基于云平台的边坡预应力锚杆智能化监测预警系统及方法
技术领域
本发明属于锚杆智能预警的技术领域，具体涉及基于云平台的边坡预应力锚杆智能化监测预警系统及方法。
背景技术
随着我国改革开放的深化发展，建筑业作为国民经济支柱产业的作用日益增强，也为我国国民经济和社会发展做出了巨大贡献。但众多工程项目的开发建设，如城市建设、铁路桥梁工程及矿山开发等，都对周边原有的地质环境及生态环境造成了较大的改变，如河流改道、山地平整等。因此，工程项目周边就必不可少的产生了大量的土质或岩质边坡。有些工程项目在运营阶段，随着地下水长期的侵蚀、岩土体自身重力作用、地震、降水等自然因素及其他不利的人为因素等不断地影响，工程项目周边所遗留下的边坡就发生了局部或整体变形，从而造成了大量边坡的崩塌、滑动等地质灾害。根据边坡事故的发生可以看出，在城市建设过程中，大多数经人工改造后的边坡由于其内在的地质条件及外部的地貌环境的变化，都直接或间接的影响其整体的稳定性，因此对于现存的边坡必须采取一种行之有效的支护方法，以保证其稳定与安全。
大量铁路、公路、水利、矿山、城镇等的修建,特别是在丘陵和山区建设中,人类工程活动中开挖和堆填的边坡数量越来越多，高度越来越高。例如，北京-福州高速公路福建段200余千米内高度大于40m的边坡有180多处；云南省元江-磨黑高速公路147km内高度大于50m的边坡为160余处；宝成铁路陕西省宝鸡至四川省绵阳段，通过的地段大部分为深山峡谷区，河道蜿蜒，山坡陡立，自然斜坡一般接近其临界坡度，稳定性较差，据不完全统计，这段铁路的边坡开挖多达293处，累计79.7km，其中接近或超过临界安全坡度的有123处，累计长423km，占边坡开挖长度的530%。通常水利和矿山建设中的边坡高度更高、范围更大。水利建设中黄河上的龙羊峡、李家峡、刘家峡、小浪底水电站；长江上的三峡葛洲坝水电站；其他,如小湾、漫湾、二滩、五强溪、龙滩、天生桥、溪洛渡锦屏电站等都存在大量的岩石高边坡,有些边坡高达500m。矿山工程中露天矿与地下矿的开采都会形成工程边坡。此外,尾矿坝、排土场也会形成许多高边坡,如著名的抚顺西露天煤矿、平朔露天煤矿等。我国是一个多山的国家,尤其是我国西部地区及东南沿海的福建、广西、广东、海南等地,随着我国西部大开发的推进,大量民用与工业建筑不断兴起,数量众多的建筑边坡应运而生,成为我国边坡工程的重要组成部分。例如,著名的山城重庆，仅市中区建筑边坡就数以万计。
边坡的治理费用在工程建设中也是极其昂贵的。在我国随着大型工程建设的增多，用于边坡处治的费用也在不断增大，如三峡库区仅用于一期的边坡处治国家投资就高达40亿元；特别是在我国西部高速公路和铁路建设中，用于边坡处治的费用占总费用的30%-50%，因此对边坡进行合理的设计和有效的治理将直接影响国家对基础建设的投资及安全运营。
目前，土木工程领域，高强预应力锚杆/锚索的应用日益广泛，锚杆/锚索吨位也日益增大，但伴之而来的问题是锚杆/锚索失事事故所带来的风险也随之增加。
以岩体预应力锚杆/锚索用于岩质边坡加固而言,其实质是施加主动的锚固力：一方面使岩体的结构得到加强，大大提高岩体的承载能力，另一方面，在岩体内产生预锚附加应力场，使不利的应力状态得到调整和改善，从而提高岩体稳定的可靠度。然而，预应力将随岩体的变形而变化，在张拉初期，预应力即发生一定的损失，在使用过程中，预应力将伴随岩体中的温度、岩体蠕变、钢材松驰及地下水等因素的变化而变化。因此,预应力的长期荷载变化一直是国内外工程界关注的焦点，但由于其所需观测时间长，费用高，测量仪器性能无法完全满足要求等，故国内外资料有限，这方面的研究国内外也较少。
发明内容
本发明的目的在于针对现有技术中的上述不足，提供基于云平台的边坡预应力锚杆智能化监测预警系统及方法，以解决或改善上述的问题。
为达到上述目的，本发明采取的技术方案是：
一种基于云平台的边坡预应力锚杆智能化监测预警系统，其包括锚杆；锚杆底部与搅拌筒连接，搅拌筒上设置若干个搅拌齿；锚杆外围设置套管，套管和锚杆之间形成注浆通道；注浆通道顶部与注浆口连通，注浆通道底部与若干个出浆口连通；锚杆顶部的与套管的交界处套设止浆塞，位于止浆塞下部的锚杆上设置磁通量传感器，位于止浆塞上部的锚杆上依次安装盖板和预应力螺母；锚杆顶部贴设RFID标签；
