CN110807562A - 一种区域性桥梁风险预测方法及系统 - Google Patents
一种区域性桥梁风险预测方法及系统 Download PDFInfo
- Publication number
- CN110807562A CN110807562A CN202010011819.3A CN202010011819A CN110807562A CN 110807562 A CN110807562 A CN 110807562A CN 202010011819 A CN202010011819 A CN 202010011819A CN 110807562 A CN110807562 A CN 110807562A
- Authority
- CN
- China
- Prior art keywords
- bridge
- risk prediction
- risk
- collapse
- disaster
- 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
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000013058 risk prediction model Methods 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000012216 screening Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000007477 logistic regression Methods 0.000 claims description 61
- 238000013527 convolutional neural network Methods 0.000 claims description 40
- 239000000463 material Substances 0.000 claims description 27
- 238000005516 engineering process Methods 0.000 claims description 26
- 238000011156 evaluation Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 24
- 238000012544 monitoring process Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 24
- 239000000203 mixture Substances 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 20
- 238000012502 risk assessment Methods 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 14
- 238000007637 random forest analysis Methods 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 13
- 230000001419 dependent effect Effects 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000011835 investigation Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 239000000725 suspension Substances 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000009991 scouring Methods 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 9
- 238000011161 development Methods 0.000 description 8
- 230000018109 developmental process Effects 0.000 description 8
- 230000035882 stress Effects 0.000 description 8
- 230000036541 health Effects 0.000 description 7
- 238000012417 linear regression Methods 0.000 description 6
- 230000008439 repair process Effects 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 206010040844 Skin exfoliation Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004643 material aging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种区域性桥梁风险预测方法及系统,其中,预测方法包括:S1、收集区域内所有桥梁的基础信息;S2、基于所述基础信息筛选出需要进行风险预测的桥梁;S3、对需要进行风险预测的桥梁根据其基础信息划分为不同的风险预测等级;不同风险预测等级对应不同风险预测周期;S4、初步确定用于桥梁坍塌评价的致灾因子;S5、对初步确定的致灾因子进行筛选,获得影响桥梁垮塌的主要致灾因子;S6、基于主要致灾因子训练生成多个桥梁垮塌风险预测模型;S7、选择性能最好的风险预测模型作为最终的风险预测模型;S8、对待预测桥梁进行桥梁坍塌风险预测。本发明实现对区域性桥梁的风险预测,实现成本低、覆盖广、处理效率高,提高了桥梁的安全性。
Description
技术领域
本发明涉及桥梁安全技术领域,具体涉及一种区域性桥梁风险预测方法及系统。
背景技术
当今交通运输业飞速发展,公路桥梁经长时间的日晒雨淋、材料老化、结构损伤、超负荷运载,以及其他的不合理使用,容易产生剥落、锈蚀、裂缝和拉索变形等桥梁结构安全病害。1999-2009年我国共垮塌大桥30多座,且都是近30年内建成的,桥梁坍塌多会造成人员伤亡,公共安全危害极大。因此不断更新桥梁检测技术及方法显得尤为紧要,提高对桥梁数据的认知和有效利用,减少桥梁维修的频率和费用,增加桥梁的使用寿命,以保障公共安全。
通常情况下监测桥梁应力应变需要提前布设固定的监测点,并铺设大量的线缆,工作效率低,监测较为局限。近年来桥梁应力应变监测系统运用DIC(Digital ImageCorrelation)数字图像技术、现代传感技术、智能识别技术以及通信技术等,对桥梁结构及部件应变、位移及受力等进行连续监测、快速分析和评估,从而实现了桥梁的单点风险时时预测。但对桥梁健康监测区域性风险目前没有有效的预测和评估方法。我国桥梁总量多,荷载等级多样,规模不同,跨径规模不同,服役时间不同,所处交通地理位置不一,有国道、省道、县道,交通量不同,车辆超载程度不同,桥梁类型也包含了石拱桥、圬工砌体拱、混凝土拱桥、连续梁、钢架拱桥等,结构形式不同,材料组成不同。桥梁个体差异性大,桥梁健康区域性风险预测存在着数据量多,积累速度快,信噪比低,数据挖掘程度不深,缺乏桥梁结构支撑等问题,存在着较大的管控弱,主观性强、滞后性大和精度低等特性。
区域性桥梁健康风险预测技术融合多元数据,挖掘分析区域上的桥梁健康风险发育规律,排查垮塌隐患点,旨在众多桥梁中识别出应监测的桥梁,实现低成本,广覆盖,高效能的健康监测。
因此,如何实现针对区域性桥梁坍塌风险的预测,将对桥梁坍塌风险灾害的被动监测和处理转化为主动预测和应对是本领域亟待解决的问题。
发明内容
本发明的目的是针对现有技术的缺陷,提供了一种区域性桥梁风险预测方法及系统。本发明实现对区域性桥梁的风险预测,实现成本低、覆盖广、处理效率高,提高了桥梁的安全性。
为了实现以上目的,本发明采用以下技术方案:
一种区域性桥梁风险预测方法,包括:
