用于检测堵塞状态下泵管壁厚的方法、系统、存储介质及处理器
1.本发明涉及土木工程大型施工装备的无损检测技术领域，尤其涉及用于检测堵塞状态下泵管壁厚的方法、系统、存储介质及处理器。
背景技术：
2.目前，超高层建筑物(摩天大楼)或大跨度结构物(大桥，隧道等)，在施工过程中，所需的混凝土，往往通过高压混凝土泵送装备实现混凝土的传送。然而，由于各种原因导致混凝土泵管内部堵塞的事故时有发生，在这种情况下，工程技术人员面临两个问题：1、如何从很长的输送管道中确定堵塞的部位，简称“堵点定位”问题；2、如何确定泵管的真实壁厚以及管道壁的环向应力，根据应力状态确定泵管的爆裂风险。
3.为了检测金属和其他薄壁材料的厚度，目前成熟的方法有超声波检测方法，利用超声波激励薄壁材料表面，根据信号入射和反射的时间差确定管道厚度，这种方法适用于单相介质组成的薄壁构件，即管道内部无混凝土的时候。对于堵塞状态下，内部充满了混凝土，这个方法是失效的。此外，超声波检测方法比较适合于平整的材料，对于曲面的钢管，测量的时候需要特别注意检测设备的特殊处理，使得它与被测对象良好贴合，作为贴合辅助的耦合剂是不可缺少的，因此，超声波检测方法在混凝土管道壁厚的检测中也是很难可靠实施的。
4.因此，对混凝土高压输送管道进行壁厚检测与应力检测具有充分的工程意义，本发明针对泵管的壁厚检测问题提出相应的技术方案。
技术实现要素：
5.针对上述现有技术无法有效对堵塞状态下混凝土泵管的壁厚进行检测的问题，本发明提供用于检测堵塞状态下泵管壁厚的方法、系统、存储介质及处理器，显著减少了实测数据量的要求，仅依靠少量的加速度传感器实测数据，便可实现泵管壁厚的识别。
6.用于检测堵塞状态下泵管壁厚的方法，包括以下步骤：
7.s1、根据卡扣与泵管相互作用的力学模型将泵管连接端受到的约束记作未知数向量λ1；将泵管堵塞部位的粘弹性混凝土的材料参数记作未知数向量λ2；
8.s2、采用有限元方法将泵管标准段等间距地离散为n个横断面，获得n个有限元节点，将m个加速度传感器布置于泵管外表面的有限元节点对应的横断面顶缘处，测量击打泵管时振动的加速度随时间的变化；将泵管跨中位置的有限元节点作为击打锤的击打点，测量击打锤击打瞬间击打点的力随时间的变化；
9.s3、利用i号有限元节点的自由度向量φi导出i号有限元节点所在泵管横断面顶缘处的位移向量；
10.s4、设计损失函数，利用深度学习算法框架进行模型训练，通过模型训练的过程获取损失函数的最小值，确定泵管壁的壁厚值。
11.进一步的，所述步骤s1中，
12.假定未知数向量λ1内的元素个数为不小于1的正整数n1，包括：卡扣作用于泵管端部的约束刚度及阻尼，则λ1为：
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分别表示卡扣约束泵管连接端沿着x，y及z轴方向运动的约束刚度；
[0016]kyz
，k
xz
，k
xy
分别表示卡扣约束泵管连接端沿着x，y及z轴旋转运动的约束刚度；
[0017]cx
，cy，cz分别表示卡扣约束泵管连接端沿着x，y及z轴方向运动的约束阻尼系数；c
yz
，c
xz
，c
xy
分别表示卡扣约束泵管连接端沿着x，y及z轴旋转运动的约束阻尼系数；
[0018]
假定未知向量λ2内的元素个数为不小于1的正整数n2，包括：泵管堵塞状态时混凝土材料本构模型参数，其中，材料的本构模型包括：线性各向同性粘弹性材料，则λ2为：
[0019]
λ2＝[η e μ]
t
，
ꢀꢀꢀ
(2)
[0020]
其中，(2)式中n2＝3，
[0021]
η，e及μ分别表示湿拌堵塞混凝土的牛顿粘度系数、弹性模量及泊松比。
[0022]
进一步的，所述步骤s2中，有限元方法将泵管标准段等间距地离散，堵塞状态堵湿拌混凝土与泵管组成的系统动力学偏微分方程转换为关于时间t的常微分方程组为：
[0023][0024]
其中，u表示经有限元法离散后得到的系统的自由度列向量；
[0025]
m表示经有限元法离散后得到的系统的质量矩阵；
