CN110780347B - 基于循环神经网络的地震破坏力预测装置及方法 - Google Patents
基于循环神经网络的地震破坏力预测装置及方法 Download PDFInfo
- Publication number
- CN110780347B CN110780347B CN201911154874.1A CN201911154874A CN110780347B CN 110780347 B CN110780347 B CN 110780347B CN 201911154874 A CN201911154874 A CN 201911154874A CN 110780347 B CN110780347 B CN 110780347B
- Authority
- CN
- China
- Prior art keywords
- earthquake
- destructive power
- module
- power prediction
- neural network
- 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
- 230000001066 destructive effect Effects 0.000 title claims abstract description 125
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 32
- 125000004122 cyclic group Chemical group 0.000 title claims description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 53
- 238000004364 calculation method Methods 0.000 claims abstract description 46
- 230000033001 locomotion Effects 0.000 claims abstract description 44
- 238000004891 communication Methods 0.000 claims abstract description 38
- 230000000306 recurrent effect Effects 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 230000001133 acceleration Effects 0.000 claims description 17
- 238000006073 displacement reaction Methods 0.000 claims description 11
- 238000010205 computational analysis Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000010355 oscillation Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000006378 damage Effects 0.000 abstract description 22
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 230000008520 organization Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 240000007651 Rubus glaucus Species 0.000 description 1
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012038 vulnerability analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于循环神经网络的地震破坏力预测装置及方法，其中，装置包括：传感模块用于获取目标对象的信息，计算分析模块用于为分析提供资源(算力)支持，通信模块提供信息传输能力，显示模块提供结果展示平台；通过传感模块获取目标对象的地震动数据信息，利用计算分析模块对所述地震动数据信息进行读取和预处理，通过神经网络预测模型对预处理后的地震动数据信息进行分析，生成地震破坏力预测结果，通信模块将所述地震破坏力预测结果发送至预设接收端，显示模块将所述地震破坏力预测结果进行可视化转换，并通过电子显示屏进行显示。由此，能够准确、实时的预测目标对象遭遇地震时的破坏情况，对疏散组织、地震预警等工作具有重要意义。
