CN109766990A - 一种基于aga-elm混合算法的海底管线腐蚀速率预测方法 - Google Patents
一种基于aga-elm混合算法的海底管线腐蚀速率预测方法 Download PDFInfo
- Publication number
- CN109766990A CN109766990A CN201910019423.0A CN201910019423A CN109766990A CN 109766990 A CN109766990 A CN 109766990A CN 201910019423 A CN201910019423 A CN 201910019423A CN 109766990 A CN109766990 A CN 109766990A
- Authority
- CN
- China
- Prior art keywords
- hidden layer
- learning machine
- extreme learning
- pipeline corrosion
- corrosion rate
- 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
Landscapes
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于AGA‑ELM混合算法的海底管线腐蚀速率预测方法,包括:1)选取影响管线腐蚀的主要因素作为极限学习机的输入参数xi,腐蚀速率为输出参数yi;2)利用测试实验法选择合适的激活函数与极限学习机隐含层阈值;3)设置自适应遗传算法相关参数;4)对输入权值矩阵与隐含层阈值进行编码;5)计算种群中每个个体的适应度值;6)判断适应度值是否满足要求,若满足则直接得出极限学习机输出矩阵,否则进入步骤7);7)通过自适应遗传算法的遗传操作优化种群;7)将优化后的输入权值及隐含层阈值带入极限学习机;8)利用训练样本训练极限学习机模型,得最优模型;9)将待预测样本数据输入最优模型中,输出腐蚀速率预测值。
Description
技术领域
本发明属于油气管道输送技术领域,涉及一种基于AGA-ELM混合算法的海底管线腐蚀速率预测方法。
背景技术
随着工业化的发展,石油天然气已经是当今世界上不可或缺的能源,同时也是国家重要的战略物资,在维护社会和平稳定方面发挥重要作用。油气管道作为其主要运输方式,现已在全国范围内铺设。20世纪40年代,我国建立了首条国内管道;上世纪七十年代,我国开始建立全国性的原油管网,原油及其附属化工产品开始进一步走进我们的社会;上世纪八十年代,我国开始自行设计具有密闭性质和自动化性质的新型管道及其管理系统,并在东黄复线进行了设计实践。2005年,我国与哈萨克斯坦联通了数条输油管道,标志着我国油气管道的发展开始走向世界。
我国海域辽阔,资源丰富,累计探明的海上石油储量约220000万吨,储存量可观。但由于海上与陆上油气管道所处环境不同,易受腐蚀、第三方活动、波流冲刷、海床运动、台风、结构缺陷、设计安装问题、操作失误等因素影响,极易发生失效事故。管道一旦失效,不仅影响着正常生产运输,造成经济损失,还可能污染海洋环境,造成生态破坏,其造成的危害后果远远大于陆上。而且,海上管道危害常表现为长期危害,主要是对事故区域的海洋生态环境平衡产生毁灭性的破坏。据统计,腐蚀是造成海上管道失效的主要因素,其所占比例高达35%。1997年,美国墨西哥湾某海上平台的立管发生腐蚀穿孔,造成原油泄露并引发火灾;2006年英国石油公司某石油管道因老化发生严重腐蚀,导致原油泄露,致使阿拉斯加最大油田关闭;2007年,我国涠洲某段原油管道因腐蚀严重发生断裂,事故发生后停产维修7个月,造成巨大经济损失。因此,开展海上油气管道的腐蚀失效研究,对提高管道失效事故的预测能力,确保管道安全运行、稳定供应具有重要意义。
目前,国内外学者已在海底管线腐蚀研究方面取得了重要成果。包括利用Monte-Carlo模拟、结构可靠性理论和贝叶斯推理、灰色径向基、SVM等方法建立腐蚀研究模型。如“Helio da Cunha Bisaggio,Theodoro Antoun Netto.Predictive analyses of theintegrity of corroded pipelines based on concepts of structural reliabilityand Bayesian inference[J].Marine Structures,2015,41:180-199.”一文中基于结构可靠性理论和贝叶斯推理,建立了腐蚀管道失效概率及其使用寿命预测模型。但该模型未系统地考虑到实际操作与环境因素对腐蚀失效的影响。“韩文海,周晶.