S1、收集区域内所有桥梁的基础信息,包括服役年限、结构型式、材料组成、荷载等级、交通流量;
S2、基于所述基础信息对区域内的桥梁进行筛选,选出需要进行风险预测的桥梁;
S3、对需要进行风险预测的桥梁根据其基础信息划分为不同的风险预测等级;不同的桥梁根据其风险预测等级对应的风险预测周期进行预测;
S4、从市政设施部门资料、国家气象信息中心及文献调研中初步确定用于桥梁坍塌评价的致灾因子;
S5、对初步确定的致灾因子进行筛选,获得影响桥梁垮塌的主要致灾因子;
S6、采集历史桥梁形变数据,基于确定的主要致灾因子分别对逻辑回归模型、卷积神经网络模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机应用进行训练,生成多个桥梁垮塌风险预测模型;
S7、评估基于逻辑回归模型、卷积神经网络模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机训练生成的桥梁风险预测模型的性能,选择性能最好的风险预测模型作为最终的风险预测模型;
S8、通过高精度遥感监测技术和物联网传感技术相互集成应用采集需要进行风险预测桥梁所对应的主要致灾因子的值,将主要致灾因子的值输入最终的风险预测模型,预测桥梁坍塌的风险值。
进一步地,所述根据其基础信息划分为不同的风险预测等级具体为:
设置服役年限、结构型式、材料组成、荷载等级、交通流量的权重依次为ω1、ω2、ω3、ω4、ω5,其中ω1+ω2+ω3+ω4+ω5=1,;桥梁对应的风险评估值为:
V= V1*ω1+V2*ω2+V3*ω3+V4*ω4+ V5*ω5
其中,V1、V2、V3、V4、V5分别为服役年限、结构型式、材料组成、荷载等级、交通流量的值;服役年限的值为相应的服役年限,结构型式的值为分别赋予梁式、拱式、组合桥梁和悬索桥的值,材料组成的值为赋予不同材料的值,荷载等级的值为相应的负荷等级,交通流量的值为不同流量所赋予的等级值,流量越大,等级值越高;
基于计算出的风险评估值,将桥梁划分到相应的风险预测等级,风险评估值越高,风险预测等级越高。
进一步地,所述步骤S5具体为:
根据致灾因子的特征从初步确定的致灾因子中选择出比较重要的致灾因子,所述特征包括方差、斜度、峰态、频率、振型、模态曲率、回归残差、小波能量和拟合系数;
对于所述比较重要的致灾因子,通过相关性分析、条件熵、后验概率、逻辑回归权重进行筛选,按变量预测力选出最有用的特征子集,分别提取出致灾因子中的环境荷载因子和结构响应因子;所述环境荷载因子包括温度、风速、地震、交通、湿度和冲刷,所述结构响应因子包括索力、应变、位移、转角、加速度和疲劳。
进一步地,设置方差的阈值,当致灾因子的方差小于所述方差的阈值时,剔除该致灾因子;否则,将该特征作为比较重要的致灾因子;
计算比较重要的致灾因子与桥梁坍塌的相关系数,设置相关系数的阈值,当致灾因子与桥梁坍塌的相关系数小于所述相关系数的阈值时,剔除该致灾因子;否则,将该特征作为主要致灾因子。
进一步地,所述步骤S6包括:
逻辑回归模型的参数形式为:,其中,,n为自变量的个数;将历史桥梁形变数据中主要致灾因子所对应的特征值组成特征向量,作为逻辑回归模型中的自变量向量X,桥梁垮塌风险值作为逻辑回归模型中的因变量p,对逻辑回归模型进行训练,获得使所述逻辑回归模型的代价函数值最小的参数向量a和所述每项关系特征数据的权重,确定所述参数向量a后的逻辑回归模型即为桥梁风险预测模型。
进一步地,所述步骤S6包括:
构建卷积神经网络,卷积神经网络由输入层、卷积层、PReLU层、池化层、全连接层、输出层构成;具体包括5个卷积层,每个卷积层都附带一个带参数的非线性激活函数PReLU层,第一卷积层、第二个卷积层、第四个卷积层后连接有池化层,每一个池化层均采用最大池化的方法,第一卷积层与输入层连接,输入层输入的是需要处理的桥梁形变数据中主要致灾因子所对应的值,全连接层位于最后一个池化层和输出层之间,其中每一个神经元都与前一层的全部神经元相连接,并根据风险检测的需要,有针对性地将特征向量映射到输出层,输出层输出桥梁垮塌风险值;
利用大量的历史桥梁形变数据对卷积神经网络模型进行训练,计算卷积神经网络的损失函数,利用损失函数对卷积神经网络进行迭代、更新,基于深度学习的风险预测通过不断对卷积神经网络进行训练,使损失函数降到预期值,生成最终的卷积神经网络模型。
进一步地,桥梁风险预测模型的性能评估方法包括均方误差、确定系数、精确率、召回率、准确率、接收灵敏度曲线、曲线下面积。
进一步地,采用ArcGIS进行桥梁风险制图与显示,将采集的桥梁空间数据进行清洗处理后与桥梁风险值进行图层的叠加。
进一步地,所述风险预测方法还包括:
采用抽样评价方法进行区域桥梁评估:计算各桥梁垮塌预警级别所对应桥梁数占区域桥梁总数的比例,设置抽样的样本总数,根据抽样样本总数及各垮塌预警级别的比例,计算各垮塌预警级别所对应的抽样样本数;随机在各垮塌预警级别的桥梁中抽取相应数量的桥梁;在不需要进行桥梁坍塌风险预测的桥梁中进行抽取,直到抽取的桥梁数量达到抽样的样本总数;根据抽样的桥梁样本,计算区域的整体坍塌风险值,将各桥梁样本的坍塌风险值的平均值作为区域性桥梁的坍塌风险值。
本发明还提出一种区域性桥梁风险预测系统,用于实现本发明所述的区域性桥梁风险预测方法,包括:
采集模块,用于收集区域内所有桥梁的基础信息,包括服役年限、结构型式、材料组成、荷载等级、交通流量;
第一筛选模块,用于基于所述基础信息对区域内的桥梁进行筛选,选出需要进行风险预测的桥梁;
等级划分模块,用于对需要进行风险预测的桥梁根据其基础信息划分为不同的风险预测等级;不同的桥梁根据其风险预测等级对应的风险预测周期进行预测;
致灾因子确定模块,用于从市政设施部门资料、国家气象信息中心及文献调研中初步确定用于桥梁坍塌评价的致灾因子;
第二筛选模块,用于对初步确定的致灾因子进行筛选,获得影响桥梁垮塌的主要致灾因子;
训练模块,用于采集历史桥梁形变数据,基于确定的主要致灾因子分别对逻辑回归模型、卷积神经网络模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机应用进行训练,生成多个桥梁垮塌风险预测模型;
评估模块,用于评估基于逻辑回归模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机训练生成的桥梁风险预测模型的性能,选择性能最好的风险预测模型作为最终的风险预测模型;
预测模块,用于通过高精度遥感监测技术和物联网传感技术相互集成应用采集需要进行风险预测桥梁所对应的主要致灾因子的值,将主要致灾因子的值输入最终的风险预测模型,预测桥梁坍塌的风险值。
与现有技术相比,本发明具有如下优点:
(1)本发明实现了区域性桥梁风险的预测,克服了现有的单点风险预测处理效率低的问题,弥补了现有的区域性桥梁风险预测和评估的空缺;
(2)由于逐个桥梁的单点预测处理复杂,因此现有的桥梁风险预测覆盖低,对于大量的桥梁并没有实现有效的监管,本发明同时对区域内的所有桥梁进行监管,提高了桥梁风险预测的桥梁覆盖率;
(3)本发明对需要进行风险预测的桥梁进行筛选,并对需要进行风险预测的桥梁根据不同的风险预测等级、以不同的风险预测周期进行预测,克服了现有的桥梁风险预测方法单一,处理固化的问题,在对大量桥梁进行安全监管的同时,降低桥梁风险预测的复杂度;
(4)本发明训练生成多个桥梁垮塌风险预测模型,并选择性能最好的风险预测模型进行风险预测,针对桥梁数据的特点,选择最适应的风险预测模型,风险预测效果好;
(5)本发明采用ArcGIS进行桥梁风险制图与显示,根据坍塌风险对应的坍塌预警级别,进行坍塌垮塌易发性制图,分别用红、橙、黄、蓝作为高、高、中等、低四级预警级别所对应的预警颜色,能够直观显示桥梁的状况,并能检测桥梁风险的发展趋势;根据不同的风险进行不同等级的预警,对风险预警处理及时;
(6)本发明采用抽样评价方法进行区域桥梁评估,能够了解该区域桥梁的整体水平,同时不同风险的桥梁进行处理,降低桥梁的风险,对桥梁坍塌风险灾害的被动监测和处理转化为主动预测和应对。
附图说明
图1是实施例一提供的一种区域性桥梁风险预测方法流程图;
图2是实施例二提供的一种区域性桥梁风险预测系统结构图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
实施例一
如图1 所示,本实施例提出了一种区域性桥梁风险预测方法,包括:
S1、收集区域内所有桥梁的基础信息,包括服役年限、结构型式、材料组成、荷载等级、交通流量;
本发明首先对区域内所有桥梁的基础信息进行采集,除包括服役年限、结构型式、材料组成、荷载等级、交通流量外,还可以包括病害状况、功能位置、投资规模、修复难度等。桥梁的基础数据可以从市政设施部门资料进行采集。
S2、基于所述基础信息对区域内的桥梁进行筛选,选出需要进行风险预测的桥梁;
随着工程技术的发展,各种各样的桥梁也越来越多,如果对区域内的所有桥梁都进行监测,无论是硬件花销还是软件花销,都是桥梁风险预测时的重大负担。因此,本发明首先基于桥梁的基础信息对需要进行风险预测的桥梁进行筛选。例如,对于服役年限在1年内、没有病害状况的桥梁,其发生坍塌风险的概率极低,因此,不进行风险预测。对于桥梁的筛选不是一成不变的,可以根据桥梁的信息进行定期更新,例如每个半年对前期不需要进行坍塌风险预测的桥梁重新判断。
S3、对需要进行风险预测的桥梁根据其基础信息划分为不同的风险预测等级;不同的桥梁根据其风险预测等级对应的风险预测周期进行预测;
本发明设置不同的风险预测等级,不同的风险预测等级对应不同的风险预测周期。具体地,根据桥梁的基础信息对桥梁进行等级划分,为不同的基础信息类别设置不同的权重。例如,设置服役年限、结构型式、材料组成、荷载等级、交通流量的权重依次为ω1、ω2、ω3、ω4、ω5,其中,ω1+ω2+ω3+ω4+ω5=1。因此,桥梁对应的风险评估值为:
V= V1*ω1+V2*ω2+V3*ω3+V4*ω4+ V5*ω5
其中,V1、V2、V3、V4、V5分别为服役年限、结构型式、材料组成、荷载等级、交通流量的值。服役年限的值为相应的服役年限,结构型式的值为分别赋予梁式、拱式、组合桥梁和悬索桥的值,如梁式、拱式、组合桥梁和悬索桥的值分别为4、3、2、1,相应地,材料组成的值为赋予不同材料的值,荷载等级的值为相应的负荷等级,交通流量的值为不同流量所赋予的等级值,流量越大,等级值越高。
基于计算出的风险评估值,将桥梁划分到相应的风险预测等级。例如,设置三个风险预测等级I级、II级、III级,I级对应的风险评估值为,为交通流量大、服役年限长的桥梁,此类桥梁需要频繁地进行风险预测与维护;II级对应对应的风险评估值为,为交通流量中等、服役年限中等的桥梁,此类桥梁比起I级桥梁来说,预测周期较长;III级对应的风险评估值为,为交通流量低、服役年限短的桥梁,此类桥梁的预测周期最短,不需要进行频繁的预测,节省了数据处理花销。例如,对于I级桥梁,预测周期为3天、II级桥梁的预测周期为半个月、III级桥梁的预测周期为2个月。
S4、从市政设施部门资料、国家气象信息中心及文献调研中初步确定用于桥梁坍塌评价的致灾因子;
桥梁的坍塌实质是当桥梁的形变达到一定程度时出现的,因此,本发明确定桥梁坍塌评价的致灾因子实质是确定引起桥梁形变的因子。桥梁的安全受多种因素影响,因此,本发明针对桥梁坍塌,从市政设施部门资料、国家气象信息中心及文献调研中获取常见的桥梁坍塌评价的致灾因子。例如,大风、雷击、雨雪、材料特性、应力、应变等。
S5、对初步确定的致灾因子进行筛选,获得影响桥梁垮塌的主要致灾因子;
桥梁环境复杂,因此其桥梁坍塌的致灾因子多。对大量的致灾因子进行检测,处理复杂。且存在一些不重要的致灾因子,其对桥梁坍塌的影响很小。因此,本发明需要对初步确定的致灾因子进行筛选,获得影响桥梁垮塌的主要致灾因子。
每一个致灾因子即为桥梁的一个特征,因此,本发明对从不同渠道获取的健康监测数据进行分析调研,通过特征工程提取出对桥梁坍塌或桥梁形变敏感的指标。首先,本发明通过致灾因子的特征从初步确定的致灾因子中选择出比较重要的致灾因子。统计学特征包括方差、斜度和峰态,频域特征包括频率,振型和模态曲率,其他特征有回归残差,小波能量和拟合系数。例如,方差越大的特征,可以认为它是比较有用的。如果方差较小,比如小于1,那么这个特征可能对桥梁风险预测的方法作用没有那么大。最极端的,如果某个特征方差为0,即所有的样本该特征的取值都是一样的,那么它对风险预测模型训练没有任何作用,可以直接舍弃。具体地,本发明设定方差的阈值,当特征的方差小于设定的阈值,剔除该特征。
对于筛选出的比较重要的致灾因子,通过相关性分析、条件熵、后验概率、逻辑回归权重等方法进行进一步筛选,按变量预测力选出最有用的特征子集,分别提取出致灾因子中的环境荷载因子和结构响应因子。其中,环境荷载因子包括温度、风速、地震、交通、湿度和冲刷等,结构响应因子包括索力、应变、位移、转角、加速度和疲劳等。例如,相关性分析中,本发明计算比较重要的致灾因子中各致灾因子与桥梁坍塌的相关系数,相关系数越大,说明该因子与桥梁坍塌之间的关联越大,也就是说,该因子对桥梁坍塌的影响越大。本发明收集桥梁坍塌的事件及相应的致灾因子统计数据,计算桥梁损伤事件中具体的坍塌与致灾因子的相关系数。
S6、采集历史桥梁形变数据,基于确定的主要致灾因子分别对逻辑回归模型、卷积神经网络模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机应用进行训练,生成多个桥梁垮塌风险预测模型;
本发明从历史的检测报告中,获取桥梁形变数据,不同的形变对应的垮塌风险值不同。形变越高,垮塌风险越高。因此,为获取的每个形变数据设置对应的垮塌风险值。如果桥梁垮塌,其垮塌风险值为1,如果桥梁完好无损,其垮塌风险值为0。
将获取的历史桥梁形变数据作为样本数据,对逻辑回归模型、卷积神经网络模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机应用进行训练。获取到样本数据后,需要对样本数据需预处理的对象(噪声,缺失值,离群点和漂移)进行清洗,例如带通滤波、希-黄变换、盲源分离、小波变换和移动平均等清洗方法。具体地,对于每个历史桥梁形变数据,获取主要致灾因子所对应的值作为模型的输入,相应的垮塌风险值作为模型的输出,不断对预测模型进行训练。
由于不同的训练模型对不同的数据有不同的预测效果。因此,本发明训练生成多种预测模型,并根据各模型的性能选择最优的模型,进一步优化桥梁风险的预测效果。
以逻辑回归模型为例,逻辑回归模型也被称为广义线性回归模型,它与线性回归模型的形式基本上相同,都具有a0 +a1×x,其中,a0和a1是待求参数,其区别在于它们的因变量不同。多重线性回归直接将a0 +a1×x作为因变量,即y=a0 +a1×x。而逻辑回归模型则通过函数S将a0+a1×x对应到一个隐状态p,p=S(a0+ a1×x),然后根据p与1-p的大小决定因变量的值。这里的函数S就是Sigmoid函数 ,将t换成a0 +a1×x,就可以得到逻辑回归模型的参数形式: 。逻辑回归的参数形式可以看到,逻辑回归模型中有两个待定参数a0和a1,实际应用中特征通常为多个,即逻辑回归模型的参数和自变量为多个,因而可以得到逻辑回归的另一种表示形式:,其中,,n为自变量的个数。因此,对逻辑回归模型进行训练,就是确定一个合适的参数向量a,使得对于一个新来的自变量向量X,可以尽可能准确地给出一个p值。
将历史桥梁形变数据中主要致灾因子所对应的特征值组成特征向量,作为逻辑回归模型中的自变量向量X,桥梁垮塌风险值作为逻辑回归模型中的因变量p,对逻辑回归模型进行训练,获得使所述逻辑回归模型的代价函数值最小的参数向量a和所述每项关系特征数据的权重,确定所述参数向量a后的逻辑回归模型即为桥梁风险预测模型。
对于卷积神经网络模型,本发明首先构建卷积神经网络,卷积神经网络由输入层、卷积层、PReLU层、池化层、全连接层、输出层构成。具体包括5个卷积层,每个卷积层都附带一个带参数的非线性激活函数PReLU层,第一卷积层、第二个卷积层、第四个卷积层后连接有池化层,每一个池化层均采用最大池化的方法,第一卷积层与输入层连接,输入层输入的是需要处理的桥梁形变数据中主要致灾因子所对应的值,全连接层位于最后一个池化层和输出层之间,其中每一个神经元都与前一层的全部神经元相连接,并根据风险检测的需要,有针对性地将特征向量映射到输出层。输出层输出桥梁垮塌风险值。本发明利用大量的历史桥梁形变数据对卷积神经网络模型进行训练,计算卷积神经网络的损失函数,利用损失函数对卷积神经网络进行迭代、更新,基于深度学习的风险预测通过不断对卷积神经网络进行训练,使损失函数降到预期值,生成最终的卷积神经网络模型。
