CN108960618A - 一种基于bim和云证据理论的施工风险预警方法 - Google Patents
一种基于bim和云证据理论的施工风险预警方法 Download PDFInfo
- Publication number
- CN108960618A CN108960618A CN201810701110.9A CN201810701110A CN108960618A CN 108960618 A CN108960618 A CN 108960618A CN 201810701110 A CN201810701110 A CN 201810701110A CN 108960618 A CN108960618 A CN 108960618A
- Authority
- CN
- China
- Prior art keywords
- model
- risk
- cloud
- bim
- evidence
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000010276 construction Methods 0.000 title claims abstract description 42
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 28
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 239000000428 dust Substances 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000003908 quality control method Methods 0.000 claims description 4
- 238000010948 quality risk assessment Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 claims 1
- 238000004451 qualitative analysis Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于BIM和云证据理论的施工风险预警方法，克服了传统的风险预警方法大部分以定性分析为主，主观性大的问题，实现了工程施工风险的有效预警，基于工程质量大数据，以BIM为平台，根据多源信息融合理论和分层融合思路，构建了基于BIM和云证据理论的施工风险预警模型，结合小波去噪和BP神经网络预测，通过云模型和D‑S证据理论，实现工程施工风险提前动态预警，整个模型有着科学完整的理论基础，为加强工程风险管理客观性，提高风险管理效率具有重要意义。
Description
技术领域
本发明属于工程施工质量控制与风险管理领域，具体涉及一种基于BIM和云证据理论的施工风险预警方法。
背景技术
程施工是一个复杂的大系统工程，风险源多、风险性较大，施工风险预警表现出明显的复杂性、非线性等特点；而传统的风险预警方法大部分以定性分析为主，主观性大，不能直接用于指导施工风险预警决策。
云模型能够实现指标定性与定量之间定性与定量之间的转化，多源信息融合能够多层次、多方位、多角度地对采集的数据进行信息处理，降低信息的随机性和模糊性，使工程风险预警的结果更加准确科学。
同时，工程施工的质量信息是确定的，能够降低风险评价的主观性。BIM也能够为工程质量大数据存储以及风险实时动态管控提供平台。小波去噪能够降低工程质量数据的噪音，BP神经网络能够进行质量数据预测，至少提前几天风险预警。
因此，发明一种科学、有效的基于BIM和云证据理论的施工风险预警的方法，具有重要的工程意义和现实价值。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于BIM和云证据理论的施工风险预警方法。该方法基于工程质量大数据，以BIM为平台，构建了基于云证据理论的施工风险预警的模型，结合小波去噪和BP神经网络预测，通过云模型和D-S证据理论，实现工程施工风险提前动态预警，并通过专家群决策，及时改善工程质量，使工程风险得到有效控制和管理。
本发明采用如下技术方案：
一种基于BIM和云证据理论的施工风险预警方法，其特征在于，包括如下步骤：
1)通过多源传感器感知质量数据，并结合物联网进行实时传输；感知的质量数据存储于BIM模型的质量信息仓库中；
2)通过小波去噪模型对质量数据进行去噪，再基于BP神经网络模型进行学习和测试，并预测4M1E质量数据；
3)基于多源传感器，量化风险指标，构建云模型的数学模型，利用云模型构建D-S证据理论模型的基本可信度分配，运用D-S证据理论模型的融合规则对预测的4M1E质量信息进行融合，进行施工阶段风险预警，并在BIM模型上进行实时动态可视化呈现；
4)基于BIM模块上呈现的风险预警，通过专家群决策，对控制源进行调节和改善，不断优化，直到项目风险等级满足要求。
在步骤2)中，通过小波去噪模型对质量数据进行去噪，具体包括：