Description
技术领域
本发明涉及土木结构工程领域及防灾减灾技术领域，特别涉及一种基于循环神经网络的地震破坏力预测装置及方法。
背景技术
地震灾害是建筑所面临的重要安全威胁，是各类自然灾害中造成人员伤亡最为严重的灾害之一，是进行建筑设计与组织人员疏散所必须考虑的因素。地震灾害来临时，准确、及时的了解目标区域所遭受的地震破坏，对组织人员疏散和抢险救灾具有十分重要的意义。当前，获取地震破坏力主要有两大类途径：其一是通过实地调查或开展非线性时程分析，准确但效率较低，不满足应急时实时性的要求；另一类是开展易损性分析，效率很高但准确性、普适性不足。因此，有必要以创新性、突破性的方法，开展既准确又实时的地震破坏力预测工作。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种基于循环神经网络的地震破坏力预测的装置，该装置能够准确、实时的预测目标对象遭遇地震时的破坏情况，并随着情景的演化持续更新结果，对疏散组织、地震预警等工作具有重要意义。
本发明的另一个目的在于提出一种基于循环神经网络的地震破坏力预测方法。
为达到上述目的，本发明一方面实施例提出了一种基于循环神经网络的地震破坏力预测装置，包括：传感模块、计算分析模块、通信模块和显示模块；
所述传感模块与所述计算分析模块通信连接，用于检测目标对象的地震动数据信息，并将所述地震动数据信息发送至所述计算分析模块；
所述计算分析模块与所述通信模块和所述显示模块通信连接，用于提供计算分析所需资源(算力)，并将计算出的地震破坏力预测结果发送给所述通信模块和所述显示模块；
所述通信模块，用于进行信息传输，将接收到的所述地震破坏力预测结果发送至预设接收端；
所述显示模块，用于进行结果展示，包括电子显示屏，对所述地震破坏力预测结果进行可视化与显示。
本发明实施例的基于循环神经网络的地震破坏力预测装置，传感模块用于获取目标对象的信息，计算分析模块用于为分析提供资源(算力)支持，通信模块提供结果传输能力，显示模块提供结果展示平台，本装置能够准确、实时的预测目标对象遭遇地震时的破坏情况，并随着情景的演化持续更新结果，对疏散组织、地震预警等工作具有重要意义。
另外，根据本发明上述实施例的基于循环神经网络的地震破坏力预测装置还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，还包括，附加模块；
所述附加模块包括连接装置、固定装置、供电模块和保护装置；
所述连接装置包括连接接口和连接线，用于对地震破坏力预测装置的多个模块进行连接；
所述固定装置，用于对所述地震破坏力预测装置的多个模块进行固定；
所述保护装置，为设置在所述地震破坏力预测装置和\或多个模块外部的外壳，用于对所述地震破坏力预测装置和\或多个模块进行保护；
所述供电模块用于为所述地震破坏力预测装置供电。
进一步地，在本发明的一个实施例中，所述传感模块包括加速度传感器、速度传感器和位移传感器的一种或多种；
所述传感模块用于检测所述目标对象的加速度、速度和位移时程数据的一种或多种，所述目标对象的加速度、速度和位移时程数据的一种或多种组成所述地震动数据信息。
进一步地，在本发明的一个实施例中，所述计算分析模块，包括：数据读取单元、数据预处理单元、核心模型单元和数据输出单元；
所述数据读取单元，用于读取所述传感模块检测的所述地震动数据信息；
所述数据预处理单元，用于对所述地震动数据信息进行预处理；
所述核心模型单元，用于通过所述神经网络预测模型对预处理后的地震动数据信息进行分析，生成所述地震破坏力预测结果；
所述数据输出单元，用于将所述地震破坏力预测结果发送至所述通信模块和所述显示模块。
进一步地，在本发明的一个实施例中，通过所述传感模块、所述计算分析模块、所述通信模块与所述显示模块及所述附加模块，为地震破坏力预测提供硬件载体与能力支持，进行实时地震破坏力预测。
为达到上述目的，本发明另一方面实施例提出了一种基于循环神经网络的地震破坏力预测方法，包括：
获取目标对象的地震动数据信息；
对所述地震动数据信息进行读取和预处理，通过神经网络预测模型对预处理后的地震动数据信息进行分析，生成地震破坏力预测结果；
将所述地震破坏力预测结果发送至预设接收端；
将所述地震破坏力预测结果进行可视化转换，并通过电子显示屏进行显示。