S7、评估基于逻辑回归模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机训练生成的桥梁风险预测模型的性能,选择性能最好的风险预测模型作为最终的风险预测模型;
本发明对多个风险预测模型进行训练,选择出表现最优的风险预测模型,以提高风险预测的效率。具体地,对于逻辑回归模型一般采用均方误差(Mean Squared Error,MSE)来评估预测数据与获取数据间的误差,其值越接近0模型越准确,并采用确定系数(R-Square)来评估变量对模型的解释能力,越接近1则模型对数据的拟合能力越好。对于时间序列聚类、最近邻分类等分类模型,采用K-折叠交叉验证,通过得到的混淆矩阵计算精确率、召回率和准确率,而得到各模型自身的评价估值,值越接近1则精准率越高。另外通过接收灵敏度曲线(Receiver Operating Characteristic,ROC)可用来评价模型的优劣,并通过曲线下面积(Area Under Characteristic,AUC)越大,则预测准确概率越高,来选择最佳阈值,一般情况下AUC值高于0.75则表示模型预测有效。基于以上各模型的不同特点,与各种评估方法相结合,最终选取最佳风险预测模型,以确保模型的解释性、有效性及准确性。
S8、通过高精度遥感监测技术和物联网传感技术相互集成应用采集需要进行风险预测桥梁所对应的主要致灾因子的值,将主要致灾因子的值输入最终的风险预测模型,预测桥梁坍塌的风险值。
本发明对需要进行桥梁风险预测的桥梁进行数据采集,具体地,通过高精度遥感监测技术和物联网传感技术相互集成应用进行采集。在需要进行预测的桥梁上布设大量的各类传感器,例如,在桥塔、桥身等关键部位安装表面应力计,对桥面进行应力检测;在主缆、吊索等主要结构通过加速度计检测桥梁的加速度。此外,桥梁周边及桥梁连接部分的动态变化,对桥梁的安全影响也很大。因此,本发明还通过高精度遥感监测技术采集,通过扫描成像类型的传感器获取桥梁的图像数据等。
获取到桥梁的空间数据后,需要对桥梁数据进行预处理。将获取的空间数据需预处理的对象(噪声,缺失值,离群点和漂移)进行清洗,例如带通滤波、希-黄变换、盲源分离、小波变换和移动平均等清洗方法,预处理后的桥梁数据输入最终的风险预测模型,得到预测的桥梁风险值。
为了更直观地显示各致灾因子对桥梁坍塌风险的影响及桥梁坍塌风险的发展趋势,本发明采用ArcGIS进行制图与显示。采集的桥梁空间数据进行清洗处理后与垮塌风险值进行图层的叠加。具体地,选定显示比例,基于地理坐标或投影坐标通过ArcGIS进行转换,剪切与叠加。进一步地,本发明根据桥梁坍塌风险值,设置桥梁坍塌预警级别,分为极高、高、中等、低四级。坍塌风险值越高,指示桥梁发生坍塌的概率越高、坍塌的危害越大、涉及范围越广,坍塌预警级别越高,因此,其对应的预警级别越高。根据坍塌风险对应的坍塌预警级别,进行坍塌垮塌易发性制图。分别用红、橙、黄、蓝作为高、高、中等、低四级预警级别所对应的预警颜色,可以采用自然断点法、标准差法和等距分割法等进行色彩分级,在此不作限定。
本发明对桥梁根据其风险预测等级对应的风险预测周期进行预测,不断更新桥梁的风险值及垮塌预警级别。不同的风险预警级别所采用的风险预警手段也不同。例如,当风险预警级别为极高或高时,发出警报、并将相应的风险预警信息通过电话的方式及时传输给监管人员;当风险预警级别为中等时,将相应的风险预警信息通过短信的方式传输给监管人员;当风险预警级别为低时,仅在监视设备上通过ArcGIS图像显示风险预测结果。
同时,为了将对桥梁坍塌风险灾害的被动监测和处理转化为主动预测和应对,本发明在预测桥梁的垮塌预警级别为极高、高时,获取该桥梁的主要致灾因子的值,针对性地进行桥梁修复,以降低相应桥梁的坍塌风险,延长桥梁的使用年限。同时,在桥梁垮塌预警级别极高时,暂停车辆等通过桥梁,保障人们的人身安全。对桥梁进行针对性修复后,再次预测桥梁的坍塌风险值及坍塌风险预警级别,当桥梁的坍塌风险预警级别下降到高、中等、低时,恢复桥梁的使用。
本发明对区域性桥梁坍塌风险进行整体评估。具体地,本发明采用抽样评价方法进行区域桥梁评估。首先计算各桥梁垮塌预警级别所对应桥梁数占区域桥梁总数的比例,设置抽样的样本总数,根据抽样样本总数及各垮塌预警级别的比例,计算各垮塌预警级别所对应的抽样样本数。随机在各垮塌预警级别的桥梁中抽取相应数量的桥梁。随后在不需要进行桥梁坍塌风险预测的桥梁中进行抽取,直到抽取的桥梁数量达到抽样的样本总数。根据抽样的桥梁样本,计算区域的整体坍塌风险值。具体地,可以将各桥梁样本的坍塌风险值的平均值作为区域性桥梁的坍塌风险值。对于不需要进行桥梁坍塌风险预测的桥梁,其坍塌风险值为0。
实施例二
如图2所示,本实施例提出了一种区域性桥梁风险预测系统,包括:
采集模块,用于收集区域内所有桥梁的基础信息,包括服役年限、结构型式、材料组成、荷载等级、交通流量;
本发明首先对区域内所有桥梁的基础信息进行采集,除包括服役年限、结构型式、材料组成、荷载等级、交通流量外,还可以包括病害状况、功能位置、投资规模、修复难度等。桥梁的基础数据可以从市政设施部门资料进行采集。
第一筛选模块,用于基于所述基础信息对区域内的桥梁进行筛选,选出需要进行风险预测的桥梁;
随着工程技术的发展,各种各样的桥梁也越来越多,如果对区域内的所有桥梁都进行监测,无论是硬件花销还是软件花销,都是桥梁风险预测时的重大负担。因此,本发明首先基于桥梁的基础信息对需要进行风险预测的桥梁进行筛选。例如,对于服役年限在1年内、没有病害状况的桥梁,其发生坍塌风险的概率极低,因此,不进行风险预测。对于桥梁的筛选不是一成不变的,可以根据桥梁的信息进行定期更新,例如每个半年对前期不需要进行坍塌风险预测的桥梁重新判断。
等级划分模块,用于对需要进行风险预测的桥梁根据其基础信息划分为不同的风险预测等级;不同的桥梁根据其风险预测等级对应的风险预测周期进行预测;
本发明设置不同的风险预测等级,不同的风险预测等级对应不同的风险预测周期。具体地,根据桥梁的基础信息对桥梁进行等级划分,为不同的基础信息类别设置不同的权重。例如,设置服役年限、结构型式、材料组成、荷载等级、交通流量的权重依次为ω1、ω2、ω3、ω4、ω5,其中ω1+ω2+ω3+ω4+ω5=1。因此,桥梁对应的风险评估值为:
V= V1*ω1+V2*ω2+V3*ω3+V4*ω4+ V5*ω5
其中,V1、V2、V3、V4、V5分别为服役年限、结构型式、材料组成、荷载等级、交通流量的值。服役年限的值为相应的服役年限,结构型式的值为分别赋予梁式、拱式、组合桥梁和悬索桥的值,如梁式、拱式、组合桥梁和悬索桥的值分别为4、3、2、1,相应地,材料组成的值为赋予不同材料的值,荷载等级的值为相应的负荷等级,交通流量的值为不同流量所赋予的等级值,流量越大,等级值越高。
基于计算出的风险评估值,将桥梁划分到相应的风险预测等级。例如,设置三个风险预测等级I级、II级、III级,I级对应的风险评估值为,为交通流量大、服役年限长的桥梁,此类桥梁需要频繁地进行风险预测与维护;II级对应对应的风险评估值为,为交通流量中等、服役年限中等的桥梁,此类桥梁比起I级桥梁来说,预测周期较长;III级对应的风险评估值为,为交通流量低、服役年限短的桥梁,此类桥梁的预测周期最短,不需要进行频繁的预测,节省了数据处理花销。例如,对于I级桥梁,预测周期为3天、II级桥梁的预测周期为半个月、III级桥梁的预测周期为2个月。
致灾因子确定模块,用于从市政设施部门资料、国家气象信息中心及文献调研中初步确定用于桥梁坍塌评价的致灾因子;
桥梁的坍塌实质是当桥梁的形变达到一定程度时出现的,因此,本发明确定桥梁坍塌评价的致灾因子实质是确定引起桥梁形变的因子。桥梁的安全受多种因素影响,因此,本发明针对桥梁坍塌,从市政设施部门资料、国家气象信息中心及文献调研中获取常见的桥梁坍塌评价的致灾因子。例如,大风、雷击、雨雪、材料特性、应力、应变等。
第二筛选模块,用于对初步确定的致灾因子进行筛选,获得影响桥梁垮塌的主要致灾因子;
桥梁环境复杂,因此其桥梁坍塌的致灾因子多。对大量的致灾因子进行检测,处理复杂。且存在一些不重要的致灾因子,其对桥梁坍塌的影响很小。因此,本发明需要对初步确定的致灾因子进行筛选,获得影响桥梁垮塌的主要致灾因子。
