CN111141653A - 一种基于神经网络的隧道渗漏速率预测方法 - Google Patents
一种基于神经网络的隧道渗漏速率预测方法 Download PDFInfo
- Publication number
- CN111141653A CN111141653A CN201911394963.3A CN201911394963A CN111141653A CN 111141653 A CN111141653 A CN 111141653A CN 201911394963 A CN201911394963 A CN 201911394963A CN 111141653 A CN111141653 A CN 111141653A
- Authority
- CN
- China
- Prior art keywords
- tunnel
- data set
- leakage
- neural network
- rate prediction
- 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 30
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 230000015654 memory Effects 0.000 claims abstract description 22
- 230000007787 long-term memory Effects 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000032683 aging Effects 0.000 claims description 4
- 230000035699 permeability Effects 0.000 claims description 4
- 239000002689 soil Substances 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 abstract description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010606 normalization Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000010257 thawing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
- G01N15/082—Investigating permeability by forcing a fluid through a sample
- G01N15/0826—Investigating permeability by forcing a fluid through a sample and measuring fluid flow rate, i.e. permeation rate or pressure change
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Fluid Mechanics (AREA)
- Dispersion Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
一种基于神经网络的隧道渗漏速率预测方法,构建基于卷积神经网络和长短时记忆网络的隧道渗漏速率预测模型,以隧道三维激光扫描影像为数据源,利用训练数据集和测试数据集对隧道渗漏速率预测模型进行训练,将预测数据集输入训练好的隧道渗漏速率预测模型,获得与隧道影像对应的渗漏水流速。本发明利用三维激光技术对隧道病害进行检测,作业效率高,成果丰富,搭建了卷积神经网络和长短时记忆网络的隧道渗漏水流速预测模型对渗漏水的速率进行预测分析。
Description
技术领域
本发明涉及隧道病害检测领域,具体涉及一种基于卷积神经网络和长短时记忆网络的隧道渗漏速率预测方法。
背景技术
由于自然条件(地下水、材料、地层、冻融等)的变化,隧道结构发生各种变异现象(如开裂、错位等),导致围岩地下水或地表水直接或间接地以渗漏或涌出的形式进入隧道内,形成隧道渗漏病害,侵蚀隧道结构,并影响隧道的正常运营和洞内设备的使用。
隧道内渗漏病害的调查目前主要采用人工巡视拍照及现场记录的方法,重点关注渗流的面积及渗漏的速率,工作量大、效率低且受人为因素干扰大。
对于隧道渗漏病害的快速准确检测,中国专利CN109767426A提出一种基于图像特征识别的盾构隧道渗漏水检测方法,在渗漏水检测前,先对图像进行详细的预处理工作,即通过隧道表观的灰度图像统计先确定隧道特征物识别规则,然后逐一识别隧道特征物,在特征物全部剔除之后,再进行渗漏水的检测。
