CN109614669B - 网级桥梁结构性能评估预测方法 - Google Patents

网级桥梁结构性能评估预测方法 Download PDF

Info

Publication number
CN109614669B
CN109614669B CN201811409843.1A CN201811409843A CN109614669B CN 109614669 B CN109614669 B CN 109614669B CN 201811409843 A CN201811409843 A CN 201811409843A CN 109614669 B CN109614669 B CN 109614669B
Authority
CN
China
Prior art keywords
bridge
traffic volume
maintenance
network
performance
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.)
Active
Application number
CN201811409843.1A
Other languages
English (en)
Other versions
CN109614669A (zh
Inventor
夏烨
王鹏
孙利民
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN201811409843.1A priority Critical patent/CN109614669B/zh
Publication of CN109614669A publication Critical patent/CN109614669A/zh
Application granted granted Critical
Publication of CN109614669B publication Critical patent/CN109614669B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种网级桥梁结构性能评估预测方法，包括：步骤S1：采集各桥梁的历年检测报告，提取各年的技术状况评分、桥龄、结构类型、交通量和维修行为信息，并构建关系数据库；步骤S2：基于关系数据库中的数据对建立的结构性能退化模型进行训练并检验；步骤S3：利用训练完成的结构性能退化模型，预测区域路网内桥梁的整体结构及局部构件的性能变化趋势；步骤S4，给出区域路网内桥梁的优化检修方案及养护策略。与现有技术相比，本发明综合了数据挖掘技术，对长年桥梁巡检工作积累下的海量检测资料进行了有效、充分的利用，建立神经网络模型，将提取的数据转化为桥梁管养领域的宝贵知识，实现了网级的桥梁结构性能评估预测和决策支持。

