CN106529790A - 一种地铁施工诱发邻近桥梁损害的风险估计及评价方法 - Google Patents

一种地铁施工诱发邻近桥梁损害的风险估计及评价方法 Download PDF

Info

Publication number
CN106529790A
CN106529790A CN201610956664.4A CN201610956664A CN106529790A CN 106529790 A CN106529790 A CN 106529790A CN 201610956664 A CN201610956664 A CN 201610956664A CN 106529790 A CN106529790 A CN 106529790A
Authority
CN
China
Prior art keywords
risk
attribute
cloud
evaluation
inference
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
Application number
CN201610956664.4A
Other languages
English (en)
Inventor
张立茂
吴贤国
沈梅芳
覃亚伟
冉连月
刘惠涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201610956664.4A priority Critical patent/CN106529790A/zh
Publication of CN106529790A publication Critical patent/CN106529790A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种地铁施工诱发邻近桥梁损害的风险估计及评价方法，其包括以下步骤：其包括以下步骤：(1)利用云模型对指标连续性属性数据进行离散化，通过风险区间识别与划分构建指标的五个状态区间；(2)结合粗糙集建立由多条IF‑THEN规则构成的推理规则库件；(3)将实际观测指标的属性值转化后输入相应的前件云发生器，以生成属性云滴；(4)所述属性云滴经过多条推理规则合成后，以最小推理机的隶属度作为推理结果的权重，逐级推理得到最终输出值及隶属度云滴；(5)设定实际观测指标的属性值的变异系数，通过推理得到多个云滴，将所述多个云滴输入逆向云发生器，输出期望以作为最终的风险大小。