中国专利CN109615653A提出了一种基于深度学习与视场投影模型的渗漏水面积检测与识别方法,主要是采集隧道的视频数据和点云数据,通过深度学习方法对视频数据检测得到渗漏水区域图片,然后识别点云数据得到拟合曲面,最后得到渗漏水图片在曲面上的投影并计算渗漏水真实面积。
上述专利均采用机器学习的方法对隧道渗漏水病害进行检测研究,虽然实现了渗漏水病害的自动识别,但未对渗漏水的速率进行预测分析,无法对隧道结构安全进行风险预测。
发明内容
本发明提供一种基于神经网络的隧道渗漏速率预测方法,利用三维激光技术对隧道病害进行检测,作业效率高,成果丰富,搭建了卷积神经网络和长短时记忆网络的隧道渗漏水流速预测模型对隧道渗漏水的速率进行预测分析。
为了达到上述目的,本发明提供一种基于神经网络的隧道渗漏速率预测方法,包含以下步骤:构建基于卷积神经网络和长短时记忆网络的隧道渗漏速率预测模型,利用训练数据集和测试数据集对隧道渗漏速率预测模型进行训练,将预测数据集输入训练好的隧道渗漏速率预测模型,获得与隧道影像对应的渗漏水流速。
形成训练数据集或测试数据集或预测数据集的方法包含:
数据源获取:采集多期隧道的三维激光扫描影像,并同步记录隧道内渗漏水位置和流速;
数据源标注:将采集得到的隧道影像划分为相同大小的小影像,将采集的渗漏水流速与每一个小影像对应匹配,将相同位置的多期小影像和渗漏水流速构成一个单样本,所有的单样本形成初步数据集;
数据预处理:对渗漏水流速做归一化处理形成最终数据集。
所述的构建隧道渗漏速率预测模型的方法包含:采用深度学习框架搭建包含卷积神经网络和长短时记忆网络的隧道渗漏速率预测模型,数据集输入卷积神经网络,卷积神经网络输出多维向量,卷积神经网络输出的多维向量和渗漏水流速的归一化值输入长短时记忆网络,长短时记忆网络输出预测得到的渗漏水流速值。
所述的深度学习框架采用TensorFlow或PyTorch。
所述的卷积神经网络采用在大数据集中预训练好的VGG或ResNet,所述的长短时记忆网络采用最经典结构。
所述的卷积神经网络的输出向量长度至少包含:收敛、接缝张开、沉降、错台、渗漏位置、地下水类型、水土压力、地层水平方向渗透系数、地层竖直方向渗漏系数、贮水率、防水条老化。
所述的训练隧道渗漏速率预测模型的方法包含:
利用训练数据集对隧道渗漏速率预测模型进行训练;
利用测试数据集测试隧道渗漏速率预测模型,如果精度指标小于等于阈值,则隧道渗漏速率预测模型训练完毕,如果精度指标大于阈值,则继续利用训练数据集对隧道渗漏速率预测模型进行训练。
本发明具有以下有益效果:
1、隧道病害检测的数据源为三维激光扫描影像,利用三维激光技术对隧道病害进行检测,作业效率高,成果丰富。
2、搭建了卷积神经网络和长短时记忆网络的隧道渗漏水流速预测模型,卷积神经网络是目前处理影像数据的主流模型,长短时记忆神经网络是处理序列数据效果较好的模型,二者结合可以完美地实现对隧道渗漏水速率的预测分析。
附图说明
图1是本发明提供的一种基于神经网络的隧道渗漏速率预测方法的流程图。
图2是本发明实施例中隧道影像和渗漏水流速构成的单样本的示意图。
图3是本发明实施例中隧道渗漏水流速预测模型的示意图。
具体实施方式
以下根据图1~图3,具体说明本发明的较佳实施例。
如图1所示,本发明提供一种基于神经网络的隧道渗漏速率预测方法,包含以下步骤:
步骤S1、采集与渗漏水流速相关的隧道影像形成数据集,所述的数据集包含训练数据集、测试数据集、以及预测数据集;
步骤S2、构建基于卷积神经网络和长短时记忆网络的隧道渗漏速率预测模型;
步骤S3、利用训练数据集和测试数据集对隧道渗漏速率预测模型进行训练;
步骤S4、将预测数据集输入训练好的隧道渗漏速率预测模型,获得与隧道影像对应的渗漏水流速。
进一步,所述的采集数据集的方法包含:
步骤S1.1、数据源获取;
采用搭载三维激光扫描仪的装置采集多期隧道影像并同步记录隧道内渗漏水位置和流速;
其中,装置可以是静止的三脚架或平台,也可以是以人力或电机带动的检测车;
采集的隧道影像可以是灰度影像,还可以是彩色影像;
所述的渗漏水流速采用毫升/分为单位。
步骤S1.2、数据源标注;
将采集得到的隧道影像划分为固定大小(例如:512*512,1024*1024之类的)的小影像,按期数(假设为N期)整理,并遍历每一幅小影像,将采集的渗漏水流速与小影像对应匹配,最后将相同位置的单期或多期小影像和渗漏水流速构成一个单样本,所有的单样本形成初步数据集;
步骤S1.3、数据预处理;
对渗漏水流速做归一化处理形成最终数据集;
由于渗漏水流速值分布不均,数值之间相差较大,为了后续建模预测有较好的收敛,因此对初步样本集中的渗漏水流速值做归一化处理,将渗漏水流速映射到[0,1]区间,可以采用如离差标准化、均值归一化、Sigmoid函数等,形成最终数据集。
