据交互流程如图 3 所示。图 3 子系统的交互流程 下载原图3 系统核心技术系统在数据存储、分析及显示过程中, 采用了众多算法和新技术, 如极限学习机变形预测算法、结构整体变形分析、结构形态检测等。3.1 极限学习
15、机变形预测算法近些年来, 前馈神经网络已经广泛用于 (超) 高层建筑变形预测领域, 其多种变体形式在该领域也取得了较为突出的成绩。但是, 前馈神经网络在训练过程中, 往往采用梯度下降法, 导致网络训练慢, 容易陷入局部最小。同时, 前馈神经网络对学习率有较强的敏感度, 只有选择合适的学习率才获得比较满意的预测结果。如果学习率取值较大, 网络容易出现过拟合现象或者无法收敛, 反之, 则会降低收敛速度。针对上述问题, 黄广斌6-7教授提出了极限学习机 (Extreme Learning Machine, ELM) 理论。它作为一种新型的智能算法, 在进行网络训练时只需要设置隐含层结点, 无需调整权
16、重和偏置量便可以获得唯一的最优解8-9。因此, 该算法与 SVM、BP 相比, 具有操作简单、泛化能力强以及计算速度快等优点。3.1.1 ELM 原理引起超高层建筑变形的原因众多, 包括横风荷载、重力荷载、温度、日照、结构静力荷载等原因, 则导致变形往往呈现较强的时空联动性、非线性和混沌性。假设采集 N 个超高层建筑变形值, 结合变形致因集和变形序列, 选取变形预测训练样本x i, ti, xiR, t iR, i=1, 2, L (LN) 则基于 ELM 的变形预测值可表示为6-9:其中, y i为网络输出值, ij表示输入层第 i 个神经元与隐含层第 j 个神经元之间的连接权, jk表示隐
17、含层第 j 个神经元与输出层第 k 个神经元之间的连接权, b j表示为隐含层神经元的阈值, f () 表示激活函数。若取训练集样本个数与隐含层神经元个数相等, 则对于任意 和 b, ELM 可以实现零误差逼近, 即:将公式 (2) 代入公式 (1) , 训练样本的实际预测输出可以表示为:进而, 公式 (3) 可以表示为矩阵形式:其中, H 表示隐含层输出矩阵, 表示隐含层与输出层的权阵, T 表示输出矩阵。隐含层与输出层的连接权 可以通过求解下列最小二乘解获得:其解为:其中, H 表示为隐含层输出矩阵 H 的 MoorePenrose 广义逆矩阵。3.1.2 实验与仿真如表 1 所示, 选取
18、中国尊的 50 次沉降监测成果 (由于篇幅有限, 部分数据未给出) 。表 1 沉降监测表 下载原表 选取前 40 个变形数据作为样本训练集, 后 10 期变形信息为测试样本。由于变形波动范围大, 因此采用对数插值算法对变形值进行归一化处理。其中, y max和 ymin分别代表预测输出变形量的最大值和最小值, y 和 y 分别表示归一化和原始变形信息。为了证明该算法的有效性, 分别采用 ELM 模型和 BP 模型进行实验比较。同时, 选取均方误差 (MSE) 和决定系数 (R) 作为网络评价指标。如图 4 所示, 随着隐含层神经元数的不断增加, BP 神经网络的均方误差波动性较大, 相反, E
19、LM 更加稳定。根据决定系数的波动情况, 也证明了 ELM 的预测性能更优。图 4 BP 与 ELM 的评价指标比较 下载原图如图 5 所示, 在 BP 与 ELM 预测最优的情况下, ELM 的网络训练及预测效果更好, 预测结果也更加稳定, 与实际工程测量值更加贴近。图 5 最优预测值与真实值对比 下载原图3.2 结构整体变形分析为了快速、准确的获取超高层建筑物的整体变形信息, 充分结合有限元的基本思想, 将结构体进行区域分割, 然后利用主成分分析 (PCA) 来获取观测目标表面的空间信息 (如空间特征坐标系) , 完成超高层建筑物的整体变形分析。整体变形分析流程如图 6 所示。图 6 整体
20、变形分析流程 下载原图整体变形分析算法的核心思想就是利用 PCA 提取超高层建筑的有效空间信息。假设超高层建筑物的空间数据矩阵 X 为一个 N3 的矩阵, 则矩阵 X 经过转化矩阵 P 的作用可以得到矩阵 Y, 表示为 , 即:其中, P 的行向量p 1, p2, , pM称为超高层建筑物的空间数据矩阵 X 的主成分。那么, 取 P 中三个相互正交向量p , p , p 作为超高层建筑的特征空间信息, 进而完成结构整体变形分析。3.3 结构形态检测结构形态检测是结构健康监测中重要的一个环节10-11。本系统不仅实现了变形监测数据管理, 更实现了包括超高层建筑桁架三维检测、结构振动检测、结构损伤
21、检测、核心筒轴线及同心度检测在内的多项检测数据管理以及可视化。4 系统应用本系统对“中国尊”项目进行了 ELM 变形预测和桁架三维分析, 取得了良好的效果。(1) 沉降变形数据分析如图 7 所示, 在系统中, 通过 ELM 模型对变形进行分析, 并预测 5 期数据。(2) 桁架三维分析如图 8 所示, 对“中国尊”首层桁架结构进行三维分析。图 7 ELM 变形预测 下载原图图 8 桁架三维分析 下载原图5 结束语该系统改变了传统监测模式, 实现了超高层监测信息的数字化、无纸化、档案化和资源共享化, 是一项对变形监测行业利用信息技术进行的全面提升和改造。参考文献1M.Celebi, Sanli
22、A, Sinclair M, et al.Real-Time Seismic Monitoring Needs of a Building Ownerand the Solution:A Cooperative EffortJ.Earthquake Spectra, 2004, 20 (2) :333-346. 2Ceriotti M, Mottola L, Picco G P, et al.Monitoring heritage buildings with wireless sensor networks:The Torre Aquila deploymentCInternational
23、Conference on Information Processing in Sensor Networks.IEEE, 2009:277-288. 3Seon P H, Yunah S, Woon C S, et al.An Integrative Structural Health Monitoring System for the Local/Global Responses of a Large-Scale Irregular Building under ConstructionJ.Sensors, 2013, 13 (7) :9085-9103. 4祝小龙, 向泽君, 谢征海,
24、等.大型建筑结构长期安全健康监测系统设计J.测绘通报, 2015 (11) :76-79. 5李长辉.古建筑空间数据管理系统的开发J.测绘通报, 2016 (8) :95-98. 6Huang G B, Siew C K.Extreme learning machine:RBF network caseC/Control, Automation, Robotics and Vision Conference, 2004.Icarcv 2004.IEEE, 2004, 2:1029-1036. 7Wang S, Deng C, Lin W, et al.NMF-Based Image Quali
25、ty Assessment Using Extreme Learning MachineJ.IEEE Transactions on Cybernetics, 2017, 47 (1) :232. 8Deng C W, Huang G B, Jia X U, et al.Extreme learning machines:new trends and applicationsJ.Science China Information Sciences, 2015, 58 (2) :1-16. 9高彩云, 崔西民, 高宁.熵权遗传算法及极限学习机地铁隧道沉降预测J.测绘科学, 2016, 41 (2) :71-75. 10顾培英, 邓昌, 吴福生.结构模态分析及其损伤诊断M.江苏南京:东南大学出版社, 2008:1. 11吕西林, 姜淳, 蒋欢军.超高层建筑结构 benchmark 模型的地震损伤分析J.建筑结构学报, 2016, 37 (9) :1-7.