[0026]
c(λ1，λ2)表示经有限元法离散后得到的系统的阻尼矩阵；
[0027]
k(λ1，λ2，h)表示经有限元法离散后得到的系统的刚度矩阵；
[0028]
h表示泵管标准段的壁厚值；
[0029]
r(t)表示经有限元法离散后得到的系统的荷载向量，该荷载来自于标准击打锤的击打瞬间，感知到的击打过程中击打点的冲击力随时间的变化曲线；
[0030]
对(3)式等号两侧进行傅里叶变换，将时间t变换为频率ω，得
[0031][0032]
其中，i表示单位虚数，即i2＝-1；表示u(t)在频率域内的象函数，其中定义为：
[0033][0034]
表示r(t)在频率域内的象函数，其中定义为：
[0035][0036]
(5)式左侧的模减去右侧的模，构造以下函数：
[0037]
[0038]
构造一个深度神经网络模型作为逼近器对进行逼近，其输入为标量频率ω，输出为长度为n
dof
的向量。
[0039]
进一步的，所述u的长度为n
dof
，该向量保存着泵管所有有限元节点位置处的位移；每个有限元节点处的位移按照顺序：x方向位移、y方向位移、z方向位移、绕x轴转角、绕y轴转角、绕z轴转角，u展开为：
[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为有限元节点数；
[0042]
φi为有限元节点i的自由度向量；
[0043]
ui，vi，wi，θ
yzi
，θ
xzi
，θ
xyi
分别代表有限元节点i处的x方向位移、y方向位移、z方向位移、绕x轴转角、绕y轴转角、绕z轴转角。
[0044]
进一步的，所述步骤s2中，所述加速度传感器对x、y及z轴三个方向进行感知，加速度传感器k，其中，m≥k≥1，所采集的三个方向的加速度时间序列为：
[0045][0046]
其中，n为传感器所记录的时间序列条目数；
[0047]
分别表示ti时刻加速度传感器k所感应到的x、y及z轴方向的加速度；
[0048]
第i个时刻对应时间为ti＝t0+(i-1)
△
t，其中
△
t为加速度传感器感知振动的采样时间间隔；t0表示加速度数据采样的初始时刻，t0取其值为0.0，则对(9)式中的加速度时间序列进行离散傅里叶变换，得到频率域内的序列：
[0049][0050]
其中，及分别表示对应的离散傅里叶变换；
[0051]
ωi＝(i-1)
△
ω，i＝1，2，3，
…
，n；
[0052]
△
ω表示加速度传感器感的频率分辨率；
[0053]
t
p
代表序列所持续的时间长度，即t
p
＝t
n-t0。
[0054]
进一步的，所述步骤s3中，所述泵管横断面顶缘处的位移向量包括：x轴方向位移u
topi
、y轴方向位移v
topi
、z轴方向位移w
topi
：
[0055]utopi
＝u
i-rθ
xzi
,v
topi
＝v
i-rθ
yzi
,w
topi
＝wi，
ꢀꢀꢀꢀ
(11)
[0056]
设指定的m个布置了加速度传感器的位置有限元节点编号为n1,n2,
…
,nm；根据(11)式可确定有限元节点ni处的自由度对应在u中的位置序号为：
[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号有限元节点所在泵管横断面顶缘处的位移傅里叶变换为：
[0059][0060]
其中，运算符表示从向量
·
中索引第i个元素；
[0061]
可得：
[0062][0063][0064]
进一步的，所述损失函数表达式为：
[0065][0066][0067]
其中，表示n/2的向下取整；
[0068]
w深度神经网络模型的待定参数向量；
[0069]
b表示由泵管表面测量值与有限元模型导出值之间的差异所贡献的分量；
[0070]
利用深度学习算法框架进行模型训练，搜索参数w，λ1，λ2，h，使得loss(w，λ1，λ2，h)为最小值，确定泵管壁h的壁厚值。
[0071]
一种系统，包括：
[0072]
