CN110378622B - 一种可重复使用钢构件的寿命评估方法及租赁管理方法 - Google Patents
一种可重复使用钢构件的寿命评估方法及租赁管理方法 Download PDFInfo
- Publication number
- CN110378622B CN110378622B CN201910702775.6A CN201910702775A CN110378622B CN 110378622 B CN110378622 B CN 110378622B CN 201910702775 A CN201910702775 A CN 201910702775A CN 110378622 B CN110378622 B CN 110378622B
- Authority
- CN
- China
- Prior art keywords
- prediction model
- data
- steel member
- training
- parameters
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明属于周转材料的租赁管理领域,公开了一种可重复使用钢构件的寿命评估方法及租赁管理方法,包括:建立样本集,采集多维度综合参数及状态作为输入,通过破坏试验获得力学数据作为输出;划分训练集和测试集;将多维度综合参数及状态归一化为多维特征向量,对预测模型进行训练,并利用测试集进行测试验证,获得训练好的预测模型;利用训练好的预测模型对待测钢构件进行无损检测,预测其强度及寿命。本发明的租赁管理方法能够与现有的自动化检测手段、智能预测手段和其他租赁管理技术相结合,为每一件出库钢构件赋予身份标识和质量数据,建立高效、完整、准确的周转材料信息数据中心,从而为工程设计和安全生产提供保障。
Description
技术领域
本发明属于周转材料的租赁管理领域,更具体地,涉及一种可重复使用钢构件的寿命评估方法及租赁管理方法。
背景技术
钢构件在新出厂时,经过了严格的质量检验,具备了符合国家标准的承载能力。但在实践中发现,由于客户使用条件的不可预估性,回收后的钢构件会出现以下现象:表面腐蚀,尤其在海水中浸泡过的钢材更为严重;钢构件发生塑性变形甚至开裂等,以上情况,会导致回收后的钢构件的承载能力即使用寿命发生衰减,并体现在强度、刚度、稳定性的变化上。
从整个周转材料租赁行业甚至建筑行业来看,除了简单的翻新涂漆处理之外,对二次甚至多次使用的钢构件并无统一的检验方法和质量标准,无法对其承载能力包括强度、刚度、稳定性进行评估,进而无法正确预估二次使用的价值和寿命,可能导致严重的工程质量隐患,使得工程设计人员不得不提高安全设计系数,进而带来成本的巨大浪费。
目前,对于周转材料的强度、刚度、稳定性方面的指标,需要经过破坏性的力学实验才能获得,事实上也不可能对每件周转材料都进行破坏性试验。相应地,本领域亟需对上述问题作出进一步的解决,以便工程设计人员在节省资源成本的同时,满足对安全设计的需求。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种可重复使用钢构件的寿命评估方法,其目的在于利用人工智能和深度学习技术,建立周转材料的力学性能预测模型,从而实现在不需要进行破坏试验的情况下完成寿命指标的评估及预测。
为实现上述目的,按照本发明的一个方面,提供了一种可重复使用钢构件的寿命评估方法,包括离线训练步骤和在线检测步骤,其中:
离线训练步骤包括:
S1.建立样本集:
以可重复使用钢构件作为样本,采集可重复使用钢构件的多维度综合参数和状态;对可重复使用钢构件进行破坏实验,获得其力学数据,并以此作为寿命评估标准;多维度综合参数和状态以及力学数据共同组成样本集内的样本数据;将样本分为训练集和测试集。
S2.对预测模型进行训练:
将采集的多维度综合参数和状态归一化形成多维特征向量,作为预测模型的输入,将实验获得的力学数据作为预测模型的输出,使用训练集对预测模型进行训练,并使用测试集对预测模型进行检测,直至预测模型输出的力学数据与测试集实验获得的力学数据误差在预设范围内,得到训练好的预测模型;
在线检测步骤包括:
S3.对待测的可重复使用钢构件,采集其多维度综合参数和状态,并归一化形成多维特征向量,输入步骤S2中训练好的预测模型,从而获得待测可重复使用钢构件的力学数据,用于进行综合强度及寿命评估。
进一步地,在步骤S1中,所述多维度综合参数和状态包括量化数据和非量化数据,量化数据包括裂纹分布、锈蚀程度和壁厚变化,非量化数据包括使用环境、使用时间和历史承载状况。
进一步地,在步骤S1中,通过对所述样本数据进行分割,得到多个等长子样本数据,并根据所得多个子样本数据构建训练集和测试集。
进一步地,在步骤S1中,力学数据包括抗拉强度、抗压强度、抗弯强度、抗剪强度中的至少一个。
进一步地,在步骤S2中,所述预测模型为神经网络或支持向量机。
进一步地,所述神经网络为卷积神经网络,所述支持向量机为支持向量回归机。
进一步地,在步骤S2中,所述对模型进行训练包括:
S21、基于卷积神经网络或支持向量回归机构建预测模型,用于可重复使用钢构件的寿命评估;
S22、利用所述训练集对所述预测模型进行训练,得到多组模型参数;
S23、利用所述测试集对所述多组模型参数进行验证,并将验证误差最小的一组模型参数确定为所述预测模型的参数。
为了实现上述目的,本发明还提供了一种可重复使用钢构件的租赁管理方法,在仓储系统中为每一个钢构件赋予身份标识,在钢构件入库和/或出库过程中采用训练好的所述预测模型进行力学数据检测和寿命评估,将检测评估结果作为对应钢构件的质量数据,与对应的身份标识一同存入数据库中,建立钢构件的质量管理档案。
总体而言,本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
1.本发明结合周转材料特点,针对性地对无法正确预估周转材料的二次使用价值和寿命的问题进行设计,通过预测模型预测得到周转材料的力学特征数据,进而与力学试验结果进行比较分析和归纳,得到能够准确预测力学特征数据的预测模型,从而在实际使用时能够直接利用训练好的预测模型进行无损检测;由于预测使用年限是非常不确定的事情,而工程方更注重材料的强度问题,不同强度的材料可以赋予不同的承载能力和应用场合,因此本发明将寿命预测问题转化为对材料强度的预测。
2.为二次甚至多次使用的钢构件提供了评估其承载能力(包括强度、刚度、稳定性)的方法,进而预估而此时用的价值和寿命,而不需要对每件周转材料都进行破坏性试验,以便工程设计人员在节约资源成本的同时,满足对安全设计的需求。
3.与租赁管理技术相结合,为每一件出库钢构件赋予身份标识和质量数据,建立高效、完整、准确的周转材料管理方式,为工程设计和安全生产提供保障。
附图说明
图1是本发明实施例1的CNN预测模型及训练示意;
图2是本发明实施例2的支持向量回归机SVR的训练过程示意;
图3是本发明实施例3中包含寿命预估方法的租赁管理框架;
图4是本发明的主要步骤示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1:
神经网络模型常用的是BP(Back Propagation)神经网络,它包括输入层,隐含层,以及输出层,采用误差返向传播算法。通过计算输出值和真实值的误差来更新权值和阈值。但是BP神经网络的初始权值和阈值是随机获取的,容易导致训练陷入局部优化或者延长优化时间,如图1所示,本实施例优选采用具有更多隐含层的卷积神经网络(CNN)进行训练,以解决BP(Back Propagation)神经网络初始权值和阈值是随机获取,导致训练陷入局部优化或者延长优化时间的问题。。
下面结合图4对本发明的方法进行进一步的介绍:
S1、建立样本集步骤。
采集多维度综合参数和状态,作为模型的输入。更具体的,所述采集数据优选为裂纹分布、锈蚀程度、壁厚变化等量化数据,以及使用环境、使用时间、历史承载状况等非量化数据。
然后,通过破坏实验,获得样本的力学数据,并以此作为预测模型的输出。更具体的,所述获得的力学数据优选为抗拉强度、抗压强度、抗弯强度、抗剪强度等。上述输入和输出数据组成样本集的样本数据,通过对所述样本数据进行分割,得到多个等长子样本数据,根据所得多个子样本数据构建训练集和测试集。
S2、预测模型训练步骤。
基于卷积神经网络构建可重复使用钢构件的寿命评估模型,将采集的多维度综合参数和状态归一化形成多维特征向量,对模型进行训练,利用所述训练集对所述可重复使用钢构件的寿命评估模型进行训练,得到多组模型参数。利用所述测试集对所述多组模型参数进行验证,并将验证误差最小的一组模型参数确定为所述可重复使用钢构件的寿命评估模型参数,以达到通过对待测材料综合数据的采集,输入到预测模型,输出即为待测材料的综合强度数据,而无需进行破坏性试验的目的。
实施例2:
本实施例与实施例1的主要区别在于预测模型为支持向量回归机(SupportVactor Regerssion,SVR)。
如图2所示,在SVR模型的训练方法中,自变量即训练集的多维度综合参数和状态,通过数据预处理归一化为多维特征向量。因变量即SVR模型输出的预测结果,为材料可能的承载强度(即力学数据的预测值)。通过遗传算法计算SVR的惩罚因子和参数,以此创建SVR回归模型,然后利用创建的模型对测试集进行预测,输出测试集预测值并与测试集的实测结果进行比较和验证。验证通过后的SVR回归模型可以准确预测出待测钢构件的力学特征数据。
实施例3:
如图3所示,本实施例基于前述本寿命预估方法,结合材料的力学抽检、外观检测、尺寸检测和无损探伤结果,对建材做出质量综合评价,并建立建材数据档案,实现科学、安全、便捷的租赁管理。具体地,在仓储系统中为每一个钢构件赋予身份标识,在钢构件入库和/或出库过程中采用训练好的预测模型,进行力学数据检测和寿命评估,将检测评估结果作为对应钢构件的质量数据,与对应的身份标识一同存入数据库中,建立钢构件的质量管理档案。
综上,本发明借助无损检测和自动控制的最新技术手段,得到周转材料的特征数据,进而与力学试验结果进行分析和归纳;利用人工智能和深度学习的最新成果,建立周转材料的承载能力及寿命评估模型。通过本发明,与现有的自动化检测手段和其他自主研发的相关技术相结合,为每一件出库钢构件赋予身份标识和质量数据,建立高效、完整、准确的周转材料管理方式,为工程设计和安全生产提供保障。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种可重复使用钢构件的寿命评估方法,其特征在于,包括离线训练步骤和在线检测步骤,其中:
离线训练步骤包括:
S1.建立样本集:
以可重复使用钢构件作为样本,采集可重复使用钢构件的多维度综合参数和状态;对可重复使用钢构件进行破坏实验,获得其力学数据,并以此作为寿命评估标准;多维度综合参数和状态以及力学数据共同组成样本集内的样本数据;将样本分为训练集和测试集;
S2.对预测模型进行训练:
将采集的多维度综合参数和状态归一化形成多维特征向量,作为预测模型的输入,将实验获得的力学数据作为预测模型的输出,使用训练集对预测模型进行训练,并使用测试集对预测模型进行检测,直至预测模型输出的力学数据与测试集实验获得的力学数据误差在预设范围内,得到训练好的预测模型;
在线检测步骤包括:
S3.对待测的可重复使用钢构件,采集其多维度综合参数和状态,并归一化形成多维特征向量,输入步骤S2中训练好的预测模型,从而获得待测可重复使用钢构件的力学数据,用于进行综合强度及寿命评估;
在步骤S1中,所述多维度综合参数和状态包括量化数据和非量化数据,量化数据包括裂纹分布、锈蚀程度和壁厚变化,非量化数据包括使用环境、使用时间和历史承载状况;
在步骤S2中,所述预测模型为神经网络或支持向量机;所述神经网络为卷积神经网络,所述支持向量机为支持向量回归机。
2.如权利要求1所述的可重复使用钢构件的寿命评估方法,其特征在于,在步骤S1中,通过对所述样本数据进行分割,得到多个等长子样本数据,并根据所得多个子样本数据构建训练集和测试集。
3.如权利要求1所述的可重复使用钢构件的寿命评估方法,其特征在于,在步骤S1中,力学数据包括抗拉强度、抗压强度、抗弯强度、抗剪强度中的至少一个。
4.如权利要求1所述的可重复使用钢构件的寿命评估方法,其特征在于,在步骤S2中,所述对模型进行训练包括:
S21、基于卷积神经网络或支持向量回归机构建预测模型,用于可重复使用钢构件的寿命评估;
S22、利用所述训练集对所述预测模型进行训练,得到多组模型参数;
S23、利用所述测试集对所述多组模型参数进行验证,并将验证误差最小的一组模型参数确定为所述预测模型的参数。
5.一种可重复使用钢构件的租赁管理方法,其特征在于,在仓储系统中为每一个钢构件赋予身份标识,在钢构件入库和/或出库过程中采用按照如权利要求1-4任意一项中训练好的所述预测模型,进行力学数据检测和寿命评估,将检测评估结果作为对应钢构件的质量数据,与对应的身份标识一同存入数据库中,建立钢构件的质量管理档案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910702775.6A CN110378622B (zh) | 2019-07-31 | 2019-07-31 | 一种可重复使用钢构件的寿命评估方法及租赁管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910702775.6A CN110378622B (zh) | 2019-07-31 | 2019-07-31 | 一种可重复使用钢构件的寿命评估方法及租赁管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110378622A CN110378622A (zh) | 2019-10-25 |
CN110378622B true CN110378622B (zh) | 2022-07-05 |
Family
ID=68257437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910702775.6A Active CN110378622B (zh) | 2019-07-31 | 2019-07-31 | 一种可重复使用钢构件的寿命评估方法及租赁管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378622B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832101B (zh) * | 2020-06-18 | 2023-07-07 | 湖北博华自动化系统工程有限公司 | 一种水泥强度预测模型的构建方法及水泥强度预测方法 |
CN113052555A (zh) * | 2021-03-26 | 2021-06-29 | 浙江三一装备有限公司 | 损耗零部件管理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778010A (zh) * | 2016-12-29 | 2017-05-31 | 中铁十八局集团隧道工程有限公司 | 基于数据驱动支持向量回归机的tbm刀具寿命预测方法 |
CN107451325A (zh) * | 2017-06-14 | 2017-12-08 | 中国石油大学(北京) | 深井超深井压裂套管失效风险实时定量评估方法及装置 |
CN107609647A (zh) * | 2017-10-16 | 2018-01-19 | 安徽工业大学 | 一种基于bp神经网络轧辊合金力学性能预测方法 |
CN108240961A (zh) * | 2017-12-13 | 2018-07-03 | 中国特种飞行器研究所 | 涂层体系沿海环境适应性评估方法 |
CN109826593A (zh) * | 2018-12-25 | 2019-05-31 | 内江师范学院 | 基于bp神经网络的储层气体钻井安全风险分析系统 |
-
2019
- 2019-07-31 CN CN201910702775.6A patent/CN110378622B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778010A (zh) * | 2016-12-29 | 2017-05-31 | 中铁十八局集团隧道工程有限公司 | 基于数据驱动支持向量回归机的tbm刀具寿命预测方法 |
CN107451325A (zh) * | 2017-06-14 | 2017-12-08 | 中国石油大学(北京) | 深井超深井压裂套管失效风险实时定量评估方法及装置 |
CN107609647A (zh) * | 2017-10-16 | 2018-01-19 | 安徽工业大学 | 一种基于bp神经网络轧辊合金力学性能预测方法 |
CN108240961A (zh) * | 2017-12-13 | 2018-07-03 | 中国特种飞行器研究所 | 涂层体系沿海环境适应性评估方法 |
CN109826593A (zh) * | 2018-12-25 | 2019-05-31 | 内江师范学院 | 基于bp神经网络的储层气体钻井安全风险分析系统 |
Non-Patent Citations (1)
Title |
---|
"钢筋混凝土构件腐蚀疲劳试验研究与理论分析";王海超;《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》;20041215(第04期);第C038-23页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110378622A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nair et al. | Acoustic emission pattern recognition in CFRP retrofitted RC beams for failure mode identification | |
Allahyari et al. | A new approach to determine strength of Perfobond rib shear connector in steel-concrete composite structures by employing neural network | |
CN110378622B (zh) | 一种可重复使用钢构件的寿命评估方法及租赁管理方法 | |
Maljaars et al. | Probabilistic model for fatigue crack growth and fracture of welded joints in civil engineering structures | |
CN111795978B (zh) | 一种钢桥结构健康状态评估方法、装置、设备及存储介质 | |
Santamaria Ariza et al. | Comparison of forecasting models to predict concrete bridge decks performance | |
Omar et al. | Performance of NDT techniques in appraising condition of reinforced concrete bridge decks | |
Mills et al. | Developing pavement performance models for Delaware | |
Benitez et al. | A dynamic multi-criteria decision-making model for the maintenance planning of reinforced concrete structures | |
CN117172622B (zh) | 基于多源数据分析的装配式建筑质量管理方法与系统 | |
CN117233347B (zh) | 一种碳钢球化等级测量方法、系统及设备 | |
Ge et al. | Determination of appropriate updating parameters for effective life-cycle management of deteriorating structures under uncertainty | |
Louhi Kasahara et al. | Unsupervised learning approach to automation of hammering test using topological information | |
Regattieri et al. | Reliability assessment of a packaging automatic machine by accelerated life testing approach | |
Hugaas et al. | Estimating SN curves for local fiber dominated fatigue failure in ring specimens representing filament wound pressure vessels with damage | |
Hamdan et al. | A knowledge-based Approach for the Assessment of Damages to Constructions | |
Küttenbaum et al. | Ways to unlock the potential of non-destructive concrete testing for the reliability assessment of our built environment | |
Aflatooni et al. | Classification of railway bridges based on criticality and vulnerability factors | |
Lapiga et al. | Using of artificial neural networks to assess the residual resource of trunk pipelines | |
Yelisetti et al. | Global Health assessment of structures using NDT and machine learning | |
Omar et al. | Mat-713: evaluation of ndt techniques for concrete bridge decks using fuzzy analytical hierarchy process | |
Monavari | SHM-based structural deterioration assessment | |
Stepinac et al. | Decision analysis and scenarios for the assessment of existing timber structures | |
CN117893100B (zh) | 基于卷积神经网络的质量评价数据更新模型的构建方法 | |
CN116644863B (zh) | 钢结构焊缝质量预测管理方法及系统 |
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 |