本发明实施例的基于循环神经网络的地震破坏力预测方法，通过传感模块获取目标对象的地震动数据信息，利用计算分析模块对所述地震动数据信息进行读取和预处理，通过神经网络预测模型对预处理后的地震动数据信息进行分析，生成地震破坏力预测结果，通信模块将所述地震破坏力预测结果发送至预设接收端，显示模块将所述地震破坏力预测结果进行可视化转换，并通过电子显示屏进行显示。本方法准确、高效，显著优于传统易损性方法与时程分析方法，并能随着情景的演化持续更新结果，对震后及时、精准评估震害并开展应急救援意义重大。
另外，根据本发明上述实施例的基于循环神经网络的地震破坏力预测方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，通过传感器获取所述目标对象的地震动数据信息；对所述地震动数据信息进行预处理，包括对所述地震动数据信息进行截取和格式转换。
进一步地，在本发明的一个实施例中，在数据库中获取地震动数据样本，通过非线性时程分析方法计算所述地震动数据样本对应的破坏能力，获得目标对象的地震响应，并根据规范性文件划分对目标对象的破坏力等级；
基于所述地震动数据样本及对应的破坏力等级，对循环神经网络进行训练，获得所述神经网络预测模型。
进一步地，在本发明的一个实施例中，在所述电子显示屏上通过颜色、数字或曲线的形式对所述地震破坏力预测结果进行显示。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明一个实施例的基于循环神经网络的地震破坏力预测装置结构示意图；
图2为根据本发明一个实施例的目标对象的结构类型及建筑功能的分布情况示意图；
图3为根据本发明一个实施例的某真实地震动加速度时程记录示意图；
图4为根据本发明一个实施例的地震破坏力预测装置预测得到的地震动破坏力实时变化记录示意图；
图5为根据本发明一个实施例的地震破坏力预测装置预测结果的准确率及误差分析结果示意图；
图6为根据本发明一个实施例的可行的构建方式示意图；
图7为根据本发明一个实施例的基于循环神经网络的地震破坏力预测方法流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于循环神经网络的地震破坏力预测装置及方法。
首先将参照附图描述根据本发明实施例提出的基于循环神经网络的地震破坏力预测装置。
图1为根据本发明一个实施例的基于循环神经网络的地震破坏力预测装置结构示意图。
如图1所示，该基于循环神经网络的地震破坏力预测装置包括：传感模块100、计算分析模块200、通信模块300和显示模块400。
其中，传感模块100与计算分析模块200通信连接，用于检测目标对象的地震动数据信息，并将地震动数据信息发送至计算分析模块200；
计算分析模块200与通信模块300和显示模块400通信连接，用于为地震动破坏力分析提供资源(算力)支持，对地震动数据信息进行分析生成地震破坏力预测结果，将地震破坏力预测结果发送给通信模块300和显示模块400；
通信模块300，用于进行信息传输，将接收到的地震破坏力预测结果发送至预设接收端；
显示模块400，进行信息传输，包括电子显示屏，对地震破坏力预测结果进行可视化与显示。
进一步地，在本发明的一个实施例中，传感模块为加速度传感器、速度传感器和位移传感器中的一种或多种。
利用传感模块100记录地震的加速度、速度或位移时程数据中的一种或多种，将传感模块记录的与地震动相关的数据组成地震动数据信息，并发送给计算分析模块。
本发明实施例中使用的传感器精度高、频带宽，不同的传感器之间独立工作，互不干扰。作为一种优选的方式，传感模块可选为工作频率0.2Hz至80Hz的加速度传感器。
进一步地，在本发明的实施例中，计算分析模块200，包括：数据读取单元、数据预处理单元、核心模型单元和数据输出单元；
数据读取单元，用于读取传感模块检测的地震动数据信息；
数据预处理单元，用于对地震动数据信息进行预处理；
核心模型单元，用于通过神经网络预测模型对预处理后的地震动数据信息进行分析，生成地震破坏力预测结果；
数据输出单元，用于将地震破坏力预测结果发送至通信模块和显示模块。
具体地，计算分析模块的核心部分包括小型计算单元(微型计算机或其他具有类似功能的计算单元)以及基于循环神经网络(Recurrent Neural Network，RNN)得到的神经网络预测模型，读取数据、执行预处理后，调用神经网络预测模型，实时预测地震破坏力，十分准确、高效。
计算分析模块具有普适性，针对不同目标对象(包括单体建筑、区域建筑群、构筑物等)，可以采用相同的策略训练神经网络预测模型，从而保证本装置适用于完成多种多样的任务。