m个布置于泵管外表面的有限元节点对应的横断面顶缘处的加速度传感器，所述加速度传感器用于测量击打泵管时振动的加速度随时间的变化，并将数据上传；
[0073]
设置在击打锤上的力学传感器，用于测量击打锤击打瞬间击打点的力随时间的变化，并将数据上传；
[0074]
用于接收上传数据的后台终端，用于执行所述用于检测堵塞状态下泵管壁厚的方法，确定泵管壁的壁厚值。
[0075]
一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行：用于检测堵塞状态下泵管壁厚的方法。
[0076]
一种处理器，用于运行程序，其中，所述程序被运行时用于执行：用于检测堵塞状态下泵管壁厚的方法。
[0077]
相比于现有技术，本发明的优点及有益效果在于：本发明的技术方案显著减少了对堵塞状态下泵管实测数据量的要求，仅依靠少量的加速度传感器实测数据，便可实现泵管壁厚的识别，可显著降低实际应用过程中的成本费用，利于推广。
附图说明
[0078]
图1为本发明方法的流程示意图；
[0079]
图2为本发明中堵塞状态泵管示意图；
[0080]
图3为本发明中有限元法离散后泵管轴向有限元节点编号示意图；
[0081]
图4为本发明中的深度神经网络逼近器示意图；
[0082]
图5为本发明中加速度传感器布置示意图。
具体实施方式
[0083]
为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明做进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0084]
如图1所示，用于检测堵塞状态下泵管壁厚的方法，包括以下步骤：
[0085]
s1、根据卡扣与泵管相互作用的力学模型将泵管连接端受到的约束记作未知数向量λ1；将泵管堵塞部位的粘弹性混凝土的材料参数记作未知数向量λ2；
[0086]
s2、采用有限元方法将泵管标准段等间距地离散为n个横断面，获得n个有限元节点，将m个加速度传感器布置于泵管外表面的有限元节点对应的横断面顶缘处，测量击打泵管时振动的加速度随时间的变化；将泵管跨中位置的有限元节点作为击打锤的击打点，测量击打锤击打瞬间击打点的力随时间的变化；
[0087]
s3、利用i号有限元节点的自由度向量φi导出i号有限元节点所在泵管横断面顶缘处的位移向量；
[0088]
s4、设计损失函数，利用深度学习算法框架进行模型训练，通过模型训练的过程获取损失函数的最小值，确定泵管壁的壁厚值。
[0089]
本发明提出的技术方案借助泵管与混凝土系统结构力学物理信息，将混凝土泵管壁厚的识别问题转换为损失函数的最小值问题。相比现有技术完全依赖训练数据的深度学习方法，本发明的技术显著减少了实测数据量的要求，仅依靠少量的加速度传感器实测数据，便可实现泵管壁厚的识别。这样方法由于减少了对实测数据量要求，可显著降低实际应用过程中的成本费用。此外，相关文献报道已经检验，基于物理信息的神经网络(pinns)模型深度学习方法，具有较好的鲁棒性，实测数据的误差对最终识别的结构参数影响较小。而且，本发明中假定的加速度传感器为m个，实际应用中只布置1个传感器，仍然可获得较好的参数识别精度。
[0090]
具体的，步骤s1中，
[0091]
假定未知数向量λ1内的元素个数为不小于1的正整数n1，包括：卡扣作用于泵管端部的约束刚度及阻尼，则λ1为：
[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分别表示卡扣约束泵管连接端沿着x，y及z轴方向运动的约束刚度；
[0095]kyz
，k
xz
，k
xy
分别表示卡扣约束泵管连接端沿着x，y及z轴旋转运动的约束刚度；
[0096]cx
，cy，cz分别表示卡扣约束泵管连接端沿着x，y及z轴方向运动的约束阻尼系数；c
yz
，c
xz
，c
xy
分别表示卡扣约束泵管连接端沿着x，y及z轴旋转运动的约束阻尼系数；
[0097]
