CN103984856A - 一种基于神经网络的墙体纵向裂缝宽度预测系统及方法 - Google Patents
一种基于神经网络的墙体纵向裂缝宽度预测系统及方法 Download PDFInfo
- Publication number
- CN103984856A CN103984856A CN201410187972.6A CN201410187972A CN103984856A CN 103984856 A CN103984856 A CN 103984856A CN 201410187972 A CN201410187972 A CN 201410187972A CN 103984856 A CN103984856 A CN 103984856A
- Authority
- CN
- China
- Prior art keywords
- wall
- influence factor
- neural network
- fracture width
- sorter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种建筑物墙体的裂缝预测系统及方法,属于建筑物墙体的危险评估领域。本发明筛选出墙体倾斜度、厚度等六个重要影响因素,作为建立的计算机预测系统的输入,本发明的计算机系统包括墙体顶部开裂点裂缝宽度等级确定模块、影响因素权重确定模块、影响因素预处理模块、分类器模块、预测关系表生成模块,最终输出裂缝预测与影响因素对应的二维表,以对墙体危险评估提供准确依据。
Description
技术领域
本发明涉及一种建筑物墙体的裂缝预测方法,属于建筑物墙体的危险评估领域。在我国,因建筑物老化而引起的建筑物墙体开裂,在各个城市中都有出现,也是现在建筑评估中的重要方面,在现用的房屋评估中,大部分还是通过建筑结构、年代等信息进行人工的预测,主观因素影响较大,因此需要较准确的建筑险情预测方法,以辅助险情排查。
背景技术
因建筑物老化而引起的建筑物墙体开裂,在各个城市中都有出现,也是现在建筑评估中的重要方面,在现用的房屋评估中,大部分还是通过建筑结构、年代等信息进行人工的预测,主观因素影响较大,因此需要较准确的建筑险情预测方法,以辅助险情排查。
而在现有的日常房屋墙体开裂排查中,通过排查人的经验进行预测并不准确,而且在墙体仅出现细小裂缝或者不明显的倾斜时,可能容易被忽略,从而引起严重的后果;同时,在险情预测中,筛选出哪些主要影响因素,也是影响预测的直接因素;并且在墙体裂缝预测中,简单的分类预测方法并不能很好地完成精确的预测。
发明内容
本发明针对现有的对墙体裂缝预测排查中的不足,提出了一种基于多分类器融合的方法,并且通过大量的实测试验数据,筛选出了影响墙体裂缝的主要因素,并对这些因素的影响值进行了有效的加权计算,从而实现更加精确的墙体裂缝预测。
为了达到上述目的,本发明提出了一种应用于包含CPU的计算机中的墙体纵向裂缝宽度预测系统,具体采用如下的技术方案:
所述系统包括:
(1)墙体顶部开裂点裂缝宽度等级确定模块,用于将裂缝宽度设置成不同的等级,具体为:设裂缝宽度a在0<a≤3mm时取1,裂缝宽度在3mm<a≤10mm时取2,裂缝宽度在10mm<a≤15mm时取3,裂缝宽度在15mm<a≤20mm时取4,裂缝宽度在20mm<a时取5;
(2)影响因素权重确定模块,用于根据系统输入的各影响因素对墙体开裂的影响程度数据,建立各影响因素与墙体裂缝等级的二维关系映射图,并通过曲线拟合方法,将拟合后的曲线二次项系数作为各个影响因素的权重;
(3)影响因素预处理模块,用于将上述六个影响因素数据进行归一化处理,并将墙体高度、墙体宽度、墙体厚度三个影响因素作为第一组,将墙体承重、墙体倾斜度、材料强度三个影响因素作为第二组,将归一化处理后的数据分别与其对应的影响因素权重相乘,获得各个影响因素的加权后值,作为分类器模块的输入;
(4)分类器模块,该模块包含K近邻分类器子模块、BP神经网络分类器子模块和分类输出子模块,所述K近邻分类器子模块与BP神经网络分类器子模块之间是并列关系,其输出分别作为分类输出子模块的输入;其中K近邻分类器子模块以第一组影响因素作为输入,以对应的裂缝宽度作为输出,BP神经网络分类器以第二组影响因素作为输入,以对应的裂缝宽度作为输出,分类输出子模块通过加权平均方式获取分类结果;