腐蚀海底管道可靠性分析[J].石油学报,2015,36(4):516-520.”一文在分析海底管道可能受到的荷载作用的同时,通过Monte Carlo方法分析计算了管道在这些作用下的可靠性,得到了失效概率的时间变化曲线。但Monte Carlo方法的计算量大,收敛速度较慢,且精确度不高。以上研究方法,存在诸如影响因素考虑不足、算法性能较低等缺陷,需要对此做进一步地改进。鉴于此,探究海水腐蚀破坏机理,建立高效可靠的智能化海底管线腐蚀预测模型十分重要。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供了一种基于AGA-ELM混合算法的海底管线腐蚀速率预测方法,该方法能够实现海底管线腐蚀概率的准确预测。
为达到上述目的,本发明所述的基于AGA-ELM混合算法的海底管线腐蚀速率预测方法包括以下步骤:
1)获取影响海底管线腐蚀的主要因素及其数据样本,所述影响海底管线腐蚀的主要因素包括海水温度、溶解氧、含盐度、海水PH值及氧化还原电位;
2)设数据样本的数目为N个,将N个数据样本分为训练集及测试集,其中,(xi,yi)为第i个数据样本,i=1,2...,N,将影响海底管线腐蚀的主要因素设为极限学习机的输入参数集xi=[xi1,xi2,xi3,xi4,xi5],其中,xi1,xi2,xi3,xi4,xi5分别对应海水温度、溶解氧、含盐度、海水PH值及氧化还原电位,将第i个数据样本对应的腐蚀速率作为输出参数集yi,则极限学习机的数学模型为:
3)通过测试实验法选择激活函数及最优隐含层节点数;
4)在自适应遗传算法中采用二进制编码对极限学习机的输入权值矩阵及隐含层阈值进行初始化编码;
5)设置自适应遗传算法的种群个数、种群中个体长度、交叉概率区间、变异概率区间、代沟、最大迭代次数及个体被选中的概率;
6)选择适应度函数,利用适应度函数计算种群中个体的适应度值,适应度函数为:
7)自适应遗传算法通过选择、交叉及变异操作不断进化,得到最佳输入权值矩阵ωi及隐含层阈值bj;
8)利用给定的训练样本训练模型,将给定训练样本代入极限学习机的数学模型中,得Y'=Hβ,H为隐含层输出矩阵,Y'为输出预测值;
9)将最佳输入权值矩阵ωi及隐含层阈值bj输入到极限学习机中,则模型目标转化为寻找最佳β值,使目标函数值最小得H+为H的摩尔-彭若斯广义逆矩阵,得最优极限学习机的数学模型;
10)根据最优极限学习机的数学模型预测海底管线腐蚀速率。
步骤3)的具体操作为:确定隐含层节点数区间为[2n+1,N],n为输入层节点数,再从Sigmoid函数、Sine函数及Hardlim函数中选择激活函数;在隐含层节点数区间内分别测试Sigmoid函数、Sine函数及Hardlim函数的预测结果,选择误差最小时对应的隐含层节点数及激活函数作为最终的激活函数及最优隐含层节点数;
步骤3)中Sigmoid函数计算公式为:Sine函数计算公式为:g(x)=sin(x);Hardlim函数计算公式为:
步骤5)中种群个体长度G为:G=l(n+1),其中,l为隐含层节点数,n为输入层节点数,种群中个体i被选的概率为si为个体i的适应度值。
步骤7)中改进后的自适应遗传算法的交叉变异算子为:
其中,Pc为交叉算子,pcmax为最大交叉率,pcmin为最小交叉率,smin为种群最小适应度;Pm为变异算子,pmmax为最大变异率,pmmin为最小变异率。
步骤8)中隐含层输出矩阵H与输出矩阵Y'分别为:
本发明具有以下有益效果:
本发明所述的基于AGA-ELM混合算法的海底管线腐蚀速率预测方法在具体操作时,充分考虑影响海底管线腐蚀的主要因素,并将其作为极限学习机的输入变量x,将腐蚀速率作为输出向量y,然后利用测试法选择最优隐含层节点数l及激活函数g(x),并在此基础上利用自适应遗传算法对极限学习机的输入层权值矩阵ω及隐含层阈值b进行优化,以提高预测精度,为进一步提高自适应遗传算法的优化性能,引入反余弦函数,对自适应遗传算法的选择交叉变异进行改进,以使其更加适应遗传算法的进化过程,最后计算出最佳输出权值矩阵β,并得到最优极限学习机模型,将待预测样本数据输入最优极限学习机模型,以输出腐蚀速率预测值,以期为海底管线维护提供理论基础,为管线腐蚀预测研究提供新的研究方向。
附图说明
图1本发明的整体结构图;
图2激活函数为Sigomoid函数时的预测误差图;
图3激活函数为Sine函数时的预测误差图;
图4激活函数为Hardlim函数时的预测误差图;
图5改进与未改进自适应遗传算法进化过程比较图;
图6为BP模型、ELM模型、改进AGA-ELM模型的预测误差比较图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