磁通量传感器通过电缆与现场通信网关通信连接，RFID标签与现场读写器信号连接；现场读写器与现场通信网关电缆相连，现场通信网关通过云服务器与管理人员APP信号连接；云服务器与用户业务网络端信号连接。
优选地，锚杆上间隔贴设有若干应力片，应力片通过电缆与现场通信网关相连。
优选地，搅拌筒与锚杆底部螺纹连接，若干个出浆口开设于套管下部，且出浆口倾斜设置。
优选地，现场通信网关通过4G/5G/xDSL与云服务器信号连接，磁通量传感器为CCT105J磁通量传感器。
优选地，位于锚杆四周的地质或土壤内安装温度传感器和湿度传感器。
一种基于云平台的边坡预应力锚杆智能化监测预警方法，包括：
S1、基于若干个应力片实时采集锚杆上各个点位的应变值，并将应变值通过现场通信网关上传至云服务器；
S2、根据获取的各个点位的应变值，构建锚杆平均剪应力预测模型；
S3、计算锚杆与锚孔之间的空隙应力函数关系；
S4、根据S3中的孔隙应力函数关系修正锚杆平均剪应力预测模型，得到锚杆剪应力预测模型；
S5、按照时间顺序，衡量锚杆剪应力预测模型输出的锚杆剪应力值与磁通量传感器实测得到的锚杆剪应力值之间的差的绝对值D；
S6、根据锚杆事故类型，利用专家知识库对事故进行事故真伪判断，并对绝对值D进划分，得到划分后的绝对值d1，d2，d3，d4，…dn；
S7、基于深度学习，并根据划分后的绝对值d1，d2，d3，d4，…dn，构建事故预警的神经网络模型，并通过事故预警的神经网络模型将输出的事故预警信息传送至管理人员APP和现场施工APP上。
优选地，S2中根据获取的各个点位的应变值，构建锚杆平均剪应力预测模型：
其中，F0为平均剪应力值，f1和f2为锚杆上相邻两点之间的剪应力值，E为锚杆的弹性模量，d为锚杆直径，
优选地，S3中计算锚杆与锚孔之间的空隙应力函数关系：
其中，P1为锚孔内平均空隙压力，
优选地，S4中根据S3中的孔隙应力函数关系修正锚杆平均剪应力预测模型，得到锚杆剪应力预测模型，为：
其中，F为修正后的锚杆剪应力，β为孔隙应力修正系数，K1为浆液压缩模量，K2为土壤或固体基质压缩模量，S1为浆液饱和度，S2为土壤饱和度，
优选地，S7中基于深度学习，并根据划分后的绝对值d1，d2，d3，d4，…dn，构建事故预警的神经网络模型，包括：
将若干组绝对值d1，d2，d3，d4，…dn，进行归一化处理，并将归一化处理后的绝对值数据投影到[0，1]区间内，得到若干组绝对值特征数据；
将若干组绝对值特征数据作为输入特征向量代入训练好的PNN模型中进行事故初步诊断，输出初步事故诊断结果；
将未能识别出事故类型对应的绝对值特征数据，带入训练好的支持向量机中进行非线性数据的事故分类，输出绝对值特征数据对应的事故类型。
本发明提供的基于云平台的边坡预应力锚杆智能化监测预警系统及方法，具有以下有益效果：
本发明实时采集当前锚杆作业时的应力数据，并通过RFID标签和现场读写器读写识别当前锚杆的应力数据和位置信息，随后，通过现场通信网关将数据传送至云服务器，云服务器采用智能算法构建事故预警的神经网络模型，即可通过实时采集的应力数据预测当前锚杆的应力承受情况，并进一步实现了锚杆应力承受超过预设值时，对故障类型的判断。
附图说明
图1为基于云平台的边坡预应力锚杆智能化监测预警系统的原理框图。
图2为基于云平台的边坡预应力锚杆智能化监测预警系统锚杆构件。
图3为基于云平台的边坡预应力锚杆智能化监测预警系统锚杆构件的出浆口结构图。
其中， 1、锚杆；2、预应力螺母；3、盖板；4、止浆塞；5、电缆；6、电缆/天线接口；7、注浆口；8、磁通量传感器；9、套管；10、出浆口；11、搅拌齿；12、搅拌筒；13、RFID标签；14、注浆通道。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
根据本申请的实施例1，参考图2和图3，本方案的基于云平台的边坡预应力锚杆智能化监测预警系统，包括锚杆1，锚杆1底部与搅拌筒12连接，搅拌筒12和锚杆1底部螺纹连接，只需在使用时将搅拌筒12固定于锚杆1上，搅拌筒12上设置若干个搅拌齿11。
锚杆选用纤维增强树脂锚杆能够克服钢锚杆常规不足，其优点为：
高耐久性材料，无需防腐处理；自重轻，制造、运输、安装容易，施工方便，效率高；构造简单，张拉和重新张拉简单；易适应岩土层变形，使岩土层徐变引起的张拉损失减小；抗电磁性好，可用于磁场和有散乱电流的地方；即便在侵蚀性环境（化学或电腐蚀环境等）中也无需特殊处理。
在使用时，将胶凝材料打入锚孔底部，通过外部设备旋转推入锚杆1时，搅拌筒12与其搅拌齿11在推入的过程中，旋转搅拌胶凝材料，加速胶凝材料的凝结，增加锚杆1的耐久性。
在锚杆1上均匀间隔的设置若干个应力片，应力片通过电缆与现场通信网关相连，用于实时采集锚杆不同点位的剪应力值，并通过电缆、现场通信网关上传至云服务器。
锚杆1外围设置套管9，套管9和锚杆1之间形成注浆通道14，注浆通道14顶部与注浆口7连通，注浆通道14底部与若干个出浆口10连通，若干个出浆口10开设于套管9下部，且出浆口10倾斜设置，便于注浆液快速的导出。
在锚孔底部的胶凝材料凝结后，从注浆口7导入浆液，浆液从注浆通道14流至出浆口10导出，待浆液凝结后，可有效地增加锚杆1的锚固能力。
锚杆1顶部的与套管9的交界处套设止浆塞4，用于防止浆液倒流。
位于止浆塞4下部的锚杆1上设置磁通量传感器8，位于止浆塞4上部的锚杆1上依次安装盖板3和预应力螺母2，锚杆1顶部贴设RFID标签13。
磁通量传感器8选用CCT105J磁通量传感器8，用于实时采集当前锚杆1作业时的应力参数。磁通量传感器8使用环氧灌封胶进行封装，并达到ip68的防护级别。磁通量传感器8可通过电缆/天线接口6与现场通信网关通信连接，其具有两种电源供电方式，一种是连接电源的有源方式，一种是内置锂电池的无源方式。
参考图1，磁通量传感器8通过电缆5与现场通信网关通信连接，RFID标签13与现场读写器信号连接；现场读写器与现场通信网关电缆5相连，现场通信网关通过云服务器与管理人员APP信号连接。
其中，云服务器与用户业务网络端信号连接，现场通信网关通过4G/5G/xDSL与云服务器信号连接。
采用RFID标签13自动识别技术来实现锚杆1的生产、出入库管理、型号和其它参数的存储，并通过现场读写器实现对RFID标签13信息的读取，并将读取的信息通过现场通信网关和云服务器传送至管理人员APP和现场施工人员APP上。
需要说明的是，APP需要进行实名认证，包括身份证、头像、职务等数据的注册认证，对于管理人员和现场施工人员设置不同的权限。
本方案的工作原理为：
开设锚孔，将胶凝材料导入锚孔内，将搅拌筒12放置于锚孔内，通过外部设备旋转推入锚杆1时，搅拌筒12、搅拌齿11在推入的过程中，旋转搅拌胶凝材料，加速胶凝材料的凝结。
在锚孔底部的胶凝材料凝结后，从注浆口7导入浆液，浆液从注浆通道14流至出浆口10导出，浆液凝结后，可增大锚杆1的锚固能力。
最后，依次安装止浆塞4、盖板3和预应力螺母2，完成整个锚杆1的安装作业。
根据本申请的实施例2，本方案的智能化锚杆锚索构件，不仅适用于锚杆构件，同样适用于锚索构件，只需将锚杆替换为锚索即可，其它均与实施例1相同，故在此不再赘述。
根据本申请的实施例3，一种基于云平台的边坡预应力锚杆智能化监测预警方法，包括：
S1、基于若干个应力片实时采集锚杆上各个点位的应变值，并将应变值通过现场通信网关上传至云服务器；
S2、根据获取的各个点位的应变值，构建锚杆平均剪应力预测模型；
S3、计算锚杆与锚孔之间的空隙应力函数关系；
S4、根据S3中的孔隙应力函数关系修正锚杆平均剪应力预测模型，得到锚杆剪应力预测模型；
S5、按照时间顺序，衡量锚杆剪应力预测模型输出的锚杆剪应力值与磁通量传感器实测得到的锚杆剪应力值之间的差的绝对值D；
S6、根据锚杆事故类型，利用专家知识库对事故进行事故真伪判断，并对绝对值D进划分，得到划分后的绝对值d1，d2，d3，d4，…dn；
S7、基于深度学习，并根据划分后的绝对值d1，d2，d3，d4，…dn，构建事故预警的神经网络模型，并通过事故预警的神经网络模型将输出的事故预警信息传送至管理人员APP和现场施工APP上。
以下将对上述步骤进行详细描述
S1、基于若干个应力片实时采集锚杆上各个点位的应变值，并将应变值通过现场通信网关上传至云服务器。即通过应力片实时采集当前锚杆多个点位的剪应力值，并将不同锚杆的多个剪应力值数据上传至云服务器。
S2、根据获取的各个点位的应变值，构建锚杆平均剪应力预测模型，其具体包括：
云服务器接收若干个剪应力值，并根据各个点位的应变值（主要是相邻点位的应变值，以求得平均剪应力值），构建锚杆平均剪应力预测模型：
其中，F0为平均剪应力值，f1和f2为锚杆上相邻两点之间的剪应力值，E为锚杆的弹性模量，d为锚杆直径，
S3、计算锚杆与锚孔之间的空隙应力函数关系，由于S2中计算的锚杆所承受的力，仅仅是通过应力片计算而来的，其与锚杆实际受力误差非常大，因为其并没有考虑锚杆周围环境影响而带来的应力变化。
计算锚杆与锚孔之间的空隙应力函数关系：
其中，P1为锚孔内平均空隙压力，
S4、根据S3中的孔隙应力函数关系修正锚杆平均剪应力预测模型，得到锚杆剪应力预测模型，由于S3中计算的仅仅是锚孔空隙压力对锚杆的作用，而实际是应力片采集的应力中包含部分锚孔环境压力对锚杆的作用，但其作用力并不完全，故采用修正系数进行叠加，以最大的提高预测的真实值。
根据S3中的孔隙应力函数关系修正锚杆平均剪应力预测模型，得到锚杆剪应力预测模型，为：
其中，F为修正后的锚杆剪应力，β为孔隙应力修正系数，K1为浆液压缩模量，K2为土壤或固体基质压缩模量，S1为浆液饱和度，S2为土壤饱和度，
S5、按照时间顺序，衡量锚杆剪应力预测模型输出的锚杆剪应力值与磁通量传感器实测得到的锚杆剪应力值之间的差的绝对值D。
即将磁通量传感器检测出的F测与S4中预测得到的预测值F进行比较，绝对值D为：
D=|F测-F|
S6、根据锚杆事故类型，利用专家知识库对事故进行事故真伪判断，并对绝对值D进划分，得到划分后的绝对值d1，d2，d3，d4，…dn，其中，每一个绝对值d1，d2，d3，d4，…dn均对应一种事故类型。
需要说明的是，此处的事故类型仅仅对应于应力方面的事故，如对锚杆的承受力进行分级，当超过锚杆的额定值时，将会产生不同的事故，其事故类型可根据具体的锚杆承受能力和具体所处环境而定。
S7、基于深度学习，并根据划分后的绝对值d1，d2，d3，d4，…dn，构建事故预警的神经网络模型，并通过事故预警的神经网络模型将输出的事故预警信息传送至管理人员APP和现场施工APP上，其具体包括：
将若干组绝对值d1，d2，d3，d4，…dn，进行归一化处理，并将归一化处理后的绝对值数据投影到[0，1]区间内，得到若干组绝对值特征数据，即绝对值d1，d2，d3，d4，…dn均有若干组，并将其随机划分为训练样本数据和测试样本数据，用于模型的训练。
且锚杆应力的事故类型一般为5-6种，故n取值为5或6。
将若干组绝对值特征数据作为输入特征向量代入训练好的PNN模型中进行事故初步诊断，输出初步事故诊断结果，初步诊断的结果为能够将每一组绝对值数据的事故类型全部检测出来。
将未能识别出事故类型对应的绝对值特征数据，带入训练好的支持向量机中进行非线性数据的事故分类，输出绝对值特征数据对应的事故类型。
即通过支持向量机的分类识别，进一步实现对剩余特征数据的识别。
本发明采用PNN模型和支持向量机在二维空间中实现对数据的快速识别，并通过两次识别，提高识别的准确率。
本发明实时采集当前锚杆作业时的应力数据，并通过RFID标签和现场读写器读写识别当前锚杆的应力数据和位置信息，随后，通过现场通信网关将数据传送至云服务器，云服务器采用智能算法构建事故预警的神经网络模型，即可通过实时采集的应力数据预测当前锚杆的应力承受情况，并进一步实现了锚杆应力承受超过预设值时，对故障类型的判断。
虽然结合附图对发明的具体实施方式进行了详细地描述，但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。
