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
- 238000010276 construction Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 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
- 238000009826 distribution Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000013178 mathematical model Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000003908 quality control method Methods 0.000 claims description 4
- 238000010948 quality risk assessment Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 239000000428 dust Substances 0.000 claims 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 2
- 238000004220 aggregation Methods 0.000 claims 1
- 230000002776 aggregation Effects 0.000 claims 1
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000005259 measurement Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 claims 1
- 230000008447 perception Effects 0.000 claims 1
- 238000011946 reduction process Methods 0.000 claims 1
- 230000000007 visual effect Effects 0.000 claims 1
- 238000004451 qualitative analysis Methods 0.000 abstract description 3
- 238000005728 strengthening Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000009833 condensation Methods 0.000 description 2
- 230000005494 condensation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000012502 risk assessment Methods 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)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (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 | |
| CN108898314A (zh) | 一种基于bim和质量多源信息融合施工风险评估方法 | |
| CN103439472B (zh) | 基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法 | |
| Khajwal et al. | Post‐disaster damage classification based on deep multi‐view image fusion | |
| CN107273924A (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
| CN109300040A (zh) | 基于全媒体大数据技术的海外投资风险评估方法及系统 | |
| CN118246744A (zh) | 一种特长隧道施工现场风险评估方法及系统 | |
| CN107918837A (zh) | 一种果蔬类食品安全风险预测方法 | |
| CN110610308A (zh) | 一种基于标杆法对环境技术进行评估的方法 | |
| CN105608536A (zh) | 基于隐马尔克夫模型的食品安全风险预测方法 | |
| CN115619209A (zh) | 融合修正参数层次分析法的电力建设工程风险评价系统 | |
| CN117609731A (zh) | 一种基于因果推断的本科生毕业去向预测方法与可视分析系统 | |
| Xue et al. | Risk assessment of utility tunnels through risk interaction-based deep learning | |
| CN117455365A (zh) | 一种基于改进人工神经网络的危化品仓储预警方法及系统 | |
| CN103942251A (zh) | 基于多种质控方法的高空气象资料入库方法和入库系统 | |
| Dunea et al. | Fuzzy inference systems for estimation of air quality index | |
| CN112990531B (zh) | 一种基于特征增强ConvLSTM的雾霾预测方法 | |
| CN117851879B (zh) | 一种加氢站泄漏燃爆事故灾情演化研判与预测方法和装置 | |
| CN117408519A (zh) | 基于深度学习算法的化工反应过程风险预警方法及装置 | |
| CN118569634A (zh) | 一种基于集成学习与时序图神经网络的粮仓风险事件智能预警及处理方法 | |
| CN118485306A (zh) | 一种对于电力客户的风险控制方法及系统 | |
| CN118486164A (zh) | 一种基于可拓云模型的交叉口及路段交通安全评价方法 | |
| Li et al. | Enhanced input modeling for construction simulation using bayesian deep neural networks | |
| CN115719171A (zh) | 一种基于物联网感知数据和梯度提升树模型的电梯维保评价方法 | |
| CN111738563B (zh) | 一种航天生产现场过程管控能力检测方法 |
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 |