所述的构建隧道渗漏速率预测模型的方法包含以下步骤:
步骤2.1、选择深度学习框架;
所述的深度学习框架可以选择TensorFlow(谷歌基于DistBelief进行研发的第二代人工智能学习系统),或PyTorch(是Facebook的AI研究团队研发的Python语言优先的深度学习框架)等;
步骤S2.2、搭建包含CNN(卷积神经网络)和LSTM(长短时记忆网络)的隧道渗漏速率预测模型,数据集输入卷积神经网络,卷积神经网络输出多维向量,卷积神经网络输出的多维向量和渗漏水流速的归一化值输入长短时记忆网络,长短时记忆网络输出预测得到的渗漏水流速值;
如图3所示,在本发明的一个实施例中,Image1-Imagen为单样本(相同位置处的多期影像及其一一对应的渗漏水流速归一化值),CNN输出多维向量作为LSTM的部分初始输入值,除此之外,为达到时序预测目的,可将流速的归一化值作为真值来作为LSTM的另外一部分输入,最终为LSTM的输出结果,流速的真值用于训练时模型计算损失函数;
所述的CNN(卷积神经网络)可以选取在大数据集中预训练好的CNN模型,如VGG和ResNet及其变种等,所述的LSTM(长短时记忆网络)选择最经典结构;
考虑到隧道渗漏特性,卷积神经网络的输出向量长度至少要包含影响隧道渗漏的多方因素,主要包含:收敛、接缝张开、沉降、错台、渗漏位置、地下水类型、水土压力、地层水平方向渗透系数、地层竖直方向渗漏系数、贮水率、防水条老化等。
所述的训练隧道渗漏速率预测模型的方法包含:
步骤S3.1、利用训练数据集对隧道渗漏速率预测模型进行训练;
训练数据集为T,单次输入隧道渗漏速率预测模型中的样本量为一个单样本,设置足够大的训练次数,以平均损失函数作为损失函数,采用学习率自适应的随机梯度算法进行参数优化,并且采用GPU硬件加速计算;
所述的训练数据集T来自步骤S1中的数据集,在本发明的一个实施例中,所述的训练数据集T占数据集中样本总数的70%;
步骤S3.2、利用测试数据集测试隧道渗漏速率预测模型,如果精度指标小于等于阈值,则隧道渗漏速率预测模型训练完毕,可用于预测,如果精度指标大于阈值,则调整超参数(如学习率、批次大小、权重衰减率、卷积核大小、隐层神经元数量等),返回步骤S3.1继续进行训练;
测试数据集为S,采用回归评价指标,如平均绝对误差、均方根误差等作为测试数据的精度指标;
所述的测试数据集S来自步骤S1中的数据集,在本发明的一个实施例中,所述的测试数据集S占数据集中样本总数的30%。
所述的利用隧道渗漏速率预测模型预测渗漏水流速的方法包含:
步骤S4.1、将预测数据集输入训练好的隧道渗漏速率预测模型,隧道渗漏速率预测模型输出与隧道影像对应的渗漏水流速归一化值;
步骤S4.2、对渗漏水流速归一化值进行反归一化得到渗漏水真实速率;
所述的预测数据集来自步骤S1中的数据集,在本发明的一个实施例中,所述的预测数据集选取不属于训练数据集T和测试数据集S中的单期或多期的隧道影像。
在本发明的一个实施例中,隧道渗漏速率预测方法包含以下步骤:
步骤1、数据源获取:采用电机带动的检测车搭载三维激光扫描仪采集多期隧道影像并同步记录隧道内渗漏水的位置和流速。
步骤2、数据源标注:将采集得到的隧道影像划分为固定大小的小影像,如640像素×640像素,按期数(假设为N期)整理,并遍历每一幅小影像,匹配对应的由步骤1中得到的渗漏水流速,最后将相同位置的多期影像和渗漏水流速构成一个单样本,形成初步样本集。
步骤3、数据预处理:对渗漏水流速做归一化处理。由于渗漏水值分布不均,数值之间相差较大,为了后续建模预测有较好的收敛,因此对初步样本集中的流速值做归一化处理,将渗漏水流速映射到[0,1]区间,可以采用均值归一化映射,形成最终样本集。
步骤4、数据集划分:将步骤3中得到的最终样本集划分为训练集T、测试集S,其中训练集占样本总数的70%,测试集占样本总数的30%。
步骤5、搭建隧道渗漏水流速预测模型。
(1)选择深度学习框架:使用TensorFlow深度学习框架;
(2)搭建模型:模型主要由CNN(卷积神经网络)和LSTM(长短时记忆网络)构成。其中CNN选取在大数据集中预训练好的ResNet-101模型,LSTM选择最经典结构,最终模型结构如图3所示。
其中,Image1-Imagen为单样本(相同位置处的多期影像及其一一对应的渗漏水流速归一化值)中的影像数据,CNN输出20维向量作为LSTM的部分初始输入值,除此之外,为达到时序预测目的,可将流速的归一化值作为真值作为LSTM的另外一部分输入,最终为LSTM模型输出结果,为真值,真值用于训练时模型计算损失函数。