2.1a)通过小波函数模型以及规定的分解层数，将初始夹杂噪音的质量数据分解为具有不同频率特性的若干信号源，各层级的若干信号源不相互重叠，并包含不同的信号信息，小波函数模型公式如下所示：
式中：τ表示平移因子，α表示尺度因子，t表示时间，Ψ()表示母小波函数；
2.2a)各层级的信号依据小波去噪模型的阈值标准和方法，进行阈值处理，通过各层级信号的误差信息剔除，同时将有效信息进行保留，达到降噪处理的目的；
2.3a)通过小波重构，将降噪后的各层级信号源进行处理。
在步骤2)中，所述基于BP神经网络模型进行学习和测试，并预测4M1E质量数据，基于MATLAB软件实现，包括：
2.1b)将所述质量数据分为训练集和预测集，并进行数据归一化；
2.2b)BP神经网络模型初始化；
2.3b)权值和偏置值初始化；
2.4b)设置训练参数；
2.5b)BP神经网络模型的训练学习；
2.6b)反归一化输出预测的4M1E质量数据。
在步骤3)中，所述构建云模型的数学模型，包括
3.1a)基于质量数据来量化风险指标，通过施工现场安全专项方案以及监测预警方案进行风险指标分级，再进行归一化处理得到风险指标体系；
3.2a)计算云模型隶属度函数，云模型的隶属度函数为：
En’ij＝Enij+sij×rand()
He＝s
x为通过小波去噪和BP神经网络预测得到的数值；uij是第i个指标在第j个状态下的云模型隶属度函数；Ex为云模型云滴群的重心，属于定性概念；En能够反映可被定性语言值接受的数域中的范围，表示定性概念的模糊性；He反映云滴的凝聚状态，是熵的不确定性、随机性度量，也就是熵的熵；Exij、Enij、sij分别表示第i个指标在第j个状态下的Ex、En、s值；Cmax、Cmin表示该云模型区间的最大值、最小值；s为常数；rand()是0～1之间的随机变量函数；En’ij表示第i个指标在第j个状态下En通过s和随机变量修正的值。
在步骤3)中，所述构建D-S证据理论模型包括如下：
3.1b)对系统给定辨识框架Θ；
3.2b)依据云模型的隶属度函数建立证据体的基本信度分配，具体公式如下：
m(A)表示对象A的mass函数或基本可信数，m(Θ)为不确定大小的基本信度分配值，Aj表示对象A的第j个状态，N表示对象A总的状态数。
3.3b)根据3.1a)的风险指标体系，计算所有风险指标的基本信度分配。
在步骤3)中，运用混和证据融合规则对预测的4M1E质量数据进行融合，具体为：
3.1c)计算冲突因子，其表述证据体之间冲突的大小，证据体包含风险指标体系中各指标的具体信息，公式如下：
K为冲突因子，n表示对象A风险指标总数，即证据体总数；
3.2c)判断证据体之间是否有冲突，若无冲突，直接用传统Dempster规则进行融合，反之进入到下一步；
3.3c)在冲突情境下，采用加权平均规则进行证据融合；
3.4c)：对证据体不断融合，直到所有证据体全部融合。
所述传统Dempster规则如下：
m(A)是证据体对对象A的基本概率赋值或基本可信数。
步骤(4)具体操作步骤如下：
4.1)基于BIM模型上呈现的风险状态，通过专家群决策途径，对质量数据进行调节和改善；
4.2)对改善的质量数据再次进行证据融合，评价决策后的工程风险状态，如果项目风险等级满足工程项目要求的水平，则结束；如果不满足要求，则进入步骤4.3)；
4.3)再次进行质量控制和风险管理，如此循环，直到项目风险等级满足要求。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
本发明提出的基于BIM和云证据理论的施工风险预警方法，克服了传统的风险预警方法大部分以定性分析为主，主观性大的问题，实现了工程施工风险的有效预警，基于工程质量大数据，以BIM为平台，根据多源信息融合理论和分层融合思路，构建了基于BIM和云证据理论的施工风险预警模型，结合小波去噪和BP神经网络预测，通过云模型和D-S证据理论，实现工程施工风险提前动态预警，整个模型有着科学完整的理论基础，为加强工程风险管理客观性，提高风险管理效率具有重要意义。
附图说明
图1为本发明方法的工程施工风险预警模型示意图。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
如图1所示，本实施例提供一种基于BIM和云证据理论的施工风险预警的方法，包括以下步骤：
1)通过多源传感器感知质量数据，并结合物联网进行实时传输；感知的质量数据存储于BIM模型的质量信息仓库中。
2)通过小波去噪模型对获得的时间序列的质量数据进行去噪，降低数据噪音，再基于BP神经网络模型进行学习和测试，并预测4M1E质量数据，对施工风险提前预警。
通过小波去噪模型对质量数据进行去噪，具体包括：
2.1a)通过小波函数模型以及规定的分解层数，将初始夹杂噪音的质量数据分解为具有不同频率特性的若干信号源，各层级的若干信号源不相互重叠，并包含不同的信号信息，小波函数模型公式如下所示：
式中：τ表示平移因子，α表示尺度因子，这两个指标分别反映随着函数变化，相应的时间位移或尺度伸缩能够不断调整；t表示时间，Ψ()表示母小波函数；
2.2a)各层级的信号依据小波去噪模型的阈值标准和方法，进行阈值处理，通过各层级信号的误差信息剔除，同时将有效信息进行保留，达到降噪处理的目的；