参考图1,本发明所述的基于AGA-ELM混合算法的海底管线腐蚀速率预测方法包括以下步骤:
1)获取影响海底管线腐蚀的主要因素及其数据样本,所述影响海底管线腐蚀的主要因素包括海水温度、溶解氧、含盐度、海水PH值及氧化还原电位;
2)设数据样本的数目为N个,将N个数据样本分为训练集及测试集,其中,(xi,yi)为第i个数据样本,i=1,2...,N,将影响海底管线腐蚀的主要因素设为极限学习机的输入参数集xi=[xi1,xi2,xi3,xi4,xi5],其中,xi1,xi2,xi3,xi4,xi5分别对应海水温度、溶解氧、含盐度、海水PH值及氧化还原电位,将第i个数据样本对应的腐蚀速率作为输出参数集yi,则极限学习机的数学模型为:
3)通过测试实验法选择激活函数及最优隐含层节点数;
4)在自适应遗传算法中采用二进制编码对极限学习机的输入权值矩阵及隐含层阈值进行初始化编码;
5)设置自适应遗传算法的种群个数、种群中个体长度、交叉概率区间、变异概率区间、代沟、最大迭代次数及个体被选中的概率;
6)选择适应度函数,利用适应度函数计算种群中个体的适应度值,适应度函数为:
7)自适应遗传算法通过选择、交叉及变异操作不断进化,得到最佳输入权值矩阵ωi及隐含层阈值bj;
8)利用给定的训练样本训练模型,将给定训练样本代入极限学习机的数学模型中,得Y'=Hβ,H为隐含层输出矩阵,Y'为输出预测值;
9)将最佳输入权值矩阵ωi及隐含层阈值bj输入到极限学习机中,则模型目标转化为寻找最佳β值,使目标函数值最小得H+为H的摩尔-彭若斯广义逆矩阵,得最优极限学习机的数学模型;
10)根据最优极限学习机的数学模型预测海底管线腐蚀速率。
步骤3)的具体操作为:确定隐含层节点数区间为[2n+1,N],n为输入层节点数,再从Sigmoid函数、Sine函数及Hardlim函数中选择激活函数;在隐含层节点数区间内分别测试Sigmoid函数、Sine函数及Hardlim函数的预测结果,选择误差最小时对应的隐含层节点数及激活函数作为最终的激活函数及最优隐含层节点数;
步骤3)中Sigmoid函数计算公式为:Sine函数计算公式为:g(x)=sin(x);Hardlim函数计算公式为:
步骤5)中种群个体长度G为:G=l(n+1),其中,l为隐含层节点数,n为输入层节点数,种群中个体i被选的概率为si为个体i的适应度值。
步骤7)中改进后的自适应遗传算法的交叉变异算子为:
其中,Pc为交叉算子,pcmax为最大交叉率,pcmin为最小交叉率,smin为种群最小适应度;Pm为变异算子,pmmax为最大变异率,pmmin为最小变异率。
步骤8)中隐含层输出矩阵H与输出矩阵Y'分别为:
仿真实验
根据实海挂片实验模拟,得到的部分相关腐蚀数据如表1所示。
表1
经测试实验,在隐含层节点区间内,将三种函数分别设为激励函数,并根据测试结果的RMSE值进行分析对比,选出均方根误差(RMSE)值最小时的激励函数及最优隐含层节点数。
图2至图4分别为Sigmoid、Sine、Hardlim函数在隐含层节点数为[11,50]时预测误差曲线,分析可知Sigmoid函数与Hardlim函数的误差较小且变化稳定,两者的RMSE值分别有92%及56%处于6以下,而Sine函数的误差及其整体波动均较大,部分较优测试值如表2所示。
表2
由图5可知,改进AGA与标准AGA分别在第43代和86代达到最小误差,最小误差分别为1.77及2.47,改进AGA收敛速度更快、误差更小。
由图6可知,BP模型、ELM模型和本发明(AGA_ELM模型)预测的6组数据的相对误差最高分别为17.30%、17.04%及5.55%,AGA_ELM模型的误差明显小于另外两种模型。通过表5的数据显示可以更准确地判断三种模型预测结果的准确性,AGA_ELM模型的MAE、MAPE和RSME值均显著小于BP模型和ELM模型的结果。与ELM模型对比,AGA_ELM模型在三种指标上分别减少了0.4357、3.697%、0.5897。因此,AGA_ELM模型的预测性能较BP模型和ELM模型而言更为优越,对腐蚀速率的预测精度更高。
本发明说明书中未作详细描述的内容属于本领域专业技术人员周知的现有公开技术,并且以上实施方式仅用于说明本发明,而并非对本发明的限制。尽管为说明目的公开了本发明的相关实施例和附图,但是本领域的技术人员可以理解;在不脱离本发明及所附的权利要求的精神和范围内,各种替换、变化、修改都是可能的。因此,所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定,而不应局限于最佳实施例和附图所公开的内容。
Claims (6)
1.一种基于AGA-ELM混合算法的海底管线腐蚀速率预测方法,其特征在于,包括以下步骤:
1)获取影响海底管线腐蚀的主要因素及其数据样本,所述影响海底管线腐蚀的主要因素包括海水温度、溶解氧、含盐度、海水PH值及氧化还原电位;
2)设数据样本的数目为N个,将N个数据样本分为训练集及测试集,其中,(xi,yi)为第i个数据样本,i=1,2...,N,将影响海底管线腐蚀的主要因素设为极限学习机的输入参数集xi=[xi1,xi2,xi3,xi4,xi5],其中,xi1,xi2,xi3,xi4,xi5分别对应海水温度、溶解氧、含盐度、海水PH值及氧化还原电位,将第i个数据样本对应的腐蚀速率作为输出参数集yi,则极限学习机的数学模型为:
3)通过测试实验法选择激活函数及最优隐含层节点数;
4)在自适应遗传算法中采用二进制编码对极限学习机的输入权值矩阵及隐含层阈值进行初始化编码;
5)设置自适应遗传算法的种群个数、种群中个体长度、交叉概率区间、变异概率区间、代沟、最大迭代次数及个体被选中的概率;
6)选择适应度函数,利用适应度函数计算种群中个体的适应度值,适应度函数为:
7)自适应遗传算法通过选择、交叉及变异操作不断进化,得到最佳输入权值矩阵ωi及隐含层阈值bj;
8)利用给定的训练样本训练模型,将给定训练样本代入极限学习机的数学模型中,得Y'=Hβ,H为隐含层输出矩阵,Y'为输出预测值;
9)将最佳输入权值矩阵ωi及隐含层阈值bj输入到极限学习机中,则模型目标转化为寻找最佳β值,使目标函数值最小得H+为H的摩尔-彭若斯广义逆矩阵,得最优极限学习机的数学模型;
10)根据最优极限学习机的数学模型预测海底管线腐蚀速率。
2.根据权利要求1所述的基于AGA-ELM混合算法的海底管线腐蚀速率预测方法,其特征在于,步骤3)的具体操作为:确定隐含层节点数区间为[2n+1,N],n为输入层节点数,再从Sigmoid函数、Sine函数及Hardlim函数中选择激活函数;在隐含层节点数区间内分别测试Sigmoid函数、Sine函数及Hardlim函数的预测结果,选择误差最小时对应的隐含层节点数及激活函数作为最终的激活函数及最优隐含层节点数。
3.根据权利要求2所述的基于AGA-ELM混合算法的海底管线腐蚀速率预测方法,其特征在于,步骤3)中Sigmoid函数计算公式为:Sine函数计算公式为:g(x)=sin(x);Hardlim函数计算公式为:
4.根据权利要求1所述的基于AGA-ELM混合算法的海底管线腐蚀速率预测方法,其特征在于,步骤5)中种群个体长度G为:G=l(n+1),其中,l为隐含层节点数,n为输入层节点数,种群中个体i被选的概率为si为个体i的适应度值。
5.根据权利要求1所述的基于AGA-ELM混合算法的海底管线腐蚀速率预测方法,其特征在于,步骤7)中改进后的自适应遗传算法的交叉变异算子为:
其中,Pc为交叉算子,pcmax为最大交叉率,pcmin为最小交叉率,smin为种群最小适应度;Pm为变异算子,pmmax为最大变异率,pmmin为最小变异率。
6.根据权利要求1所述的基于AGA-ELM混合算法的海底管线腐蚀速率预测方法,其特征在于,步骤8)中隐含层输出矩阵H与输出矩阵Y'分别为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910019423.0A CN109766990B (zh) | 2019-01-09 | 2019-01-09 | 一种基于aga-elm混合算法的海底管线腐蚀速率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910019423.0A CN109766990B (zh) | 2019-01-09 | 2019-01-09 | 一种基于aga-elm混合算法的海底管线腐蚀速率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109766990A true CN109766990A (zh) | 2019-05-17 |
CN109766990B CN109766990B (zh) | 2022-09-13 |
Family
ID=66453971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910019423.0A Active CN109766990B (zh) | 2019-01-09 | 2019-01-09 | 一种基于aga-elm混合算法的海底管线腐蚀速率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109766990B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889155A (zh) * | 2019-11-07 | 2020-03-17 | 长安大学 | 一种钢桥面板腐蚀预测模型及构建方法 |
