CN110222384A - 一种桥梁裂缝分析方法、装置及存储介质 - Google Patents
一种桥梁裂缝分析方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110222384A CN110222384A CN201910429644.5A CN201910429644A CN110222384A CN 110222384 A CN110222384 A CN 110222384A CN 201910429644 A CN201910429644 A CN 201910429644A CN 110222384 A CN110222384 A CN 110222384A
- Authority
- CN
- China
- Prior art keywords
- crack
- time series
- data
- analysis
- bridge
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004458 analytical method Methods 0.000 title claims abstract description 33
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000005311 autocorrelation function Methods 0.000 description 13
- 238000007689 inspection Methods 0.000 description 7
- 206010019133 Hangover Diseases 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000006378 damage Effects 0.000 description 3
- 230000035515 penetration Effects 0.000 description 3
- 241001123248 Arma Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000009415 formwork Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000004227 thermal cracking Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 238000001744 unit root test Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Bridges Or Land Bridges (AREA)
Abstract
本发明涉及一种桥梁裂缝分析方法、装置及存储介质，该方法包括如下步骤：获取桥梁上各裂缝的裂缝数据，根据所述裂缝数据确定各所述裂缝的时间序列；分别对各所述时间序列进行处理，获得各所述裂缝的平稳时间序列；根据各所述平稳时间序列分别建立各所述裂缝的ARIMA模型；基于所述ARIMA模型，根据各所述裂缝数据分别确定各所述裂缝未来时刻的预测裂缝数据；根据所述预测裂缝数据绘制曲线，确定所述裂缝的变化趋势。本发明的技术方案通过建立ARIMA模型，就可根据裂缝的历史裂缝数据获得裂缝当前时刻的裂缝数据，分析过程简单高效，并且能够预测裂缝的发展趋势，能够对历史裂缝数据进行充分利用，有利于实现科学维护。
Description
技术领域
本发明涉及桥梁检测技术领域，尤其涉及一种桥梁裂缝分析方法、装置及存储介质。
背景技术
交通运输是关系到一个国家经济及民生的重要产业，随着经济的发展，桥梁作为重要的交通基础设施被大量地建设。桥梁在使用过程中，由于遭受自然环境的侵蚀、车辆的碾压和人为的破坏等，会出现各种不同状态的裂缝，这些裂缝轻则会降低桥梁的承载能力，重则会导致桥梁断裂，威胁行人和行车的安全。
目前，主要通过人工检测的方法来获取裂缝的数据，再通过对数据的分析来判断裂缝的当前状态。但是，一方面，每次对裂缝进行分析时，都需要对裂缝进行测量，工作量大，检测效率低。另一方面，人工检测时只能分析出裂缝的当前状态，对数据的处理方法比较单一。
发明内容
针对上述现有技术的不足，本发明提供一种桥梁裂缝分析方法、装置及存储介质。
本发明解决上述技术问题的技术方案如下：
第一方面，本发明提供了一种桥梁裂缝分析方法，所述方法包括如下步骤：
获取桥梁上各裂缝的裂缝数据，根据所述裂缝数据确定各所述裂缝的时间序列。
分别对各所述时间序列进行处理，获得平稳时间序列。
根据各所述平稳时间序列分别建立各所述裂缝的ARIMA模型。
基于所述ARIMA模型，根据各所述裂缝数据分别确定各所述裂缝未来时刻的预测裂缝数据。
根据所述预测裂缝数据绘制曲线，确定所述裂缝的变化趋势。
第二方面，本发明提供了一种桥梁裂缝分析装置，包括：
获取模块，用于获取桥梁上各裂缝的裂缝数据，根据所述裂缝数据确定各所述裂缝的时间序列。
第一处理模块，用于分别对各所述时间序列进行处理，获得各所述裂缝的平稳时间序列。
第二处理模块，用于根据各所述平稳时间序列分别建立各所述裂缝的ARIMA模型。
第三处理模块，用于基于所述ARIMA模型，根据各所述裂缝数据分别确定各所述裂缝未来时刻的预测裂缝数据。
输出模块，用于根据所述预测裂缝数据绘制曲线，确定所述裂缝的变化趋势。
第三方面，本发明提供了一种桥梁裂缝分析装置，所述装置包括存储器和处理器。
所述存储器，用于存储计算机程序。
所述处理器，用于执行所述计算机程序时，实现如上所述的桥梁裂缝分析方法。
第四方面，本发明提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的桥梁裂缝分析方法。
本发明的桥梁裂缝分析方法、装置及存储介质的有益效果是：获取各裂缝的时间序列，时间序列可为按时间顺序排列的裂缝数据，由于ARIMA模型是在平稳时间序列上建立的，因此先将各时间序列处理为平稳时间序列，再建立ARIMA模型，ARIMA模型是时间序列的预测分析模型，将以获得的裂缝的裂缝数据输入ARIMA模型，就能获得该裂缝当前及未来的裂缝数据，根据未来的裂缝数据绘制曲线，就可确定裂缝的发展趋势。本发明的技术方案通过建立ARIMA模型，就可根据裂缝的历史裂缝数据获得裂缝当前时刻的裂缝数据，分析过程简单高效，并且能够预测裂缝的发展趋势，能够对历史裂缝数据进行充分利用，有利于实现科学维护。
附图说明
图1为本发明实施例的一种桥梁裂缝分析方法的流程示意图；
图2为本发明实施例的一种桥梁裂缝分析装置的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，本发明实施例的一种桥梁裂缝分析方法，所述方法包括如下步骤：
步骤110，获取桥梁上各裂缝的裂缝数据，根据所述裂缝数据确定各所述裂缝的时间序列。
具体地，时间序列是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。本申请中，对于桥梁上任意一个裂缝，可每间隔标定时间获取该裂缝的裂缝数据，裂缝数据可包括裂缝深度、裂缝长度和裂缝宽度等，也可为表示裂缝状态的特征值，将裂缝数据按照对应的时间的先后顺序排列，就可获得该裂缝的时间序列。裂缝的时间序列反应的裂缝的历史发展趋势。
步骤120，分别对各所述时间序列进行处理，获得各所述裂缝的平稳时间序列。
具体地，ARIMA模型需要在平稳的时间序列的基础上建立，时间序列的平稳性是建立模型的重要前提，可在建立模型前先进行ADF(Augmented Dickey-Fuller，单位根)检验，ADF检验是指检验序列中是否存在单位根，若存在单位根则序列为非平稳时间序列。ADF检验过程为现有技术，在此不再赘述。预先对时间序列进行ADF检验，只对检验结果为非平稳时间序列的时间序列进行处理，能够减少处理步骤，提高处理效率。
步骤130，根据各所述平稳时间序列分别建立各所述裂缝的ARIMA模型。
具体地，上述ARIMA(Autoregressive Integrated Moving Average model，差分整合移动平均自回归)模型是时间序列预测分析方法之一。根据平稳时间序列建立ARIMA模型，不需要借助其它外部变量，建立模型过程简单。
步骤140，基于所述ARIMA模型，根据各所述裂缝的裂缝数据确定各所述裂缝未来时刻的预测裂缝数据。
具体地，通过ARIMA模型可以通过研究裂缝数据的历史记录，分析出裂缝的发展规律。可将已获得的时间序列中的裂缝数据输入到ARIMA模型中，通过计算，获得对应裂缝未来某时刻的裂缝数据。
步骤150，根据所述预测裂缝数据绘制曲线，确定所述裂缝的变化趋势。
具体地，将未来多个时刻的裂缝数据依次连接，绘制成曲线，从曲线的走势就可以预测该裂缝未来一段时间内的变化趋势。
本实施例中，获取各裂缝的时间序列，时间序列可为按时间顺序排列的裂缝数据，由于ARIMA模型是在平稳时间序列上建立的，因此先将各时间序列处理为平稳时间序列，再建立ARIMA模型，ARIMA模型是时间序列的预测分析模型，将以获得的裂缝的裂缝数据输入ARIMA模型，就能获得该裂缝当前及未来的裂缝数据，根据未来的裂缝数据绘制曲线，就可确定裂缝的发展趋势。本发明的技术方案通过建立ARIMA模型，就可根据裂缝的历史裂缝数据获得裂缝当前时刻的裂缝数据，分析过程简单高效，并且能够预测裂缝的发展趋势，能够对历史裂缝数据进行充分利用，有利于实现科学维护。
优选地，所述裂缝数据包括所述裂缝的深度、长度和宽度，所述获取桥梁上各裂缝的裂缝数据，根据所述裂缝数据确定各所述裂缝的时间序列具体包括如下步骤：
在标定时间段内，每间隔标定时间获取各所述裂缝的所述深度、所述长度和所述宽度。
具体地，可通过人工测量的方法获得裂缝的长度和宽度，通过超声波无损检测方法测得裂缝的深度。
分别对各所述裂缝的所述深度、所述长度和所述宽度进行加权求和，获得各所述裂缝的特征值。
具体地，桥梁裂缝形状复杂多变，并且变化趋势无规律，对裂缝的深度、长度和宽度分别进行分析，无法获得裂缝的真实变化趋势。因此，对某一时刻获得的对应的裂缝的深度、长度和宽度进行加权求和，能够更好的展现裂缝的变化趋势。可根据实际情况分别为裂缝的深度、长度和宽度赋予权值，例如：对于混凝土桥，根据裂缝深度的不同，可分为贯穿裂缝、深层裂缝和表面裂缝，其中，表面裂缝主要是温度裂缝，一般危害性较小，影响外观质量。深层裂缝部分地切断了结构断面，对结构耐久性产生一定危害。贯穿裂缝是由混凝土表面裂缝发展为深层裂缝，最终形成贯穿裂缝，它切断了结构的断面，可能破幻结构的整体性和稳定性，危害非常严重。可知，裂缝的深度对桥梁的危害最大，裂缝的长度和宽度次之，因此，可对裂缝的深度赋予权值50％，长度和宽度分别赋予权值25％，再进行求和，获得裂缝的特征值。
将所述特征值按时间顺序进行排列，获得各所述裂缝的所述时间序列。
具体地，特征值由各标定时刻获取的裂缝深度、长度和宽度加权求和得到，因此特征值与标定时刻一一对应，将特征值按照标定时刻的先后顺序排列，就可获得时间序列。
优选地，所述分别对各所述时间序列进行处理，获得各所述裂缝的平稳时间序列的具体实现为：分别对各所述时间序列做差分处理，获得各所述平稳时间序列。
具体地，首先对时间序列做一阶差分，处理后得到新的时间序列，检验新的时间序列是否平稳，对时间序列平稳性的检验可采用时序图检验法或自相关系数和偏相关系数法或单位根检验法，若新的时间序列仍不是平稳时间序列，则对新的时间序列做二阶差分，依次对时间序列做一阶、二阶…k阶差分，直至时间序列为平稳时间序列。一阶差分为用时间序列中任一时间点的值减去相邻的前一时间点的值，获得一个新的时间序列。例如：时间序列为以离散函数y＝f(x)表示，时间序列的一阶差分为f(x+1)-f(x)。一阶差分的差分为二阶差分，以此类推。
优选地，所述根据各所述平稳时间序列分别建立各所述裂缝的归ARIMA模型具体包括如下步骤：
分别根据各所述平稳时间序列确定各所述裂缝的自相关图和偏自相关图。
具体地，ARIMA模型由(p，d，q)确定，AR是自回归，p为自回归项数，MA为滑动平均，q为滑动平均项数，d为使时间序列称为平稳时间序列所做差分的次数。可采用eviews软件，输入平稳时间序列，绘制自相关图和偏自相关图。
根据所述自相关图和所述偏自相关图进行相关分析，确定各所述裂缝的初始模型。
具体地，对自相关图和偏自相关图进行分析，确定自相关函数和偏自相关函数为截尾还是拖尾，截尾为时间序列的自相关函数或偏自相关函数在某阶后均为0的性质，拖尾为自相关函数或偏自相关函数并不在某阶后均为0的性质。可通过观察自相关图中的数值直接确定自相关函数为截尾还是拖尾，可通过观察偏自相关图中的数值直接确定偏自相关函数为截尾还是拖尾。
当偏自相关函数为截尾，在p阶后为0，自相关函数为拖尾时，确定初始模型为AR模型。
当偏自相关函数为拖尾，自相关函数为截尾，在q阶后为0时，确定初始模型为MA模型。
当偏自相关函数和自相关函数均为拖尾时，确定初始模型为ARMA模型。
分别采用所述初始模型对所述平稳时间序列进行拟合，获得各所述裂缝的所述ARIMA模型。
具体地，首先确定系数p和系数q，当初始模型为AR模型时，只需确定系数p，根据阶数直接确定。当初始模型为MA模型时，只需确定系数q，根据阶数直接确定。当初始模型为ARMA模型时，可对自相关图和偏自相关图进行分析，预估初始模型的多对系数值，根据每队系数值建立ARIMA模型，根据AIC信息准则确定一个较好的ARIMA模型。
也可根据任意一个历史特征值，计算出时间序列对应的时间段的预测值，进而计算出预测值与实际值之间的残差时间序列，检验残差时间序列是否为白噪声，若非白噪声，则仍具有自相关性，则换一组(p，q)继续试验，直至获得合适的一对参数p和参数q，进而建立ARIMA模型。
优选地，所述根据各所述裂缝数据分别确定各所述裂缝未来时刻的预测裂缝数据的具体实现为：分别将各所述裂缝的裂缝数据输入对应的所述ARIMA模型进行计算，获得各所述裂缝的预测特征值，所述预测特征值为所述预测裂缝数据。
具体地，将已获得的历史裂缝数据输入建立的ARIMA模型中，就可计算出未来任一时刻的特征值，根据预测的未来多个时刻的特征值绘制曲线，就可看出裂缝的变化趋势。
本优选的实施例中，通过建立模型预测裂缝的变化趋势，便于工作人员对桥梁进行检测，有利于工作人员及时采取措施对裂缝进行处理。例如：可对裂缝的特征值进行分级，当超过一定级别时，则需要对裂缝进行修补，根据模型的预测结果，当发现裂缝未来会加速恶化时，可提前对裂缝进行修补，及时排除危险。
如图2所示，本发明实施例提供的一种桥梁裂缝分析装置，包括：
获取模块，用于获取桥梁上各裂缝的裂缝数据，根据所述裂缝数据确定各所述裂缝的时间序列。
第一处理模块，用于分别对各所述时间序列进行处理，获得各所述裂缝的平稳时间序列。
第二处理模块，用于根据各所述平稳时间序列分别建立各所述裂缝的ARIMA模型。
第三处理模块，用于基于所述ARIMA模型，根据各所述裂缝数据分别确定各所述裂缝未来时刻的预测裂缝数据。
输出模块，用于根据所述预测裂缝数据绘制曲线，确定所述裂缝的变化趋势。
优选地，所述裂缝数据包括所述裂缝的深度、长度和宽度，所述获取模块具体用于：
在标定时间段内，每间隔标定时间获取各所述裂缝的所述深度、所述长度和所述宽度。
分别对各所述裂缝的所述深度、所述长度和所述宽度进行加权求和，获得各所述裂缝的特征值。
将所述特征值按时间顺序进行排列，获得各所述裂缝的所述时间序列。
优选地，所述第二处理模块具体用于：
分别根据各所述平稳时间序列确定各所述裂缝的自相关图和偏自相关图。
根据所述自相关图和所述偏自相关图进行相关分析，确定各所述裂缝的初始模型。
分别采用所述初始模型对所述平稳时间序列进行拟合，获得各所述裂缝的所述ARIMA模型。
本发明另一实施例提供的一种桥梁裂缝分析装置包括存储器和处理器。所述存储器，用于存储计算机程序。所述处理器，用于执行所述计算机程序时，实现如上所述的桥梁裂缝分析方法。该装置可以为服务器等。
本发明实施例提供的一种计算机可读存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的桥梁裂缝分析方法。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种桥梁裂缝分析方法，其特征在于，所述方法包括如下步骤：
获取桥梁上各裂缝的裂缝数据，根据所述裂缝数据确定各所述裂缝的时间序列；
分别对各所述时间序列进行处理，获得各所述裂缝的平稳时间序列；
根据各所述平稳时间序列分别建立各所述裂缝的ARIMA模型；
基于所述ARIMA模型，根据各所述裂缝数据分别确定各所述裂缝未来时刻的预测裂缝数据；
根据所述预测裂缝数据绘制曲线，确定所述裂缝的变化趋势。
2.根据权利要求1所述的桥梁裂缝分析方法，其特征在于，所述裂缝数据包括所述裂缝的深度、长度和宽度，所述获取桥梁上各裂缝的裂缝数据，根据所述裂缝数据确定各所述裂缝的时间序列具体包括如下步骤：
在标定时间段内，每间隔标定时间获取各所述裂缝的所述深度、所述长度和所述宽度；
分别对各所述裂缝的所述深度、所述长度和所述宽度进行加权求和，获得各所述裂缝的特征值；
将所述特征值按时间顺序进行排列，获得各所述裂缝的所述时间序列。
3.根据权利要求2所述的桥梁裂缝分析方法，其特征在于，所述分别对各所述时间序列进行处理，获得各所述裂缝的平稳时间序列的具体实现为：
分别对各所述时间序列做差分处理，获得各所述平稳时间序列。
4.根据权利要求3所述的桥梁裂缝分析方法，其特征在于，所述根据各所述平稳时间序列分别建立各所述裂缝的ARIMA模型具体包括如下步骤：
分别根据各所述平稳时间序列确定各所述裂缝的自相关图和偏自相关图；
根据所述自相关图和所述偏自相关图进行相关分析，确定各所述裂缝的初始模型；
分别采用所述初始模型对所述平稳时间序列进行拟合，获得各所述裂缝的所述ARIMA模型。
5.根据权利要求1至4任一项所述的桥梁裂缝分析方法，其特征在于，所述根据各所述裂缝数据确定各所述裂缝未来时刻的预测裂缝数据的具体实现为：分别将各所述裂缝的所述裂缝数据输入对应的所述ARIMA模型进行计算，获得各所述裂缝的预测特征值，所述预测特征值为所述预测裂缝数据。
6.一种桥梁裂缝分析装置，其特征在于，包括：
获取模块，用于获取桥梁上各裂缝的裂缝数据，根据所述裂缝数据确定各所述裂缝的时间序列；
第一处理模块，用于分别对各所述时间序列进行处理，获得各所述裂缝的平稳时间序列；
第二处理模块，用于根据各所述平稳时间序列分别建立各所述裂缝的ARIMA模型；
第三处理模块，用于基于所述ARIMA模型，根据各所述裂缝数据分别确定各所述裂缝未来时刻的预测裂缝数据；
输出模块，用于根据所述预测裂缝数据绘制曲线，确定所述裂缝的变化趋势。
7.根据权利要求6所述的桥梁裂缝分析装置，其特征在于，所述裂缝数据包括所述裂缝的深度、长度和宽度，所述获取模块具体用于：
在标定时间段内，每间隔标定时间获取各所述裂缝的所述深度、所述长度和所述宽度；
分别对各所述裂缝的所述深度、所述长度和所述宽度进行加权求和，获得各所述裂缝的特征值；
将所述特征值按时间顺序进行排列，获得各所述裂缝的所述时间序列。
8.根据权利要求6所述的桥梁裂缝分析装置，其特征在于，所述第二处理模块具体用于：
分别根据各所述平稳时间序列确定各所述裂缝的自相关图和偏自相关图；
根据所述自相关图和所述偏自相关图进行相关分析，确定各所述裂缝的初始模型；
分别采用所述初始模型对所述平稳时间序列进行拟合，获得各所述裂缝的所述ARIMA模型。
9.一种桥梁裂缝分析装置，其特征在于，所述装置包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述计算机程序时，实现如权利要求1至5任一项所述的桥梁裂缝分析方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1至5任一项所述的桥梁裂缝分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910429644.5A CN110222384A (zh) | 2019-05-22 | 2019-05-22 | 一种桥梁裂缝分析方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910429644.5A CN110222384A (zh) | 2019-05-22 | 2019-05-22 | 一种桥梁裂缝分析方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110222384A true CN110222384A (zh) | 2019-09-10 |
Family
ID=67817959
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910429644.5A Pending CN110222384A (zh) | 2019-05-22 | 2019-05-22 | 一种桥梁裂缝分析方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110222384A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112634195A (zh) * | 2020-11-23 | 2021-04-09 | 清华大学 | 混凝土结构裂缝预测方法、装置及系统 |
| CN114004004A (zh) * | 2022-01-04 | 2022-02-01 | 城云科技（中国）有限公司 | 基于深度学习的隧道裂缝变化趋势预测方法、装置及应用 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104268658A (zh) * | 2014-09-29 | 2015-01-07 | 招商局重庆交通科研设计院有限公司 | 一种桥梁结构安全监测数据的预测方法 |
| CN105200954A (zh) * | 2015-09-25 | 2015-12-30 | 中国电建集团成都勘测设计研究院有限公司 | 混凝土坝裂缝分类方法 |
| CN107895014A (zh) * | 2017-11-14 | 2018-04-10 | 辽宁工业大学 | 一种基于MapReduce框架的时间序列桥梁监测数据分析方法 |
| CN108051450A (zh) * | 2017-11-01 | 2018-05-18 | 中铁大桥科学研究院有限公司 | 一种基于无人机的桥梁健康检测系统及方法 |
-
2019
- 2019-05-22 CN CN201910429644.5A patent/CN110222384A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104268658A (zh) * | 2014-09-29 | 2015-01-07 | 招商局重庆交通科研设计院有限公司 | 一种桥梁结构安全监测数据的预测方法 |
| CN105200954A (zh) * | 2015-09-25 | 2015-12-30 | 中国电建集团成都勘测设计研究院有限公司 | 混凝土坝裂缝分类方法 |
| CN108051450A (zh) * | 2017-11-01 | 2018-05-18 | 中铁大桥科学研究院有限公司 | 一种基于无人机的桥梁健康检测系统及方法 |
| CN107895014A (zh) * | 2017-11-14 | 2018-04-10 | 辽宁工业大学 | 一种基于MapReduce框架的时间序列桥梁监测数据分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王凯: "基于时间序列分析的桥梁损伤预警研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112634195A (zh) * | 2020-11-23 | 2021-04-09 | 清华大学 | 混凝土结构裂缝预测方法、装置及系统 |
| CN114004004A (zh) * | 2022-01-04 | 2022-02-01 | 城云科技（中国）有限公司 | 基于深度学习的隧道裂缝变化趋势预测方法、装置及应用 |
| CN114004004B (zh) * | 2022-01-04 | 2022-04-01 | 城云科技（中国）有限公司 | 基于深度学习的隧道裂缝变化趋势预测方法、装置及应用 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111507489B (zh) | 一种云边协同的游乐设备故障预测与健康管理系统及方法 | |
| CN105512799B (zh) | 一种基于海量在线历史数据的电力系统暂态稳定评估方法 | |
| CN107516279B (zh) | 一种网络舆情自动预警的方法 | |
| CN102043900B (zh) | 基于示功图的有杆抽油系统故障预测方法 | |
| CN108830417B (zh) | 一种基于arma和回归分析的生活能源消费预测方法及系统 | |
| CN112529327A (zh) | 一种用于构建商业地区建筑火灾风险预测等级模型的方法 | |
| CN107909508A (zh) | 一种配电变压器负荷异常告警方法 | |
| CN110222384A (zh) | 一种桥梁裂缝分析方法、装置及存储介质 | |
| JP7382522B1 (ja) | 動的貯水容量の影響を考慮した貯水池の超短期水位予測方法、システムおよび記憶媒体 | |
| CN110445939A (zh) | 容量资源的预测方法及装置 | |
| CN110222383A (zh) | 一种桥梁安全预警方法、装置及存储介质 | |
| CN115146230A (zh) | 一种古建筑健康监测系统、方法及设备 | |
| CN113935384B (zh) | 一种信号自适应分解和识别的桥梁健康监测方法及系统 | |
| CN113742993A (zh) | 干式变压器寿命损失预测方法、装置、设备及存储介质 | |
| CN108932365A (zh) | 涡轮机润滑油分析器系统、计算机程序产品和相关方法 | |
| CN112598319A (zh) | 一种基于bim的智慧桥梁运维管理方法、系统、计算机设备及存储介质 | |
| CN115600695B (zh) | 一种计量设备的故障诊断方法 | |
| CN115660513A (zh) | 一种基于水利工程渡槽变形的监测方法及系统 | |
| CN115455714A (zh) | 一种设备洁净度确定方法、装置、电子设备及存储介质 | |
| CN115859808A (zh) | 一种泵组工作预测方法、装置、电子设备及存储介质 | |
| CN113449966B (zh) | 一种石膏板设备巡检方法及系统 | |
| CN115392715A (zh) | 一种用电数据风险评估方法、装置、设备及存储介质 | |
| CN117291319B (zh) | 一种基于机器学习的o3余量预测方法 | |
| CN116227999B (zh) | 市场监管软件运维服务质量评价指标定量测算系统及方法 | |
| JP2002303565A (ja) | タービン余寿命の評価システム |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190910 |