Description

网级桥梁结构性能评估预测方法
技术领域
本发明涉及桥梁安全领域，尤其是涉及一种网级桥梁结构性能评估预测方法。
背景技术
我国是世界上公路桥梁数量最多的国家。根据交通运输部统计信息，截止到2016年末，我国已有公路桥梁80.53万座，累计长度4916.97万延米。而随着桥梁服役年限的增加，大批新建桥梁正逐渐进入“老龄化”阶段，并不可避免地发生着各种形式的结构退化。可见，推进各类在役桥梁的管理养护工作是刻不容缓的。然而，对于指定的交通路网，尽管在常年的结构巡检中积累了大量蕴含宝贵结构信息的珍贵资料，却一直缺乏相应的手段将其充分利用，造成了数据灾难。另一方面，现行的桥梁管养方法仅在单体桥梁的层次实施，而未在路网层次进行统筹，忽视了同一区域内的桥梁结构的诸多共性，因而极大地降低了管养工作的效率。
网级桥梁结构性能评估在工程实践中曾饱受诸多问题的困扰。例如，建立网级桥梁评估模型需要巨大的数据量作为支持。因此需要对既有历史桥梁检测资料和各路段交通流量观测记录进行数据挖掘，提取感兴趣、有价值的信息通过数据集成、数据清洗、数据转换得到关系数据库。同时，如何基于该数据库模拟桥梁性能退化趋势和其各项基本参数间的复杂非线性及逻辑关系是一份艰巨的工作。基于神经网络的机器学习方法在此提供了一个实用且有效的途径。最后，合理的模型应当是为交通路网内所有桥梁的管养统筹服务的。基于前述工作得到的神经网络模型可以有效地预测现有桥梁的未来发展趋势，并给出关于维修方案的建议。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种网级桥梁结构性能评估预测方法。
本发明的目的可以通过以下技术方案来实现：
一种网级桥梁结构性能评估预测方法，包括：
步骤S1：采集各桥梁的历年检测报告，提取各年的技术状况评分、桥龄、结构类型、交通量和维修行为信息，并构建关系数据库；
步骤S2：基于关系数据库中的数据对建立的神经网络进行训练并检验，得到用于预测结构性能退化的神经网络模型；
步骤S3：利用训练完成的神经网络模型，获取各待预测桥梁的结构类型、年交通量，预测区域路网内桥梁的整体结构及局部构件的性能变化趋势。
所述步骤S1具体包括：
步骤S11：载入目标区域路网各桥梁的历年检测报告；
步骤S12：提取每份检测报告中的技术状况评分、桥龄、结构类型、交通量和维修行为信息；
步骤S13：按照预设的数据清洗规则对提取的数据进行清洗以去除无效数据；
步骤S14：对结构类型筛选桥梁的桥龄、结构类型、交通量、维修行为信息、每年的技术状况评分字段作为关系数据库的属性集，将经过数据清洗后的部分进行处理并存入关系数据库中。
所述步骤S13中清洗过程具体为：将存在缺失、错误现象的数据进行删除。
所述步骤S14具体包括：
步骤S141：对维修行为属性进行二值变换，对于某一条记录，若其对应的桥梁在当年进行了维修，则将该记录的“维修行为”属性值设置为1，反之为0；
步骤S142：对结构类型属性进行矢量化处理；
步骤S143：对桥龄、交通量两项属性分别进行归一变换：
Figure BDA0001878234100000021
其中：a'为归一变换后的桥龄或交通量，a为归一变换前的桥龄或交通量量，amax为桥龄或交通量的最大值。
步骤S144：对技术状况评分属性进行归一变换：
Figure BDA0001878234100000022
其中：b'为归一变换后的技术状况评分，b为归一变换前的技术状况评分。
所述神经网络为多隐层前馈神经网络模型：
输入层设定6个神经元，属性桥龄、交通量、维修行为各对应1个，结构类型矢量对应3个；
输出层设定1个神经元，即每年的技术状况评分；
且所有神经元在层间均定义连接，同时在层内不存在连接。
所述多隐层前馈神经网络模型的网络学习率初始化为0.1。
所述多隐层前馈神经网络模型还包括隐含层，隐含层中设定20个神经元。
所述多隐层前馈神经网络模型的损失函数定义为模型输出的预测值与真实值之间的均方差。
所述步骤S3中任一目标区域路网中的待预测桥梁的预测过程具体包括：
步骤S31：按桥龄的增加从最近一次待预测年份起分别为不同的桥龄生成对应记录；
步骤S32：在生成的各条记录中，根据预定的维修方案，设置各记录下维修行为的取值；
步骤S33：载入该桥梁的历史结构类型、交通量，并分别填充至所有生成的记录中；
步骤S34：将该梁桥所有待预测年份的历史结构类型、交通量和桥龄作为训练完成的神经网络模型的输入，输出按照预定维修方案下各年的技术状况评分。
所述交通量为年平均日交通量。
与现有技术相比，本发明具有以下有益效果：
1)综合了数据挖掘技术，对长年桥梁巡检工作积累下的海量检测资料进行了有效、充分的利用，建立神经网络模型，将提取的数据转化为桥梁管养领域的宝贵知识，实现了网级的桥梁结构性能评估预测和管养指导。
2)通过对常年累积的区域桥梁检测报告进行信息的提取、数据的集成和规整，将结构参数及其性能退化趋势转化为关系数据库。