CN111680734A (zh) * | 2020-06-02 | 2020-09-18 | 河海大学常州校区 | 基于改进型elm的海洋鱼群迁移路线预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400190A (zh) * | 2013-08-13 | 2013-11-20 | 浙江大学 | 一种使用遗传算法优化极限学习机的集成框架方法 |
CN106649964A (zh) * | 2016-10-17 | 2017-05-10 | 贵州大学 | 一种基于ga‑elm算法的铝合金压铸件晶粒尺寸预测方法 |
US9785886B1 (en) * | 2017-04-17 | 2017-10-10 | SparkCognition, Inc. | Cooperative execution of a genetic algorithm with an efficient training algorithm for data-driven model creation |
CN108876054A (zh) * | 2018-07-06 | 2018-11-23 | 国网河南省电力公司郑州供电公司 | 基于改进遗传算法优化极限学习机的短期电力负荷预测方法 |
-
2019
- 2019-01-09 CN CN201910019423.0A patent/CN109766990B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400190A (zh) * | 2013-08-13 | 2013-11-20 | 浙江大学 | 一种使用遗传算法优化极限学习机的集成框架方法 |
CN106649964A (zh) * | 2016-10-17 | 2017-05-10 | 贵州大学 | 一种基于ga‑elm算法的铝合金压铸件晶粒尺寸预测方法 |
US9785886B1 (en) * | 2017-04-17 | 2017-10-10 | SparkCognition, Inc. | Cooperative execution of a genetic algorithm with an efficient training algorithm for data-driven model creation |
CN108876054A (zh) * | 2018-07-06 | 2018-11-23 | 国网河南省电力公司郑州供电公司 | 基于改进遗传算法优化极限学习机的短期电力负荷预测方法 |
Non-Patent Citations (3)
Title |
---|
孟亚琼等: "面向基因数据分类的AGA-ELM算法研究", 《中国计量大学学报》 * |
律方成等: "基于改进遗传算法优化极限学习机的短期电力负荷预测", 《华北电力大学学报(自然科学版)》 * |
皮骏等: "基于IGA-ELM网络的滚动轴承故障诊断", 《航空学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889155A (zh) * | 2019-11-07 | 2020-03-17 | 长安大学 | 一种钢桥面板腐蚀预测模型及构建方法 |
CN110889155B (zh) * | 2019-11-07 | 2024-02-09 | 长安大学 | 一种钢桥面板腐蚀预测模型及构建方法 |
CN111680734A (zh) * | 2020-06-02 | 2020-09-18 | 河海大学常州校区 | 基于改进型elm的海洋鱼群迁移路线预测方法及系统 |
CN111680734B (zh) * | 2020-06-02 | 2022-09-13 | 河海大学常州校区 | 基于改进型elm的海洋鱼群迁移路线预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109766990B (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Improving Dam Seepage Prediction Using Back‐Propagation Neural Network and Genetic Algorithm | |
CN109543237B (zh) | 基于ga-bp神经网络的基坑位移预测方法 | |
Ren et al. | Natural gas pipeline corrosion rate prediction model based on BP neural network | |