每一个致灾因子即为桥梁的一个特征,因此,本发明对从不同渠道获取的健康监测数据进行分析调研,通过特征工程提取出对桥梁坍塌或桥梁形变敏感的指标。首先,本发明通过致灾因子的特征从初步确定的致灾因子中选择出比较重要的致灾因子。统计学特征包括方差、斜度和峰态,频域特征包括频率,振型和模态曲率,其他特征有回归残差,小波能量和拟合系数。例如,方差越大的特征,可以认为它是比较有用的。如果方差较小,比如小于1,那么这个特征可能对桥梁风险预测的方法作用没有那么大。最极端的,如果某个特征方差为0,即所有的样本该特征的取值都是一样的,那么它对风险预测模型训练没有任何作用,可以直接舍弃。具体地,本发明设定方差的阈值,当特征的方差小于设定的阈值,剔除该特征。
对于筛选出的比较重要的致灾因子,通过相关性分析、条件熵、后验概率、逻辑回归权重等方法进行进一步筛选,按变量预测力选出最有用的特征子集,分别提取出致灾因子中的环境荷载因子和结构响应因子。其中,环境荷载因子包括温度、风速、地震、交通、湿度和冲刷等,结构响应因子包括索力、应变、位移、转角、加速度和疲劳等。例如,相关性分析中,本发明计算比较重要的致灾因子中各致灾因子与桥梁坍塌的相关系数,相关系数越大,说明该因子与桥梁坍塌之间的关联越大,也就是说,该因子对桥梁坍塌的影响越大。本发明收集桥梁坍塌的事件及相应的致灾因子统计数据,计算桥梁损伤事件中具体的坍塌与致灾因子的相关系数。
训练模块,用于采集历史桥梁形变数据,基于确定的主要致灾因子分别对逻辑回归模型、卷积神经网络模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机应用进行训练,生成多个桥梁垮塌风险预测模型;
本发明从历史的检测报告中,获取桥梁形变数据,不同的形变对应的垮塌风险值不同。形变越高,垮塌风险越高。因此,为获取的每个形变数据设置对应的垮塌风险值。如果桥梁垮塌,其垮塌风险值为1,如果桥梁完好无损,其垮塌风险值为0。
将获取的历史桥梁形变数据作为样本数据,对逻辑回归模型、卷积神经网络模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机应用进行训练。获取到样本数据后,需要对样本数据需预处理的对象(噪声,缺失值,离群点和漂移)进行清洗,例如带通滤波、希-黄变换、盲源分离、小波变换和移动平均等清洗方法。具体地,对于每个历史桥梁形变数据,获取主要致灾因子所对应的值作为模型的输入,相应的垮塌风险值作为模型的输出,不断对预测模型进行训练。
由于不同的训练模型对不同的数据有不同的预测效果。因此,本发明训练生成多种预测模型,并根据各模型的性能选择最优的模型,进一步优化桥梁风险的预测效果。
以逻辑回归模型为例,逻辑回归模型也被称为广义线性回归模型,它与线性回归模型的形式基本上相同,都具有a0 +a1×x,其中,a0和a1是待求参数,其区别在于它们的因变量不同。多重线性回归直接将a0 +a1×x作为因变量,即y=a0 +a1×x。而逻辑回归模型则通过函数S将a0+a1×x对应到一个隐状态p,p=S(a0+ a1×x),然后根据p与1-p的大小决定因变量的值。这里的函数S就是Sigmoid函数 ,将t换成a0 +a1×x,就可以得到逻辑回归模型的参数形式: 。逻辑回归的参数形式可以看到,逻辑回归模型中有两个待定参数a0和a1,实际应用中特征通常为多个,即逻辑回归模型的参数和自变量为多个,因而可以得到逻辑回归的另一种表示形式:,其中,,n为自变量的个数。因此,对逻辑回归模型进行训练,就是确定一个合适的参数向量a,使得对于一个新来的自变量向量X,可以尽可能准确地给出一个p值。
将历史桥梁形变数据中主要致灾因子所对应的特征值组成特征向量,作为逻辑回归模型中的自变量向量X,桥梁垮塌风险值作为逻辑回归模型中的因变量p,对逻辑回归模型进行训练,获得使所述逻辑回归模型的代价函数值最小的参数向量a和所述每项关系特征数据的权重,确定所述参数向量a后的逻辑回归模型即为桥梁风险预测模型。
对于卷积神经网络模型,本发明首先构建卷积神经网络,卷积神经网络由输入层、卷积层、PReLU层、池化层、全连接层、输出层构成。具体包括5个卷积层,每个卷积层都附带一个带参数的非线性激活函数PReLU层,第一卷积层、第二个卷积层、第四个卷积层后连接有池化层,每一个池化层均采用最大池化的方法,第一卷积层与输入层连接,输入层输入的是需要处理的桥梁形变数据中主要致灾因子所对应的值,全连接层位于最后一个池化层和输出层之间,其中每一个神经元都与前一层的全部神经元相连接,并根据风险检测的需要,有针对性地将特征向量映射到输出层。输出层输出桥梁垮塌风险值。本发明利用大量的历史桥梁形变数据对卷积神经网络模型进行训练,计算卷积神经网络的损失函数,利用损失函数对卷积神经网络进行迭代、更新,基于深度学习的风险预测通过不断对卷积神经网络进行训练,使损失函数降到预期值,生成最终的卷积神经网络模型。
评估模块,用于评估基于逻辑回归模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机训练生成的桥梁风险预测模型的性能,选择性能最好的风险预测模型作为最终的风险预测模型;
本发明对多个风险预测模型进行训练,选择出表现最优的风险预测模型,以提高风险预测的效率。具体地,对于逻辑回归模型一般采用均方误差(Mean Squared Error,MSE)来评估预测数据与获取数据间的误差,其值越接近0模型越准确,并采用确定系数(R-Square)来评估变量对模型的解释能力,越接近1则模型对数据的拟合能力越好。对于时间序列聚类、最近邻分类等分类模型,采用K-折叠交叉验证,通过得到的混淆矩阵计算精确率、召回率和准确率,而得到各模型自身的评价估值,值越接近1则精准率越高。另外通过接收灵敏度曲线(Receiver Operating Characteristic,ROC)可用来评价模型的优劣,并通过曲线下面积(Area Under Characteristic,AUC)越大,则预测准确概率越高,来选择最佳阈值,一般情况下AUC值高于0.75则表示模型预测有效。基于以上各模型的不同特点,与各种评估方法相结合,最终选取最佳风险预测模型,以确保模型的解释性、有效性及准确性。
预测模块,用于通过高精度遥感监测技术和物联网传感技术相互集成应用采集需要进行风险预测桥梁所对应的主要致灾因子的值,将主要致灾因子的值输入最终的风险预测模型,预测桥梁坍塌的风险值。
本发明对需要进行桥梁风险预测的桥梁进行数据采集,具体地,通过高精度遥感监测技术和物联网传感技术相互集成应用进行采集。在需要进行预测的桥梁上布设大量的各类传感器,例如,在桥塔、桥身等关键部位安装表面应力计,对桥面进行应力检测;在主缆、吊索等主要结构通过加速度计检测桥梁的加速度。此外,桥梁周边及桥梁连接部分的动态变化,对桥梁的安全影响也很大。因此,本发明还通过高精度遥感监测技术采集,通过扫描成像类型的传感器获取桥梁的图像数据等。
获取到桥梁的空间数据后,需要对桥梁数据进行预处理。将获取的空间数据需预处理的对象(噪声,缺失值,离群点和漂移)进行清洗,例如带通滤波、希-黄变换、盲源分离、小波变换和移动平均等清洗方法,预处理后的桥梁数据输入最终的风险预测模型,得到预测的桥梁风险值。
为了更直观地显示各致灾因子对桥梁坍塌风险的影响及桥梁坍塌风险的发展趋势,本发明采用ArcGIS进行制图与显示。采集的桥梁空间数据进行清洗处理后与垮塌风险值进行图层的叠加。具体地,选定显示比例,基于地理坐标或投影坐标通过ArcGIS进行转换,剪切与叠加。进一步地,本发明根据桥梁坍塌风险值,设置桥梁坍塌预警级别,分为极高、高、中等、低四级。坍塌风险值越高,指示桥梁发生坍塌的概率越高、坍塌的危害越大、涉及范围越广,坍塌预警级别越高,因此,其对应的预警级别越高。根据坍塌风险对应的坍塌预警级别,进行坍塌垮塌易发性制图。分别用红、橙、黄、蓝作为高、高、中等、低四级预警级别所对应的预警颜色,可以采用自然断点法、标准差法和等距分割法等进行色彩分级,在此不作限定。
本发明对桥梁根据其风险预测等级对应的风险预测周期进行预测,不断更新桥梁的风险值及垮塌预警级别。不同的风险预警级别所采用的风险预警手段也不同。例如,当风险预警级别为极高或高时,发出警报、并将相应的风险预警信息通过电话的方式及时传输给监管人员;当风险预警级别为中等时,将相应的风险预警信息通过短信的方式传输给监管人员;当风险预警级别为低时,仅在监视设备上通过ArcGIS图像显示风险预测结果。