计算分析模块中的神经网络预测模型是基于广泛认可的机器学习平台TensorFlow搭建先进的RNN框架，并开展大量训练、进行详细的超参数(例如模型层数、单元数、学习率等)调整，得到具有良好地震破坏力预测能力的神经网络预测模型。
训练神经网络预测模型时，基于地震动样本数据库，计算得到相应的目标对象的地震响应，并依据国家标准、相关研究划分目标对象的破坏力等级；利用划分破坏力等级后的地震动数据样本对循环神经网络进行训练，获取神经网络预测模型。
具体地，以海量真实地震动为数据样本；训练神经网络预测模型时，以土木工程领域广泛认可的、具有很高精度的“城市抗震弹塑性时程分析”(City-ScaleNonlinear TimeHistory Analysis，City-Scale NLTHA)方法计算得到相应的工程需求参数(EngineeringDemandParameter，EDP)，并根据权威标准(如中国、美国国家标准)划分破坏力等级，作为样本标签。
具体地，训练模型所使用的海量真实地震动为数据样本可以从日本K-NET数据库和美国PEER NGA数据库(均为地震工程领域权威地震动数据库)中获取。本发明实施例所用地震动总数42000条；目标区域为包含619栋特性各异的建筑的北京清华大学校园；执行City-Scale NLTHA并获取结构响应后，则依据中国国家标准及相关研究，划分目标建筑的破坏等级。
神经网络预测模型对地震动破坏力的预测仅依赖于目标对象的特征(隐含于模型中)和时程记录(来自传感模块)，不依赖任何外部输入。神经网络预测模型的预测准确且高效，可以在震害情景演变过程中，实时预测截止当前时刻的破坏力情况，并持续更新直至整个情景终止。
本发明实施例的计算分析模块通过软件和硬件结合实现，软件部分包含神经网络预测模型、数据读取、数据预处理和数据输出程序，使用的程序可以基于开源Python语言进行开发；将软件程序施加于相应硬件单元中，实现各自的功能。
计算分析模块的硬件部分由微型计算机(树莓派微型计算机)或其他具有相似能力的计算单元组成，包含一定大小的高速缓存(内存)、存储空间(硬盘)和具有一定计算能力的CPU核心。
计算分析模块的软件部分包括：数据读取程序从传感模块读取加速度、速度或位移时程数据；数据预处理程序进行必要的截取、格式转换等预处理后，传输数据给核心模型单元；数据输出程序将核心模型单元的预测结果传输给显示模块和通信模块。
在本发明的实施例中，通信模块以具备信号发射能力的装置(无线网卡或其他相似功能的信号发射器)为核心，与计算分析模块连接并接收传递来的破坏力预测结果，随后在外部电源的支持下，将破坏力预测结果向指定的对象传递。
可以理解的是，作为一种实现方式，通信模块的信号传输方式可选为常见的WIFI传输方式，该方式传输信息量大、速度快。
在本发明的实施例中，显示模块的核心是电子显示屏(独立显示屏或手机、笔记本电脑等附带的显示器)，与计算分析模块连接并接收传递来的破坏力预测结果，并按照既定的规则，向使用者展示。
作为一种规则，将计算分析模块发送来的破坏力预测结果进行数据转化，成为可以在电子屏上显示的信息，通过颜色、数字、曲线或者图形的等方式实时展示地震动对目标对象的破坏力预测结果。
进一步地在，在本发明的实施例的装置中，还包括：附加模块500；
附加模块包括但不限于连接装置、固定装置、供电模块和保护装置；
连接装置包括连接接口和连接线，用于对地震破坏力预测装置的多个模块进行连接，形成模块之间的通路，便于在模块之间传输数据；
固定装置，用于对地震破坏力预测装置的多个模块进行固定，维持各个模块的位置，避免连接失效或模块脱落；
保护装置，为设置在地震破坏力预测装置和\或多个模块外部的外壳，用于对地震破坏力预测装置和\或多个模块进行保护，免于损坏或被外部环境干扰；
供电模块用于为地震破坏力预测装置供电，维持其正常工作。
可以理解的是，各个模块通过接口和数据线进行连接，以进行各个模块间的通信，通过固定装置(可以为塑料支架)对各个模块进行固定，在对整个装置进行供电时，可以选择可充电的锂电池，经济、方便。
通过传感模块、计算分析模块、通信模块与显示模块及附加模块，为地震破坏力预测提供硬件载体与能力支持，进行实时地震破坏力预测。
本实施例的目标对象是北京清华大学校园，包含619栋建筑组成的建筑群。如图2所示，展示了目标对象中结构类型和建筑功能的分布情况，图2(a)为目标对象的结构类型，图2(b)为目标对象的建筑功能分布。从图中可以看出。校园建筑群的特征十分多样化，作为目标对象可以更好的反映出本发明实施例的地震破坏力预测装置的性能。