当混凝土泵管处于堵塞状态时，混凝土不再流动，若高压泵机继续灌输混凝土，则混凝土泵管存在爆裂的风险，此时，泵管内的混凝土可近似为图2所示结构，泵管及其内部的阻塞混凝土构成了湿伴混凝土与钢管复合材料构件。图2中泵管为完整的泵管体系中的
某一节段，该节段通过两端的卡扣与相邻泵管连接，通过支座与附着点连接。
[0098]
假定未知向量λ2内的元素个数为不小于1的正整数n2，包括：泵管堵塞状态时混凝土材料本构模型参数，其中，材料的本构模型包括：线性各向同性粘弹性材料，则λ2为：
[0099]
λ2＝[η e μ]
t
，
ꢀꢀꢀ
(2)
[0100]
其中，(2)式中n2＝3，
[0101]
η，e及μ分别表示湿拌堵塞混凝土的牛顿粘度系数、弹性模量及泊松比。
[0102]
本发明假定泵管标准段中的堵塞混凝土由粘弹性材料组成，泵送管道由薄壁等厚度的钢材组成。堵塞状态的粘弹性混凝土的材料参数未知，记为λ2，λ2作为一个列向量，由堵塞状态时混凝土材料本构模型参数所组成，材料的本构模型可以是但不限于线性各向同性粘弹性材料。
[0103]
具体地，如图3-图5所示，采用有限元方法将泵管的位移沿x坐标轴进行离散，离散后的泵管标准段在x轴方向被等间距地离散为n个横断面，每个横断面与x轴(即泵管形心轴轴线)的交点进行编号，即有限元节点号，从左到右编号从1到n编号。图2所示加速度传感器布置于节点所在断面的泵管外表面。选择m个节点所在断面的顶缘处安装加速度传感器，这m个节点号为n1，n2，
…
，nm；选择靠近泵管跨中位置，具有编号n
p
且的节点作为图2所示击打锤的击打点所在位置，且
[0104]
步骤s2中，有限元方法将泵管标准段等间距地离散，堵塞状态堵湿拌混凝土与泵管组成的系统动力学偏微分方程转换为关于时间t的常微分方程组为：
[0105][0106]
其中，u表示经有限元法离散后得到的系统的自由度列向量；
[0107]
m表示经有限元法离散后得到的系统的质量矩阵，本发明假定混凝土的密度、钢材的密度，均为已知参数，因此，此处的质量矩阵是已知的；
[0108]
c(λ1，λ2)表示经有限元法离散后得到的系统的阻尼矩阵，由于系统阻尼矩阵与未知边界条件所贡献的阻尼、混凝土材料自身的粘滞性特性所贡献的阻尼均有关，因此，它是关于λ1和λ2的函数；
[0109]
k(λ1，λ2，h)表示经有限元法离散后得到的系统的刚度矩阵，由于系统的刚度矩阵取决于混凝土材料、泵管壁材料、泵管壁厚和边界约束条件，因此，它是关于λ1、λ2和h的函数；
[0110]
h表示泵管标准段的壁厚值；
[0111]
r(t)表示经有限元法离散后得到的系统的荷载向量，该荷载来自于标准击打锤的击打瞬间，感知到的击打过程中击打点的冲击力随时间的变化曲线，因此，r(t)为关于时间t的已知函数；
[0112]
击打锤远离击打端的一段与力学传感器连接，通过力学传感器感知到击打瞬间的力随时间的变化量。力学传感器感知得到的力是已知的关于时间的函数，表达式为r(t)。
[0113]
选择泵送管道跨中位置作为击打点，使击打点两端布置的加速传感器均能接收到来自击打点的震动，利于加速度传感器对整个震动过程中力传导的捕捉。
[0114]
换一种说法，如果跨中断面(即横断面的x坐标为l/2，其中l为管道长度)上没有安
装加速度传感器，那么击打点就选择在跨中断面的任意圆周处，如果刚好在跨中断面布置了传感器，那么击打点就布置在没有安装加速度传感器且距离跨中断面最近的节点上。
[0115]
对(3)式等号两侧进行傅里叶变换，将时间t变换为频率ω，得
[0116][0117]
其中，i表示单位虚数，即i2＝-1；表示u(t)在频率域内的象函数，其中定义为：
[0118][0119]
表示r(t)在频率域内的象函数，其中定义为：
[0120][0121]
(5)式左侧的模减去右侧的模，构造以下函数：
[0122][0123]
如图4所示，构造一个深度神经网络模型作为逼近器对进行逼近，其输入为标量频率ω，输出为长度为n
dof
的向量。该模型的隐藏层数为s，(s不小于2)，每一隐藏层的神经元个数不小于n