Description

一种地铁施工诱发邻近桥梁损害的风险估计及评价方法
技术领域
本发明属于工程风险评估相关技术领域，更具体地，涉及一种地铁施工诱发邻近桥梁损害的风险估计及评价方法。
背景技术
为应对人口增加、交通发展、空间限制等问题，地铁作为城市交通基础设施的重要组成部分，建设规模越来越大，发展速度也越来越快。地铁在施工过程中会影响桥梁的正常使用甚至导致其出现安全问题。因此，如何有效评估地铁施工诱发临近桥梁的安全风险，开展地铁施工过程中临近桥梁损害程度估计与安全风险评价具有很大的现实意义。
地铁施工对临近桥梁的影响是一个复杂的隧道-土-桥梁相互作用的过程，本领域相关技术人员已从工程实例、数值模拟、模拟实验等方面对地铁施工对临近桥梁的影响机理及受力变形进行了一些研究。近年来的研究方法主要集中于数值模拟，但数值模拟方法需要建立准确的模型，难以处理施工过程中的不确定因素，当模拟环境与实际情况存在差异时会导致分析结果的偏差。此外，当前已有的安全风险评估方法，如层次分析法、安全检查表、模糊评价法等未能考虑影响因素与风险之间的非线性关系，难以反映隧道-土-桥梁之间的复杂作用机制。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种地铁施工诱发邻近桥梁损害的风险估计及评价方法，其基于安全风险评价指标体系构建和等级划分，针对地铁施工诱发临近桥梁损害的风险估计及评价方法进行了设计。所述风险估计及评价方法基于大量工程实际数据及规律的云模型的不确定性推理，提高了地铁施工诱发邻近桥梁损害的风险估计及评价方法的适应性及高效性；基于云模型实现连续型属性数据离散化的软化分，有效解决了分级边界的不确定性，提高安全区间划分的合理性，多次逐级云推理，能够进一步消除了数据的不确定性对安全风险评估的影响。此外，将云模型与不确定性推理理论相结合，有效解决现了不确定性方面的影响，且能够有效处理因素与风险之间的非线性关系的影响，提高了安全风险评价的可行性与准确性，且易于实施。
为实现上述目的，按照本发明的一个方面，提供了一种地铁施工诱发邻近桥梁损害的风险估计及评价方法，其包括以下步骤：
(1)利用云模型对指标连续性属性数据进行离散化，通过风险区间识别与划分构建指标的五个状态区间；
(2)结合粗糙集建立由多条IF-THEN规则构成的推理规则库，为实现云模型的不确定性推理提供发生条件；
(3)将实际观测指标的属性值转化为无确定度云滴量值后输入相应的前件云发生器，以生成具有确定度的属性云滴；
(4)所述属性云滴经过多条推理规则合成后，以最小推理机的隶属度作为推理结果的权重，逐级推理得到最终输出值及隶属度云滴；
(5)设定实际观测指标的属性值的变异系数，通过推理得到多个云滴，将所述多个云滴输入逆向云发生器，输出期望以作为最终的风险大小。
进一步的，对连续性属性数据的离散化时，首先对所述连续性属性数据进行预处理，所述预处理包括数据补齐、降噪及量值统一处理。
进一步的，建立所述推理规则库时，首选需要数据获取，所述数据获取包括定量指标数据及定性指标数据的获取；最后，基于所获取的数据，结合粗糙集获取具有规律性的推理规则，以建立相应的推理规则库。
进一步的，所述属性云滴的生成，首先，根据所述云模型的数字特征，将所述实际观测指标的属性值按照所述云模型转化为所述无确定度云滴定量值，然后将所述无确定度云滴定量值输入相应的前件云发生器以生成具有确定度的所述属性云滴。
进一步的，所述逐级推理是一种由下而上的推理方法。
进一步的，所述变异系数为5％，其用于表征测量误差、噪声及人为偏差。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的地铁施工诱发邻近桥梁损害的风险估计及评价方法，其基于大量工程实际数据及规律的云模型的不确定性推理，提高了地铁施工诱发邻近桥梁损害的风险估计及评价方法的适应性及高效性；基于云模型实现连续型属性数据离散化的软化分，有效解决了分级边界的不确定性，提高安全区间划分的合理性，多次逐级云推理，能够进一步消除了数据的不确定性对安全风险评估的影响。此外，将云模型与不确定性推理理论相结合，有效解决现了不确定性方面的影响，且能够有效处理因素与风险之间的非线性关系的影响，提高了安全风险评价的可行性与准确性，且易于实施。
附图说明
图1是本发明较佳实施方式提供的地铁施工诱发邻近桥梁损害的风险估计及评价方法的流程图。
图2是图1中的风险估计及评价方法涉及的逐级云推理的步骤示意图。
图3是图1中的风险估计及评价方法涉及的地铁施工邻近桥梁安全评价指标体系。
图4是图1中的风险估计及评价方法涉及的四个桥梁的最终安全状态云模型与状态等级对比结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参阅图1至图4，本发明较佳实施方式提供的地铁施工诱发临近桥梁损害的风险估计及评价方法，其在安全风险评价指标体系构建和等级划分的基础上，基于正态云模型实现定性概念和定量指标之间的不确定性转换，构建评价指标的权重分配，通过云规则发生器实现不确定性推理；通过逐级反复推理，利用逆向云发生器输出最终期望值，以作为安全风险评价等级的依据，这对提高地铁施工临近桥梁的安全风险管理与控制水平具有重要意义。
本实施方式中，地铁施工诱发临近桥梁损害的风险估计及评价方法包括以下步骤：
步骤一，利用云模型对指标连续性属性数据进行离散化，通过风险区间识别与划分构建指标的五个状态区间。具体地，根据标准规范(如《公路桥涵施工技术规范》(JTGTF50-2011)，《地铁工程施工安全评价标准》(GB50715-2011))、监测系统和文献资料以及专家经验确定定性指标和定量指标，以综合评价地铁施工邻近桥梁的安全风险水平。运用层次分析法原理，将安全评价属性指标自下而上地分解为若干个层次，从而合理有效地确定各层次的评价项目，识别影响地铁施工邻近桥梁安全风险评价因子。
风险区间的划分是合理求取云模型数字特征是否正确的前提。通过云模型对连续性属性数据进行离散化，有效解决了分级边界的不确定性。基于云模型的连续属性数据离散化，首先要对所述连续性属性数据进行预处理，包括数据补齐、降噪和量值统一处理；之后，设定相似度阀值ε；随着，利用峰值云变换算法生成连续属性Ck的云模型表征的定性概念的集合；接着，度量云之间的距离，若两云之间距离d<ε，则这两个云可以进行归并，选择距离最小的两云进行合并，重复上述步骤直至实现连续属性Ck的离散化。通过连续性属性数据离散化，将地铁施工诱发临近桥梁的安全风险指标化为五个不同区间，对应五个评价等级，所述五个不同区间分别为一级(安全)、二级(较安全)、三级(基本安全)、四级(较危险)及五级(危险)，各评价指标等级云模型如表1所示。
表1评价指标等级云模型划分
步骤二，结合粗糙集建立由多条IF-THEN规则构成的推理规则库，为实现云模型不确定性推理提供发生条件。具体地，首先需要数据获取，数据获取包括定量指标和定性指标数据的获取，其中，定量指标主要集中在隧道工程条件和土质条件上，包括覆跨比C1、隧道直径C2、内摩擦角C3和弹性模量C4等指标，主要采用直接测量或实验抽样测试获取；定性数据包括桩身完整性C9、桥梁上部结构类型C10、桥梁现状C11和施工方法C13等指标，主要依据专家和工程师等的经验评分获取；四座桥梁的具体数据如表2所示。
表2桥梁基本属性值
名称 C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14
桥Ⅰ 1.5 6 16.5 26.4 6 1.87 1.95 -0.34 74 78 91 3.1 84 82
桥Ⅱ 1.9 15 26.4 10 12 2 0.5 0.56 64 87 79 0.5 97 74
桥Ⅲ 0.6 7 10 17 9 1.74 0.95 0.12 80 68 84 1.7 65 94
桥Ⅳ 2.1 11 13 20 18 1.59 1.25 0.98 91 79 70 2.4 70 87
其次，在大量历史数据的基础上，结合粗糙集获取有用的及规律性的推理规则。推理规则反映了条件属性集和决策属性集之间的关系。每条决策规则Φ→Ψ的条件属性Φ表示了某一等价类所具有的特征，而决策属性Ψ则表示了该等价类所属的类别。条件属性集{Φ}和决策属性集{Ψ}把信息系统中的所有对象分别划分为了不同的等价类，不同划分方法所得到的等价类均反映了对象集的统计信息，通过寻找它们之间的对应关系可以得到所述条件属性集{Φ}与所述决策属性集{Ψ}的相互决定关系。从逻辑观点出发，决策规则是将形如a＝v(a为属性名，v为属性值)的基本公式利用连接词合取(∧)、析取(∨)、蕴含(→)连接起来所建立的蕴含式，最后，通过形如Ri:IF A1i,A2i,…,Ani,THEN Bi(i＝1,2,…,M)的M条IF-THEN定性规则，结合专家经验以及各风险因子属性度量建立相应的推理规则库，例如由覆跨比、隧道直径推理隧道工程条件的规则数有5×5＝25条；由隧道工程条件、土质条件、桥梁自身条件、施工方法及管理水平推理安全风险的规则数有5×5×5×5＝625条，如表3所示。
表3安全风险决策规则
表3中，c1(1)表示桥梁I的浮夸比的属性值，c12(1)等依次类推。
步骤三，将实际观测指标的属性值转化后输入相应的前件云发生器，以生成属性云滴。具体地，根据云模型的数字特征，将实际观测指标的属性值按照云模型转化为无确定度云滴定量值，然后将所述无确定度云滴定量值输入相应的前件云发生器以生成具有确定度的属性云滴，即将实值向量{xA1,xA2,…,xAn}与第i条规则合成，生成的隶属度向量为
步骤四，属性云滴经过多条推理规则合成后，以最小推理机的隶属度作为推理结果的权重，逐级推理得到最终输出值及隶属度云滴。具体地，所述属性云滴经多条所述推理规则合成后，以最小推理机的隶属度作为推理结果的权重，输出隶属度为：
接着，基于模糊推理算法，所述推理结果采用加权平均法精确化为一个具体输出值：
其中，xi B为实质向量的坐标在某一坐标轴上的值，μi为隶属度向量的坐标在某一坐标轴上的值。
最后，经过由下而上的逐级推理得到最终输出值xT，并得到最终隶属度云滴(xT,μT)，其中μT为最终输出隶属度。
步骤五，设定实际观测指标的属性值的变异系数，通过推理得到多个云滴，将所述多个云滴输入逆向云发生器，输出期望以作为最终的风险大小。具体地，对于实际观测指标的属性值加入一个变异系数，用于表征测量误差、噪声及人因偏差等不确定性因素，该变异系数一般取观测指标实测值的5％，将观测指标的属性取值设定为一正态分布，通过F(F>＝500，通常取1000)组蒙特卡洛模拟与推理计算，消除数据的不确定性对安全风险评估的影响，同时记录各次推理获得的确定度云滴，该过程用以加强推理结果的科学性与安全风险等级评价的合理性。将各次获得的确定度云滴输入逆向云发生器，输出期望EX作为最终的风险程度大小，用以评价地铁施工邻近桥梁的安全风险等级，云模型推理最终结果如表4所示。
表4云模型推理最终结果
桥梁名称 桥Ⅰ 桥Ⅱ 桥Ⅲ 桥Ⅳ
损害程度估计 64.88 67.06 58.05 67.12
本发明提供的地铁施工诱发邻近桥梁损害的风险估计及评价方法，其基于大量工程实际数据及规律的云模型的不确定性推理，提高了地铁施工诱发邻近桥梁损害的风险估计及评价方法的适应性及高效性；基于云模型实现连续型属性数据离散化的软化分，有效解决了分级边界的不确定性，提高安全区间划分的合理性，多次逐级云推理，能够进一步消除了数据的不确定性对安全风险评估的影响。此外，将云模型与不确定性推理理论相结合，有效解决现了不确定性方面的影响，且能够有效处理因素与风险之间的非线性关系的影响，提高了安全风险评价的可行性与准确性，且易于实施。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种地铁施工诱发临近桥梁损害的风险估计及评价方法，其包括以下步骤：
(1)利用云模型对指标连续性属性数据进行离散化，通过风险区间识别与划分构建指标的五个状态区间；
(2)结合粗糙集建立由多条IF-THEN规则构成的推理规则库，为实现云模型的不确定性推理提供发生条件；
(3)将实际观测指标的属性值转化为无确定度云滴量值后输入相应的前件云发生器，以生成具有确定度的属性云滴；
(4)所述属性云滴经过多条推理规则合成后，以最小推理机的隶属度作为推理结果的权重，逐级推理得到最终输出值及隶属度云滴；
(5)设定实际观测指标的属性值的变异系数，通过推理得到多个云滴，将所述多个云滴输入逆向云发生器，输出期望以作为最终的风险大小。
2.如权利要求1所述的地铁施工诱发临近桥梁损害的风险估计及评价方法，其特征在于：对连续性属性数据的离散化时，首先对所述连续性属性数据进行预处理，所述预处理包括数据补齐、降噪及量值统一处理。
3.如权利要求1所述的地铁施工诱发临近桥梁损害的风险估计及评价方法，其特征在于：建立所述推理规则库时，首选需要数据获取，所述数据获取包括定量指标数据及定性指标数据的获取；最后，基于所获取的数据，结合粗糙集获取具有规律性的推理规则，以建立相应的推理规则库。
4.如权利要求1所述的地铁施工诱发临近桥梁损害的风险估计及评价方法，其特征在于：所述属性云滴的生成，首先，根据所述云模型的数字特征，将所述实际观测指标的属性值按照所述云模型转化为所述无确定度云滴定量值，然后将所述无确定度云滴定量值输入相应的前件云发生器以生成具有确定度的所述属性云滴。
5.如权利要求1所述的地铁施工诱发临近桥梁损害的风险估计及评价方法，其特征在于：所述逐级推理是一种由下而上的推理方法。
6.如权利要求1所述的地铁施工诱发邻近桥梁损害的风险估计及评价方法，其特征在于：所述变异系数为5％，其用于表征测量误差、噪声及人为偏差。
CN201610956664.4A 2016-10-27 2016-10-27 一种地铁施工诱发邻近桥梁损害的风险估计及评价方法 Pending CN106529790A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610956664.4A CN106529790A (zh) 2016-10-27 2016-10-27 一种地铁施工诱发邻近桥梁损害的风险估计及评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610956664.4A CN106529790A (zh) 2016-10-27 2016-10-27 一种地铁施工诱发邻近桥梁损害的风险估计及评价方法

Publications (1)

Publication Number Publication Date
CN106529790A true CN106529790A (zh) 2017-03-22

Family

ID=58325508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610956664.4A Pending CN106529790A (zh) 2016-10-27 2016-10-27 一种地铁施工诱发邻近桥梁损害的风险估计及评价方法

Country Status (1)

Country Link
CN (1) CN106529790A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816250A (zh) * 2019-01-28 2019-05-28 东北大学 一种确定高速公路路网内混凝土桥梁养护优先顺序的方法
CN110472363A (zh) * 2019-08-22 2019-11-19 山东大学 适用于高速铁路隧道的围岩变形等级预测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609774A (zh) * 2012-01-31 2012-07-25 华中科技大学 一种地铁施工安全风险识别推理系统及其识别推理方法
CN104102762A (zh) * 2014-04-29 2014-10-15 兰州交通大学 云模型模糊层次分析法在铁路信号系统风险分析中的应用

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609774A (zh) * 2012-01-31 2012-07-25 华中科技大学 一种地铁施工安全风险识别推理系统及其识别推理方法
CN104102762A (zh) * 2014-04-29 2014-10-15 兰州交通大学 云模型模糊层次分析法在铁路信号系统风险分析中的应用

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
刘培德 等: "基于云模型的区间中智数多属性群决策TOPSIS方法", 《经济管理研究》 *
吴贤国等: "基于粗糙集和贝叶斯网络的地铁盾构施工诱发邻近桥梁安全风险评价", 《土木工程与管理学报》 *
张友鹏 等: "基于云模型和组合赋权法的CTCS-3级列控系统可靠性评价", 《铁道学报》 *
张银燕等: "基于MIN-MAX云重心推理的目标威胁评估方法", 《系统仿真学报》 *
胡甚平 等: "基于云模型的海上交通系统风险蒙特卡罗仿真", 《中国安全科学学报》 *
郑青川等: "基于云模型的油气管道坡面水毁安全评价", 《安全与环境学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816250A (zh) * 2019-01-28 2019-05-28 东北大学 一种确定高速公路路网内混凝土桥梁养护优先顺序的方法
CN109816250B (zh) * 2019-01-28 2021-07-30 东北大学 一种确定高速公路路网内混凝土桥梁养护优先顺序的方法
CN110472363A (zh) * 2019-08-22 2019-11-19 山东大学 适用于高速铁路隧道的围岩变形等级预测方法及系统
CN110472363B (zh) * 2019-08-22 2021-08-27 山东大学 适用于高速铁路隧道的围岩变形等级预测方法及系统

Similar Documents

Publication Publication Date Title
Zhang et al. A novel model for risk assessment of adjacent buildings in tunneling environments
Zhang et al. Developing a cloud model based risk assessment methodology for tunnel-induced damage to existing pipelines
CN108399340A (zh) 基于改进fahp和云模型的机载网络安全风险评估方法
CN107704992A (zh) 输电线路雷击风险评估的方法及装置
CN107491694A (zh) 用于量化评估scada系统信息安全脆弱性的方法
Wu et al. A hybrid information fusion approach to safety risk perception using sensor data under uncertainty
Zhou et al. Topological mapping and assessment of multiple settlement time series in deep excavation: a complex network perspective
Zhang et al. Deep learning algorithms for structural condition identification with limited monitoring data
Kuznichenko et al. Development of a multi-criteria model for making decisions on the location of solid waste landfills
CN115654381A (zh) 一种基于图神经网络的供水管道漏损检测方法
CN106202707A (zh) 一种基于灰色置信区间的结构应力‑强度干涉模型集合可靠性分析方法
CN106529790A (zh) 一种地铁施工诱发邻近桥梁损害的风险估计及评价方法
Gong et al. Safety risk evaluations of deep foundation construction schemes based on imbalanced data sets
Wang et al. Study on identifying significant risk sources during bridge construction based on grey entropy correlation analysis method
CN113904844A (zh) 基于跨模态教师-学生网络的智能合约漏洞检测方法
CN104376024A (zh) 一种基于种子词的文档相似性检测方法
Wu et al. Comparative analysis and evaluation of bridge construction risk with multiple intelligent algorithms
Bhatta et al. Machine learning-based classification for rapid seismic damage assessment of buildings at a regional scale
CN105512726A (zh) 基于免疫遗传优化的可靠性分配方法及装置
Chen et al. Towards automated cost analysis, benchmarking and estimating in construction: A machine learning approach
Izquierdo et al. Optimization in water systems: a PSO approach.
Shen et al. Railway Risk Assessment of the EPC General Contract in Ethiopia Based on the Improved Fuzzy Comprehensive Evaluation Method
Chen et al. An early warning method for highway traffic accidents based on bayesian networks
Rusek et al. Assessment of technical condition of prefabricated large-block building structures located in mining area using the Naive Bayes classifier
Huang et al. Robust dynamic trajectory regression on road networks: A multi-task learning framework

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170322

RJ01 Rejection of invention patent application after publication