2.3a)通过小波重构，将降噪后的各层级信号源进行处理。
基于BP神经网络模型进行学习和测试，并预测4M1E质量数据，基于MATLAB软件实现，包括：
2.1b)将所述质量数据分为训练集和预测集，并进行数据归一化；
2.2b)BP神经网络模型初始化；
2.3b)权值和偏置值初始化；
2.4b)设置训练参数；
2.5b)BP神经网络模型的训练学习；
2.6b)反归一化输出预测的4M1E质量数据3)基于多源传感器，量化风险指标，构建云模型的数学模型，利用云模型构建D-S证据理论模型的基本可信度分配，运用D-S证据理论模型的融合规则对预测的质量信息进行融合，进行施工阶段风险预警，并在BIM模型上进行实时动态可视化呈现。所述构建云模型的数学模型，包括
3.1a)基于质量数据来量化风险指标，通过施工现场安全专项方案以及监测预警方案进行风险指标分级，再进行归一化处理得到风险指标体系；
3.2a)计算云模型隶属度函数，云模型的隶属度函数为：
En’ij＝Enij+sijXrand()
Hes
x为通过小波去噪和BP神经网络预测得到的数值；uij是第i个指标在第j个状态下的云模型隶属度函数；Ex为云模型云滴群的重心，属于定性概念；En能够反映可被定性语言值接受的数域中的范围，表示定性概念的模糊性；He反映云滴的凝聚状态，是熵的不确定性、随机性度量，也就是熵的熵；Exij、Enij、sij分别表示第i个指标在第j个状态下的Ex、En、s值；Cmax、Cmin表示该云模型区间的最大值、最小值；s为常数；rand()是0～1之间的随机变量函数；En’ij表示第i个指标在第j个状态下En通过s和随机变量修正的值。
所述构建D-S证据理论模型包括如下：
3.1b)根据4M1E指标，对系统给定辨识框架Θ。
3.2b)依据云模型的隶属度函数建立证据体的基本信度分配，具体公式如下：
m(A(表示对象A的mass函数或基本可信数，m(Θ)为不确定大小的基本信度分配值，Aj表示对象A的第j个状态，N表示对象A总的状态数。
3.3b)根据3.1a)的风险指标体系，计算所有风险指标的基本信度分配。
在步骤3)中，运用混和证据融合规则对质量数据进行融合，具体为：
3.1c)计算冲突因子，其表述证据体之间冲突的大小，证据体包含各指标的具体信息，公式如下：
K为冲突因子，n表示对象A风险指标总数，即证据体总数；
3.2c)判断证据体之间是否有冲突，若无冲突，直接用传统Dempster规则进行融合，反之进入到下一步；
3.3c)根据多源证据源的BPA以及相应的焦元属性，利用欧式距离函数，计算冲突证据体之间权重，利用加权平均规则将冲突证据体进行融合；
3.4c)：对证据体不断融合，直到所有证据体全部融合。
所述传统Dempster规则如下：
m(A)是证据体对对象A的基本概率赋值或基本可信数。
4)基于BIM模块上呈现的风险预警，通过专家群决策，对控制源进行调节和改善，不断优化，直到项目风险等级满足要求具体操作步骤如下：
4.1)基于BIM模型上呈现的风险状态，通过专家群决策途径，对质量数据进行调节和改善；
4.2)对改善的质量数据再次进行证据融合，评价决策后的工程风险状态，如果项目风险等级满足工程项目要求的水平，则结束；如果不满足要求，则进入步骤4.3)；
4.3)再次进行质量控制和风险管理，如此循环，直到项目风险等级满足要求。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。
Claims (8)
1.一种基于BIM和云证据理论的施工风险预警方法，其特征在于，包括如下步骤：
1)通过多源传感器感知质量数据，并结合物联网进行实时传输；感知的质量数据存储于BIM模型的质量信息仓库中；
2)通过小波去噪模型对质量数据进行去噪，再基于BP神经网络模型进行学习和测试，并预测4M1E质量数据；
3)基于多源传感器，量化风险指标，构建云模型的数学模型，利用云模型构建D-S证据理论模型的基本可信度分配，运用D-S证据理论模型的融合规则对预测的4M1E质量信息进行融合，进行施工阶段风险预警，并在BIM模型上进行实时动态可视化呈现；
4)基于BIM模块上呈现的风险预警，通过专家群决策，对控制源进行调节和改善，不断优化，直到项目风险等级满足要求。
2.如权利要求1所述的一种基于BIM和云证据理论的施工风险预警方法，其特征在于，在步骤2)中，通过小波去噪模型对质量数据进行去噪，具体包括：
2.1a)通过小波函数模型以及规定的分解层数，将初始夹杂噪音的质量数据分解为具有不同频率特性的若干信号源，各层级的若干信号源不相互重叠，并包含不同的信号信息，小波函数模型公式如下所示：
式中：τ表示平移因子，α表示尺度因子，t表示时间，Ψ()表示母小波函数；
2.2a)各层级的信号依据小波去噪模型的阈值标准和方法，进行阈值处理，通过各层级信号的误差信息剔除，同时将有效信息进行保留，达到降噪处理的目的；
2.3a)通过小波重构，将降噪后的各层级信号源进行处理。
3.如权利要求1所述的一种基于BIM和云证据理论的施工风险预警方法，其特征在于，在步骤2)中，所述基于BP神经网络模型进行学习和测试，并预测4M1E质量数据，基于MATLAB软件实现，包括：
2.1b)将所述质量数据分为训练集和预测集，并进行数据归一化；
2.2b)BP神经网络模型初始化；
2.3b)权值和偏置值初始化；
2.4b)设置训练参数；
2.5b)BP神经网络模型的训练学习；
2.6b)反归一化输出预测的4M1E质量数据。
4.如权利要求1所述的一种基于BIM和云证据理论的施工风险预警方法，其特征在于，在步骤3)中，所述构建云模型的数学模型，包括
3.1a)基于质量数据来量化风险指标，通过施工现场安全专项方案以及监测预警方案进行风险指标分级，再进行归一化处理得到风险指标体系；
3.2a)计算云模型隶属度函数，云模型的隶属度函数为：
En’ij＝Enij+sij×rand()
He＝s
x为通过小波去噪和BP神经网络预测得到的数值；uij是第i个指标在第j个状态下的云模型隶属度函数；Ex为云模型云滴群的重心，属于定性概念；En能够反映可被定性语言值接受的数域中的范围，表示定性概念的模糊性；He反映云滴的凝聚状态，是熵的不确定性、随机性度量，也就是熵的熵；Exij、Enij、sij分别表示第i个指标在第j个状态下的Ex、En、s值；Cmax、Cmin表示该云模型区间的最大值、最小值；s为常数；rand()是0～1之间的随机变量函数；En’ij表示第i个指标在第j个状态下En通过s和随机变量修正的值。
5.如权利要求4所述的一种基于BIM和云证据理论的施工风险预警方法，其特征在于，在步骤3)中，所述构建D-S证据理论模型包括如下：
3.1b)对系统给定辨识框架Θ；
3.2b)依据云模型的隶属度函数建立证据体的基本信度分配，具体公式如下：
m(A)表示对象A的mass函数或基本可信数，m(Θ)为不确定大小的基本信度分配值，Aj表示对象A的第j个状态，N表示对象A总的状态数。
3.3b)根据3.1a)的风险指标体系，计算所有风险指标的基本信度分配。
6.如权利要求5所述的一种基于BIM和云证据理论的施工风险预警方法，其特征在于，在步骤3)中，运用混和证据融合规则对预测的4M1E质量数据进行融合，具体为：
3.1c)计算冲突因子，其表述证据体之间冲突的大小，证据体包含风险指标体系中各指标的具体信息，公式如下：
K为冲突因子，n表示对象A风险指标总数，即证据体总数；
3.2c)判断证据体之间是否有冲突，若无冲突，直接用传统Dempster规则进行融合，反之进入到下一步；
3.3c)在冲突情境下，采用加权平均规则进行证据融合；
3.4c)：对证据体不断融合，直到所有证据体全部融合。
7.如权利要求6所述的一种基于BIM和云证据理论的施工风险预警方法，其特征在于：所述传统Dempster规则如下：
m(A)是证据体对对象A的基本概率赋值或基本可信数。
8.如权利要求1所述的一种基于BIM和云证据理论的施工风险预警方法，其特征在于，步骤(4)具体操作步骤如下：
4.1)基于BIM模型上呈现的风险状态，通过专家群决策途径，对质量数据进行调节和改善；
4.2)对改善的质量数据再次进行证据融合，评价决策后的工程风险状态，如果项目风险等级满足工程项目要求的水平，则结束；如果不满足要求，则进入步骤4.3)；
4.3)再次进行质量控制和风险管理，如此循环，直到项目风险等级满足要求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810701110.9A CN108960618B (zh) | 2018-06-29 | 2018-06-29 | 一种基于bim和云证据理论的施工风险预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810701110.9A CN108960618B (zh) | 2018-06-29 | 2018-06-29 | 一种基于bim和云证据理论的施工风险预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108960618A true CN108960618A (zh) | 2018-12-07 |
| CN108960618B CN108960618B (zh) | 2020-01-17 |
Family
ID=64484084
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810701110.9A Active CN108960618B (zh) | 2018-06-29 | 2018-06-29 | 一种基于bim和云证据理论的施工风险预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108960618B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110458432A (zh) * | 2019-07-30 | 2019-11-15 | 国网福建省电力有限公司 | 一种基于云模型的电力光传输网可靠性诊断方法 |
| CN111882202A (zh) * | 2020-07-24 | 2020-11-03 | 武汉建工集团股份有限公司 | 一种基于bp神经网络的群体建筑同步建造风险管理系统 |
| CN114757309A (zh) * | 2022-06-16 | 2022-07-15 | 青岛理工大学 | 多物理场监测数据协同融合的工程灾害预警方法及系统 |
| CN116383758A (zh) * | 2023-03-10 | 2023-07-04 | 武汉理工大学 | 一种锂电池热失控预警方法、装置、电子设备及介质 |
| CN118378902A (zh) * | 2024-06-25 | 2024-07-23 | 合肥工业大学 | 一种基于多源信息融合的管廊施工安全评价方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN205644892U (zh) * | 2016-04-22 | 2016-10-12 | 浙江工业职业技术学院 | 一种基于bim的地下工程施工安全风险感知装置 |
| CN206019704U (zh) * | 2016-04-22 | 2017-03-15 | 浙江工业职业技术学院 | 一种地下工程施工安全风险感知装置 |
| CN106694506A (zh) * | 2017-01-06 | 2017-05-24 | 西安思源学院 | 基于bim模型的垃圾填埋场运营风险监控系统及方法 |
| CN106779296A (zh) * | 2016-11-22 | 2017-05-31 | 华中科技大学 | 一种基于多传感器的隧道施工周围建筑物安全预警方法 |
-
2018
- 2018-06-29 CN CN201810701110.9A patent/CN108960618B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN205644892U (zh) * | 2016-04-22 | 2016-10-12 | 浙江工业职业技术学院 | 一种基于bim的地下工程施工安全风险感知装置 |
| CN206019704U (zh) * | 2016-04-22 | 2017-03-15 | 浙江工业职业技术学院 | 一种地下工程施工安全风险感知装置 |
| CN106779296A (zh) * | 2016-11-22 | 2017-05-31 | 华中科技大学 | 一种基于多传感器的隧道施工周围建筑物安全预警方法 |
| CN106694506A (zh) * | 2017-01-06 | 2017-05-24 | 西安思源学院 | 基于bim模型的垃圾填埋场运营风险监控系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈永高: "基于BIM与物联网的地下工程施工安全风险预警与实时控制研究", 《科技通报》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110458432A (zh) * | 2019-07-30 | 2019-11-15 | 国网福建省电力有限公司 | 一种基于云模型的电力光传输网可靠性诊断方法 |
| CN110458432B (zh) * | 2019-07-30 | 2022-10-04 | 国网福建省电力有限公司 | 一种基于云模型的电力光传输网可靠性诊断方法 |
| CN111882202A (zh) * | 2020-07-24 | 2020-11-03 | 武汉建工集团股份有限公司 | 一种基于bp神经网络的群体建筑同步建造风险管理系统 |
| CN114757309A (zh) * | 2022-06-16 | 2022-07-15 | 青岛理工大学 | 多物理场监测数据协同融合的工程灾害预警方法及系统 |
| CN116383758A (zh) * | 2023-03-10 | 2023-07-04 | 武汉理工大学 | 一种锂电池热失控预警方法、装置、电子设备及介质 |
| CN118378902A (zh) * | 2024-06-25 | 2024-07-23 | 合肥工业大学 | 一种基于多源信息融合的管廊施工安全评价方法 |
| CN118378902B (zh) * | 2024-06-25 | 2024-10-01 | 合肥工业大学 | 一种基于多源信息融合的管廊施工安全评价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108960618B (zh) | 2020-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108960618A (zh) | 一种基于bim和云证据理论的施工风险预警方法 | |
| Li | GeoAI: Where machine learning and big data converge in GIScience | |
| Xie et al. | Deduction of sudden rainstorm scenarios: integrating decision makers' emotions, dynamic Bayesian network and DS evidence theory | |
