CN110362886B - 一种基于不确定性分析的城镇砌体住宅安全评估方法 - Google Patents

一种基于不确定性分析的城镇砌体住宅安全评估方法 Download PDF

Info

Publication number
CN110362886B
CN110362886B CN201910561857.3A CN201910561857A CN110362886B CN 110362886 B CN110362886 B CN 110362886B CN 201910561857 A CN201910561857 A CN 201910561857A CN 110362886 B CN110362886 B CN 110362886B
Authority
CN
China
Prior art keywords
uncertainty
structural
model
parameters
town
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
CN201910561857.3A
Other languages
English (en)
Other versions
CN110362886A (zh
Inventor
苏亮
蒋亦庞
黄鑫
徐斌
张景泉
李喜龙
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910561857.3A priority Critical patent/CN110362886B/zh
Publication of CN110362886A publication Critical patent/CN110362886A/zh
Application granted granted Critical
Publication of CN110362886B publication Critical patent/CN110362886B/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]
    • G06F30/10—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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于不确定性分析的城镇砌体住宅安全评估方法，属于工程结构性能评估领域。该方法首先对结构进行环境振动下的加速度采集，得到加速度数据。其次，采用多参考点协方差驱动随机子空间法与卷积神经网络自动识别结构模态参数及其不确定性。然后，以得到的不确定性模态参数为输入，采用基于渐进马尔科夫链蒙特卡罗法(TMCMC)的贝叶斯模型修正方法，修正结构的初始有限元模型，得到带有不确定性参数的城镇砌体住宅安全评估模型。最后，对该模型进行同时考虑荷载作用及结构参数不确定性的安全评估。本发明能够构建有效的城镇砌体住宅安全评估模型，从而实现该类房屋长期安全管理与灾害预警的目标。

Description

一种基于不确定性分析的城镇砌体住宅安全评估方法
技术领域
本发明涉及一种基于不确定性分析的城镇砌体住宅安全评估方法，属于工程结构性能评 估领域，用于城镇砌体住宅的安全评估。
背景技术
对结构进行安全评估是保障结构安全的有效手段，目前主要依据相关国家规范标准，借 助于仪器设备进行人工现场检测，并根据材料强度、构件尺寸、结构变形、裂缝宽度等实测 数据及结构缺陷、损伤、腐蚀等外观检测情况将结构评定为Asu、Bsu、Csu、Dsu等4个安全等 级。然而，由于检测手段繁琐多样和实际操作费时费力，对大量城镇砌体住宅进行定时的安 全评定需投入大量人力和物力；同时房屋的安全评定在很大程度上依赖于专业人员的分析判 断，其安全评定结果往往带有一定的片面性和主观性。当然，基于现场检测的安全评定方法 由于未能建立城镇砌体住宅安全评估的结构分析模型，难以预测服役过程中复杂荷载作用下 的结构响应，因此无法实现砌体住宅长期安全管理和灾害预警的社会目标。
城镇砌体住宅具有数量众多，结构材料性能离散性大等工程特点，传统的人工现场检测 方法无法满足其安全评定的要求。结构健康监测(SHM)作为当前重大工程结构安全保障的 重要技术，近三十年来在世界范围内得到快速发展和应用，其最常用的方法是通过环境振动 响应识别结构模态参数，建立结构分析模型并加以修正，最后进行荷载分析实现安全评估和 灾害预警。同时，随着对各种不确定性因素认识的不断加深，科研人员在结构模态识别、模 型修正、安全评估等领域展开了大量不确定性分析理论的研究，并取得了丰富的研究成果， 进一步推动了SHM的工程应用。目前，SHM主要应用于桥梁、大坝和空间结构等大型建筑 形式中，在砌体结构安全评估中的应用则尚处于起步阶段。
发明内容
本发明的目的是针对现有技术的不足，提供一种基于不确定性分析的城镇砌体住宅安全 评估方法，该方法结合不确定性分析在SHM领域的最新研究成果，构建城镇砌体住宅基于 不确定性分析的安全评估模型，并在此基础上实现该类房屋的安全评定与灾害预警。
本发明的目的是通过以下技术方案实现的：一种基于不确定性分析的城镇砌体住宅安全 评估方法，步骤如下：
(1)采用加速度传感器对住宅结构进行环境振动下的加速度数据采集；
(2)采用多参考点协方差驱动随机子空间法，结合卷积神经网络，对住宅结构进行不确 定性模态参数自动识别，得到结构的真实模态参数及其不确定性；
(3)以步骤(2)获得的不确定性模态参数为输入，采用基于渐进马尔科夫链蒙特卡罗 法(TMCMC)的贝叶斯模型修正方法，对建立的城镇砌体住宅等效框架模型以及等效体积单元模型进行随机模型修正，得到带有不确定性参数的城镇砌体住宅安全评估模型；
(4)基于步骤(3)构建的带有不确定性参数的城镇砌体住宅安全评估模型，在同时考 虑荷载作用及结构参数不确定性的情况下对结构进行地震与风灾易损性分析，实现结构的安 全评定与灾害预警。
进一步地，所述步骤(2)中，对住宅结构进行不确定性模态参数自动识别包括如下步骤：
利用多参考点协方差驱动随机子空间程序对采集到的加速度数据进行模态参数识别；采 用不确定性计算程序计算上述模态参数识别结果的不确定性；根据计算的模态参数识别结果 的不确定性绘制扇形不确定图，使其可视化；将不确定图输入已训练好的卷积神经网络程序 自动区分真假模态，实现模态参数的自动识别。
进一步地，所述步骤(3)中，对建立的城镇砌体住宅等效框架模型以及等效体积单元模 型进行随机模型修正过程包括如下步骤：根据现场调查的结构几何尺寸数据及结合相关规范 估计的物理参数经验值在有限元软件中建立城镇砌体住宅等效框架模型以及等效体积单元模 型，作为初始待修正有限元模型；选取若干结构物理参数组成待修正参数组；通过TMCMC 方法从一系列中间概率密度函数中抽取候选物理参数值，用候选物理参数值导入数值模型产 生的模态数据与实测的模态数据间差异构建接受概率函数；基于接受概率函数筛选物理参数 组抽样值，通过分阶段抽样收敛至后验概率密度函数，通过分析后验概率密度函数得到模型 物理参数最大可能值和不确定性，从而得到带有不确定性参数的城镇砌体住宅安全评估模型。
进一步地，所述步骤(4)中，同时考虑荷载作用及结构参数不确定性的地震易损性分析 步骤如下：
运用区间分组法从太平洋地震工程中心强震数据库中选取20条地震动记录以考虑地震 作用的不确定性；采用拉丁超立方抽样法对步骤(3)中得到的结构不确定性参数进行抽样， 输入结构等效框架模型形成多组结构样本，以考虑结构参数的不确定性；利用增量动力法对 结构样本进行地震易损性分析，得到同时考虑荷载作用及结构参数不确定性的地震易损性曲 线。
进一步地，所述的步骤(4)中，同时考虑荷载作用及结构参数不确定性的风灾易损性分 析步骤如下：
通过自回归线性滤波法生成一组不同风速的脉动风速时程曲线以考虑风荷载的不确定 性；采用拉丁超立方抽样法对步骤(3)中得到的结构不确定性参数进行抽样，输入结构等效 体积单元模型形成多组结构样本，以考虑结构参数的不确定性；对结构样本进行非线性动力 时程分析，得到基于不同构件损毁的构件风灾易损性曲线，并由此建立描述结构整体破坏等 级与各构件破坏等级对应矩阵，得到结构整体风灾易损性曲线。
本发明相对于现有技术，具有以下有益效果：
(1)所述不确定性模态参数自动识别方法中的不确定图只需计算一次即可构建，相对于 传统方法中需要重复多次计算才能得到的稳定图，大大提升了计算效率。同时，卷积神经网 络的引入可以实现模态参数识别的自动化，为大批量的城镇砌体住宅安全评估工作打下基础。
(2)所述随机模型修正方法可以避免确定性模型修正方法存在的梯度计算困难、病态、 非唯一解等问题，同时能实现物理参数不确定性的量化。
(3)安全评估过程中同时考虑了荷载作用及结构参数的不确定性，能够得到更加可靠的 安全评估结果。
(4)构建了城镇砌体住宅的安全评估模型，可以实现结构长期的安全管理和灾害预警。
(5)虽然本发明是针对城镇砌体住宅所提出的安全评估方法，然而该方法具有通用性， 同样可应用于其他建筑工程结构中。
附图说明
图1为本发明的实施流程图；
图2为加速度传感器采集得的加速度数据图；
图3为模态参数自动识别所用的不确定图；
图4为卷积神经网络模型结构图；
图5为砌体结构等效框架模型示意图；
图6为模型参数后验概率密度分布图；
图7为典型结构不同破坏状态下的地震易损性曲线；
图8为脉动风速功率谱图；
图9为典型结构整体风灾易损性曲线。
具体实施方式
下面通过附图及实施例，对本发明作进一步详细描述。
本发明提供了一种城镇砌体住宅安全评估方法，该方法结合了不确定性分析在SHM领 域的最新研究成果，能够构建城镇砌体住宅基于不确定性分析的安全评估模型，并在此基础 上实现该类房屋的安全评定与灾害预警。如图1所示，首先对结构进行环境振动下的加速度 数据采集；对采集得到的加速度数据进行不确定性模态参数自动识别，得到结构的真实模态 及其不确定性；基于识别的模态参数，采用随机模型修正方法对结构的有限元模型进行修正， 并得到其结构参数的不确定性；进行同时考虑地震作用及结构参数不确定性的结构地震及风 灾易损性分析，实现结构的安全评定与灾害预警。
对结构进行不确定性模态参数自动识别，首先需要采集得到加速度数据(如图2所示)， 将加速度数据输入已编制好的多参考点协方差驱动随机子空间程序中，进行模态参数识别。 采用已编制好的不确定性计算程序(程序参考论文：
Figure BDA00021085024800000411
M,Mevel L.Efficientmulti-order uncertainty computation for stochastic subspace identification[J].Mechanical Systems&Signal Processing,2013,38(2):346-366.)计算上述模态参数识别结果的不确定性。计算程序首先利用 公式(1)计算系统矩阵A、C的协方差∑A,C，再利用公式(2)与公式(3)计算模态参数的协方差， 该协方差即表示了模态参数的不确定性。
Figure BDA0002108502480000041
Figure BDA0002108502480000042
Figure BDA0002108502480000043
其中，vec(·)表示矩阵的向量化；
Figure BDA0002108502480000044
表示变量Y相对于变量X的敏感性系数；O为可观矩阵， L为Toeplitz矩阵；fk、ξk、
Figure BDA0002108502480000045
分别为结构第k阶频率、阻尼及振型；0a,b表示a×b的零矩阵；l 为输出通道数目，n为结构自由度数；re(·)为求实部，im(·)为求虚部。之后，将计算的模态参 数结果不确定性绘制成扇形不确定图(如图3所示)。不确定图中，扇形面积大的代表了结构 的真实模态，扇形面积小的则代表了结构的虚假模态。每个扇形的大小和形状由该阶模态参 数不确定性计算结果决定。其中扇形的半径Ru,k由半径基数Ru,0，频率不确定部分
Figure BDA0002108502480000046
阻尼比 不确定部分
Figure BDA0002108502480000047
三部分相加获得；扇形的圆心角αu,k由圆心角基数αu,0和振型不确定性部分
Figure BDA0002108502480000048
相 加获得，u为。其具体计算公式如下：
Figure BDA0002108502480000049
Figure BDA00021085024800000410
其中，半径基数Ru,0取0.8，圆心角基数αu,0取0.08，扇形圆心角缩放系数
Figure BDA0002108502480000051
取0.2。std(·)表示 标准差；下标u表示不确定性。最后，将不确定图输入已训练好的卷积神经网络中，所采用 的卷积神经网络结构为“6c-5s-12c-7s”(如图4所示)，其中c表示卷积层，s表示下采样层； 数字表示相应层所取特征映射个数；其中第一个卷积层的卷积核大小设定为5×5，第二个卷 积层的卷积核大小设定为4×4。卷积神经网络可自动区分结构的真假模态，从而自动得到结 构的真实模态参数及其不确定性。
以结构的不确定性模态参数作为输入，对结构有限元模型进行随机模型修正。具体实施 过程如下：根据现场调查的结构几何尺寸数据及结合相关规范估计的物理参数经验值在有限 元软件中建立城镇砌体住宅等效框架模型(如图5所示)以及等效体积单元模型，作为初始 待修正有限元模型。等效框架模型用于后续的地震易损性分析，等效体积单元模型用于后续 的风灾易损性分析。选取若干结构物理参数组成待修正参数组，通过TMCMC方法(方法参 考论文：Ching J,Chen Y C.Transitional Markov chain MonteCarlo method for Bayesian model updating,model class selection,and modelaveraging[J].Journal of engineering mechanics,2007, 133(7):816-832.)从一系列中间概率密度函数中抽取候选物理参数值，用候选物理参数值导 入数值模型产生的模态数据与实测的模态数据间差异构建接受概率函数。基于接受概率函数 筛选物理参数组抽样值，通过分阶段抽样收敛至后验概率密度函数，并得到参数的后验概率 密度分布图(如图6所示)，通过分析后验概率密度分布图得到模型物理参数最大可能值和不 确定性，从而得到带有不确定性参数的城镇砌体住宅安全评估模型。
建立带有不确定性参数的城镇砌体住宅等效框架模型(模型参考论文：Raka E,Spacone E, Sepe V,et al.Advanced frame element for seismic analysis ofmasonry structures:model formulation and validation[J].EarthquakeEngineering&Structural Dynamics,2015,44(14): 2489-2506.)后，对其进行同时考虑地震作用及结构参数不确定性的地震易损性分析。首先运 用区间分组法从太平洋地震工程中心强震数据库中选取20条地震动记录以考虑地震作用的 不确定性。再采用拉丁超立方抽样法对结构不确定性参数进行抽样，抽样样本数目N定为略 大于两倍结构不确定性参数的个数。抽得参数样本后，分别输入等效框架模型中，得到N个 结构样本，以考虑结构参数的不确定性。对N个结构样本，分别利用增量动力法对其进行地 震易损性分析，得到同时考虑地震作用及结构参数不确定性的地震易损性曲线(如图7所示)。
建立带有不确定性参数的城镇砌体住宅等效体积单元模型后，对其进行考虑风荷载作用 及结构参数不确定性的风灾易损性分析。首先通过自回归线性滤波法生成一组不同风速的脉 动风速时程曲线以考虑风荷载的不确定性，并使得计算功率谱与目标功率谱相吻合(如图8 所示)。再采用拉丁超立方抽样法对结构不确定性参数进行抽样，抽样样本数目N定为略大 于两倍结构不确定性参数的个数。抽得参数样本后，分别输入等效体积单元模型中，得到N 个结构样本，以考虑结构参数的不确定性。对结构样本进行非线性动力时程分析，得到基于 不同构件损毁的构件风灾易损性曲线，并由此建立描述结构整体破坏等级与各构件破坏等级 对应矩阵，得到结构整体风灾易损性曲线(如图9所示)。
通过分析城镇砌体住宅的地震易损性曲线与整体风灾易损性曲线即可对其安全评定与灾 害预警。

Claims (4)

1.一种基于不确定性分析的城镇砌体住宅安全评估方法，其特征在于，步骤如下：
(1)采用加速度传感器对住宅结构进行环境振动下的加速度数据采集；
(2)采用多参考点协方差驱动随机子空间法，结合卷积神经网络，对住宅结构进行不确定性模态参数自动识别，得到结构的真实模态参数及其不确定性；
其中，对住宅结构进行不确定性模态参数自动识别具体为：利用多参考点协方差驱动随机子空间程序对采集到的加速度数据进行模态参数识别；采用不确定性计算程序计算上述模态参数识别结果的不确定性；根据计算的模态参数识别结果的不确定性绘制扇形不确定图，使其可视化；将不确定图输入已训练好的卷积神经网络程序自动区分真假模态，实现模态参数的自动识别；
(3)以步骤(2)获得的不确定性模态参数为输入，采用基于渐进马尔科夫链蒙特卡罗法(TMCMC)的贝叶斯模型修正方法，对建立的城镇砌体住宅等效框架模型以及等效体积单元模型进行随机模型修正，得到带有不确定性参数的城镇砌体住宅安全评估模型；
(4)基于步骤(3)构建的带有不确定性参数的城镇砌体住宅安全评估模型，在同时考虑荷载作用及结构参数不确定性的情况下对结构进行地震与风灾易损性分析，实现结构的安全评定与灾害预警。
2.根据权利要求1所述的基于不确定性分析的城镇砌体住宅安全评估方法，其特征在于，所述步骤(3)中，对建立的城镇砌体住宅等效框架模型以及等效体积单元模型进行随机模型修正过程包括如下步骤：根据现场调查的结构几何尺寸数据及结合相关规范估计的物理参数经验值在有限元软件中建立城镇砌体住宅等效框架模型以及等效体积单元模型，作为初始待修正有限元模型；选取若干结构物理参数组成待修正参数组；通过TMCMC方法从一系列中间概率密度函数中抽取候选物理参数值，用候选物理参数值导入数值模型产生的模态数据与实测的模态数据间差异构建接受概率函数；基于接受概率函数筛选物理参数组抽样值，通过分阶段抽样收敛至后验概率密度函数，通过分析后验概率密度函数得到模型物理参数最大可能值和不确定性，从而得到带有不确定性参数的城镇砌体住宅安全评估模型。
3.根据权利要求1所述的基于不确定性分析的城镇砌体住宅安全评估方法，其特征在于，所述步骤(4)中，同时考虑荷载作用及结构参数不确定性的地震易损性分析步骤如下：
运用区间分组法从太平洋地震工程中心强震数据库中选取20条地震动记录以考虑地震作用的不确定性；采用拉丁超立方抽样法对步骤(3)中得到的结构不确定性参数进行抽样，输入结构等效框架模型形成多组结构样本，以考虑结构参数的不确定性；利用增量动力法对结构样本进行地震易损性分析，得到同时考虑荷载作用及结构参数不确定性的地震易损性曲线。
4.根据权利要求1所述的基于不确定性分析的城镇砌体住宅安全评估方法，其特征在于，所述的步骤(4)中，同时考虑荷载作用及结构参数不确定性的风灾易损性分析步骤如下：
通过自回归线性滤波法生成一组不同风速的脉动风速时程曲线以考虑风荷载的不确定性；采用拉丁超立方抽样法对步骤(3)中得到的结构不确定性参数进行抽样，输入结构等效体积单元模型形成多组结构样本，以考虑结构参数的不确定性；对结构样本进行非线性动力时程分析，得到基于不同构件损毁的构件风灾易损性曲线，并由此建立描述结构整体破坏等级与各构件破坏等级对应矩阵，得到结构整体风灾易损性曲线。
CN201910561857.3A 2019-06-26 2019-06-26 一种基于不确定性分析的城镇砌体住宅安全评估方法 Active CN110362886B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910561857.3A CN110362886B (zh) 2019-06-26 2019-06-26 一种基于不确定性分析的城镇砌体住宅安全评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910561857.3A CN110362886B (zh) 2019-06-26 2019-06-26 一种基于不确定性分析的城镇砌体住宅安全评估方法

Publications (2)

Publication Number Publication Date
CN110362886A CN110362886A (zh) 2019-10-22
CN110362886B true CN110362886B (zh) 2020-12-18

Family

ID=68217487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910561857.3A Active CN110362886B (zh) 2019-06-26 2019-06-26 一种基于不确定性分析的城镇砌体住宅安全评估方法

Country Status (1)

Country Link
CN (1) CN110362886B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110969372B (zh) * 2019-12-21 2023-10-27 广东新稳建筑检测鉴定有限公司 房屋安全性鉴定方法
CN111143931B (zh) * 2019-12-25 2022-11-22 上海市建筑科学研究院有限公司 一种基于增量静力方法的非迭代砌体结构易损性分析方法
CN112380606B (zh) * 2020-11-16 2022-10-14 福州大学 土木结构体系中构件重要性和体系易损性评估方法
CN113392516B (zh) * 2021-06-04 2022-01-25 北京科技大学 一种基于主频带重心频率的重力坝抗滑稳定性监测评价方法
CN114329714A (zh) * 2021-12-28 2022-04-12 中铁五局集团建筑工程有限责任公司 一种装配式超高层结构施工运营全阶段的快速结构健康监测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101382473A (zh) * 2008-10-08 2009-03-11 重庆大学 桥梁结构安全预警的ewma控制图方法
CN102323976A (zh) * 2011-06-24 2012-01-18 武汉理工大学 混凝土桥梁收缩徐变及预应力损失计算方法
CN102493497A (zh) * 2011-11-14 2012-06-13 郑州天易勘测技术有限公司 一种适用于多层建筑地基的多维隔震层、带结构

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10990714B2 (en) * 2015-12-22 2021-04-27 Bwxt Mpower, Inc. Apparatus and method for safety analysis evaluation with data-driven workflow

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101382473A (zh) * 2008-10-08 2009-03-11 重庆大学 桥梁结构安全预警的ewma控制图方法
CN102323976A (zh) * 2011-06-24 2012-01-18 武汉理工大学 混凝土桥梁收缩徐变及预应力损失计算方法
CN102493497A (zh) * 2011-11-14 2012-06-13 郑州天易勘测技术有限公司 一种适用于多层建筑地基的多维隔震层、带结构

Also Published As

Publication number Publication date
CN110362886A (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
CN110362886B (zh) 一种基于不确定性分析的城镇砌体住宅安全评估方法
CN109613611B (zh) 用于结构抗震时程分析的输入地震波的确定方法及系统
CN116448419A (zh) 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法
CN106597574A (zh) 一种基于时变云模型的天气温度预测方法及装置
CN110442980A (zh) 基于相似贝叶斯方法的确定性损伤识别方法
Zonno et al. Automated long-term dynamic monitoring using hierarchical clustering and adaptive modal tracking: validation and applications
Hartmann et al. Coupling sensor-based structural health monitoring with finite element model updating for probabilistic lifetime estimation of wind energy converter structures
Shu et al. A multi-task learning-based automatic blind identification procedure for operational modal analysis
CN112348264A (zh) 一种基于随机森林算法的碳钢腐蚀速率预测方法
CN103353295B (zh) 一种精确预测大坝坝体垂直变形量的方法
CN107180126B (zh) 一种桥梁风振监测传感器布置和风振响应重构方法
Ji et al. Structural performance degradation identification of offshore wind turbines based on variational mode decomposition with a Grey Wolf Optimizer algorithm
CN114611193A (zh) 基于深度学习的隧道力学性能快速反演方法
CN115577587A (zh) 一种历史建筑健康状态监测方法及系统
CN104063609B (zh) 一种利用神经网络辅助判定污染源监测数据有效性的方法
CN111047476A (zh) 基于rbf神经网络的大坝结构安全监控精确预测方法及系统
CN117113854B (zh) 一种基于ConvLSTM和三维数值模拟的咸潮预报方法
CN112926384B (zh) 一种基于功率谱传递比和支持向量机的模态自动识别方法
CN116738553B (zh) 抗震结构的不确定参数敏感性分析方法
Guo et al. Structural damage identification based on the wavelet transform and improved particle swarm optimization algorithm
CN114611832B (zh) 一种基于贝叶斯多模型集对分析的海水入侵预测方法
Ierimonti et al. A Bayesian-based inspection-monitoring data fusion approach for historical buildings and its post-earthquake application to a monumental masonry palace
CN116911148A (zh) 一种沉积盆地建筑群震害评估方法及评估系统
Häckell A holistic evaluation concept for long-term structural health monitoring
CN105528657A (zh) 基于北斗和向量机的建筑物震害预测方法

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