dof
；图中σ表示激活函数，本发明采用relu函数，即relu(x)＝max(0，x)，作为激活函数。
[0124]
具体地，u的长度为n
dof
，该向量保存着泵管所有有限元节点位置处的位移；每个有限元节点处的位移按照顺序：x方向位移、y方向位移、z方向位移、绕x轴转角、绕y轴转角、绕z轴转角，u展开为：
[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为有限元节点数；
[0127]
φi为有限元节点i的自由度向量；
[0128]
ui，vi，wi，θ
yzi
，θ
xzi
，θ
xyi
分别代表有限元节点i处的x方向位移、y方向位移、z方向位移、绕x轴转角、绕y轴转角、绕z轴转角。
[0129]
具体的，步骤s2中，加速度传感器对x、y及z轴三个方向进行感知，加速度传感器k，其中，m≥k≥1，所采集的三个方向的加速度时间序列为：
[0130][0131]
其中，n为传感器所记录的时间序列条目数；
[0132]
分别表示ti时刻加速度传感器k所感应到的x、y及z轴方向的加速度；
[0133]
第i个时刻对应时间为ti＝t0+(i-1)
△
t，其中
△
t为加速度传感器感知振动的采样时间间隔；t0表示加速度数据采样的初始时刻，t0取其值为0.0，则对(9)式中的加速度时间序列进行离散傅里叶变换，得到频率域内的序列：
[0134][0135]
其中，及分别表示对应的离散傅里叶变换；
[0136]
ωi＝(i-1)
△
ω，i＝1，2，3，
…
，n；
[0137]
△
ω表示加速度传感器感的频率分辨率；
[0138]
t
p
代表序列所持续的时间长度，即t
p
＝t
n-t0。
[0139]
具体的，步骤s3中，利用timoshenko梁模型的平截面假定和刚性截面假定，可以利用图3所示的i号有限元节点处的自由度向量导出i号有限元节点所在泵管横断面顶缘处的位移向量，其包括：x轴方向位移u
topi
、y轴方向位移v
topi
、z轴方向位移w
topi
：
[0140]utopi
＝u
i-rθ
xzi
,v
topi
＝v
i-rθ
yzi
,w
topi
＝wi，
ꢀꢀꢀꢀ
(11)
[0141]
设指定的m个布置了加速度传感器的位置有限元节点编号为n1，n2，
…
nm；根据(11)式可确定有限元节点ni处的自由度对应在u中的位置序号为：
[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号有限元节点所在泵管横断面顶缘处的位移傅里叶变换为：
[0144][0145]
其中，运算符表示从向量
·
中索引第i个元素；
[0146]
可得：
[0147][0148][0149]
若式(7)等号的右侧恒为零向量，且式(13)、式(14)、式(15)也成立，那么式(4)内的未知参数向量λ1，λ2的估值符合实际泵送管道内部的情况。
[0150]
通过建立一个损失函数，使得这个损失函数取最小值，如果取到了精确的λ1，λ2的值，那么目标函数会接近于0。如果有限元方程是精确的，测量也是精确的，那么理论上这里的目标函数是可以取到0的。本发明目标是让这个目标函数loss取最小值，这样就能实现尽可能准确搜索λ1，λ2的目的。
[0151]
具体的，损失函数表达式为：
[0152]
[0153][0154]
其中，表示n/2的向下取整；
[0155]
w深度神经网络模型的待定参数向量；
[0156]
b表示由泵管表面测量值与有限元模型导出值之间的差异所贡献的分量；
[0157]
利用深度学习算法框架进行模型训练，深度学习算法框架如pytorch、tensorflow等，所积累的大量优化求解器，搜索参数w，λ1，λ2，h，使得loss(w，λ1，λ2，h)为最小值，确定泵管壁h的壁厚值。
[0158]
实际应用中，可以规定损失函数的值小于某个小数，或者试算优化变量w，λ1，λ2，h的次数达到某个大数，就认为h的值被确定了。