考虑到隧道渗漏特性,CNN模型输出向量为20维,认为涵盖了影响隧道渗漏的多方因素,主要包括收敛、接缝张开、沉降、错台、渗漏位置、地下水类型、水土压力、地层水平方向渗透系数、地层竖直方向渗漏系数、贮水率、防水条老化等。
步骤6、模型训练、测试、预测。
(1)训练:训练数据集为T,单次输入模型中的样本量为一个单样本,训练次数至少是数据集大小的10000倍,以平均损失函数作为损失函数,采用学习率自适应的随机梯度算法进行参数优化,并且采用GPU硬件加速计算。
(2)测试:测试数据集为S,采用回归评价指标平均绝对误差作为测试数据的精度指标,当误差<=0.05时,则模型可用来预测,否则调整超参数并继续训练。
(3)预测:选取不在训练集和测试集中的单期或多期的隧道影像作为输入,将影像导入隧道渗漏水流速预测模型,获得隧道影像对应的渗漏水流速归一化值,最终反归一化得到真实速率。
本发明具有以下有益效果:
1、隧道病害检测的数据源为三维激光扫描影像,利用三维激光技术对隧道病害进行检测,作业效率高,成果丰富。
2、搭建了卷积神经网络和长短时记忆网络的隧道渗漏水流速预测模型,卷积神经网络是目前处理影像数据的主流模型,长短时记忆神经网络是处理序列数据效果较好的模型,二者结合可以完美地实现对隧道渗漏水速率的预测分析。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (7)
1.一种基于神经网络的隧道渗漏速率预测方法,其特征在于,包含以下步骤:构建基于卷积神经网络和长短时记忆网络的隧道渗漏速率预测模型,利用训练数据集和测试数据集对隧道渗漏速率预测模型进行训练,将预测数据集输入训练好的隧道渗漏速率预测模型,获得与隧道影像对应的渗漏水流速。
2.如权利要求1所述的基于神经网络的隧道渗漏速率预测方法,其特征在于,形成训练数据集或测试数据集或预测数据集的方法包含:
数据源获取:采集多期隧道的三维激光扫描影像,并同步记录隧道内渗漏水位置和流速;
数据源标注:将采集得到的隧道影像划分为相同大小的小影像,将采集的渗漏水流速与每一个小影像对应匹配,将相同位置的多期小影像和渗漏水流速构成一个单样本,所有的单样本形成初步数据集;
数据预处理:对渗漏水流速做归一化处理形成最终数据集。
3.如权利要求2所述的基于神经网络的隧道渗漏速率预测方法,其特征在于,所述的构建隧道渗漏速率预测模型的方法包含:采用深度学习框架搭建包含卷积神经网络和长短时记忆网络的隧道渗漏速率预测模型,数据集输入卷积神经网络,卷积神经网络输出多维向量,卷积神经网络输出的多维向量和渗漏水流速的归一化值输入长短时记忆网络,长短时记忆网络输出预测得到的渗漏水流速值。
4.如权利要求3所述的基于神经网络的隧道渗漏速率预测方法,其特征在于,所述的深度学习框架采用TensorFlow或PyTorch。
5.如权利要求3所述的基于神经网络的隧道渗漏速率预测方法,其特征在于,所述的卷积神经网络采用在大数据集中预训练好的VGG或ResNet,所述的长短时记忆网络采用最经典结构。
6.如权利要求3所述的基于神经网络的隧道渗漏速率预测方法,其特征在于,所述的卷积神经网络的输出向量长度至少包含:收敛、接缝张开、沉降、错台、渗漏位置、地下水类型、水土压力、地层水平方向渗透系数、地层竖直方向渗漏系数、贮水率、防水条老化。
7.如权利要求2所述的基于神经网络的隧道渗漏速率预测方法,其特征在于,所述的训练隧道渗漏速率预测模型的方法包含:
利用训练数据集对隧道渗漏速率预测模型进行训练;
利用测试数据集测试隧道渗漏速率预测模型,如果精度指标小于等于阈值,则隧道渗漏速率预测模型训练完毕,如果精度指标大于阈值,则继续利用训练数据集对隧道渗漏速率预测模型进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911394963.3A CN111141653B (zh) | 2019-12-30 | 2019-12-30 | 一种基于神经网络的隧道渗漏速率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911394963.3A CN111141653B (zh) | 2019-12-30 | 2019-12-30 | 一种基于神经网络的隧道渗漏速率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111141653A true CN111141653A (zh) | 2020-05-12 |
CN111141653B CN111141653B (zh) | 2022-08-09 |
Family