同时,为了将对桥梁坍塌风险灾害的被动监测和处理转化为主动预测和应对,本发明在预测桥梁的垮塌预警级别为极高、高时,获取该桥梁的主要致灾因子的值,针对性地进行桥梁修复,以降低相应桥梁的坍塌风险,延长桥梁的使用年限。同时,在桥梁垮塌预警级别极高时,暂停车辆等通过桥梁,保障人们的人身安全。对桥梁进行针对性修复后,再次预测桥梁的坍塌风险值及坍塌风险预警级别,当桥梁的坍塌风险预警级别下降到高、中等、低时,恢复桥梁的使用。
本发明对区域性桥梁坍塌风险进行整体评估。具体地,本发明采用抽样评价方法进行区域桥梁评估。首先计算各桥梁垮塌预警级别所对应桥梁数占区域桥梁总数的比例,设置抽样的样本总数,根据抽样样本总数及各垮塌预警级别的比例,计算各垮塌预警级别所对应的抽样样本数。随机在各垮塌预警级别的桥梁中抽取相应数量的桥梁。随后在不需要进行桥梁坍塌风险预测的桥梁中进行抽取,直到抽取的桥梁数量达到抽样的样本总数。根据抽样的桥梁样本,计算区域的整体坍塌风险值。具体地,可以将各桥梁样本的坍塌风险值的平均值作为区域性桥梁的坍塌风险值。对于不需要进行桥梁坍塌风险预测的桥梁,其坍塌风险值为0。
由此可知,本发明提出的区域性桥梁风险预测方法及系统,实现了区域性桥梁风险的预测,克服了现有的单点风险预测处理效率低的问题,弥补了现有的区域性桥梁风险预测和评估的空缺;由于逐个桥梁的单点预测处理复杂,因此现有的桥梁风险预测覆盖低,对于大量的桥梁并没有实现有效的监管,本发明同时对区域内的所有桥梁进行监管,提高了桥梁风险预测的桥梁覆盖率;同时,对需要进行风险预测的桥梁进行筛选,并对需要进行风险预测的桥梁根据不同的风险预测等级、以不同的风险预测周期进行预测,克服了现有的桥梁风险预测方法单一,处理固化的问题,在对大量桥梁进行安全监管的同时,降低桥梁风险预测的复杂度;训练生成多个桥梁垮塌风险预测模型,并选择性能最好的风险预测模型进行风险预测,针对桥梁数据的特点,选择最适应的风险预测模型,风险预测效果好;此外,采用ArcGIS进行桥梁风险制图与显示,根据坍塌风险对应的坍塌预警级别,进行坍塌垮塌易发性制图,分别用红、橙、黄、蓝作为高、高、中等、低四级预警级别所对应的预警颜色,能够直观显示桥梁的状况,并能检测桥梁风险的发展趋势;根据不同的风险进行不同等级的预警,对风险预警处理及时;采用抽样评价方法进行区域桥梁评估,能够了解该区域桥梁的整体水平,同时不同风险的桥梁进行处理,降低桥梁的风险,对桥梁坍塌风险灾害的被动监测和处理转化为主动预测和应对。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例, 而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种区域性桥梁风险预测方法,其特征在于,包括:
S1、收集区域内所有桥梁的基础信息,包括服役年限、结构型式、材料组成、荷载等级、交通流量;
S2、基于所述基础信息对区域内的桥梁进行筛选,选出需要进行风险预测的桥梁;
S3、对需要进行风险预测的桥梁根据其基础信息划分为不同的风险预测等级;不同的桥梁根据其风险预测等级对应的风险预测周期进行预测;
S4、从市政设施部门资料、国家气象信息中心及文献调研中初步确定用于桥梁坍塌评价的致灾因子;
S5、对初步确定的致灾因子进行筛选,获得影响桥梁垮塌的主要致灾因子;
S6、采集历史桥梁形变数据,基于确定的主要致灾因子分别对逻辑回归模型、卷积神经网络模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机应用进行训练,生成多个桥梁垮塌风险预测模型;
S7、评估基于逻辑回归模型、卷积神经网络模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机训练生成的桥梁风险预测模型的性能,选择性能最好的风险预测模型作为最终的风险预测模型;
S8、通过高精度遥感监测技术和物联网传感技术相互集成应用采集需要进行风险预测桥梁所对应的主要致灾因子的值,将主要致灾因子的值输入最终的风险预测模型,预测桥梁坍塌的风险值。
2.根据权利要求1所述的区域性桥梁风险预测方法,其特征在于,所述根据其基础信息划分为不同的风险预测等级具体为:
设置服役年限、结构型式、材料组成、荷载等级、交通流量的权重依次为ω1、ω2、ω3、ω4、ω5,其中ω1+ω2+ω3+ω4+ω5=1,;桥梁对应的风险评估值为:
V= V1*ω1+V2*ω2+V3*ω3+V4*ω4+ V5*ω5
其中,V1、V2、V3、V4、V5分别为服役年限、结构型式、材料组成、荷载等级、交通流量的值;服役年限的值为相应的服役年限,结构型式的值为分别赋予梁式、拱式、组合桥梁和悬索桥的值,材料组成的值为赋予不同材料的值,荷载等级的值为相应的负荷等级,交通流量的值为不同流量所赋予的等级值,流量越大,等级值越高;
基于计算出的风险评估值,将桥梁划分到相应的风险预测等级,风险评估值越高,风险预测等级越高。
3.根据权利要求1所述的区域性桥梁风险预测方法,其特征在于,所述步骤S5具体为:
根据致灾因子的特征从初步确定的致灾因子中选择出比较重要的致灾因子,所述特征包括方差、斜度、峰态、频率、振型、模态曲率、回归残差、小波能量和拟合系数;
对于所述比较重要的致灾因子,通过相关性分析、条件熵、后验概率、逻辑回归权重进行筛选,按变量预测力选出最有用的特征子集,分别提取出致灾因子中的环境荷载因子和结构响应因子;所述环境荷载因子包括温度、风速、地震、交通、湿度和冲刷,所述结构响应因子包括索力、应变、位移、转角、加速度和疲劳。
4.根据权利要求3所述的区域性桥梁风险预测方法,其特征在于,设置方差的阈值,当致灾因子的方差小于所述方差的阈值时,剔除该致灾因子;否则,将该特征作为比较重要的致灾因子;
计算比较重要的致灾因子与桥梁坍塌的相关系数,设置相关系数的阈值,当致灾因子与桥梁坍塌的相关系数小于所述相关系数的阈值时,剔除该致灾因子;否则,将该特征作为主要致灾因子。
6.根据权利要求1所述的区域性桥梁风险预测方法,其特征在于,所述步骤S6包括:
构建卷积神经网络,卷积神经网络由输入层、卷积层、PReLU层、池化层、全连接层、输出层构成;具体包括5个卷积层,每个卷积层都附带一个带参数的非线性激活函数PReLU层,第一卷积层、第二个卷积层、第四个卷积层后连接有池化层,每一个池化层均采用最大池化的方法,第一卷积层与输入层连接,输入层输入的是需要处理的桥梁形变数据中主要致灾因子所对应的值,全连接层位于最后一个池化层和输出层之间,其中每一个神经元都与前一层的全部神经元相连接,并根据风险检测的需要,有针对性地将特征向量映射到输出层,输出层输出桥梁垮塌风险值;
利用大量的历史桥梁形变数据对卷积神经网络模型进行训练,计算卷积神经网络的损失函数,利用损失函数对卷积神经网络进行迭代、更新,基于深度学习的风险预测通过不断对卷积神经网络进行训练,使损失函数降到预期值,生成最终的卷积神经网络模型。
7.根据权利要求1所述的区域性桥梁风险预测方法,其特征在于,
桥梁风险预测模型的性能评估方法包括均方误差、确定系数、精确率、召回率、准确率、接收灵敏度曲线、曲线下面积。
8.根据权利要求1所述的区域性桥梁风险预测方法,其特征在于,采用ArcGIS进行桥梁风险制图与显示,将采集的桥梁空间数据进行清洗处理后与桥梁风险值进行图层的叠加。
9.根据权利要求1所述的区域性桥梁风险预测方法,其特征在于,所述风险预测方法还包括:
采用抽样评价方法进行区域桥梁评估:计算各桥梁垮塌预警级别所对应桥梁数占区域桥梁总数的比例,设置抽样的样本总数,根据抽样样本总数及各垮塌预警级别的比例,计算各垮塌预警级别所对应的抽样样本数;随机在各垮塌预警级别的桥梁中抽取相应数量的桥梁;在不需要进行桥梁坍塌风险预测的桥梁中进行抽取,直到抽取的桥梁数量达到抽样的样本总数;根据抽样的桥梁样本,计算区域的整体坍塌风险值,将各桥梁样本的坍塌风险值的平均值作为区域性桥梁的坍塌风险值。
10.一种区域性桥梁风险预测系统,用于实现权利要求1-9任一项所述的区域性桥梁风险预测方法,其特征在于,包括:
采集模块,用于收集区域内所有桥梁的基础信息,包括服役年限、结构型式、材料组成、荷载等级、交通流量;
第一筛选模块,用于基于所述基础信息对区域内的桥梁进行筛选,选出需要进行风险预测的桥梁;
等级划分模块,用于对需要进行风险预测的桥梁根据其基础信息划分为不同的风险预测等级;不同的桥梁根据其风险预测等级对应的风险预测周期进行预测;