[0159]
一种系统，包括：
[0160]
m个布置于泵管外表面的有限元节点对应的横断面顶缘处的加速度传感器，所述加速度传感器用于测量击打泵管时振动的加速度随时间的变化，并将数据上传；
[0161]
设置在击打锤上的力学传感器，用于测量击打锤击打瞬间击打点的力随时间的变化，并将数据上传；
[0162]
用于接收上传数据的后台终端，用于执行所述用于检测堵塞状态下泵管壁厚的方法，确定泵管壁的壁厚值。
[0163]
一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行：用于检测堵塞状态下泵管壁厚的方法。
[0164]
一种处理器，用于运行程序，其中，所述程序被运行时用于执行：用于检测堵塞状态下泵管壁厚的方法。
[0165]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来确定泵管壁h的壁厚值。
[0166]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0167]
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述用于检测堵塞状态下泵管壁厚的方法。
[0168]
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述用于检测堵塞状态下泵管壁厚的方法。
[0169]
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：
[0170]
s1、根据卡扣与泵管相互作用的力学模型将泵管连接端受到的约束记作未知数向
量λ1；将泵管堵塞部位的粘弹性混凝土的材料参数记作未知数向量λ2；
[0171]
s2、采用有限元方法将泵管标准段等间距地离散为n个横断面，获得n个有限元节点，将m个加速度传感器布置于泵管外表面的有限元节点对应的横断面顶缘处，测量击打泵管时振动的加速度随时间的变化；将泵管跨中位置的有限元节点作为击打锤的击打点，测量击打锤击打瞬间击打点的力随时间的变化；
[0172]
s3、利用i号有限元节点的自由度向量φi导出i号有限元节点所在泵管横断面顶缘处的位移向量；
[0173]
s4、设计损失函数，利用深度学习算法框架进行模型训练，通过模型训练的过程获取损失函数的最小值，确定泵管壁的壁厚值。
[0174]
本文中的设备可以是服务器、pc、pad、手机等。
[0175]
本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：s1、根据卡扣与泵管相互作用的力学模型将泵管连接端受到的约束记作未知数向量；将泵管堵塞部位的粘弹性混凝土的材料参数记作未知数向量；
[0176]
s2、采用有限元方法将泵管标准段等间距地离散为n个横断面，获得n个有限元节点，将m个加速度传感器布置于泵管外表面的有限元节点对应的横断面顶缘处，测量击打泵管时振动的加速度随时间的变化；将泵管跨中位置的有限元节点作为击打锤的击打点，测量击打锤击打瞬间击打点的力随时间的变化；
[0177]
s3、利用i号有限元节点的自由度向量导出i号有限元节点所在泵管横断面顶缘处的位移向量；
[0178]
s4、设计损失函数，利用深度学习算法框架进行模型训练，通过模型训练的过程获取损失函数的最小值，确定泵管壁的壁厚值。
[0179]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0180]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0181]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0182]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一
个方框或多个方框中指定的功能的步骤。