ID=70521881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911394963.3A Active CN111141653B (zh) | 2019-12-30 | 2019-12-30 | 一种基于神经网络的隧道渗漏速率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111141653B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001556A (zh) * | 2020-08-27 | 2020-11-27 | 华中科技大学 | 一种基于深度学习模型的水库下游水位预测方法 |
CN112946187A (zh) * | 2021-01-22 | 2021-06-11 | 西安科技大学 | 一种基于神经网络的避难硐室实时状态监测方法 |
CN113418146A (zh) * | 2021-08-03 | 2021-09-21 | 上海航天动力科技工程有限公司 | 一种用于供水管网的漏损辅助定位控制方法 |
CN113421236A (zh) * | 2021-06-17 | 2021-09-21 | 同济大学 | 基于深度学习的建筑墙面渗漏水表观发育状况预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0972764A (ja) * | 1995-09-04 | 1997-03-18 | Hitachi Ltd | 河床断面形状予測システム |
US20100092241A1 (en) * | 2008-10-13 | 2010-04-15 | Muhammad Arshad | Canal Seepage Detection |
CN108288092A (zh) * | 2018-01-09 | 2018-07-17 | 中国海洋石油集团有限公司 | 一种利用核磁共振t2谱形态获取致密砂岩渗透率的方法 |
CN109191423A (zh) * | 2018-07-18 | 2019-01-11 | 中国矿业大学 | 一种基于机器图像智能学习的多孔介质渗透率预测方法 |
CN109242049A (zh) * | 2018-11-21 | 2019-01-18 | 安徽建筑大学 | 基于卷积神经网络的给水管网多点漏损定位方法及其装置 |
CN109558971A (zh) * | 2018-11-09 | 2019-04-02 | 河海大学 | 基于lstm长短期记忆网络的智能滑坡监测装置与方法 |
CN109615653A (zh) * | 2018-12-19 | 2019-04-12 | 上海大学 | 基于深度学习与视场投影模型的渗漏水面积检测与识别方法 |
CN110322572A (zh) * | 2019-06-11 | 2019-10-11 | 长江勘测规划设计研究有限责任公司 | 一种基于双目视觉的水下涵隧内壁三维信息恢复方法 |
-
2019
- 2019-12-30 CN CN201911394963.3A patent/CN111141653B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0972764A (ja) * | 1995-09-04 | 1997-03-18 | Hitachi Ltd | 河床断面形状予測システム |
US20100092241A1 (en) * | 2008-10-13 | 2010-04-15 | Muhammad Arshad | Canal Seepage Detection |
CN108288092A (zh) * | 2018-01-09 | 2018-07-17 | 中国海洋石油集团有限公司 | 一种利用核磁共振t2谱形态获取致密砂岩渗透率的方法 |
CN109191423A (zh) * | 2018-07-18 | 2019-01-11 | 中国矿业大学 | 一种基于机器图像智能学习的多孔介质渗透率预测方法 |
CN109558971A (zh) * | 2018-11-09 | 2019-04-02 | 河海大学 | 基于lstm长短期记忆网络的智能滑坡监测装置与方法 |
CN109242049A (zh) * | 2018-11-21 | 2019-01-18 | 安徽建筑大学 | 基于卷积神经网络的给水管网多点漏损定位方法及其装置 |
CN109615653A (zh) * | 2018-12-19 | 2019-04-12 | 上海大学 | 基于深度学习与视场投影模型的渗漏水面积检测与识别方法 |
CN110322572A (zh) * | 2019-06-11 | 2019-10-11 | 长江勘测规划设计研究有限责任公司 | 一种基于双目视觉的水下涵隧内壁三维信息恢复方法 |
Non-Patent Citations (1)
Title |