致灾因子确定模块,用于从市政设施部门资料、国家气象信息中心及文献调研中初步确定用于桥梁坍塌评价的致灾因子;
第二筛选模块,用于对初步确定的致灾因子进行筛选,获得影响桥梁垮塌的主要致灾因子;
训练模块,用于采集历史桥梁形变数据,基于确定的主要致灾因子分别对逻辑回归模型、卷积神经网络模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机应用进行训练,生成多个桥梁垮塌风险预测模型;
评估模块,用于评估基于逻辑回归模型、时间序列聚类、随机森林、最近邻分类、K均值分类、隐马尔可夫模型、张量分解和深度波兹曼机训练生成的桥梁风险预测模型的性能,选择性能最好的风险预测模型作为最终的风险预测模型;
预测模块,用于通过高精度遥感监测技术和物联网传感技术相互集成应用采集需要进行风险预测桥梁所对应的主要致灾因子的值,将主要致灾因子的值输入最终的风险预测模型,预测桥梁坍塌的风险值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010011819.3A CN110807562B (zh) | 2020-01-07 | 2020-01-07 | 一种区域性桥梁风险预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010011819.3A CN110807562B (zh) | 2020-01-07 | 2020-01-07 | 一种区域性桥梁风险预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110807562A true CN110807562A (zh) | 2020-02-18 |
CN110807562B CN110807562B (zh) | 2020-04-14 |
Family
ID=69493408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010011819.3A Active CN110807562B (zh) | 2020-01-07 | 2020-01-07 | 一种区域性桥梁风险预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110807562B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027256A (zh) * | 2020-03-09 | 2020-04-17 | 杭州鲁尔物联科技有限公司 | 一种基于车辆荷载空间分布的桥梁风险预测方法及系统 |
CN111080039A (zh) * | 2020-03-17 | 2020-04-28 | 浙江上风高科专风实业有限公司 | 一种风机集群故障预测方法及系统 |
CN112651066A (zh) * | 2020-09-22 | 2021-04-13 | 重庆市城投路桥管理有限公司 | 基于多元线性回归的桥梁健康监测智能评价系统及评价方法 |
CN113033891A (zh) * | 2021-03-19 | 2021-06-25 | 河北水熠木丰工程技术有限责任公司 | 高墩桥梁健康监控方法及装置 |
CN113095588A (zh) * | 2021-04-28 | 2021-07-09 | 四川省靓固智能科技有限公司 | 一种降雨对地下管廊影响的预测方法 |
CN113155196A (zh) * | 2021-04-26 | 2021-07-23 | 南京邮电大学 | 一种基于AIoT的桥梁运行实时监测系统及其监测方法 |
CN113240289A (zh) * | 2021-05-17 | 2021-08-10 | 国电南瑞南京控制系统有限公司 | 一种电网调度控制系统运行状态评估方法及系统 |
CN113506441A (zh) * | 2021-09-08 | 2021-10-15 | 苏州博宇鑫交通科技有限公司 | 市政桥梁交通预警控制方法 |
CN114002134A (zh) * | 2021-11-01 | 2022-02-01 | 交科院公路工程科技(北京)有限公司 | 桥梁斜拉索腐蚀检测系统和方法 |
CN114036258A (zh) * | 2021-10-19 | 2022-02-11 | 东南大学 | 一种基于自然语言处理的桥梁技术状况等级快速识别方法 |
CN114169374A (zh) * | 2021-12-10 | 2022-03-11 | 湖南工商大学 | 一种斜拉桥斜拉索损伤识别方法及电子设备 |
CN115099730A (zh) * | 2022-08-25 | 2022-09-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 设施群风险辨识方法、装置、计算机设备及存储介质 |
CN115262386A (zh) * | 2022-08-30 | 2022-11-01 | 西南交通大学 | 用于跨峡谷桥梁落石防护的立式转置棚洞及灾情评估方法 |
CN115526422A (zh) * | 2022-10-19 | 2022-12-27 | 中国矿业大学 | 一种煤矿瓦斯爆炸风险预测方法 |
CN116029555A (zh) * | 2023-03-22 | 2023-04-28 | 西南科技大学 | 基于轻量化神经网络的桥梁风险识别预警系统及应用方法 |
CN116561875A (zh) * | 2023-07-07 | 2023-08-08 | 合肥工业大学 | 一种考虑桥梁地震响应相关性的桥梁网络易损性分析方法 |
CN117152623A (zh) * | 2023-11-01 | 2023-12-01 | 中铁水利信息科技有限公司 | 一种基于大数据的洪水预报方法、装置及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160097524A (ko) * | 2015-02-09 | 2016-08-18 | 주식회사 구주엔지니어링 | 동특성 분석에 의한 사장교 케이블의 손상추정방법 |
-
2020
- 2020-01-07 CN CN202010011819.3A patent/CN110807562B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160097524A (ko) * | 2015-02-09 | 2016-08-18 | 주식회사 구주엔지니어링 | 동특성 분석에 의한 사장교 케이블의 손상추정방법 |
Non-Patent Citations (3)
Title |
---|
刘彪等: "基于用户画像分析预测电费敏感型客户的建模实践", 《电力大数据》 * |
韩大建等: "用人工神经网络方法评估桥梁缺损状况", 《华南理工大学学报(自然科学版)》 * |
魏美玲: "海湾大桥运营期间的风险评估", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027256A (zh) * | 2020-03-09 | 2020-04-17 | 杭州鲁尔物联科技有限公司 | 一种基于车辆荷载空间分布的桥梁风险预测方法及系统 |
CN111080039A (zh) * | 2020-03-17 | 2020-04-28 | 浙江上风高科专风实业有限公司 | 一种风机集群故障预测方法及系统 |
CN111080039B (zh) * | 2020-03-17 | 2023-10-20 | 浙江上风高科专风实业有限公司 | 一种风机集群故障预测方法及系统 |
CN112651066A (zh) * | 2020-09-22 | 2021-04-13 | 重庆市城投路桥管理有限公司 | 基于多元线性回归的桥梁健康监测智能评价系统及评价方法 |
CN113033891A (zh) * | 2021-03-19 | 2021-06-25 | 河北水熠木丰工程技术有限责任公司 | 高墩桥梁健康监控方法及装置 |
CN113155196A (zh) * | 2021-04-26 | 2021-07-23 | 南京邮电大学 | 一种基于AIoT的桥梁运行实时监测系统及其监测方法 |