当设定的目标对象(北京清华大学校园建筑群)遭受某真实地震动时，本发明的实施例中的传感模块100将实时记录地震动加速度，并生成时程数据，作为后续分析的基础。生成的地震动数据如图3所示(仅示出0s–60s的核心区段)。图中，加速度的单位为m/s2。
在传感模块100记录、生成时程数据的同时，计算分析模块200将被激活，并通过Python程序持续读取传感模块100的数据，开展必要的预处理并提供给计算分析模块200中的核心预测模型。核心预测模型将以1s为时间间隔，持续接收处理后的加速度时程记录，不断做出破坏力预测并持续更新结果。需要指出的是，本发明的神经网络预测模型极为高效，完成1次预测平均耗时仅0.5s，因此可以在震害情景演变过程中持续进行预测，无需等到地震结束。
在计算分析模块200开展预测并实时给出结果的同时，内置Python程序会将结果同时传递给通信模块300和显示模块400。通信模块300将按照预定指令，将破坏力分析结果直接(或通过中继通讯节点)传输至指定服务器。在本实施例中，以该服务器代表救灾指挥中心。结果汇总后，指挥中心可以及时了解各区域的震害情况并统一调度抢险救灾。
显示模块400在接收到计算分析模块200输出的地震破坏力预测结果后，将实时的显示该结果。本实施例中，以折线图的形式对破坏力结果进行了展示，如图4所示。图中，折线“中等破坏”(左侧虚线)代表“遭受中等破坏及以上的建筑”占全部建筑的比例；折线“严重破坏”(右侧实线)代表“遭受严重破坏及以上的建筑”占全部建筑的比例。纵坐标所示等级中，0代表0.0％至10.0％(含)，1代表10.0％(不含)至20.0％(含)，以此类推。
通过虚设地震动输入的方式(即不经过传感模块100，直接将大量地震动输入计算分析模块200)，对本发明的该实施例的计算分析模块200进行了大量测试。测试结果如图5所示。其中，图5(a)代表对“严重破坏及以上建筑比例”的预测，准确率达93.8％；图5(b)代表对“中等破坏及以上建筑比例”的预测，准确率达85.4％。若能够接受±1破坏力等级的预测误差，则两指标的预测准确率分别达到98.5％和97.5％。可以看出，本发明的该实施例的计算分析模块200，可以准确预测绝大部分地震动对目标建筑群的破坏力，具有很高的实用价值。
图6为根据本发明一个实施例的可行的构建方式示意图，图中显示了传感模块100(加速度传感器)、计算分析模块200(微型树莓派计算机)、通信模块300(无线网卡，传输WIFI信号)、显示模块400(手机显示屏)和附加装置500(仅示出连接装置和部分保护壳)。
根据本发明实施例提出的基于循环神经网络的地震破坏力预测装置，传感模块用于获取目标对象的信息，计算分析模块用于为分析提供资源(算力)支持，通信模块提供结果传输能力，显示模块提供结果展示平台。本装置能够准确、实时的预测目标对象遭遇地震时的破坏情况，并随着情景的演化持续更新结果，对疏散组织、地震预警等工作具有重要意义。
其次参照附图描述根据本发明实施例提出的基于循环神经网络的地震破坏力预测方法。
图7为根据本发明一个实施例的基于循环神经网络的地震破坏力预测方法流程图。
如图7所示，该基于循环神经网络的地震破坏力预测方法包括以下步骤：
步骤S101，获取目标对象的地震动数据信息。
进一步地，在本发明的一个实施例中，通过传感器获取目标对象的地震动数据信息。
传感器包括加速度传感器、速度传感器和位移传感器的一种或多种，通过传感器检测目标对象的加速度、速度和位移时程数据中的一种或多种。
步骤S102，对地震动数据信息进行读取和预处理，通过神经网络预测模型对预处理后的地震动数据信息进行分析，生成地震破坏力预测结果。
进一步地，在本发明的一个实施例中，对地震动数据信息进行预处理，包括对地震动数据信息进行截取和格式转换。
进一步地，在本发明的一个实施例中，在数据库中获取地震动数据样本，通过非线性时程分析方法计算地震动数据样本对应的破坏能力，获得目标对象的地震响应，并根据规范性文件划分对目标对象的破坏力等级；
基于地震动数据样本及对应的破坏力等级，对循环神经网络进行训练，获得神经网络预测模型。
步骤S103，将地震破坏力预测结果发送至预设接收端。
步骤S104，将地震破坏力预测结果进行可视化转换，并通过电子显示屏进行显示。
进一步地，在本发明的一个实施例中，在电子显示屏上通过颜色、数字或曲线的形式对地震破坏力预测结果进行显示。
需要说明的是，前述对基于循环神经网络的地震破坏力预测装置实施例的解释说明也适用于该实施例的方法，此处不再赘述。
根据本发明实施例提出的基于循环神经网络的地震破坏力预测方法，通过传感模块获取目标对象的地震动数据信息，利用计算分析模块对地震动数据信息进行读取和预处理，通过神经网络预测模型对预处理后的地震动数据信息进行分析，生成地震破坏力预测结果，通信模块将地震破坏力预测结果发送至预设接收端，显示模块将地震破坏力预测结果进行可视化转换，并通过电子显示屏进行显示。本方法准确、高效，并能随着情景的演化持续更新结果，显著优于传统易损性方法与时程分析方法，对震后及时、精准评估震害并开展应急救援意义重大。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种基于循环神经网络的地震破坏力预测装置，其特征在于，包括：
传感模块、计算分析模块、通信模块和显示模块；
所述传感模块与所述计算分析模块通信连接，用于检测目标对象的地震动数据信息，并将所述地震动数据信息发送至所述计算分析模块；
所述计算分析模块与所述通信模块和所述显示模块通信连接，用于提供计算分析所需资源，并将计算出的地震破坏力预测结果发送给所述通信模块和所述显示模块；
所述通信模块，用于进行信息传输，将接收到的所述地震破坏力预测结果发送至预设接收端；
所述显示模块，用于进行结果展示，包括电子显示屏，对所述地震破坏力预测结果进行可视化与显示；
所述计算分析模块，包括：数据读取单元、数据预处理单元、核心模型单元和数据输出单元；
所述数据读取单元，用于读取所述传感模块检测的所述地震动数据信息；
所述数据预处理单元，用于对所述地震动数据信息进行预处理；
所述核心模型单元，用于通过神经网络预测模型对预处理后的地震动数据信息进行分析，生成所述地震破坏力预测结果，其中，在数据库中获取地震动数据样本，通过非线性时程分析方法计算所述地震动数据样本对应的破坏能力，获得目标对象的地震响应，并根据规范性文件划分对目标对象的破坏力等级；基于所述地震动数据样本及对应的破坏力等级，对循环神经网络进行训练，获得所述神经网络预测模型；
所述数据输出单元，用于将所述地震破坏力预测结果发送至所述通信模块和所述显示模块。
2.根据权利要求1所述的基于循环神经网络的地震破坏力预测装置，其特征在于，还包括，附加模块；
所述附加模块包括连接装置、固定装置、供电模块和保护装置；
所述连接装置包括连接接口和连接线，用于对地震破坏力预测装置的多个模块进行连接；
所述固定装置，用于对所述地震破坏力预测装置的多个模块进行固定；
所述保护装置，为设置在所述地震破坏力预测装置和\或多个模块外部的外壳，用于对所述地震破坏力预测装置和\或多个模块进行保护；
所述供电模块用于为所述地震破坏力预测装置供电。
3.根据权利要求1所述的基于循环神经网络的地震破坏力预测装置，其特征在于，所述传感模块包括加速度传感器、速度传感器和位移传感器的一种或多种；
所述传感模块用于检测所述目标对象的加速度、速度和位移时程数据中的一种或多种，所述目标对象的加速度、速度和位移时程数据的一种或多种组成所述地震动数据信息。
4.根据权利要求2所述的基于循环神经网络的地震破坏力预测装置，其特征在于，
通过所述传感模块、所述计算分析模块、所述通信模块与所述显示模块及所述附加模块，为地震破坏力预测提供硬件载体与能力支持，进行实时地震破坏力预测。
5.一种基于循环神经网络的地震破坏力预测方法，其特征在于，包括以下步骤：
获取目标对象的地震动数据信息；
对所述地震动数据信息进行读取和预处理，通过神经网络预测模型对预处理后的地震动数据信息进行分析，生成地震破坏力预测结果；
将所述地震破坏力预测结果发送至预设接收端；
将所述地震破坏力预测结果进行可视化转换，并通过电子显示屏进行显示；
在数据库中获取地震动数据样本，通过非线性时程分析方法计算所述地震动数据样本对应的破坏能力，获得目标对象的地震响应，并根据规范性文件划分对目标对象的破坏力等级；
基于所述地震动数据样本及对应的破坏力等级，对循环神经网络进行训练，获得所述神经网络预测模型。
6.根据权利要求5所述的基于循环神经网络的地震破坏力预测方法，其特征在于，
通过传感器获取所述目标对象的地震动数据信息；
对所述地震动数据信息进行预处理，包括对所述地震动数据信息进行截取和格式转换。
7.根据权利要求5所述的基于循环神经网络的地震破坏力预测方法，其特征在于，
在所述电子显示屏上通过颜色、数字或曲线的形式对所述地震破坏力预测结果进行显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911154874.1A CN110780347B (zh) | 2019-11-22 | 2019-11-22 | 基于循环神经网络的地震破坏力预测装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911154874.1A CN110780347B (zh) | 2019-11-22 | 2019-11-22 | 基于循环神经网络的地震破坏力预测装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110780347A CN110780347A (zh) | 2020-02-11 |
| CN110780347B true CN110780347B (zh) | 2021-04-09 |
Family
ID=69392561
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911154874.1A Active CN110780347B (zh) | 2019-11-22 | 2019-11-22 | 基于循环神经网络的地震破坏力预测装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110780347B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112085922A (zh) * | 2020-09-01 | 2020-12-15 | 东莞理工学院 | 一种建筑物震害智能预警监测方法 |
| CN113326982A (zh) * | 2021-05-27 | 2021-08-31 | 深圳防灾减灾技术研究院 | 基于rbf神经网络地震预警分析系统 |
| CN113537636A (zh) * | 2021-08-13 | 2021-10-22 | 重庆大学 | 基于双向门控循环单元的地震破坏力预测方法及装置 |
| CN113537637B (zh) * | 2021-08-13 | 2022-05-27 | 重庆大学 | 基于门控循环单元的地震破坏力预测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101699317A (zh) * | 2009-11-09 | 2010-04-28 | 东南大学 | 利用地震参量进行短期地震预测的神经网络方法 |
| CN103336299A (zh) * | 2013-06-26 | 2013-10-02 | 桂林电子科技大学 | 一种地震监测预警装置 |
| CN104634301A (zh) * | 2013-11-07 | 2015-05-20 | 大连市勘察测绘研究院有限公司 | 一种滑坡位移监测系统 |
| CN205679774U (zh) * | 2016-05-25 | 2016-11-09 | 施春花 | 一种地震烈度测量设备 |
| CN109615118A (zh) * | 2018-11-23 | 2019-04-12 | 泉州装备制造研究所 | 基于大数据地质灾害防治信息化服务集成控制系统及方法 |
-
2019
- 2019-11-22 CN CN201911154874.1A patent/CN110780347B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101699317A (zh) * | 2009-11-09 | 2010-04-28 | 东南大学 | 利用地震参量进行短期地震预测的神经网络方法 |
| CN103336299A (zh) * | 2013-06-26 | 2013-10-02 | 桂林电子科技大学 | 一种地震监测预警装置 |
| CN104634301A (zh) * | 2013-11-07 | 2015-05-20 | 大连市勘察测绘研究院有限公司 | 一种滑坡位移监测系统 |
| CN205679774U (zh) * | 2016-05-25 | 2016-11-09 | 施春花 | 一种地震烈度测量设备 |
| CN109615118A (zh) * | 2018-11-23 | 2019-04-12 | 泉州装备制造研究所 | 基于大数据地质灾害防治信息化服务集成控制系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于人工神经元网络和多特征参数的预警震级估算;杨黎薇 等;《地震研究》;20180430;第41卷(第2期);第302-310页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110780347A (zh) | 2020-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110780347B (zh) | 基于循环神经网络的地震破坏力预测装置及方法 | |
| Zonzini et al. | Structural health monitoring and prognostic of industrial plants and civil structures: A sensor to cloud architecture | |
| US8410952B2 (en) | Methods for forewarning of critical condition changes in monitoring civil structures | |
| CN106442720A (zh) | 一种声振式轨道桥梁健康监测装置、系统及方法 | |
| WO2020188585A1 (en) | System and method for structural health monitoring using internet of things and machine learning | |
| CN102507121A (zh) | 基于无线传感网的建筑结构震害评估系统及方法 | |
| CN105074503B (zh) | 地震预测装置 | |
| CN102324064B (zh) | 基于传感带的动态火灾风险评估方法与系统 | |
| JP2016535885A (ja) | 資産監視用の汎用無線プラットフォームのための方法およびシステム | |
| CN108376184A (zh) | 一种桥梁健康监控的方法及系统 | |
| CN110360461B (zh) | 压力管道监测系统、方法、装置和计算机可读存储介质 | |
| KR20130101202A (ko) | 교량구조물의 증강현실 기반 안전진단 정보 가시화 방법 및 그 시스템 | |
| CN103714702B (zh) | 一种利用车辆超速报警装置进行车辆超速报警的方法 | |
| JP2016535256A (ja) | 雑音サーベイランスシステム | |
| CN106764459A (zh) | 管网振动预警装置、系统及方法 | |
| CN108520227A (zh) | 一种基于双传感器信息的传递熵的桥梁结构损伤定位方法 | |
| Naeim | Real-time damage detection and performance evaluation for buildings | |
| Gunner et al. | Rapid deployment of a WSN on the Clifton Suspension Bridge, UK | |
| JP2018193849A (ja) | 遠隔状態監視システム及び監視方法 | |
| KR20170066994A (ko) | M2m 무선통신을 이용한 재난 경보 시스템 | |
| CN117010197A (zh) | 基于数字孪生的设备检测方法及装置 | |
| Fraser | Development and implementation of an integrated framework for structural health monitoring | |
| CN214751482U (zh) | 桥梁监测云服务系统 | |
| Wyckoff et al. | Real-time human cognition of nearby vibrations using augmented reality | |
| RU2591734C1 (ru) | Способ измерений и долговременного контроля конструкции стартового сооружения ракет-носителей и система для его осуществления |
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 | ||
| OL01 | Intention to license declared | ||
| OL01 | Intention to license declared |