(5)预测关系表生成模块,用于将墙体的六种影响因素数据与分类器预测的墙体裂缝宽度预测值进行对比和联系,形成网格化动态信息监控,以对比表格形式输出,为建筑墙体危险评估提供预测信息,保证建筑危险评估的可靠性和准确性。
优选地,所述分类器模块中,分类输出子模块的输出算法为:
将各个影响因素对应的影响因素权重求取平均值Ni,其中i=1,2,…,6,再求取第一组影响因素的权重 ,以及第二组影响因素的权重;将K近邻分类器子模块的输出结果B1乘以A1,将BP神经网络分类器子模块的输出结果B2乘以A2,将两分类结果相加,再求取平均值,获得最终裂缝宽度,根据墙体顶部开裂点裂缝宽度等级确定模块确定的裂缝宽度等级进行等级划分,获得最终分类结果。
优选地,所述BP神经网络分类器子模块的建立方法为:
BP神经网络从输入层到隐含层和隐含层到输出层的传递函数分别采用logsig函数和tansig函数;
BP神经网络为:net=newff(r,c,[30,10],{‘ligsig’,’tansig’})
其中,newff()为BP神经网络函数,r表示输入数据,c表示输出数据,[30,10]表示BP神经网络隐含层节点数为30个,输出层节点数为10个,{‘ligsig’,’tansig’}表示网络从输入层到隐含层和隐含层到输出层的传递函数分别采用logsig函数和tansig函数。
并且,本发明所提出的系统可以运行于同一计算机系统中,也可以以分布式方式运行于多台可相互通信的计算机系统中。
同时,本发明还提出了一种基于神经网络的墙体纵向裂缝宽度预测方法,具体采用如下技术方案:
(1)通过实测,获取墙体材料力学数据、结构力学数据,通过大量的试验以及数据计算,对一般房屋墙体的开裂影响因素进行筛选,本发明选取了对墙体影响位列前六的影响因素,即:墙体高度、墙体宽度、墙体厚度、墙体承重、墙体倾斜度、材料强度;在筛选后,将这些影响因素进行整理,并整理正对比表格,形成对比数据;
(2)在对墙体裂缝的实测中发现,在顶部开裂点裂缝宽度小于3mm时,往往是危险排查较容易忽略的情况,而这恰恰是隐形危险的所在,因此,本发明将小于3mm的裂缝作为重点排查的一个等级,从而建立墙体顶部开裂点裂缝宽度等级,设裂缝宽度a在0<a≤3mm时取1,裂缝宽度在3mm<a≤10mm时取2,裂缝宽度在10mm<a≤15mm时取3,裂缝宽度在15mm<a≤20mm时取4,裂缝宽度在20mm<a时取5;
(3)通过实际测量,获取并记录所述各影响因素对墙体开裂的影响程度数据,建立各影响因素与墙体裂缝等级的二维关系映射图,并根据该二维关系映射图和数据,进行曲线拟合,该曲线拟合式为:a=k1x2+k2x+k3,式中,a为裂缝宽度等级,x表示所述各影响因素,k1、k2、k3表示拟合曲线的系数;记录各个影响因素对应的k1值,作为各个影响因素的权重;
(4)将上述六个影响因素数据进行归一化处理,将墙体高度、墙体宽度、墙体厚度三个影响因素作为第一组,将墙体承重、墙体倾斜度、材料强度三个影响因素作为第二组,将归一化处理后的数据分别与其对应的拟合曲线中的k1值相乘,获得各个影响因素的加权后值;
(5)建立分类器体系,首先建立K近邻分类器,具体采用KNN算法,以第一组影响因素作为输入,以对应的裂缝宽度作为输出;其次建立BP神经网络分类器,采用三层结构BP神经网络,采用logsig函数和tansig函数作为传递函数,以第二组影响因素作为输入,以对应的裂缝宽度作为输出;将各个影响因素对应的k1值求取平均值Ni,其中i=1,2,…,6,再求取第一组影响因素的权重,以及第二组影响因素的权重;将K近邻分类器的分类结果B1乘以A1,将BP神经网络分类器的分类结果B2乘以A2,将两分类结果相加,再求取平均值,获得最终裂缝宽度,按照步骤(2)中的裂缝宽度等级进行等级划分,获得最终分类结果;
(6)进行分类器训练,通过实测获取至少50组各影响因素对应的裂缝宽度数据,作为分类器输入样本和目标样本;随机从训练样本中选取一组输入样本和目标样本,进行分类器体系训练,调整分类器中的各个连接权值w和阈值;然后再从训练样本中随机选取一组输入样本和目标样本,返回对分类器进行训练,进一步调整分类器中的各个连接权值w和阈值,直至分类器体系的整体误差E小于预先设定的一个极小值,即网络收敛;
