CN111160528B - 钢筋混凝土桥梁服役性能退化预测方法 - Google Patents
钢筋混凝土桥梁服役性能退化预测方法 Download PDFInfo
- Publication number
- CN111160528B CN111160528B CN201911383426.9A CN201911383426A CN111160528B CN 111160528 B CN111160528 B CN 111160528B CN 201911383426 A CN201911383426 A CN 201911383426A CN 111160528 B CN111160528 B CN 111160528B
- Authority
- CN
- China
- Prior art keywords
- bridge
- reinforced concrete
- prediction
- lstm
- scoring
- 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
- 239000011150 reinforced concrete Substances 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000015556 catabolic process Effects 0.000 title claims abstract description 10
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012423 maintenance Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 239000004568 cement Substances 0.000 description 6
- 239000004567 concrete Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- 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
- G06Q10/04—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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Bridges Or Land Bridges (AREA)
Abstract
本发明涉及一种钢筋混凝土桥梁服役性能退化预测方法,包括:S1:收集大量同一地区的钢筋混凝土梁桥历年检测报告,从中提取出所需的桥梁技术资料以及历年的技术状况评分,形成钢筋混凝土梁桥群历史技术状况数据库;S2:基于步骤S1所形成的数据库,对多个LSTM网络进行反复地训练与调参,得到具有良好准确度的预测模型;S3:输入建在同一地区的待测钢筋混凝土桥梁的技术资料及历年技术状况评分数据,利用预测模型求出待测钢筋混凝土梁桥未来若干年各结构构件及全桥的技术状况评分。本发明能为中小型钢筋混凝土梁桥的维修和养护降低成本。
Description
技术领域
本发明涉及桥梁安全领域,尤其是涉及一种钢筋混凝土桥梁服役性能退化预测方法。
背景技术
随着桥梁使用时间的增加,桥梁结构性能的退化无可避免,如果桥梁结构不能按时得到合理的维养,势必无法保证桥梁的运营安全。然而,若采取缩短桥梁检测周期或者安装桥梁实时监测系统等措施,对于中小型桥梁的运营来讲又非常不经济。所以,基于历史检测数据对中小型桥梁技术状况进行合理预测成为了最佳选择。
然而,目前对于“基于历史检测数据对中小型桥梁技术状况进行合理预测”这一课题,研究人员通常采用BP、支持向量机等模型进行预测。但是,由于桥梁的历史检测数据通常是复杂的非平稳、非线性时间序列,BP、支持向量机等方法在解决这一问题时都存在显著的缺点,如BP神经网络运用于复杂时间序列预测时易陷入局部最优,SVM处理复杂高维非线性时间序列时求解核函数较困难。与此同时,我国单个中小型钢筋混凝土梁桥的检测数据通常较少,且可能存在缺失、错误的现实,这使得很多目前提出的桥梁技术状况预测方法并不能被运用到实际的工程问题上。
发明内容
本发明提供了一种钢筋混凝土桥梁服役性能退化预测方法,在考虑了自然环境对钢筋混凝土梁桥耐久性的影响的同时,解决了数据规模过小、预测效果不理想的问题,并且可以为中小型桥梁的运营节约经费。
本发明解决技术问题所采用的技术方案是:
一种钢筋混凝土桥梁服役性能退化预测方法,包括:
S1:收集大量同一地区的钢筋混凝土梁桥历年检测报告,从中提取出所需的桥梁技术资料以及历年的技术状况评分,形成钢筋混凝土梁桥群历史技术状况数据库;
