CN109857988A - 一种寒地装配式现代木结构建筑的安全监测方法 - Google Patents
一种寒地装配式现代木结构建筑的安全监测方法 Download PDFInfo
- Publication number
- CN109857988A CN109857988A CN201910192164.1A CN201910192164A CN109857988A CN 109857988 A CN109857988 A CN 109857988A CN 201910192164 A CN201910192164 A CN 201910192164A CN 109857988 A CN109857988 A CN 109857988A
- Authority
- CN
- China
- Prior art keywords
- load
- coefficient
- bearing wall
- target structures
- cold ground
- 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
Abstract
本发明公开了一种寒地装配式现代木结构建筑的安全监测方法,包括以下步骤:步骤一、采集目标建筑的窗墙比、围护结构传热系数、周边全年负荷系数、体形系数S,并计算目标建筑的状态评估系数τ,当τ≥τS时,对所述目标建筑进行状态评估;步骤二、采集目标建筑所处寒地的温度、湿度、风力等级、土壤紧实度,根据所述寒地温度、寒地湿度、风力等级和土壤紧实度对所述状态评估系数进行处理得到环境状态评估指数ξ,当ξ≥ξS时,对所述目标建筑进行风险状态判断;步骤三、采集目标建筑物的承重墙的载荷、承重墙的裂缝个数、承重墙裂缝平均深度、承重墙裂缝平均宽度以及环境状态评估指数ξ进行所述建筑的安全状态判断,以此对所述建筑进行监视。
Description
技术领域
本发明涉及建筑安全领域,尤其涉及一种寒地装配式现代木结构建筑的安全监测方法。
背景技术
由预制部品部件在工地装配而成的建筑,称为装配式建筑。按预制构件的形式和施工方法分为砌块建筑、板材建筑、盒式建筑、骨架板材建筑及升板升层建筑等五种类型。随着现代工业技术的发展,建造房屋可以像机器生产那样,成批成套地制造。只要把预制好的房屋构件,运到工地装配起来就成了。
装配式建筑在20世纪初就开始引起人们的兴趣,到六十年代终于实现。英、法、苏联等国首先作了尝试。由于装配式建筑的建造速度快,而且生产成本较低,迅速在世界各地推广开来。
早期的装配式建筑外形比较呆板,千篇一律。后来人们在设计上做了改进,增加了灵活性和多样性,使装配式建筑不仅能够成批建造,而且样式丰富。美国有一种活动住宅,是比较先进的装配式建筑,每个住宅单元就像是一辆大型的拖车,只要用特殊的汽车把它拉到现场,再由起重机吊装到地板垫块上和预埋好的水道、电源、电话系统相接,就能使用。活动住宅内部有暖气、浴室、厨房、餐厅、卧室等设施。活动住宅既能独成一个单元,也能互相连接起来。
发明内容
本发明为解决目前的技术不足之处,提供了一种寒地装配式现代木结构建筑的安全监测方法,其能够根据实际建筑的特点、所处寒地的环境以及建筑的状态来对木结构建筑的安全进行监测。
本发明提供的技术方案为:一种寒地装配式现代木结构建筑的安全监测方法,包括以下步骤:
步骤一、采集目标建筑的窗墙比、围护结构传热系数、周边全年负荷系数、体形系数S,并计算目标建筑的状态评估系数τ,当τ≥τS时,对所述目标建筑进行状态评估;其中,τS为临界状态评估系数;
步骤二、采集目标建筑所处寒地的温度、湿度、风力等级、土壤紧实度,根据所述寒地温度、寒地湿度、风力等级和土壤紧实度对所述状态评估系数进行处理得到环境状态评估指数ξ,当ξ≥ξS时,对所述目标建筑进行风险状态判断;其中,ξS为临界环境风险评估指数;
步骤三、采集目标建筑物的承重墙的载荷、承重墙的裂缝个数、承重墙裂缝平均深度、承重墙裂缝平均宽度以及环境状态评估指数ξ进行所述建筑的安全状态判断,以此对所述建筑进行监视。
优选的是,在所述步骤一中,所述状态评估系数τ计算过程为:
其中,f为校正系数,κ为目标建筑的窗墙比、λ为围护结构传热系数、 q为周边全年负荷系数、S为体形系数。
优选的是,在所述步骤一中,当目标建筑的使用时间小于5年,临界状态评估系数τS取值为1.02;
当目标建筑的使用时间大于5年,临界状态评估系数τS取值为0.98。
优选的是,所述状态评估指数ξ满足:
式中,γ为目标建筑使用年数,T为寒地温度、K为寒地湿度、F为寒地风力等级、δ土壤紧实度,h为目标建筑物高度。
优选的是,在所述步骤三中,通过建立BP神经网络模型对所述建筑的安全状态判断,包括如下步骤:
步骤1、按照采样周期,采集目标建筑的承重墙的载荷P、承重墙的裂缝个数N、承重墙裂缝平均深度h、承重墙裂缝平均宽度D以及环境状态评估指数ξ;
步骤2、依次将上述参数进行规格化,确定三层BP神经网络的输入层神经元向量x={x1,x2,x3,x4,x5},其中,x1为承重墙的载荷系数,x2为承重墙的裂缝个数系数,x3为承重墙裂缝平均深度系数、x4为承重墙裂缝平均宽度系数,x5为环境状态评估指数系数;
步骤3、所述输入层向量映射到隐层,所述隐层向量y={y1,y2,…,ym},m 为隐层节点个数;
步骤4、得到输出层神经元向量o={o1,o2,o3,o4};其中,o1为设定的第一安全等级,o2为设定的第二安全等级,o3为设定的第三安全等级,o4为设定的第四安全等级,所述输出层神经元值为k为输出层神经元序列号,k={1,2,3,4},i为设定的第i个健康等级,i={1,2,3,4},当ok为1时,此时,待监测建筑物处于ok对应的健康等级;
步骤5、服务器根据输出的健康等级判断,显示器显示安全状态;其中,第一安全等级为安全状态,对待监测建筑物无需做出保护措施,所述第二安全等级为危险状态,对待监测建筑物做出检控预警,所述第三安全等级为高危状态,对待监测建筑物做出保护措施,第四安全等级为安全状态,对待监测建筑物做出紧急疏散以及紧急保护措施。
优选的是,目标建筑的承重墙的载荷P、承重墙的裂缝个数N、承重墙裂缝平均深度h、承重墙裂缝平均宽度D以及环境状态评估指数ξ进行规格化的公式为:
其中,xj为输入层向量中的参数,Xj分别为测量参数P、N、h、D、ξ,Xjmax和Xjmin分别为相应测量参数中的最大值和最小值。
优选的是,所述隐层节点个数m满足:其中n为输入层节点个数,p为输出层节点个数。
优选的是,所述隐层及所述输出层的激励函数均采用S型函数 fj(x)=1/(1+e-x)。
本发明所述的有益效果:提供了一种寒地装配式现代木结构建筑的安全监测方法,其能够根据实际建筑的特点、所处寒地的环境以及建筑的状态来对木结构建筑的安全进行监测。
具体实施方式
下面对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
本发明提供了一种寒地装配式现代木结构建筑的安全监测方法,包括以下步骤:
步骤一、采集目标建筑的窗墙比、围护结构传热系数、周边全年负荷系数、体形系数S,并计算目标建筑的状态评估系数τ,当τ≥τS时,对所述目标建筑进行状态评估;其中,τS为临界状态评估系数;
步骤二、采集目标建筑所处寒地的温度、湿度、风力等级、土壤紧实度,根据所述寒地温度、寒地湿度、风力等级和土壤紧实度对所述状态评估系数进行处理得到环境状态评估指数ξ,当ξ≥ξS时,对所述目标建筑进行风险状态判断;其中,ξS为临界环境风险评估指数;
步骤三、采集目标建筑物的承重墙的载荷、承重墙的裂缝个数、承重墙裂缝平均深度、承重墙裂缝平均宽度以及环境状态评估指数ξ进行所述建筑的安全状态判断,以此对所述建筑进行监视。
在所述步骤一中,所述状态评估系数τ计算过程为:
其中,f为校正系数,κ为目标建筑的窗墙比、λ为围护结构传热系数、 q为周边全年负荷系数、S为体形系数。
在所述步骤一中,当目标建筑的使用时间小于5年,临界状态评估系数τS取值为1.02;
当目标建筑的使用时间大于5年,临界状态评估系数τS取值为0.98;
所述状态评估指数ξ满足:
式中,γ为目标建筑使用年数,T为寒地温度,单位℃;K为寒地湿度,量纲为1,F为寒地风力等级,量纲为1;δ土壤紧实度,单位N/m2;h为目标建筑物高度,单位m。
BP模型上各层次的神经元之间形成全互连连接,各层次内的神经元之间没有连接,输入层神经元的输出与输入相同,即oi=xi。中间隐含层和输出层的神经元的操作特性为
opj=fj(netpj)
其中p表示当前的输入样本,ωji为从神经元i到神经元j的连接权值,opi为神经元j的当前输入,opj为其输出;fj为非线性可微非递减函数,一般取为S型函数,即fj(x)=1/(1+e-x)。
本发明采用的BP网络体系结构由三层组成,第一层为输入层,共n个节点,对应了表示设备工作状态的n个检测信号,这些信号参数由数据预处理模块给出;第二层为隐层,共m个节点,由网络的训练过程以自适应的方式确定;第三层为输出层,共p个节点,由系统实际需要输出的响应确定。
该网络的数学模型为:
输入向量:x=(x1,x2,...,xn)T
中间层向量:y=(y1,y2,...,ym)T
输出向量:o=(o1,o2,...,op)T
本发明中,输入层节点数为n=5,输出层节点数为p=4,隐藏层节点数 m由下式估算得出:
输入层5个参数分别表示为:x1为承重墙的载荷系数,x2为承重墙的裂缝个数系数,x3为承重墙裂缝平均深度系数、x4为承重墙裂缝平均宽度系数, x5为环境状态评估指数系数。
由于获取的数据属于不同的物理量,其量纲各不相同。因此,在数据输入人工神经网络之前,需要将数据规格化为0-1之间的数。
归一化的公式为其中,xj为输入层向量中的参数,Xj分别为测量参数P、N、h、D、ξ;j=1,2,3,4,5,6;Xjmax和Xjmin分别为相应测量参数中的最大值和最小值。
具体而言,对于目标建筑的承重墙的载荷P,进行规格化后,得到承重墙的载荷系数x1:
其中,Pmax和Pmin分别为承重墙的最大载荷和最小载荷。
同样的,对于承重墙的裂缝个数N,进行规格化后,得到承重墙的裂缝个数系数x2:
其中,Nmax和Nmin分别最大个数和最小个数。
同样的,对于承重墙裂缝平均深度h,进行规格化后,得到承重墙裂缝平均深度系数x3:
其中,hmax和hmin分别为承重墙裂缝平均深度最大值和最小值。
同样的,对于承重墙裂缝平均宽度D,进行规格化后,得到承重墙裂缝平均深度系数x4:
其中,Dmax和Dmin分别为承重墙裂缝平均宽度最大值和最小值。
同样的,对于环境状态评估指数ξ,进行规格化后,得到环境状态评估指数系数x5:
其中,ξmax和ξmin分别为环境状态评估指数的最大值和最小值。
输出4个参数分别为:o1为设定的第一安全等级,o2为设定的第二安全等级,o3为设定的第三安全等级,o4为设定的第四安全等级,所述输出层神经元值为k为输出层神经元序列号,k={1,2,3,4},i为设定的第i个健康等级,i={1,2,3,4},当ok为1时,此时,待监测建筑处于ok对应的健康等级;
步骤2、进行BP神经网络的训练。
建立好BP神经网络节点模型后,即可进行BP神经网络的训练。根据产品的历史经验数据获取训练的样本,并给定输入节点i和隐含层节点j之间的连接权值,隐层节点j和输出层节点k之间的连接权值。
(1)训练方法
各子网采用单独训练的方法;训练时,首先要提供一组训练样本,其中的每一个样本由输入样本和理想输出对组成,当网络的所有实际输出与其理想输出一致时,表明训练结束;否则,通过修正权值,使网络的理想输出与实际输出一致;各子网训练时的输出样本如表1所示。
表1网络训练用的输出样本
(2)训练算法
BP网络采用误差反向传播(Backward Propagation)算法进行训练,其步骤可归纳如下:
第一步:选定一结构合理的网络,设置所有节点阈值和连接权值的初值。
第二步:对每个输入样本作如下计算:
(a)前向计算:对l层的j单元
式中,为第n次计算时l层的j单元信息加权和,为l层的j单元与前一层(即l-1层)的单元i之间的连接权值,为前一层(即l-1层,节点数为nl-1)的单元i送来的工作信号;i=0时,令 为l层的j单元的阈值。
若单元j的激活函数为sigmoid函数,则
且
若神经元j属于第一隐层(l=1),则有
若神经元j属于输出层(l=L),则有
(b)反向计算误差:
对于输出单元
对隐单元
(c)修正权值:
η为学习速率。
第三步:输入新的样本或新一周期样本,直到网络收敛,在训练时各周期中样本的输入顺序要重新随机排序。
BP算法采用梯度下降法求非线性函数极值,存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是Levenberg-Marquardt优化算法,它使得网络学习时间更短,能有效地抑制网络陷于局部极小。其权值调整率选为
Δω=(JTJ+μI)-1JTe
其中J为误差对权值微分的雅可比(Jacobian)矩阵,I为输入向量,e为误差向量,变量μ是一个自适应调整的标量,用来确定学习是根据牛顿法还是梯度法来完成。
在系统设计时,系统模型是一个仅经过初始化了的网络,权值需要根据在使用过程中获得的数据样本进行学习调整,为此设计了系统的自学习功能。在指定了学习样本及数量的情况下,系统可以进行自学习,以不断完善网络性能。
步骤5、服务器根据输出的健康等级判断,终端显示器显示安全状态;其中,第一安全等级为安全状态,对待监测建筑物无需做出保护措施,所述第二安全等级为危险状态,对待监测建筑物做出检控预警,所述第三安全等级为高危状态,对待监测建筑物做出保护措施,第四安全等级为安全状态,对待监测建筑物做出紧急疏散以及紧急保护措施。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的实施例。
Claims (8)
1.一种寒地装配式现代木结构建筑的安全监测方法,其特征在于,包括以下步骤:
步骤一、采集目标建筑的窗墙比、围护结构传热系数、周边全年负荷系数、体形系数S,并计算目标建筑的状态评估系数τ,当τ≥τS时,对所述目标建筑进行状态评估;其中,τS为临界状态评估系数;
步骤二、采集目标建筑所处寒地的温度、湿度、风力等级、土壤紧实度,根据所述寒地温度、寒地湿度、风力等级和土壤紧实度对所述状态评估系数进行处理得到环境状态评估指数ξ,当ξ≥ξS时,对所述目标建筑进行风险状态判断;其中,ξS为临界环境风险评估指数;
步骤三、采集目标建筑物的承重墙的载荷、承重墙的裂缝个数、承重墙裂缝平均深度、承重墙裂缝平均宽度以及环境状态评估指数ξ进行所述建筑的安全状态判断,以此对所述建筑进行监视。
2.根据权利要求1所述的寒地装配式现代木结构建筑的安全监测方法,其特征在于,在所述步骤一中,所述状态评估系数τ计算过程为:
其中,f为校正系数,κ为目标建筑的窗墙比、λ为围护结构传热系数、q为周边全年负荷系数、S为体形系数。
3.根据权利要求2所述的寒地装配式现代木结构建筑的安全监测方法,其特征在于,
在所述步骤一中,当目标建筑的使用时间小于5年,临界状态评估系数τS取值为1.02;
当目标建筑的使用时间大于5年,临界状态评估系数τS取值为0.98。
4.根据权利要求1所述的寒地装配式现代木结构建筑的安全监测方法,其特征在于,所述状态评估指数ξ满足:
式中,γ为目标建筑使用年数,T为寒地温度、K为寒地湿度、F为寒地风力等级、δ土壤紧实度,h为目标建筑物高度。
5.根据权利要求1所述的寒地装配式现代木结构建筑的安全监测方法,其特征在于,在所述步骤三中,通过建立BP神经网络模型对所述建筑的安全状态判断,包括如下步骤:
步骤1、按照采样周期,采集目标建筑的承重墙的载荷P、承重墙的裂缝个数N、承重墙裂缝平均深度h、承重墙裂缝平均宽度D以及环境状态评估指数ξ;
步骤2、依次将上述参数进行规格化,确定三层BP神经网络的输入层神经元向量x={x1,x2,x3,x4,x5},其中,x1为承重墙的载荷系数,x2为承重墙的裂缝个数系数,x3为承重墙裂缝平均深度系数、x4为承重墙裂缝平均宽度系数,x5为环境状态评估指数系数;
步骤3、所述输入层向量映射到隐层,所述隐层向量y={y1,y2,…,ym},m为隐层节点个数;
步骤4、得到输出层神经元向量o={o1,o2,o3,o4};其中,o1为设定的第一安全等级,o2为设定的第二安全等级,o3为设定的第三安全等级,o4为设定的第四安全等级,所述输出层神经元值为k为输出层神经元序列号,k={1,2,3,4},i为设定的第i个健康等级,i={1,2,3,4},当ok为1时,此时,待监测建筑物处于ok对应的健康等级;
步骤5、服务器根据输出的健康等级判断,显示器显示安全状态;其中,第一安全等级为安全状态,对待监测建筑物无需做出保护措施,所述第二安全等级为危险状态,对待监测建筑物做出检控预警,所述第三安全等级为高危状态,对待监测建筑物做出保护措施,第四安全等级为安全状态,对待监测建筑物做出紧急疏散以及紧急保护措施。
6.根据权利要求5所述的寒地装配式现代木结构建筑的安全监测方法,其特征在于,目标建筑的承重墙的载荷P、承重墙的裂缝个数N、承重墙裂缝平均深度h、承重墙裂缝平均宽度D以及环境状态评估指数ξ进行规格化的公式为:
其中,xj为输入层向量中的参数,Xj分别为测量参数P、N、h、D、ξ,Xjmax和Xjmin分别为相应测量参数中的最大值和最小值。
7.根据权利要求6所述的寒地装配式现代木结构建筑的安全监测方法,其特征在于,所述隐层节点个数m满足:其中n为输入层节点个数,p为输出层节点个数。
8.根据权利要求7所述的寒地装配式现代木结构建筑的安全监测方法,其特征在于,所述隐层及所述输出层的激励函数均采用S型函数fj(x)=1/(1+e-x)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910192164.1A CN109857988B (zh) | 2019-03-14 | 2019-03-14 | 一种寒地装配式现代木结构建筑的安全监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910192164.1A CN109857988B (zh) | 2019-03-14 | 2019-03-14 | 一种寒地装配式现代木结构建筑的安全监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109857988A true CN109857988A (zh) | 2019-06-07 |
CN109857988B CN109857988B (zh) | 2022-04-15 |
Family
ID=66900732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910192164.1A Active CN109857988B (zh) | 2019-03-14 | 2019-03-14 | 一种寒地装配式现代木结构建筑的安全监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109857988B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112051394A (zh) * | 2020-08-14 | 2020-12-08 | 常州机电职业技术学院 | 一种木结构古建筑的缺损度检测算法及检测方法 |
CN112419679A (zh) * | 2020-10-27 | 2021-02-26 | 杭州维感科技有限公司 | 建筑物安全监测方法、装置、存储介质及电子设备 |
CN116128310A (zh) * | 2023-04-13 | 2023-05-16 | 广东广宇科技发展有限公司 | 一种用于古文物建筑的消防安全评估方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1139969A (zh) * | 1994-01-28 | 1997-01-08 | 纽约州立大学研究基金会 | 建筑结构参数实时修正的改进方法及其装置 |
CN103984856A (zh) * | 2014-06-19 | 2014-08-13 | 江苏新瑞峰信息科技有限公司 | 一种基于神经网络的墙体纵向裂缝宽度预测系统及方法 |
CN107220786A (zh) * | 2017-07-26 | 2017-09-29 | 西交利物浦大学 | 一种建筑工地安全风险识别、评估和防范方法 |
CN107564231A (zh) * | 2017-09-15 | 2018-01-09 | 山东建筑大学 | 基于物联网的建筑物火灾预警及火灾态势评估系统及方法 |
CN108038301A (zh) * | 2017-11-29 | 2018-05-15 | 山东工商学院 | 一种土木工程建筑监测系统 |
CN108520355A (zh) * | 2018-04-09 | 2018-09-11 | 中铁十二局集团第二工程有限公司 | 复杂条件水工隧洞下穿建筑物现状评估方法 |
CN108922104A (zh) * | 2018-09-12 | 2018-11-30 | 吉林建筑大学 | 一种工厂消防安全监控系统及其控制方法 |
US20190017911A1 (en) * | 2017-07-11 | 2019-01-17 | Qatar University | Real-time structural damage detection by convolutional neural networks |
-
2019
- 2019-03-14 CN CN201910192164.1A patent/CN109857988B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1139969A (zh) * | 1994-01-28 | 1997-01-08 | 纽约州立大学研究基金会 | 建筑结构参数实时修正的改进方法及其装置 |
CN103984856A (zh) * | 2014-06-19 | 2014-08-13 | 江苏新瑞峰信息科技有限公司 | 一种基于神经网络的墙体纵向裂缝宽度预测系统及方法 |
US20190017911A1 (en) * | 2017-07-11 | 2019-01-17 | Qatar University | Real-time structural damage detection by convolutional neural networks |
CN107220786A (zh) * | 2017-07-26 | 2017-09-29 | 西交利物浦大学 | 一种建筑工地安全风险识别、评估和防范方法 |
CN107564231A (zh) * | 2017-09-15 | 2018-01-09 | 山东建筑大学 | 基于物联网的建筑物火灾预警及火灾态势评估系统及方法 |
CN108038301A (zh) * | 2017-11-29 | 2018-05-15 | 山东工商学院 | 一种土木工程建筑监测系统 |
CN108520355A (zh) * | 2018-04-09 | 2018-09-11 | 中铁十二局集团第二工程有限公司 | 复杂条件水工隧洞下穿建筑物现状评估方法 |
CN108922104A (zh) * | 2018-09-12 | 2018-11-30 | 吉林建筑大学 | 一种工厂消防安全监控系统及其控制方法 |
Non-Patent Citations (1)
Title |
---|
张文佳等: "基于可信性测度理论的装配式建筑施工过程风险性评估", 《工业安全与环保》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112051394A (zh) * | 2020-08-14 | 2020-12-08 | 常州机电职业技术学院 | 一种木结构古建筑的缺损度检测算法及检测方法 |
CN112051394B (zh) * | 2020-08-14 | 2022-12-23 | 常州机电职业技术学院 | 一种木结构古建筑的缺损度检测算法及检测方法 |
CN112419679A (zh) * | 2020-10-27 | 2021-02-26 | 杭州维感科技有限公司 | 建筑物安全监测方法、装置、存储介质及电子设备 |
CN112419679B (zh) * | 2020-10-27 | 2023-02-28 | 杭州维感科技有限公司 | 建筑物安全监测方法、装置、存储介质及电子设备 |
CN116128310A (zh) * | 2023-04-13 | 2023-05-16 | 广东广宇科技发展有限公司 | 一种用于古文物建筑的消防安全评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109857988B (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109857988A (zh) | 一种寒地装配式现代木结构建筑的安全监测方法 | |
CN104376389B (zh) | 基于负载均衡的主从式微电网功率负荷预测系统及其方法 | |
Shiri et al. | Comparison of genetic programming with neuro-fuzzy systems for predicting short-term water table depth fluctuations | |
CN110458443A (zh) | 一种基于深度强化学习的智慧家庭能量管理方法及系统 | |
CN106765959A (zh) | 基于遗传算法和深度bp神经网络算法的暖通空调节能控制方法 | |
CN107909149A (zh) | 一种基于遗传bp神经网络的日光温室温度预测方法 | |
CN104217258B (zh) | 一种电力负荷条件密度预测方法 | |
CN109167349A (zh) | 一种计及负荷优化重配的电力cps可生存性量化评估方法 | |
CN109164707A (zh) | 一种基于人工神经网络算法的室内环境负反馈调节系统 | |
Yang et al. | An optimized BP neural network model for teaching management evaluation | |
CN108182490A (zh) | 一种大数据环境下的短期负荷预测方法 | |
CN110096835A (zh) | 一种基于人工智能工程设计的施工方案优化管理方法 | |
CN108898249A (zh) | 一种电网故障预测方法 | |
CN108594793A (zh) | 一种改进的rbf飞控系统故障诊断网络训练方法 | |
CN108647817B (zh) | 一种能耗负荷的预测方法及预测系统 | |
Zhu et al. | Structural safety monitoring of high arch dam using improved ABC-BP model | |
CN109655114B (zh) | 城市地下管廊监测方法 | |
CN109883474B (zh) | 基于现场监测的建筑物健康监测方法 | |
CN113536433A (zh) | 基于bim平台的建筑灾后疏散动态逃生路线优化系统 | |
TWI587222B (zh) | 基於類神經網路之水庫水位預測系統及方法 | |
CN107994570A (zh) | 一种基于神经网络的状态估计方法及系统 | |
CN104361399A (zh) | 太阳能辐照强度分钟级预测方法 | |
CN105956715A (zh) | 一种土壤墒情预测方法及装置 | |
CN110910263A (zh) | 一种基于ga-bp神经网络粮情监测方法 | |
CN109740935B (zh) | 建筑遗产监视系统及监视方法 |
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 |