(7)通过测量实际墙体的六种影响因素数据,作为分类器输入,进行墙体裂缝宽度预测计算,获得影响因素值在不同取值范围内的墙体裂缝宽度预测值;
(8)将墙体的六种影响因素数据与分类器预测的墙体裂缝宽度预测值进行对比和联系,形成网格化动态信息监控,以对比表格形式输出,为建筑墙体危险评估提供预测信息,保证建筑危险评估的可靠性和准确性。
优选地,步骤(1)中实测获取墙体倾斜度的具体方法为:
a.首先在墙体周围选取两个可通视的点作为测量控制点;
b.通过所述测量控制点设定临时坐标系,在墙体裂缝最高点左右两个相距10cm处沿墙体选取两条垂直线,通过观测所述两条垂直线上每间隔10cm的点的位移信息的三维坐标计算出各个点相对于底面的倾斜度;
c.将各个倾斜度求取平均值作为墙体倾斜度。
优选地,步骤(5)中的BP神经网络分类器的建立方法为:
BP神经网络从输入层到隐含层和隐含层到输出层的传递函数分别采用logsig函数和tansig函数;
BP神经网络为:net=newff(r,c,[30,10],{‘ligsig’,’tansig’})
其中,newff()为BP神经网络函数,r表示输入数据,c表示输出数据,[30,10]表示BP神经网络隐含层节点数为30个,输出层节点数为10个,{‘ligsig’,’tansig’}表示网络从输入层到隐含层和隐含层到输出层的传递函数分别采用logsig函数和tansig函数。
本发明的优点在于:
通过大量实验筛选最有效的影响因素,排除不必要或次要的因素,增加预测的准确性;同时,通过对各影响因素自身的特点,将影响因素进行分类组合,从而使得各组因素对裂缝预测起到最大的预测作用;并且本发明从多种分类器中筛选出相对最有效和简洁的分类器,实现融合,达到准确的裂缝预测结果。
附图说明
图1为本发明的计算机系统结构图。
图2为本发明分类器模块结构图。
图3为本发明的流程图。
具体实施方式
为将本发明的技术手段和特征以及有益效果更加详细地说明,现结合具体图示,进一步阐述本发明的内容。
本发明的系统可以运行于同一计算机系统中,也可以以分布式方式运行于多台可相互通信的计算机系统中,如图1所示,本系统包括如下:
(1)墙体顶部开裂点裂缝宽度等级确定模块,用于将裂缝宽度设置成不同的等级,具体为:设裂缝宽度a在0<a≤3mm时取1,裂缝宽度在3mm<a≤10mm时取2,裂缝宽度在10mm<a≤15mm时取3,裂缝宽度在15mm<a≤20mm时取4,裂缝宽度在20mm<a时取5;
(2)影响因素权重确定模块,用于根据系统输入的各影响因素对墙体开裂的影响程度数据,建立各影响因素与墙体裂缝等级的二维关系映射图,并通过曲线拟合方法,将拟合后的曲线二次项系数作为各个影响因素的权重;
(3)影响因素预处理模块,用于将上述六个影响因素数据进行归一化处理,并将墙体高度、墙体宽度、墙体厚度三个影响因素作为第一组,将墙体承重、墙体倾斜度、材料强度三个影响因素作为第二组,将归一化处理后的数据分别与其对应的影响因素权重相乘,获得各个影响因素的加权后值,作为分类器模块的输入;
(4)分类器模块,该模块的具体结构如图2所示,该模块包含K近邻分类器子模块、BP神经网络分类器子模块和分类输出子模块,所述K近邻分类器子模块与BP神经网络分类器子模块之间是并列关系,其输出分别作为分类输出子模块的输入;其中K近邻分类器子模块以第一组影响因素作为输入,以对应的裂缝宽度作为输出,BP神经网络分类器以第二组影响因素作为输入,以对应的裂缝宽度作为输出,分类输出子模块通过加权平均方式获取分类结果;
上述的分类输出子模块的输出算法为:将各个影响因素对应的影响因素权重求取平均值Ni,其中i=1,2,…,6,再求取第一组影响因素的权重,以及第二组影响因素的权重;将K近邻分类器子模块的输出结果B1乘以A1,将BP神经网络分类器子模块的输出结果B2乘以A2,将两分类结果相加,再求取平均值,获得最终裂缝宽度,根据墙体顶部开裂点裂缝宽度等级确定模块确定的裂缝宽度等级进行等级划分,获得最终分类结果;
作为本发明的一种优选方式,BP神经网络分类器子模块的建立方法可以采取以下结构:
BP神经网络从输入层到隐含层和隐含层到输出层的传递函数分别采用logsig函数和tansig函数;
BP神经网络为:net=newff(r,c,[30,10],{‘ligsig’,’tansig’})
其中,newff()为BP神经网络函数,r表示输入数据,c表示输出数据,[30,10]表示BP神经网络隐含层节点数为30个,输出层节点数为10个,{‘ligsig’,’tansig’}表示网络从输入层到隐含层和隐含层到输出层的传递函数分别采用logsig函数和tansig函数。
(5)预测关系表生成模块,用于将墙体的六种影响因素数据与分类器预测的墙体裂缝宽度预测值进行对比和联系,形成网格化动态信息监控,以对比表格形式输出,为建筑墙体危险评估提供预测信息,保证建筑危险评估的可靠性和准确性。
下面依照图3所示,介绍本发明的预测方法,其包括如下步骤:
(1)通过实测,获取墙体材料力学数据、结构力学数据,通过大量的试验以及数据计算,对一般房屋墙体的开裂影响因素进行筛选,本发明选取了对墙体影响位列前六的影响因素,即:墙体高度、墙体宽度、墙体厚度、墙体承重、墙体倾斜度、材料强度;在筛选后,将这些影响因素进行整理,并整理正对比表格,形成对比数据;
其中,由于在墙体裂缝的影响因素中,墙体倾斜因素因为墙体形变等因素的影响,其通过目测或经验,很难发现较细小的变化,容易被忽略,因此,在对该因素进行相关测量和获取时,采取以下方法:
a.首先在墙体周围选取两个可通视的点作为测量控制点;
b.通过所述测量控制点设定临时坐标系,在墙体裂缝最高点左右两个相距10cm处沿墙体选取两条垂直线,通过观测所述两条垂直线上每间隔10cm的点的位移信息的三维坐标计算出各个点相对于底面的倾斜度;
c.将各个倾斜度求取平均值作为墙体倾斜度。
(2)在对墙体裂缝的实测中发现,在顶部开裂点裂缝宽度小于3mm时,往往是危险排查较容易忽略的情况,而这恰恰是隐形危险的所在,因此,本发明将小于3mm的裂缝作为重点排查的一个等级,从而建立墙体顶部开裂点裂缝宽度等级,设裂缝宽度a在0<a≤3mm时取1,裂缝宽度在3mm<a≤10mm时取2,裂缝宽度在10mm<a≤15mm时取3,裂缝宽度在15mm<a≤20mm时取4,裂缝宽度在20mm<a时取5;
(3)通过实际测量,获取并记录所述各影响因素对墙体开裂的影响程度数据,建立各影响因素与墙体裂缝等级的二维关系映射图,并根据该二维关系映射图和数据,进行曲线拟合,该曲线拟合式为:a=k1x2+k2x+k3,式中,a为裂缝宽度等级,x表示所述各影响因素,k1、k2、k3表示拟合曲线的系数;记录各个影响因素对应的k1值,作为各个影响因素的权重;
(4)将上述六个影响因素数据进行归一化处理,将墙体高度、墙体宽度、墙体厚度三个影响因素作为第一组,将墙体承重、墙体倾斜度、材料强度三个影响因素作为第二组,将归一化处理后的数据分别与其对应的拟合曲线中的k1值相乘,获得各个影响因素的加权后值;
(5)建立分类器体系,首先建立K近邻分类器,具体采用KNN算法,以第一组影响因素作为输入,以对应的裂缝宽度作为输出;其次建立BP神经网络分类器,采用三层结构BP神经网络,采用logsig函数和tansig函数作为传递函数,以第二组影响因素作为输入,以对应的裂缝宽度作为输出;其中,BP神经网络分类器的建立方法为:BP神经网络从输入层到隐含层和隐含层到输出层的传递函数分别采用logsig函数和tansig函数;
BP神经网络为:net=newff(r,c,[30,10],{‘ligsig’,’tansig’})
其中,newff()为BP神经网络函数,r表示输入数据,c表示输出数据,[30,10]表示BP神经网络隐含层节点数为30个,输出层节点数为10个,{‘ligsig’,’tansig’}表示网络从输入层到隐含层和隐含层到输出层的传递函数分别采用logsig函数和tansig函数;
将各个影响因素对应的k1值求取平均值Ni,其中i=1,2,…,6,再求取第一组影响因素的权重,以及第二组影响因素的权重;将K近邻分类器的分类结果B1乘以A1,将BP神经网络分类器的分类结果B2乘以A2,将两分类结果相加,再求取平均值,获得最终裂缝宽度,按照步骤(2)中的裂缝宽度等级进行等级划分,获得最终分类结果;