S2:基于S1所形成的数据库,对多个LSTM网络进行反复地训练与调参,得到具有良好准确度的预测模型;
S3:输入建在同一地区的待测钢筋混凝土桥梁的技术资料及历年技术状况评分数据,利用预测模型求出待测钢筋混凝土梁桥未来若干年各结构构件及全桥的技术状况评分。
进一步地,所述S1具体包括:
S1.1:收集某一目标地区大量钢筋混凝土梁桥的历年检测报告;
S1.2:从检测报告中提取桥梁幅数,对于幅数n>1的检测报告,将其每1幅作为1座单独的钢筋混凝土梁桥看待,形成n份新的检测报告;对于幅数为1的检测报告,此步骤不做处理;
S1.3:将所有新形成的检测报告与所有幅数为1的检测报告存储在一起,形成检测报告存储部;
S1.4:从检测报告存储部中,提取各钢筋混凝土梁桥的桥龄、桥梁跨数、主梁型式、横梁型式、桥面结构、伸缩缝型式、伸缩缝数量、栏杆结构、桥墩型式、桥台型式、支座型式和维修行为这些所需的桥梁技术资料,以及各结构构件对应的历年技术状况评分;
S1.5:按预设规则对S14提取的数据进行清洗,避免存在缺失、错误现象的数据进入S2;
S1.6:将经过清洗的数据进行存储,形成钢筋混凝土梁桥群历史技术状况数据库。
进一步地,S2所述的LSTM网络包括Basic LSTM以及LSTM网络的各种变体,如双向LSTM网络、堆叠LSTM网络、GRU网络、双向GRU网络、堆叠GRU网络。
进一步地,S2中所述的预测模型是由多个LSTM模型通过树状拓扑结构连接而成。
进一步地,所述多个LSTM模型具体包括:不同类型桥面铺装的评分预测LSTM模型、桥头平顺的评分预测LSTM模型、不同类型伸缩缝的评分预测LSTM模型、排水系统的评分预测LSTM模型、不同类型栏杆护栏的评分预测LSTM模型、人行道的评分预测LSTM模型、不同类型主梁的评分预测LSTM模型、不同类型横向连接系的评分预测LSTM模型、台帽盖梁的评分预测LSTM模型、不同类型桥墩的评分预测LSTM模型、不同类型桥台的评分预测LSTM模型、墩台基础冲刷的评分预测LSTM模型、桥台耳墙翼墙的评分预测LSTM模型、不同类型支座的评分预测LSTM模型。
进一步地,所述S3具体包括:
S3.1:收集待测桥梁的历年检测报告,并给定预测年限需求y,以年为单位;
S3.2:将待测桥梁的历年检测报告同样按S1.2-S1.5进行处理,以得到预测模型需要的待测桥梁技术资料及历年的技术状况评分;
S3.3:将步骤S3.1和S3.2产生的数据输入到预测模型中,预测模型求出待测钢筋混凝土梁桥未来y年各结构构件及全桥的技术状况评分。
与现有技术相比,本发明的有益效果如下:
(1)解决了单一中小型桥梁检测数据较少,难以使用人工神经网络、深度学习进行预测的问题。
(2)使用了LSTM网络对长年积累下来的桥梁检测数据进行挖掘,模型预测效果好,且具有较好的鲁棒性。
(3)节约了人力物力,为降低中小型桥梁维养成本提供了一种新的解决方案。
附图说明
图1是钢筋混凝土桥梁服役性能退化预测方法主体步骤图;
图2是步骤S1、S2处理流程示意图;
图3是步骤S3处理流程及预测模型示意图;
图4是浙南某市水泥混凝土桥面铺装历史技术状况评分及未来两年预测评分散点图。
具体实施方式
下面根据附图和优选实施例详细描述本发明,本发明的目的和效果将变得更加明白。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。
以下结合附图,对发明的具体技术方案作进一步描述。
一种钢筋混凝土桥梁服役性能退化预测方法,如图1-2所示,包括:
S1:收集大量同一地区的钢筋混凝土梁桥历年检测报告,从中提取出所需的桥梁技术资料以及历年的技术状况评分,形成钢筋混凝土梁桥群历史技术状况数据库;
S1.1:收集某一目标地区大量钢筋混凝土梁桥的历年检测报告;
S1.2:从检测报告中提取桥梁幅数,对于幅数n>1的检测报告,将其每1幅作为1座单独的钢筋混凝土梁桥看待,形成n份新的检测报告;对于幅数为1的检测报告,此步骤不做处理;
S1.3:将所有新形成检测报告与所有幅数为1的检测报告存储在一起,形成检测报告存储部;
S1.4:从检测报告存储部中,提取各钢筋混凝土梁桥的桥龄、桥梁跨数、主梁型式、横梁型式、桥面结构、伸缩缝型式、伸缩缝数量、栏杆结构、桥墩型式、桥台型式、支座型式和维修行为等所需的桥梁技术资料,以及各结构构件对应的历年技术状况评分;
S1.5:按预设规则对S1.4提取的数据进行清洗,避免存在缺失、错误现象的数据进入步骤S2;
S1.6:将经过清洗的数据进行存储,形成钢筋混凝土梁桥群历史技术状况数据库。
S2:基于S1所形成的数据库,对多个LSTM网络进行反复地训练与调参,得到具有良好准确度的预测模型;
S2.1:将钢筋混凝土梁桥群技术状况数据库中的时序数据划分为训练集、验证集和测试集;
S2.2:按经验预设预测模型中各LSTM网络的超参数;
S2.3:通过反复地训练与调参,不断调整各LSTM网络的超参数,直至找到最优的模型架构,固定超参数;
S2.4:将测试集输入到S2.3得到的模型中,迭代训练若干次,使其损失函数最终收敛;
S2.5:若此时准确度达到了既定要求,S2.3得到的模型即为我们需要的预测模型;若未能达到既定要求,返回S2.1,重新确定训练集、验证集和测试集比例,或采取措施拓展训练集规模。
S3:输入建在同一地区的待测钢筋混凝土桥梁的技术资料及历年技术状况评分数据,利用预测模型求出待测钢筋混凝土梁桥未来若干年各结构构件及全桥的技术状况评分。如图3所示,具体包括:
S3.1:收集待测桥梁的历年检测报告,并给定预测年限需求y,以年为单位;
S3.2:将待测桥梁的历年检测报告同样按S1.2-S1.5进行处理,以得到预测模型需要的待测桥梁技术资料及历年的技术状况评分;
S3.3:将S3.1和S3.2产生的数据输入到预测模型中,预测模型求出待测钢筋混凝土梁桥未来y年各结构构件及全桥的技术状况评分。
下面给出本发明的方法的一个具体实施例:
S1中收集了来自浙江省南部某市的36座钢筋混凝土梁桥的95份历年检测报告(共计103份,由于关键数据缺失而被剔除8份),从中提取出所需的桥梁技术资料以及历年的技术状况评分形成浙南某市的钢筋混凝土梁桥群历史技术状况数据库。
S2的实验环境为Intel i5-4200H处理器、Windows 8.1 64-bit处理系统、GTX960M 4G的GPU、Python 3.5.2,训练的过程中主要使用的包,如下:tensorflow-gpu 1.7.0、tensorboard 1.7.0、pandas 0.18.1、numpy 1.11.1、matplotlib 1.5.3;由于每个LSTM网络的训练与调参的实施过程是一致的,此实施例不妨描述一下所述预测模型中的所述水泥混凝土桥面铺装的评分预测LSTM模型通过反复地训练与调参后,得到准确度最高的模型的一些技术细节,如表1所示:
表1水泥混凝土桥面铺装的评分预测LSTM模型技术细节表
S3中输入浙江省南部某市的19条水泥混凝土桥面铺装的历史技术状况评分,以及预测年限需求y=2(年),经过S2得到的所述水泥混凝土桥面铺装的评分预测LSTM模型运算,得到目标桥梁未来2年的水泥混凝土桥面铺装的预测评分,分别为15.91394和8.893115,如图4,倒三角代表预测评分,圆点代表历史技术状况评分;其他桥梁结构构件未来2年的预测评分以同样的方法得到;最后按照现行规范得到全桥的技术状况评分,如表2所示:
表2浙南某市某某桥全桥的技术状况评分表
本领域普通技术人员可以理解,以上所述仅为发明的优选实例而已,并不用于限制发明,尽管参照前述实例对发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内,所做的修改、等同替换等均应包含在发明的保护范围之内。
Claims (2)
1.一种钢筋混凝土桥梁服役性能退化预测方法,其特征在于,包括:
S1:收集大量同一地区的钢筋混凝土梁桥历年检测报告,从中提取出所需的桥梁技术资料以及历年的技术状况评分,形成钢筋混凝土梁桥群历史技术状况数据库;所述S1具体包括:
S1.1:收集某一目标地区大量钢筋混凝土梁桥的历年检测报告;
S1.2:从检测报告中提取桥梁幅数,对于幅数n>1的检测报告,将其每1幅作为1座单独的钢筋混凝土梁桥看待,形成n份新的检测报告;对于幅数为1的检测报告,此步骤不做处理;
S1.3:将所有新形成的检测报告与所有幅数为1的检测报告存储在一起,形成检测报告存储部;
S1.4:从检测报告存储部中,提取各钢筋混凝土梁桥的桥龄、桥梁跨数、主梁型式、横梁型式、桥面结构、伸缩缝型式、伸缩缝数量、栏杆结构、桥墩型式、桥台型式、支座型式和维修行为这些所需的桥梁技术资料,以及各结构构件对应的历年技术状况评分;
S1.5:按预设规则对S1.4提取的数据进行清洗,避免存在缺失、错误现象的数据进入S2;
S1.6:将经过清洗的数据进行存储,形成钢筋混凝土梁桥群历史技术状况数据库;
S2:基于S1所形成的数据库,对多个LSTM网络进行反复地训练与调参,得到具有良好准确度的预测模型;所述的预测模型由树状拓扑结构连接并包含多个并行的LSTM模型;
所述多个LSTM模型具体包括:不同类型桥面铺装的评分预测LSTM模型、桥头平顺的评分预测LSTM模型、不同类型伸缩缝的评分预测LSTM模型、排水系统的评分预测LSTM模型、不同类型栏杆护栏的评分预测LSTM模型、人行道的评分预测LSTM模型、不同类型主梁的评分预测LSTM模型、不同类型横向连接系的评分预测LSTM模型、台帽盖梁的评分预测LSTM模型、不同类型桥墩的评分预测LSTM模型、不同类型桥台的评分预测LSTM模型、墩台基础冲刷的评分预测LSTM模型、桥台耳墙翼墙的评分预测LSTM模型、不同类型支座的评分预测LSTM模型;
S3:输入建在同一地区的待测钢筋混凝土桥梁的技术资料及历年技术状况评分数据,利用预测模型求出待测钢筋混凝土梁桥未来若干年各结构构件及全桥的技术状况评分;所述S3具体包括:
S3.1:收集待测桥梁的历年检测报告,并给定预测年限需求y,以年为单位;
S3.2:将待测桥梁的历年检测报告同样按S1.2-S1.5进行处理,以得到预测模型需要的待测桥梁技术资料及历年的技术状况评分;
S3.3:将步骤S3.1和S3.2产生的数据输入到预测模型中,预测模型求出待测钢筋混凝土梁桥未来y年各结构构件及全桥的技术状况评分。
2.根据权利要求1所述的钢筋混凝土桥梁服役性能退化预测方法,其特征在于,S2所述的LSTM网络包括Basic LSTM以及双向LSTM网络、堆叠LSTM网络、GRU网络、双向GRU网络、堆叠GRU网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911383426.9A CN111160528B (zh) | 2019-12-28 | 2019-12-28 | 钢筋混凝土桥梁服役性能退化预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911383426.9A CN111160528B (zh) | 2019-12-28 | 2019-12-28 | 钢筋混凝土桥梁服役性能退化预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160528A CN111160528A (zh) | 2020-05-15 |
CN111160528B true CN111160528B (zh) | 2021-01-08 |
Family
ID=70558779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911383426.9A Active CN111160528B (zh) | 2019-12-28 | 2019-12-28 | 钢筋混凝土桥梁服役性能退化预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160528B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871161A (zh) * | 2017-11-07 | 2018-04-03 | 中国铁道科学研究院铁道建筑研究所 | 一种基于神经网络的桥梁整体损伤预警方法 |
CN108090608A (zh) * | 2017-12-13 | 2018-05-29 | 上海海事大学 | 一种基于bp神经网络的岸桥状态预测方法 |
CN109102016A (zh) * | 2018-08-08 | 2018-12-28 | 北京新桥技术发展有限公司 | 一种用于桥梁技术状况的测试方法 |
CN109583570A (zh) * | 2018-11-30 | 2019-04-05 | 重庆大学 | 基于深度学习确定桥梁健康监测系统异常数据来源的方法 |
CN109614669A (zh) * | 2018-11-23 | 2019-04-12 | 同济大学 | 网级桥梁结构性能评估预测方法 |
CN109657416A (zh) * | 2019-01-30 | 2019-04-19 | 河南省交通规划设计研究院股份有限公司 | 基于两种性能状态的桥梁技术状况评定方法 |
-
2019
- 2019-12-28 CN CN201911383426.9A patent/CN111160528B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871161A (zh) * | 2017-11-07 | 2018-04-03 | 中国铁道科学研究院铁道建筑研究所 | 一种基于神经网络的桥梁整体损伤预警方法 |
CN108090608A (zh) * | 2017-12-13 | 2018-05-29 | 上海海事大学 | 一种基于bp神经网络的岸桥状态预测方法 |
CN109102016A (zh) * | 2018-08-08 | 2018-12-28 | 北京新桥技术发展有限公司 | 一种用于桥梁技术状况的测试方法 |
CN109614669A (zh) * | 2018-11-23 | 2019-04-12 | 同济大学 | 网级桥梁结构性能评估预测方法 |