3)通过训练人工神经网络模型，模拟桥梁桥龄、类型、交通量、维修行为各参数与结构状态间的关系。
4)以成熟的模型作为基础，进一步预测未来区域桥梁的性能变化和退化趋势。
5)通过实际算例验证，依此方法得到的网级桥梁性能评估预测结果具有很高的实用性，为网级桥梁的管理和养护提供了有效的决策支持。
附图说明
图1为本发明的主要步骤流程示意图；
图2为关系数据库与神经网络模型间的信息交互示意图；
图3为神经网络组成实例示意图；
图4为交通路网内指定桥梁在不同维修方案下的预测结果对比示意图；
图5为本方法的完整工作流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
一种网级桥梁结构性能评估预测方法，如图1和图5所示，包括：
步骤S1：对区域桥梁历年检测报告信息进行数据挖掘，提取其桥龄、类型、年平均日交通量、维修行为以及各年的桥梁技术状况评分，构建关系数据库，具体包括：
步骤S11：收集、汇总目标区域路网交通路网内所有桥梁的历年检测报告，然后载入；
步骤S12：提取每份检测报告中的技术状况评分、桥龄、结构类型、年平均日交通量和维修行为信息，即进行特征选择，筛选桥梁的桥龄、结构类型、年平均日交通量、维修行为、每年的技术状况评分字段作为关系数据库的属性集，据此对每份报告进行数据提取和集成；
步骤S13：按照预设的数据清洗规则对提取的数据进行清洗以去除无效数据，清洗过程具体为：将存在缺失、错误现象的数据进行删除；需要设定数据清洗规则，对于数据库中的某一条记录，若其任一属性值存在缺失、错误现象，则将其删除，确保数据的有效性及可用性；例如，一条记录的桥龄属性值为-1或空白，则将整条记录删去；
步骤S14：对结构类型筛选桥梁的桥龄、结构类型、年平均日交通量、维修行为信息、每年的技术状况评分字段作为关系数据库的属性集，将经过数据清洗后的部分进行处理并存入关系数据库中，具体包括：
步骤S141：对维修行为属性进行二值变换，对于某一条记录，若其对应的桥梁在当年进行了维修，则将该记录的“维修行为”属性值设置为1，反之为0；
步骤S142：对结构类型属性进行矢量化处理，将数据库中的所有桥梁划分为三类，即板梁桥、箱梁桥、其他，分别转换为(1，0，0)，(0，1，0)，(0，0，1)；
步骤S143：对桥龄、年平均日交通量两项属性分别进行归一变换：
Figure BDA0001878234100000051
其中：a'为归一变换后的桥龄或年平均日交通量，a为归一变换前的桥龄或年平均日交通量，amax为桥龄或年平均日交通量的最大值。
步骤S144：对技术状况评分属性进行归一变换：
Figure BDA0001878234100000052
其中：b'为归一变换后的技术状况评分，b为归一变换前的技术状况评分。
步骤S2：基于关系数据库中的数据对建立的神经网络进行训练并检验，得到用于预测结构性能退化的神经网络模型，具体包括：
步骤S21：构建多隐层前馈神经网络模型，输入层设定6个神经元，属性桥龄、年平均日交通量、维修行为各对应1个，结构类型矢量对应3个，其中每个分量对应一个；输出层设定1个神经元，即每年的技术状况评分；
步骤S22：设定隐含层数量为1，其中，隐含层中设定20个神经元；
步骤S23：所有神经元在层间均定义连接，并将其对应的权重系数按0-1区间随机采样进行初始化，同时在层内不存在连接。
步骤S24：网络学习率初始化为0.1；
步骤S25：损失函数定义为模型输出的预测值yi‘与真实值yi之间的均方差，在本方法中，模型输出为归一化后的技术状况评分，若将数据库中的n条记录导入模型中作为数据集，则损失的计算公式为
Figure BDA0001878234100000053
步骤S26：采用BP算法对该网络进行迭代训练，直至误差大小低于预设值。
步骤S3：利用训练完成的神经网络模型，获取各待预测桥梁的结构类型、年交通量，预测区域路网内桥梁的整体结构及局部构件的性能变化趋势，本实施例中同时对设定维修方案下的性能变化进行趋势预测，具体包括：
步骤S31：按桥龄的增加从最近一次待预测年份起分别为不同的桥龄生成对应记录；
步骤S32：在生成的各条记录中，根据预定的维修方案，设置各记录下维修行为的取值；
步骤S33：载入该桥梁的历史结构类型、年平均日交通量，并分别填充至所有生成的记录中；
步骤S34：将该梁桥所有待预测年份的历史结构类型、年平均日交通量和桥龄作为训练完成的神经网络模型的输入，输出按照预定维修方案下各年的技术状况评分。
将上述方法在某路网内的公路桥梁中试用，通过收集并整合该路网内所有公路桥梁检测报告，生成关系数据库，按图2所示建立神经网络模型。在本实例中共设置4个输入神经元，分别为桥龄、类型、年平均日交通量、维修行为，设置1个输出神经元，为桥梁技术状况，如图3所示。通过迭代训练使模型准确度满足要求。用成熟的模型对路网内某座桥梁在不同的维修方案下的未来退化趋势进行预测，结果如图4所示。相应的预测流程可以在路网内所有公路桥梁上实现，并由此给出合理的管养建议。

Claims (6)

1.一种网级桥梁结构性能评估预测方法，其特征在于，实现网级的桥梁结构性能评估预测和管养指导，方法包括：
步骤S1：采集各桥梁的历年检测报告，提取各年的技术状况评分、桥龄、结构类型、交通量和维修行为信息，并构建关系数据库，
步骤S2：基于关系数据库中的数据对建立的神经网络进行训练并检验，得到用于预测结构性能退化的神经网络模型，
步骤S3：利用训练完成的神经网络模型，获取各待预测桥梁的结构类型、年交通量，预测区域路网内桥梁的整体结构及局部构件的性能变化趋势；
所述步骤S1具体包括：
步骤S11：采集目标区域路网各桥梁的历年检测报告，
步骤S12：提取每份检测报告中的技术状况评分、桥龄、结构类型、交通量和维修行为信息，
步骤S13：按照预设的数据清洗规则对提取的数据进行清洗以去除无效数据，
步骤S14：对结构类型筛选桥梁的桥龄、结构类型、交通量、维修行为信息、每年的技术状况评分字段作为关系数据库的属性集，将经过数据清洗后的部分进行处理并存入关系数据库中；
所述步骤S14具体包括：
步骤S141：对维修行为属性进行二值变换，对于某一条记录，若其对应的桥梁在当年进行了维修，则将该记录的“维修行为”属性值设置为1，反之为0，
步骤S142：对结构类型属性进行矢量化处理，
步骤S143：对桥龄、交通量两项属性分别进行归一变换：
Figure FDA0003292160650000011
其中：a'为归一变换后的桥龄或交通量，a为归一变换前的桥龄或交通量，amax为桥龄或交通量的最大值；
所述神经网络为多隐层前馈神经网络模型：
输入层设定6个神经元，属性桥龄、交通量、维修行为各对应1个，结构类型矢量对应3个，
输出层设定1个神经元，即每年的技术状况评分，
且所有神经元在层间均定义连接，同时在层内不存在连接；
所述步骤S3中任一目标区域路网中的待预测桥梁的预测过程具体包括：
步骤S31：按桥龄的增加从最近一次待预测年份起分别为不同的桥龄生成对应记录；
步骤S32：在生成的各条记录中，根据预定的维修方案，设置各记录下维修行为的取值；
步骤S33：载入该桥梁的历史结构类型、交通量，并分别填充至所有生成的记录中；
步骤S34：将该梁桥所有待预测年份的历史结构类型、交通量和桥龄作为训练完成的神经网络模型的输入，输出按照预定维修方案下各年的技术状况评分。
2.根据权利要求1所述的一种网级桥梁结构性能评估预测方法，其特征在于，所述步骤S13中清洗过程具体为：将存在缺失、错误现象的数据进行删除；
步骤S144：对技术状况评分属性进行归一变换：
Figure FDA0003292160650000021
其中：b'为归一变换后的技术状况评分，b为归一变换前的技术状况评分。
3.根据权利要求1所述的一种网级桥梁结构性能评估预测方法，其特征在于，所述多隐层前馈神经网络模型的网络学习率初始化为0.1。
4.根据权利要求1所述的一种网级桥梁结构性能评估预测方法，其特征在于，所述多隐层前馈神经网络模型还包括隐含层，隐含层中设定20个神经元。
5.根据权利要求1所述的一种网级桥梁结构性能评估预测方法，其特征在于，所述多隐层前馈神经网络模型的损失函数定义为模型输出的预测值与真实值之间的均方差。
6.根据权利要求1所述的一种网级桥梁结构性能评估预测方法，其特征在于，所述交通量为年平均日交通量。
CN201811409843.1A 2018-11-23 2018-11-23 网级桥梁结构性能评估预测方法 Active CN109614669B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811409843.1A CN109614669B (zh) 2018-11-23 2018-11-23 网级桥梁结构性能评估预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811409843.1A CN109614669B (zh) 2018-11-23 2018-11-23 网级桥梁结构性能评估预测方法

Publications (2)

Publication Number Publication Date
CN109614669A CN109614669A (zh) 2019-04-12
CN109614669B true CN109614669B (zh) 2022-02-18

Family

ID=66003475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811409843.1A Active CN109614669B (zh) 2018-11-23 2018-11-23 网级桥梁结构性能评估预测方法

Country Status (1)