(6)进行分类器训练,通过实测获取至少50组各影响因素对应的裂缝宽度数据,作为分类器输入样本和目标样本;随机从训练样本中选取一组输入样本和目标样本,进行分类器体系训练,调整分类器中的各个连接权值w和阈值;然后再从训练样本中随机选取一组输入样本和目标样本,返回对分类器进行训练,进一步调整分类器中的各个连接权值w和阈值,直至分类器体系的整体误差E小于预先设定的一个极小值,即网络收敛;
(7)通过测量实际墙体的六种影响因素数据,作为分类器输入,进行墙体裂缝宽度预测计算,获得影响因素值在不同取值范围内的墙体裂缝宽度预测值;
(8)将墙体的六种影响因素数据与分类器预测的墙体裂缝宽度预测值进行对比和联系,形成网格化动态信息监控,以对比表格形式输出,为建筑墙体危险评估提供预测信息,保证建筑危险评估的可靠性和准确性。
本方法对准确预测墙体裂缝情况具有重要意义,可以提高建筑危险评估的有效性和可靠性,减少主观因素对危险评估的影响。
以上实施方式仅用于说明本发明,而非对本发明的限制。本领域的普通技术人员应当理解,对本发明的技术方案进行各种组合、修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于神经网络的墙体纵向裂缝宽度预测系统,其应用于包含CPU的计算机中的,其特征在于:所述系统包括:
(1)墙体顶部开裂点裂缝宽度等级确定模块,用于将裂缝宽度设置成不同的等级,具体为:设裂缝宽度a在0<a≤3mm时取1,裂缝宽度在3mm<a≤10mm时取2,裂缝宽度在10mm<a≤15mm时取3,裂缝宽度在15mm<a≤20mm时取4,裂缝宽度在20mm<a时取5;
(2)影响因素权重确定模块,用于根据系统输入的各影响因素对墙体开裂的影响程度数据,建立各影响因素与墙体裂缝等级的二维关系映射图,并通过曲线拟合方法,将拟合后的曲线二次项系数作为各个影响因素的权重;
(3)影响因素预处理模块,用于将上述六个影响因素数据进行归一化处理,并将墙体高度、墙体宽度、墙体厚度三个影响因素作为第一组,将墙体承重、墙体倾斜度、材料强度三个影响因素作为第二组,将归一化处理后的数据分别与其对应的影响因素权重相乘,获得各个影响因素的加权后值,作为分类器模块的输入;
(4)分类器模块,该模块包含K近邻分类器子模块、BP神经网络分类器子模块和分类输出子模块,所述K近邻分类器子模块与BP神经网络分类器子模块之间是并列关系,其输出分别作为分类输出子模块的输入;其中K近邻分类器子模块以第一组影响因素作为输入,以对应的裂缝宽度作为输出,BP神经网络分类器以第二组影响因素作为输入,以对应的裂缝宽度作为输出,分类输出子模块通过加权平均方式获取分类结果;
(5)预测关系表生成模块,用于将墙体的六种影响因素数据与分类器预测的墙体裂缝宽度预测值进行对比和联系,形成网格化动态信息监控,以对比表格形式输出,为建筑墙体危险评估提供预测信息,保证建筑危险评估的可靠性和准确性。
2.如权利要求1所述的系统,其特征在于:所述分类器模块中,分类输出子模块的输出算法为:
将各个影响因素对应的影响因素权重求取平均值Ni,其中i=1,2,…,6,再求取第一组影响因素的权重 ,以及第二组影响因素的权重;将K近邻分类器子模块的输出结果B1乘以A1,将BP神经网络分类器子模块的输出结果B2乘以A2,将两分类结果相加,再求取平均值,获得最终裂缝宽度,根据墙体顶部开裂点裂缝宽度等级确定模块确定的裂缝宽度等级进行等级划分,获得最终分类结果。
3.如权利要求1所述的系统,其特征在于:所述BP神经网络分类器子模块的建立方法为:
BP神经网络从输入层到隐含层和隐含层到输出层的传递函数分别采用logsig函数和tansig函数;
BP神经网络为:net=newff(r,c,[30,10],{‘ligsig’,’tansig’})
其中,newff()为BP神经网络函数,r表示输入数据,c表示输出数据,[30,10]表示BP神经网络隐含层节点数为30个,输出层节点数为10个,{‘ligsig’,’tansig’}表示网络从输入层到隐含层和隐含层到输出层的传递函数分别采用logsig函数和tansig函数。
4.如权利要求1所述的系统,其特征在于:该系统可以运行于同一计算机系统中,也可以以分布式方式运行于多台可相互通信的计算机系统中。