CN109583570A (zh) * | 2018-11-30 | 2019-04-05 | 重庆大学 | 基于深度学习确定桥梁健康监测系统异常数据来源的方法 |
CN109657416A (zh) * | 2019-01-30 | 2019-04-19 | 河南省交通规划设计研究院股份有限公司 | 基于两种性能状态的桥梁技术状况评定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111160528A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Flah et al. | Machine learning algorithms in civil structural health monitoring: A systematic review | |
CN106055784B (zh) | 一种钢桥细节疲劳裂纹扩展评估方法 | |
Xu et al. | Buffeting-induced fatigue damage assessment of a long suspension bridge | |
CN106897543B (zh) | 模态柔度曲率矩阵范数的梁结构损伤识别方法 | |
CN107609304A (zh) | 大跨度铁路桥梁的基于phm的故障诊断预测系统及方法 | |
CN114282398A (zh) | 一种基于大数据的桥梁健康监测系统及方法 | |
CN104200005A (zh) | 基于神经网络的桥梁损伤识别方法 | |
CN114626119B (zh) | 一种基于桥梁大数据的养护智能决策方法及系统 | |
CN109657416B (zh) | 基于两种性能状态的桥梁技术状况评定方法 | |
CN110889155A (zh) | 一种钢桥面板腐蚀预测模型及构建方法 | |
CN111160528B (zh) | 钢筋混凝土桥梁服役性能退化预测方法 | |
CN113569908B (zh) | 基于深度学习的桥梁技术状况及病害预测反推演算方法 | |
Elshaboury et al. | Comparing machine learning models for predicting water pipelines condition | |
Le et al. | Modelling railway bridge degradation based on historical maintenance data | |
Qu et al. | Performance prediction for steel bridges using SHM data and bayesian dynamic regression linear model: a novel approach | |
CN114036620A (zh) | 一种随机点蚀损伤下钢-混组合结构的寿命计算方法 | |
CN107045559B (zh) | 基于成桥初始状态的桥梁技术状态劣化评估方法 | |
Aboura et al. | Stochastic processes for modelling bridge deterioration | |
Chen et al. | Application of BP artificial neural network in structure damage identification | |
Flah | Classification, Localization, and Quantification of Structural Damage in Concrete Structures using Convolutional Neural Networks | |
Akintunde | Fatigue Prognosis in Bridges Using Long Term Monitoring Data | |
CN107341282B (zh) | 基于前一年技术状态的改进型桥梁劣化评估方法 | |
CN116049935B (zh) | 连续箱梁施工易裂化区域识别及全过程数字化监测方法 | |
Shinozuka et al. | Remote monitoring: concept and pilot study | |
Bai et al. | Renewal management framework for urban rail transit assets |
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 |