Country Link
CN (1) CN109614669B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160528B (zh) * 2019-12-28 2021-01-08 浙江大学 钢筋混凝土桥梁服役性能退化预测方法
CN111242347B (zh) * 2019-12-28 2021-01-01 浙江大学 基于历史权重更新的桥梁管养辅助决策系统
CN111222189A (zh) * 2019-12-31 2020-06-02 湖南工程学院 一种高效的桥梁结构健康预警控制系统、方法
CN113569908B (zh) * 2021-06-24 2024-02-27 河南大学 基于深度学习的桥梁技术状况及病害预测反推演算方法
CN113569315B (zh) * 2021-07-27 2023-11-28 中铁大桥局集团有限公司 桥梁集群动态评估方法、装置、设备和可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH056353A (ja) * 1991-06-27 1993-01-14 Toshiba Corp ニユ−ラルネツトワ−ク装置
US9002775B1 (en) * 2011-09-02 2015-04-07 Lockheed Martin Corporation Systems and methods for estimating a remaining useful life of an item
CN105868917A (zh) * 2016-04-13 2016-08-17 内蒙古工业大学 一种面向维修性设计的复杂产品可供性特性识别方法
CN105956667A (zh) * 2016-04-14 2016-09-21 平安科技（深圳）有限公司 车险定损理赔审核方法及系统
CN107505931A (zh) * 2017-07-10 2017-12-22 南京航空航天大学 一种基于深度信念网络的航空发动机维修等级决策方法
CN107633309A (zh) * 2017-09-22 2018-01-26 合肥工业大学 一种复杂成形设备的维修策略确定方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5234546B2 (ja) * 2009-02-20 2013-07-10 独立行政法人産業技術総合研究所 応力発光解析装置、応力発光解析方法、応力発光解析プログラムおよび記録媒体
CN104504265B (zh) * 2014-12-24 2017-09-05 重庆交通大学 一种在役桥梁监测信息安全评估的方法
US10565522B2 (en) * 2016-07-25 2020-02-18 General Electric Company System modeling, control and optimization
CN107871161A (zh) * 2017-11-07 2018-04-03 中国铁道科学研究院铁道建筑研究所 一种基于神经网络的桥梁整体损伤预警方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH056353A (ja) * 1991-06-27 1993-01-14 Toshiba Corp ニユ−ラルネツトワ−ク装置
US9002775B1 (en) * 2011-09-02 2015-04-07 Lockheed Martin Corporation Systems and methods for estimating a remaining useful life of an item
CN105868917A (zh) * 2016-04-13 2016-08-17 内蒙古工业大学 一种面向维修性设计的复杂产品可供性特性识别方法
CN105956667A (zh) * 2016-04-14 2016-09-21 平安科技（深圳）有限公司 车险定损理赔审核方法及系统
CN107505931A (zh) * 2017-07-10 2017-12-22 南京航空航天大学 一种基于深度信念网络的航空发动机维修等级决策方法
CN107633309A (zh) * 2017-09-22 2018-01-26 合肥工业大学 一种复杂成形设备的维修策略确定方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PREDICTION OF HIGHWAY BRIDGE PERFORMANCE BY ARTIFICIAL NEURAL NETWORKS AND GENETIC ALGORITHMS;Onur B Tokdemir et al;《17th International Symposium on Automation and Robotics in Construction 2000》;20001231;第1-8页 *
基于小波神经网络对城市供水管网漏损的研究;汪健 等;《计算机与数字工程》;20161231;第1357-1360页 *
基于长期监测数据的混凝土梁桥健康状态评判方法研究;韦跃;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20150315;第C034-680页 *

Also Published As

Publication number Publication date
CN109614669A (zh) 2019-04-12

Similar Documents

Publication Publication Date Title
CN109614669B (zh) 网级桥梁结构性能评估预测方法
CN112685504B (zh) 一种面向生产过程的分布式迁移图学习方法
WO2023142424A1 (zh) 基于gru-lstm神经网络的电力金融业务风控方法及系统
CN109214004B (zh) 基于机器学习的大数据处理方法
CN104778622A (zh) Tps交易事件阈值的预测方法及预测系统
CN109902344B (zh) 中小跨径桥梁群结构性能预测装置及系统
CN109241298A (zh) 语义数据存储调度方法
CN113449072A (zh) 基于深度学习的挖掘机故障知识图谱的构建方法
CN105471647A (zh) 一种电力通信网故障定位方法
CN114970926A (zh) 一种模型训练方法、企业经营风险预测方法和装置
JP2023515731A (ja) 回帰型ニューラルネットワークにより量子を転送する過程を模擬する際における量子条件のマスター方程式による模擬方法
CN116756825A (zh) 一种中小跨径桥梁的群结构性能预测系统
CN116881819A (zh) 一种基于孤立森林的斜拉索工作状态监测方法
CN114818353A (zh) 一种基于故障特征关系图谱的列控车载设备故障预测方法
CN114662793A (zh) 基于可解释分层模型的业务流程剩余时间预测方法与系统
CN111985782B (zh) 基于环境感知的自动驾驶有轨电车运行风险评估方法
CN111242347B (zh) 基于历史权重更新的桥梁管养辅助决策系统
CN113642162A (zh) 一种城市道路交通应急预案仿真综合分析方法
CN108959721B (zh) 一种风车荷载作用下的大跨度桥梁构件可靠度计算方法
WO2024027071A1 (zh) 一种数据监控方法及系统
CN112287996B (zh) 一种基于机器学习的重大事件关键因子挖掘方法
CN114372640A (zh) 一种基于波动序列分类校正的风电功率预测方法
CN113807704A (zh) 一种城市轨道交通数据的智能算法平台构建方法
CN114386647A (zh) 一种油气田行业能耗的预测方法及系统
CN111177975A (zh) 一种基于人工智能的航空装备可用度预计方法

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