5.一种基于神经网络的墙体纵向裂缝宽度预测方法,其特征在于:
(1)通过实测,获取墙体材料力学数据、结构力学数据,筛选出影响墙体开裂及裂缝变化的影响因素,所述影响因素包括:墙体高度、墙体宽度、墙体厚度、墙体承重、墙体倾斜度、材料强度;
(2)建立墙体顶部开裂点裂缝宽度等级,设裂缝宽度a在0<a≤3mm时取1,裂缝宽度在3mm<a≤10mm时取2,裂缝宽度在10mm<a≤15mm时取3,裂缝宽度在15mm<a≤20mm时取4,裂缝宽度在20mm<a时取5;
(3)通过实际测量,获取并记录所述各影响因素对墙体开裂的影响程度数据,建立各影响因素与墙体裂缝等级的二维关系映射图,并根据该二维关系映射图和数据,进行曲线拟合,该曲线拟合式为:a=k1x2+k2x+k3,式中,a为裂缝宽度等级,x表示所述各影响因素,k1、k2、k3表示拟合曲线的系数;记录各个影响因素对应的k1值,作为各个影响因素的权重;
(4)将上述六个影响因素数据进行归一化处理,将墙体高度、墙体宽度、墙体厚度三个影响因素作为第一组,将墙体承重、墙体倾斜度、材料强度三个影响因素作为第二组,将归一化处理后的数据分别与其对应的拟合曲线中的k1值相乘,获得各个影响因素的加权后值;
(5)建立分类器体系,首先建立K近邻分类器,具体采用KNN算法,以第一组影响因素作为输入,以对应的裂缝宽度作为输出;其次建立BP神经网络分类器,采用三层结构BP神经网络,采用logsig函数和tansig函数作为传递函数,以第二组影响因素作为输入,以对应的裂缝宽度作为输出;将各个影响因素对应的k1值求取平均值Ni,其中i=1,2,…,6,再求取第一组影响因素的权重,以及第二组影响因素的权重;将K近邻分类器的分类结果B1乘以A1,将BP神经网络分类器的分类结果B2乘以A2,将两分类结果相加,再求取平均值,获得最终裂缝宽度,按照步骤(2)中的裂缝宽度等级进行等级划分,获得最终分类结果;
(6)进行分类器训练,通过实测获取至少50组各影响因素对应的裂缝宽度数据,作为分类器输入样本和目标样本;随机从训练样本中选取一组输入样本和目标样本,进行分类器体系训练,调整分类器中的各个连接权值w和阈值;然后再从训练样本中随机选取一组输入样本和目标样本,返回对分类器进行训练,进一步调整分类器中的各个连接权值w和阈值,直至分类器体系的整体误差E小于预先设定的一个极小值,即网络收敛;
(7)通过测量实际墙体的六种影响因素数据,作为分类器输入,进行墙体裂缝宽度预测计算,获得影响因素值在不同取值范围内的墙体裂缝宽度预测值;
(8)将墙体的六种影响因素数据与分类器预测的墙体裂缝宽度预测值进行对比和联系,形成网格化动态信息监控,以对比表格形式输出,为建筑墙体危险评估提供预测信息,保证建筑危险评估的可靠性和准确性。
6.如权利要求5所述的方法,其特征在于:所述步骤(1)中实测获取墙体倾斜度的具体方法为:
a.首先在墙体周围选取两个可通视的点作为测量控制点;
b.通过所述测量控制点设定临时坐标系,在墙体裂缝最高点左右两个相距10cm处沿墙体选取两条垂直线,通过观测所述两条垂直线上每间隔10cm的点的位移信息的三维坐标计算出各个点相对于底面的倾斜度;
c.将各个倾斜度求取平均值作为墙体倾斜度。
7.如权利要求5所述的方法,其特征在于:所述步骤(5)中的BP神经网络分类器的建立方法为:
BP神经网络从输入层到隐含层和隐含层到输出层的传递函数分别采用logsig函数和tansig函数;
BP神经网络为:net=newff(r,c,[30,10],{‘ligsig’,’tansig’})
其中,newff()为BP神经网络函数,r表示输入数据,c表示输出数据,[30,10]表示BP神经网络隐含层节点数为30个,输出层节点数为10个,{‘ligsig’,’tansig’}表示网络从输入层到隐含层和隐含层到输出层的传递函数分别采用logsig函数和tansig函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410187972.6A CN103984856A (zh) | 2014-06-19 | 2014-06-19 | 一种基于神经网络的墙体纵向裂缝宽度预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410187972.6A CN103984856A (zh) | 2014-06-19 | 2014-06-19 | 一种基于神经网络的墙体纵向裂缝宽度预测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103984856A true CN103984856A (zh) | 2014-08-13 |
Family
ID=51276824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410187972.6A Pending CN103984856A (zh) | 2014-06-19 | 2014-06-19 | 一种基于神经网络的墙体纵向裂缝宽度预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103984856A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832789A (zh) * | 2017-11-01 | 2018-03-23 | 杭州电子科技大学 | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 |
CN109300103A (zh) * | 2017-07-24 | 2019-02-01 | 清华大学 | 一种混凝土表面裂缝宽度检测方法 |
CN109857988A (zh) * | 2019-03-14 | 2019-06-07 | 吉林建筑大学 | 一种寒地装配式现代木结构建筑的安全监测方法 |
CN110952978A (zh) * | 2019-12-20 | 2020-04-03 | 西南石油大学 | 一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法 |
CN114611833A (zh) * | 2022-03-30 | 2022-06-10 | 中国华能集团有限公司江西分公司 | 基于双驱动结合的坝体深度学习模型构建方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007041784A (ja) * | 2005-08-02 | 2007-02-15 | Toshiba Corp | 最適値探索支援装置、最適値探索支援方法、及びプログラム |
CN101630367A (zh) * | 2009-07-31 | 2010-01-20 | 北京科技大学 | 基于多分类器的手写体字符识别拒识方法 |
-
2014
- 2014-06-19 CN CN201410187972.6A patent/CN103984856A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007041784A (ja) * | 2005-08-02 | 2007-02-15 | Toshiba Corp | 最適値探索支援装置、最適値探索支援方法、及びプログラム |
CN101630367A (zh) * | 2009-07-31 | 2010-01-20 | 北京科技大学 | 基于多分类器的手写体字符识别拒识方法 |
Non-Patent Citations (1)
Title |
---|
张耀庭 等: "部分预应力混凝土梁裂缝宽度应用BP网络计算的研究", 《铁道工程学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109300103A (zh) * | 2017-07-24 | 2019-02-01 | 清华大学 | 一种混凝土表面裂缝宽度检测方法 |
CN109300103B (zh) * | 2017-07-24 | 2020-12-08 | 清华大学 | 一种混凝土表面裂缝宽度检测方法 |