---|
黄宏伟 等: "基于深度学习的盾构隧道渗漏水病害图像识别", 《岩石力学与工程学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001556A (zh) * | 2020-08-27 | 2020-11-27 | 华中科技大学 | 一种基于深度学习模型的水库下游水位预测方法 |
CN112001556B (zh) * | 2020-08-27 | 2022-07-15 | 华中科技大学 | 一种基于深度学习模型的水库下游水位预测方法 |
CN112946187A (zh) * | 2021-01-22 | 2021-06-11 | 西安科技大学 | 一种基于神经网络的避难硐室实时状态监测方法 |
CN113421236A (zh) * | 2021-06-17 | 2021-09-21 | 同济大学 | 基于深度学习的建筑墙面渗漏水表观发育状况预测方法 |
CN113421236B (zh) * | 2021-06-17 | 2024-02-09 | 同济大学 | 基于深度学习的建筑墙面渗漏水表观发育状况预测方法 |
CN113418146A (zh) * | 2021-08-03 | 2021-09-21 | 上海航天动力科技工程有限公司 | 一种用于供水管网的漏损辅助定位控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111141653B (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111141653B (zh) | 一种基于神经网络的隧道渗漏速率预测方法 | |
Liu et al. | Attribute-aware face aging with wavelet-based generative adversarial networks | |
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
CN109145830B (zh) | 一种智能水尺识别方法 | |
CN109766936B (zh) | 基于信息传递和注意力机制的图像变化检测方法 | |
CN114299380A (zh) | 对比一致性学习的遥感图像语义分割模型训练方法及装置 | |
CN113435282B (zh) | 基于深度学习的无人机影像麦穗识别方法 | |
CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
CN108830856B (zh) | 一种基于时间序列sd-oct视网膜图像的ga自动分割方法 | |
CN109801320B (zh) | 一种基于面部分区的皮肤干燥状态智能识别方法及系统 | |
CN109635634A (zh) | 一种基于随机线性插值的行人再识别数据增强方法 | |
CN108875739A (zh) | 一种数显仪表读数的精确检测方法 | |
CN108052886A (zh) | 一种小麦条锈病菌夏孢子自动统计计数方法 | |
CN115641364B (zh) | 基于胚胎动力学参数的胚胎分裂周期智能预测系统及方法 | |
CN114283285A (zh) | 交叉一致性自训练遥感图像语义分割网络训练方法及装置 | |
CN112258495A (zh) | 一种基于卷积神经网络的建筑木材裂缝识别方法 | |
CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
KR20230132686A (ko) | PointNet++ 신경망 기반 콘크리트배관 손상 인식 및 체적 디스플레이 방법 | |
CN117036715A (zh) | 一种基于卷积神经网络的形变区边界自动提取方法 | |
CN113901927A (zh) | 一种基于流场压力时程的水下物体外形识别方法 | |
CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
CN117521512A (zh) | 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法 | |
CN117169086A (zh) | 一种建筑物地下防水层施工质量检测方法、介质及系统 | |
CN117372854A (zh) | 一种大坝深水结构隐患病害实时检测方法 | |
CN117011759A (zh) | 钻爆法隧道掌子面围岩多元地质信息解析方法及系统 |
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 |