[0183]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0184]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0185]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
[0186]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0187]
以上内容是结合具体的实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人们来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
技术特征：
1.用于检测堵塞状态下泵管壁厚的方法，其特征在于，包括以下步骤：s1、根据卡扣与泵管相互作用的力学模型将泵管连接端受到的约束记作未知数向量λ1；将泵管堵塞部位的粘弹性混凝土的材料参数记作未知数向量λ2；s2、采用有限元方法将泵管标准段等间距地离散为n个横断面，获得n个有限元节点，将m个加速度传感器布置于泵管外表面的有限元节点对应的横断面顶缘处，测量击打泵管时振动的加速度随时间的变化；将泵管跨中位置的有限元节点作为击打锤的击打点，测量击打锤击打瞬间击打点的力随时间的变化；s3、利用i号有限元节点的自由度向量φ
i
导出i号有限元节点所在泵管横断面顶缘处的位移向量；s4、设计损失函数，利用深度学习算法框架进行模型训练，通过模型训练的过程获取损失函数的最小值，确定泵管壁的壁厚值。2.根据权利要求1所述的用于检测堵塞状态下泵管壁厚的方法，其特征在于，所述步骤s1中，假定未知数向量λ1内的元素个数为不小于1的正整数n1，包括：卡扣作用于泵管端部的约束刚度及阻尼，则λ1为：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
分别表示卡扣约束泵管连接端沿着x，y及z轴方向运动的约束刚度；k
yz
，k
xz
，k
xy
分别表示卡扣约束泵管连接端沿着x，y及z轴旋转运动的约束刚度；c
x
，c
y
，c
z
分别表示卡扣约束泵管连接端沿着x，y及z轴方向运动的约束阻尼系数；c
yz
，c
xz
，c
xy
分别表示卡扣约束泵管连接端沿着x，y及z轴旋转运动的约束阻尼系数；假定未知向量λ2内的元素个数为不小于1的正整数n2，包括：泵管堵塞状态时混凝土材料本构模型参数，其中，材料的本构模型包括：线性各向同性粘弹性材料，则λ2为：λ2＝[ηeμ]
t
，
ꢀꢀꢀꢀ
(2)其中，(2)式中n2＝3，η，e及μ分别表示湿拌堵塞混凝土的牛顿粘度系数、弹性模量及泊松比。3.根据权利要求2所述的用于检测堵塞状态下泵管壁厚的方法，其特征在于，所述步骤s2中，有限元方法将泵管标准段等间距地离散，堵塞状态湿拌混凝土与泵管组成的系统动力学偏微分方程转换为关于时间t的常微分方程组为：其中，u表示经有限元法离散后得到的系统的自由度列向量；m表示经有限元法离散后得到的系统的质量矩阵；c(λ1，λ2)表示经有限元法离散后得到的系统的阻尼矩阵；k(λ1，λ2，h)表示经有限元法离散后得到的系统的刚度矩阵；h表示泵管标准段的壁厚值；r(t)表示经有限元法离散后得到的系统的荷载向量，该荷载来自于标准击打锤的击打瞬间，感知到的击打过程中击打点的冲击力随时间的变化曲线；
对(3)式等号两侧进行傅里叶变换，将时间t变换为频率ω，得其中，i表示单位虚数，即i2＝-1；表示u(t)在频率域内的象函数，其中定义为：为：表示r(t)在频率域内的象函数，其中定义为：(5)式左侧的模减去右侧的模，构造以下函数：构造一个深度神经网络模型作为逼近器对进行逼近，其输入为标量频率ω，输出为长度为n
dof
的向量。4.根据权利要求3所述的用于检测堵塞状态下泵管壁厚的方法，其特征在于，所述u的长度为n
dof
，该向量保存着泵管所有有限元节点位置处的位移；每个有限元节点处的位移按照顺序：x方向位移、y方向位移、z方向位移、绕x轴转角、绕y轴转角、绕z轴转角，u展开为：u＝[φ
1 φ
2 φ3ꢀ…ꢀ
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为有限元节点数；φ
i
为有限元节点i的自由度向量；u
i
，v
i
，w
i
，θ
yzi
，θ
xzi
，θ
xyi
分别代表有限元节点i处的x方向位移、y方向位移、z方向位移、绕x轴转角、绕y轴转角、绕z轴转角。5.根据权利要求4所述的用于检测堵塞状态下泵管壁厚的方法，其特征在于，所述步骤s2中，所述加速度传感器对x、y及z轴三个方向进行感知，加速度传感器k，其中，m≥k≥1，所采集的三个方向的加速度时间序列为：其中，n为传感器所记录的时间序列条目数；分别表示t
i
时刻加速度传感器k所感应到的x、y及z轴方向的加速度；第i个时刻对应时间为t
i
＝t0+(i-1)
△
t，其中
△
t为加速度传感器感知振动的采样时间间隔；t0表示加速度数据采样的初始时刻，t0取其值为0.0，则对(9)式中的加速度时间序列进行离散傅里叶变换，得到频率域内的序列：其中，及分别表示对应的离散傅里叶变换；ω
i
＝(i-1)
△
ω，i＝1，2，3，
…
，n；
△
ω表示加速度传感器感的频率分辨率；
t
p
代表序列所持续的时间长度，即t
p
＝t
n-t0。6.根据权利要求5所述的用于检测堵塞状态下泵管壁厚的方法，其特征在于，所述步骤s3中，所述泵管横断面顶缘处的位移向量包括：x轴方向位移u
topi
、y轴方向位移v
topi
、z轴方向位移w
topi
：u
topi
＝u
i-rθ
xzi
,v
topi
＝v
i-rθ
yzi
,w
topi
＝w
i
，
ꢀꢀꢀꢀꢀ
(11)设指定的m个布置了加速度传感器的位置有限元节点编号为n1,n2,
…
,n
m
；根据(11)式可确定有限元节点n
i
处的自由度对应在u中的位置序号为：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
号有限元节点所在泵管横断面顶缘处的位移傅里叶变换为：其中，运算符表示从向量
·
中索引第i个元素；可得：得：7.根据权利要求6所述的用于检测堵塞状态下泵管壁厚的方法，其特征在于，所述损失函数表达式为：函数表达式为：其中，表示n/2的向下取整；w深度神经网络模型的待定参数向量；b表示由泵管表面测量值与有限元模型导出值之间的差异所贡献的分量；利用深度学习算法框架进行模型训练，搜索参数w，λ1，λ2，h，使得loss(w，λ1，λ2，h)为最小值，确定泵管壁h的壁厚值。8.一种系统，其特征在在于，包括：m个布置于泵管外表面的有限元节点对应的横断面顶缘处的加速度传感器，所述加速度传感器用于测量击打泵管时振动的加速度随时间的变化，并将数据上传；设置在击打锤上的力学传感器，用于测量击打锤击打瞬间击打点的力随时间的变化，并将数据上传；
用于接收上传数据的后台终端，用于执行如权利要求1-7任意一项所述的用于检测堵塞状态下泵管壁厚的方法，确定泵管壁的壁厚值。9.一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行如权利要求1-7任意一项用于检测堵塞状态下泵管壁厚的方法。10.一种处理器，其特征在于，用于运行程序，其中，所述程序被运行时用于执行：如权利要求1-7任意一项所述的用于检测堵塞状态下泵管壁厚的方法。
技术总结
本发明公开了用于检测堵塞状态下泵管壁厚的方法、系统、存储介质及处理器，本发明的技术方案借助泵管与混凝土系统结构力学物理信息，将混凝土泵管壁厚的识别问题转换为损失函数的最小值问题，相比现有完全依赖训练数据的深度学习方法，本发明的方法显著减少了实测数据量的要求，仅依靠少量的加速度传感器实测数据，便可实现泵管壁厚的识别，可显著降低实际应用过程中的成本费用，利于推广。利于推广。利于推广。