CN107832789A (zh) * | 2017-11-01 | 2018-03-23 | 杭州电子科技大学 | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 |
CN107832789B (zh) * | 2017-11-01 | 2020-11-06 | 杭州电子科技大学 | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 |
CN109857988A (zh) * | 2019-03-14 | 2019-06-07 | 吉林建筑大学 | 一种寒地装配式现代木结构建筑的安全监测方法 |
CN110952978A (zh) * | 2019-12-20 | 2020-04-03 | 西南石油大学 | 一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法 |
CN114611833A (zh) * | 2022-03-30 | 2022-06-10 | 中国华能集团有限公司江西分公司 | 基于双驱动结合的坝体深度学习模型构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103984856A (zh) | 一种基于神经网络的墙体纵向裂缝宽度预测系统及方法 | |
CN107992968B (zh) | 基于集成时间序列分析技术的电能表计量误差预测方法 | |
CN108090295A (zh) | 一种大跨斜拉桥拉索损伤识别方法 | |
CN107784191A (zh) | 基于神经网络模型的异性结构面峰值抗剪强度预测方法 | |
CN107818237A (zh) | 沥青路面破损状况的评价方法 | |
CN107798210B (zh) | 一种多模型滑坡位移预测方法及其系统 | |
CN105223241A (zh) | 一种湿度传感器的补偿方法 | |
CN111625988A (zh) | 基于深度学习的桥梁健康管理分析与预测系统及方法 | |
CN108764473A (zh) | 一种基于相关分析的bp神经网络用水量预测方法 | |
CN110472363B (zh) | 适用于高速铁路隧道的围岩变形等级预测方法及系统 | |
CN111797364B (zh) | 一种基于复合云模型的滑坡多层次安全评价方法 | |
Yang et al. | Damage identification of frame structure based on approximate Metropolis–Hastings algorithm and probability density evolution method | |
CN109490072A (zh) | 一种土木工程建筑用检测系统及其检测方法 | |
WO2024021642A1 (zh) | 一种基于多传感器数据融合的无人船定位方法 | |
WO2019161589A1 (zh) | 一种结构模态参数实时追踪方法 | |
CN105005822A (zh) | 基于最优步长与模型动态选择的特高拱坝响应预测方法 | |
CN107295537A (zh) | 一种测评无线传感器网络可靠性的方法及系统 | |
CN115270266B (zh) | 基于改进层次分析法的边坡监测状态风险判断方法 | |
CN109406898A (zh) | 一种融合多特征量综合评估油纸绝缘老化程度的方法 | |
CN115308063A (zh) | 一种已有建筑的混凝土强度抽样检测方法 | |
CN108549847A (zh) | 一种无基准数据条件下的梁式结构裂缝损伤识别方法 | |
CN108898292A (zh) | 一种桥梁健康状态的安全评估方法 | |
CN112488463A (zh) | 一种基于组合赋权法与优劣解距离法的滑坡评价方法 | |
CN116522085A (zh) | 一种全自动拉索频率提取、定阶和索力识别方法与应用 | |
CN114486571B (zh) | 基于路面使用性能和结构性能的路面综合性能评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140813 |