| CN113115225B (zh) | 基于危险源监测与人员定位的电子围栏区域生成系统 | |
| CN107886235A (zh) | 一种耦合确定性与不确定分析的火灾风险评估方法 | |
| CN108898314A (zh) | 一种基于bim和质量多源信息融合施工风险评估方法 | |
| Santos et al. | Enhanced performance measurement using OR: a case study | |
| CN105243503A (zh) | 基于空间变量和logistic回归的海岸带生态安全评估方法 | |
| CN103903088A (zh) | 一种高速铁路建设工程质量风险控制系统及方法 | |
| CN117787711A (zh) | 一种基于大数据的拱桥施工单端管理系统 | |
| Zhang et al. | Urban spatial risk prediction and optimization analysis of POI based on deep learning from the perspective of an epidemic | |
| CN117893020A (zh) | 一种水利工程质量安全风险评估方法 | |
| CN112990531B (zh) | 一种基于特征增强ConvLSTM的雾霾预测方法 | |
| Chen et al. | Sustainability evaluation of urban large-scale infrastructure construction based on dynamic fuzzy cognitive map | |
| Fu et al. | Nonlinear dynamic measurement method of software reliability based on data mining | |
| Chen et al. | A decision-aid system for subway microenvironment health risk intervention based on backpropagation neural network and permutation feature importance method | |
| CN117474327A (zh) | 一种韧性视角下城市交通综合体系统风险评估方法 | |
| Dunea et al. | Fuzzy inference systems for estimation of air quality index | |
| Shi et al. | The mine emergency management capability based on EWM-CNN comprehensive evaluation | |
| Qiao et al. | Connotation, characteristics and framework of coal mine safety big data | |
| Shen et al. | A model to evaluate the effectiveness of the maritime shipping risk mitigation system by entropy-based capability degradation analysis | |
| Li et al. | Computer-aided resilience: Advanced techniques for disaster management in smart urban environments | |
| Fareri et al. | The energy worker profiler from technologies to skills to realize energy efficiency in manufacturing | |
| Bi et al. | Introducing attentive neural networks into unconventional oil and gas violation analysis and emergency response system | |
| Liu et al. | Multi-attribute group decision-making method using single-valued neutrosophic credibility numbers with the Dombi extended power aggregation operator and its application in intelligent transportation system data collection scheme selection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |