CN120296561A 基于深度学习模型的外墙保温脱落风险预测方法及系统 （江苏大汉建设实业集团有限责任公司）

司基于深度学习模型的外墙保温脱落风险预本发明实施例公开了一种基于深度学习模将结构连接强度与表面形变监测数据融合成结2采集目标建筑外墙的多维度状态数据集合，所述多维度状态数据集合对所述保温层材料属性数据进行材料退化特征提取，生成材料老将所述结构连接强度数据与表面形变监测数据进行空间对齐融合，将所述材料老化特征向量、环境作用特征张量、结构形变关联图谱及根据所述风险等级及风险区域热力图生成动态监测策略，所述动2.根据权利要求1所述的基于深度学习模型的外墙保温脱落风险预测方法，其特征在通过分布式温湿度传感器阵列获取所述环境暴露历史数据中的温度梯度变化序列与采用激光扫描仪采集所述表面形变监测数据中的三维微位移量及裂缝于红外热成像仪获取保温层与基层墙体之间从工程档案库中提取所述施工工艺记录数据中的胶粘剂涂覆均匀度指标通过材料成分分析仪获取所述保温层材料属性数据中的聚合物降解利用应力波检测装置测量所述结构连接强度数据中的锚栓拉拔力残余值及界面粘结3.根据权利要求2所述的基于深度学习模型的外墙保温脱落风险预测方法，其特征在建立材料老化动力学模型，将所述聚合物降解率与时间变量进行非线在所述抗压强度变化曲线中识别拐点位置，计算拐点前后斜将所述第一特征维度、第二特征维度及第三特征维度进行归一化拼接4.根据权利要求2所述的基于深度学习模型的外墙保温脱落风险预测方法，其特征在3构建三维坐标系映射关系，使所述锚栓拉拔力残余计算每个网格单元内界面粘结应力分布与裂缝扩展速率的皮尔逊相关系数，生成应对所述空鼓区域分布进行形态学膨胀处理，生成空鼓影响辐射范围掩采用图卷积操作在所述三维坐标系中传播空鼓影响辐射范围掩膜的作5.根据权利要求1所述的基于深度学习模型的外墙保温脱落风险预测方法，其特征在在特征交叉注意力机制中，将所述材料老化特征向量作通过时空门控循环单元对所述跨模态特征注意力权重进行时间序列建在所述多模态风险预测网络的输出层设置区域敏感损失函数，采用对抗训练策略优化所述多模态风险预测网络，其中，判别器网络区分6.根据权利要求5所述的基于深度学习模型的外墙保温脱落风险预测方法，其特征在在第一注意力层中，将材料老化特征向量与环境作用特征张量在第二注意力层中，将所述材料一环境耦合特征映射与结构形在第三注意力层中，将工艺缺陷概率分布作为门控信号，对通过跳跃连接将各层注意力输出与原始输入特征进行残差融合，7.根据权利要求1所述的基于深度学习模型的外墙保温脱落风险预测方法，其特征在根据所述风险区域热力图中各像素的风险值进行密度聚类，识别在所述传感器部署优化方案中，所述风险核心区域部署基于风险等级的时间序列预测结果，在风险加速期将检测周期缩4建立监测设备功耗一精度博弈模型，在所述检测周期调整参数中平衡8.根据权利要求7所述的基于深度学习模型的外墙保温脱落风险预测方法，其特征在定义决策变量为各类型传感器的采样频率与数据传采用非支配排序遗传算法在决策变量空间中寻找帕累托最优通过模糊综合评价法从帕累托前沿选择兼顾功耗与精度的最优部署方9.根据权利要求1所述的基于深度学习模型的外墙保温脱落风险预测方法，其特征在在所述目标建筑外墙部署的边缘计算节点实时接收新产生的多维度状当检测到所述多维度状态数据子集对应的材料老化特征向量的马氏距离超出训练数在局部微调模式中，冻结所述多模态风险预测网络的底采用增量学习策略保存历史风险预测结果与所述新产生的多维度状态数据子集的特将原始的多模态风险预测网络作为教师网络，微调后的多在所述教师网络与所述学生网络之间添加特征分布对齐损对所述学生网络的预测输出施加温度缩放处理，使其软化概率分布温度缩放处理的温度系数随模型更新次数呈5法主要依赖人工经验和简单的检测手段，通过现场观察或基本的物理检测获取有限的信6[0012]图1为本发明实施例提供的一种基于深度学习模型的外墙保温脱落风险预测方法图2为本发明的实施例提供的用于执行图1中的基于深度学习模型的外墙保温脱落风险预测方法的基于深度学习模型的外墙保温脱落风险预测系统78将聚合物降解率与时间变量进行非线性拟合。假设设定时间变量为t，聚合物降解率为P[0023]对憎水性能衰减系数进行频域变换，提取低频衰减主导频率作为第二特征维按照一定的网格划分（如1平方米一个网格每个网格在不同时间点的温度值组成一个张征张量能够全面反映环境因素在外墙表面的时空9[0052]在工程档案库的详细记录中，胶粘剂涂覆均匀度指标显示出不同墙面区域的差[0053]步骤S114，通过材料成分分析仪获取所述保温层材料属性数据中的聚合物降解合结果中提取老化加速因子作为第一特征维度。这个老化加速因子可以理解为在特定温保温层材料内部聚合物结构破坏的加速作用。材料老化特征向量可以为进一步评估保温层的整体性能和预测其脱落风险提供重要的依[0067]以该高层商业建筑的某一层外墙为例，将外墙表面划分维坐标系中，一方面通过应力波检测装置测量得到每个网格单元位置的锚栓拉拔力残余矩阵。这个应力形变耦合系数矩阵中的每个元素都反映了对应网格单元内界面粘结应力锚固件密度分布图反映每平方米锚栓数量与预设标准密度域可能无法提供足够的固定力，而锚栓数量过多的区域可能是施工过程中的不合理布局，势向量。这个向量能够反映出网格布搭接长度偏差在墙体不同方向上的连续性缺陷梯度，[0084]从应力波检测装置测量得到的锚栓拉拔力残余值反映了锚栓在使用一段时间后一块面积约为1平方米的空鼓区域。根据环境暴露历史数据中的湿度渗透深度数据来确定[0087]步骤S1311，将所述空鼓潜在扩展区域掩膜与所述工艺强度耦合系数矩阵进行逐属性数据中提取的如老化加速因子、低频衰减主导频率以及拐点前后斜率变化率等信息，微位移量、界面粘结应力分布与裂缝扩展速率的关系以及空鼓区域影响等结构相关的信的规律能够被时空门控循环单元有效地建模和风险区域热力图的像素级预测误差与所述工艺缺陷概率分布的空间权失函数时会被放大三倍，从而促使网络在训练过程中更加关注空鼓影响区域的预测准确[0110]材料老化特征向量中的各个特征维度与环境作用特征张量中的不同通道数据进能够反映出材料老化与环境湿度之间的耦合[0112]材料环境耦合特征映射反映了材料老化与环境因素之间的关系，结构形变关联环境耦合特征映射中的与某一墙面区域对应的特征值与结构形变关联图谱中同一墙面区[0116]工艺缺陷概率分布中的每个区域的概率值反映了该区域由于施工工艺问题导致的值会根据这个系数进行相应的增大或减小，从而更加关注工艺缺陷较大区域的风险评注意力权重以及第三注意力层输出的概率化调制后的权重，与原始的材料老化特征向量、[0119]本实施例中，风险区域热力图反映了建筑外墙不同区域每个像素的风险值代表了对应区域的风险水平。通过密度聚类算法对这些像素进行分析，心区域的每个1平方米的网格内部署一个光纤光栅传感器，这些传感器可以实时监测锚栓步扩散。低功耗无线振动传感器可以通过监测墙体的振动情况来间接反映保温层的状态。[0130]例如，光纤光栅传感器的采样频率可以设置为每分钟1次、每5分钟1次等不同模步骤S410，定义决策变量为各类型传感器的采样频率与数据传输间隔的组合模据中的材料老化特征向量之间的马氏距离。如果这个马氏距离超出了针对EPS保温层设定权重关系。区域保温层脱落风险的评估，这些结果反映了建筑外墙在过去的状态以及风险演变过程。增量学习策略能够使多模态风险预测网络在学习新数据的同时，不丢失对历史数据的记[0149]原始的多模态风险预测网络已经经过了大量数据的训练并且在之前的风险预测[0151]隐藏层特征包含了网络在处理数据过程中内部的特征表示。KL散度（Kullback_预测网络在长期的风险预测任务中始终保持准模型的外墙保温脱落风险预测系统100的结构图，基于深度学习模型的外墙保温脱落风险预测系统100可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处个以上模块，各个模块可以包括对基于深度学习模型的外墙保温脱落风险预测系统100中学习模型的外墙保温脱落风险预测系统100上执行存储器111中的一系[0157]基于深度学习模型的外墙保温脱落风险预测系统100还可以包括一个或一个以上