CN105260784A (zh) | 基于粗糙集与遗传小波神经网络的石油管道漏损预测方法 | |
Qiu et al. | Seepage Monitoring Models Study of Earth‐Rock Dams Influenced by Rainstorms | |
Tongle et al. | Tailings saturation line prediction based on genetic algorithm and BP neural network | |
CN104503420A (zh) | 一种基于新型fde-elm和时延efsm的非线性过程工业故障预测方法 | |
CN109766990A (zh) | 一种基于aga-elm混合算法的海底管线腐蚀速率预测方法 | |
CN115310378A (zh) | 一种极端台风灾害下电网韧性评估及差异化规划方法 | |
CN113139737A (zh) | 一种面向全电力船舶电力系统弹性的综合评价方法 | |
Li et al. | Early Warning for the Construction Safety Risk of Bridge Projects Using a RS‐SSA‐LSSVM Model | |
CN108536980B (zh) | 一种考虑可靠性因素的气体探测器离散选址优化方法 | |
CN104778633B (zh) | 一种排水设施安全保护分级智能判定方法 | |
CN111369388A (zh) | 用于城市电网的对抗脆弱性评估方法及系统 | |
Wang et al. | Critical safety risks identification of bridge construction projects in the marine environment based on HHM and SNA | |
Li et al. | [Retracted] Prediction of Chemical Corrosion Rate and Remaining Life of Buried Oil and Gas Pipelines in Changqing Gas Field | |
Peng et al. | Long-distance oil/gas pipeline failure rate prediction based on fuzzy neural network model | |
Wu et al. | The prediction of foundation pit based on genetic back propagation neural network | |
Lyu et al. | Water level prediction model based on GCN and LSTM | |
Zhu et al. | The analysis of the concrete gravity dam’s foundation uplift pressure under the function of typhoon | |
Chen et al. | Accounting information disclosure and financial crisis beforehand warning based on the artificial neural network | |
Meng et al. | Risk identification and assessment during the excavation of the deep foundation pit | |
Li et al. | Prediction Algorithm of Wind Waterlogging Disaster in Distribution Network Based on Multi‐Source Data Fusion | |
Chai et al. | Production Forecast of Coalbed Methane Based on GA Optimized BP Neural Network | |
Zhao et al. | Research for pedestrian steel bridge design of neural network in structural model updating |
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 |