CN113095588B (zh) * | 2021-04-28 | 2023-08-11 | 四川省靓固智能科技有限公司 | 一种降雨对地下管廊影响的预测方法 |
CN113095588A (zh) * | 2021-04-28 | 2021-07-09 | 四川省靓固智能科技有限公司 | 一种降雨对地下管廊影响的预测方法 |
CN113240289B (zh) * | 2021-05-17 | 2022-07-29 | 国电南瑞南京控制系统有限公司 | 一种电网调度控制系统运行状态评估方法及系统 |
CN113240289A (zh) * | 2021-05-17 | 2021-08-10 | 国电南瑞南京控制系统有限公司 | 一种电网调度控制系统运行状态评估方法及系统 |
CN113506441A (zh) * | 2021-09-08 | 2021-10-15 | 苏州博宇鑫交通科技有限公司 | 市政桥梁交通预警控制方法 |
CN114036258A (zh) * | 2021-10-19 | 2022-02-11 | 东南大学 | 一种基于自然语言处理的桥梁技术状况等级快速识别方法 |
CN114036258B (zh) * | 2021-10-19 | 2022-06-24 | 东南大学 | 一种基于自然语言处理的桥梁技术状况等级快速识别方法 |
CN114002134A (zh) * | 2021-11-01 | 2022-02-01 | 交科院公路工程科技(北京)有限公司 | 桥梁斜拉索腐蚀检测系统和方法 |
CN114002134B (zh) * | 2021-11-01 | 2024-01-09 | 交科院公路工程科技(北京)有限公司 | 桥梁斜拉索腐蚀检测系统和方法 |
CN114169374A (zh) * | 2021-12-10 | 2022-03-11 | 湖南工商大学 | 一种斜拉桥斜拉索损伤识别方法及电子设备 |
CN114169374B (zh) * | 2021-12-10 | 2024-02-20 | 湖南工商大学 | 一种斜拉桥斜拉索损伤识别方法及电子设备 |
CN115099730A (zh) * | 2022-08-25 | 2022-09-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 设施群风险辨识方法、装置、计算机设备及存储介质 |
CN115262386A (zh) * | 2022-08-30 | 2022-11-01 | 西南交通大学 | 用于跨峡谷桥梁落石防护的立式转置棚洞及灾情评估方法 |
CN115262386B (zh) * | 2022-08-30 | 2023-09-15 | 西南交通大学 | 用于跨峡谷桥梁落石防护的立式转置棚洞及灾情评估方法 |
CN115526422A (zh) * | 2022-10-19 | 2022-12-27 | 中国矿业大学 | 一种煤矿瓦斯爆炸风险预测方法 |
CN115526422B (zh) * | 2022-10-19 | 2024-02-23 | 中国矿业大学 | 一种煤矿瓦斯爆炸风险预测方法 |
CN116029555B (zh) * | 2023-03-22 | 2023-06-13 | 西南科技大学 | 基于轻量化神经网络的桥梁风险识别预警系统及应用方法 |
CN116029555A (zh) * | 2023-03-22 | 2023-04-28 | 西南科技大学 | 基于轻量化神经网络的桥梁风险识别预警系统及应用方法 |
CN116561875A (zh) * | 2023-07-07 | 2023-08-08 | 合肥工业大学 | 一种考虑桥梁地震响应相关性的桥梁网络易损性分析方法 |
CN116561875B (zh) * | 2023-07-07 | 2023-09-15 | 合肥工业大学 | 一种考虑桥梁地震响应相关性的桥梁网络易损性分析方法 |
CN117152623A (zh) * | 2023-11-01 | 2023-12-01 | 中铁水利信息科技有限公司 | 一种基于大数据的洪水预报方法、装置及介质 |
CN117152623B (zh) * | 2023-11-01 | 2024-01-09 | 中铁水利信息科技有限公司 | 一种基于大数据的洪水预报方法、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110807562B (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807562B (zh) | 一种区域性桥梁风险预测方法及系统 | |
CN111047099B (zh) | 一种区域性山洪风险预测方法及系统 | |
CN111815037B (zh) | 一种基于注意力机制的可解释性短临极端降雨预测方法 | |
Lei et al. | Mutual information based anomaly detection of monitoring data with attention mechanism and residual learning | |
CN108763763B (zh) | 一种桥梁结构应变响应异常预警方法 | |
EP3926582A1 (en) | Model generating apparatus, method, and program, and prediction apparatus | |
CN108764601B (zh) | 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法 | |
WO2021174971A1 (zh) | 一种水环境风险预测预警方法 | |
CN111027256A (zh) | 一种基于车辆荷载空间分布的桥梁风险预测方法及系统 | |
CN110008301A (zh) | 基于机器学习的区域性地质灾害易发性预测方法及装置 | |
CN108873859B (zh) | 基于改进关联规则的桥式抓斗卸船机故障预测模型方法 | |
CN114005278B (zh) | 一种高速公路基础设施群智能监测与预警系统及方法 | |
CN114169036A (zh) | 一种大跨度桥梁风振响应预警系统和方法 | |
KR102564191B1 (ko) | 실시간으로 재난 상황을 감지하고 대응하는 재난 대응 시스템 | |
CN115146230A (zh) | 一种古建筑健康监测系统、方法及设备 | |
CN116934262A (zh) | 一种基于人工智能的施工安全监管系统及方法 | |
CN104504265B (zh) | 一种在役桥梁监测信息安全评估的方法 | |
Carrara et al. | Deep learning for structural health monitoring: An application to heritage structures | |
CN112200251A (zh) | 一种基于多尺度卷积神经网络的监测系统数据评估方法 | |
Yang et al. | Forecasting model for urban traffic flow with BP neural network based on genetic algorithm | |
CN114880954A (zh) | 一种基于机器学习的滑坡敏感性的评估方法 | |
Chun et al. | An application of data fusion technology in structural health monitoring and damage identification | |
CN114417698A (zh) | 一种轨道交通沿线外部环境的风险监测系统及评估方法 | |
CN113781783A (zh) | 一种路网层次的车辆超载识别及应急预警方法 | |
CN111738324A (zh) | 一种基于分频卷积的多频率和多尺度融合的自动化裂缝检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |