CN111241725A - 基于条件生成对抗网络的结构响应重构方法 - Google Patents

基于条件生成对抗网络的结构响应重构方法 Download PDF

Info

Publication number
CN111241725A
CN111241725A CN201911400348.9A CN201911400348A CN111241725A CN 111241725 A CN111241725 A CN 111241725A CN 201911400348 A CN201911400348 A CN 201911400348A CN 111241725 A CN111241725 A CN 111241725A
Authority
CN
China
Prior art keywords
response information
network
complete
structural
structural response
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
Application number
CN201911400348.9A
Other languages
English (en)
Other versions
CN111241725B (zh
Inventor
张鹤
徐诚侃
强佳涛
全力威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201911400348.9A priority Critical patent/CN111241725B/zh
Publication of CN111241725A publication Critical patent/CN111241725A/zh
Application granted granted Critical
Publication of CN111241725B publication Critical patent/CN111241725B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/045—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于条件生成对抗网络的结构响应重构方法，在训练阶段，首先通过有限元计算或现场实测得到不同荷载下结构的完整结构响应以及有限的结构响应信息，并基于条件生产对抗网络模型训练两个深度神经网络G和D，训练完成之后，以现场测得的有限结构响应信息输入生成网络G，得到对应的完整结构响应。本发明可以高效地重构结构响应，将有效解决工程运营期结构状态监测中测点无法密布的问题。

Description

基于条件生成对抗网络的结构响应重构方法
技术领域
本发明属于土木结构工程与计算机视觉的交叉领域，特别涉及一种基于条件生成对抗网络的结构响应重构方法。
背景技术
受限于经济成本，在土木工程结构运营期结构状态监测中，往往不能密集地布置应变片，因而难以监测结构整体的响应。因此，利用少量实测点的结构响应重构整体结构响应对土木结构运营期监测有重要的意义。
传统的响应重构方法主要是回归分析法，其计算简单，但只在实测点的回归精度能满足要求，在整体结构响应模拟上效果较差。在此基础上，人们通过建立结构物理模型，结合回归分析法求解初始结构响应，但当结构较复杂或结构长期服役后，其内部结构与材料性质都发生了改变，假设的物理模型往往不正确，因而重构效果也不尽如人意。同时，传统的响应重构方法，往往只能重构局部位置的响应，随着需要重构的响应位置的增加，计算量也成倍的增加，因而并不能高效地实时重构整个结构物的响应。
结构响应重构问题类似于计算机视觉中的超分辨率问题(将模糊的图像变成清晰的图像)。随着深度学习的发展，深度学习领域的最新算法条件生成对抗网络在解决超分辨率问题上取得了众多成果，这为解决结构响应重构问题提供了新的思路。本发明应用深度学习中的最新算法，能高效地利用少量实测点的结构响应重构整体结构响应。
发明内容
为了解决土木工程结构运营期结构状态监测中，不能密集地布置应变片，需要利用少量实测点的结构响应重构整体响应的问题，本发明提供了一种基于条件生成对抗网络的结构响应重构方法，具体步骤如下：
一种基于条件生成对抗网络的结构响应信息重构方法，包括以下步骤：
(1)首先通过有限元计算或现场实测得到不同荷载下结构的完整结构响应，并从其中提取有限的结构响应信息，根据颜色渐变条将其绘制成图像，并进行分类、整理、配对，建立样本库。
(2)基于条件生成对抗网络模型，通过样本库训练两个深度神经网络：生成网络G和判断网络D；
(3)将生成模型输出的完整结构响应信息图像，并通过像素值标定其中的应力值。
(4)测试阶段，将现场测得的有限的结构响应信息绘制成图像，输入步骤2中训练好的生成网络G，得到对应的完整结构响应信息图像，并通过完整结构响应信息图像中的像素值标定其中的应力值。
进一步地，在基于条件生成对抗网络的结构响应重构方法中，结构响应具体可以是：应力场、应变场、位移场、内力场。
进一步地，所述的步骤(1)中，得到结构完整响应信息的方法具体为：
在不知道结构内部情况时，通过布设大量密集的应变片，测得不同荷载条件下的结构响应，通过插值法得到对应的完整结构响应信息；
在知道结构内部情况时，通过有限元计算得到不同荷载条件下的结构响应，得到对应的完整结构响应信息。
进一步地，所述的步骤(1)中，根据颜色渐变条将其绘制成图像的方法具体为：根据颜色渐变条jet，将每一个位置的结构响应信息转化为对应的像素值，并进行绘制成图片。
进一步地，所述的步骤(2)中，生成网络G用来根据有限的结构响应信息生成完整结构响应信息，判断网络D用来区分输入完整结构响应信息是来自生成网络G还是真实完整结构响应信息，所述的条件生成对抗网络以有限结构响应信息为条件，其目标函数为：
Figure BDA0002347333000000021
其中，x表示来自数据库内完整结构响应图像；y表示有限结构响应信息控制参数；V(D,G)表示博弈问题中的价值函数，即需要优化的目标函数；x～pdata(x)表示x服从数据库内完整结构响应图像分布pdata，
Figure BDA0002347333000000022
表示在pdata分布下求期望；x～pz(z)表示x服从先验分布pz，pz为[-1,1]内的均匀分布，即z为[-1，1]内随机采样的向量，
Figure BDA0002347333000000023
表示在pz分布下求期望；D(x|y)表示输入x在控制参数y的条件下经过判断网络D的输出；G(z|y)表示输入向量z在控制参数y的条件下经过生成网络G的输出图像；D(G(z|y))表示G(z|y)经过判断网络D的输出。
进一步地，所述的步骤(2)中，采用的生成网络G是一个U型网络，包含Encode和Decode两部分，Encode部分是一个卷积神经网络，通过八个卷积层从包含有限结构响应信息的图片中提取出特征，Decode部分是一个反卷积神经网络，通过八个反卷积层将Encode部分提取出的特征生成出包含完整结构响应信息的图片。
进一步地，所述的步骤(2)中，采用的判断网络D中，首先将包含有限结构响应信息的图片及生成的完整结构响应的图片拼接在一起，再通过五个卷积层和一个全连接层的网络，最后得到判断网络D的输出。
进一步地，所述的步骤(3)中，标定G模型生产的完整结构响应图像中响应的方法具体为：根据颜色渐变条jet，将每一个位置的像素值转化为对应的结构响应信息。
本发明的有益效果是：
本发明应用深度学习中的最新算法生成对抗网络cGAN，能在结构长期服役后物理状态不确定的情况下，高效地重构结构响应，将有效解决工程运营期结构状态监测中因测点无法密布而难以得到准确的整体结构响应的问题，为土木工程的运营期结构状态监测带来了新的思路。同时，不同于传统的结构响应重构方法，随着需要重构的响应位置的增加，计算量也成倍的增加，本发明基于计算机视觉，能极快地重构出整个结构的响应，因而能实现实时重构整个结构物的响应。此外，结构响应重构存在不适定性的难点，即一组测试响应对应多种结构整体响应，本发明中通过建立样本库，以数据驱动的方式重构整体结构响应，可以将整体结构响应概率包含在计算过程中，能最大程度上减小结构响应重构的不适定性。综上所述，本发明较传统的结构信息重构方法，更精确，更高效，且能减小不适定性的影响。
附图说明
图1是条件生成对抗网络整体结构示意图；
图2是生成网络G网络结构图；
图3是判断网络D网络结构图；
图4是含有限结构响应信息的样本图片；
图5是完整结构响应信息的样本图片；
图6是输入有限结构响应后重构的效果图，其中图6(a)是有限的结构响应信息图，图6(b)是插值重构得到的结构响应信息图，图6(c)是深度学习重构的结构响应信息图，图6(d)是数值模拟正演得到的结构响应信息图。
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。
本发明提供一种基于LSTM-cGAN的含裂纹结构的强度及裂纹扩展路径的预测方法，应用了深度学习领域中的最新算法条件生成对抗网络，条件生成对抗网络被证明能高效地处理图像并生成图像。本发明中采用的长短时记忆法，更是被证明为现有机器学习算法中最适合处理时序问题的算法。本发明应用深度学习领域中最新算法，能高效地预测含裂纹结构的裂纹扩展及其强度。
具体步骤如下：
(1)首先通过有限元计算或现场实测得到不同荷载下结构的完整结构响应，并从其中提取有限的结构响应信息，根据颜色渐变条将其绘制成图像，并进行分类、整理、配对，建立样本库。除应力场之外的结构响应具体可以是：应变场、位移场、内力场，而得到结构完整信息的方法具体为：
①在不知道结构内部情况时，通过布设大量密集的应变片，测得不同荷载条件下的结构响应，通过插值法得到对应的完整结构响应信息；
②在知道结构内部情况时，通过有限元计算得到不同荷载条件下的结构响应，得到对应的完整结构响应信息。
本次实施案例通过有限元计算得到2000组训练样本(如图4，图5所示)，并通过薄板加载实验得到含81个应变信息的验证样本45组。同时根据颜色渐变条jet，将每一个位置的结构响应信息转化为对应的像素值，并进行绘制成图片，并对图片进行归一化处理。
(2)基于条件生成对抗网络模型，通过样本库训练两个深度神经网络：生成网络G和判断网络D；
生成对抗网络(GAN)由G和D两个深度神经网络构成。生成网络G用来根据有限的结构响应信息生成完整结构响应信息，判断网络D用来区分输入完整结构响应信息是来自生成网络G还是真实完整结构响应信息，所述的条件生成对抗网络以有限结构响应信息为条件。两个网的优化转化为一个博弈问题，利用一个极大极小目标函数来优化两个网络。其目标函数为：
Figure BDA0002347333000000041
其中，x表示来自数据库内完整结构响应图像；y表示有限结构响应信息控制参数；V(D,G)表示博弈问题中的价值函数，即需要优化的目标函数；x～pdata(x)表示x服从数据库内完整结构响应图像分布pdata，
Figure BDA0002347333000000042
表示在pdata分布下求期望；x～pz(z)表示x服从先验分布pz，pz为[-1,1]内的均匀分布，即z为[-1，1]内随机采样的向量，
Figure BDA0002347333000000043
表示在pz分布下求期望；D(x|y)表示输入x在控制参数y的条件下经过判断网络D的输出；G(z|y)表示输入向量z在控制参数y的条件下经过生成网络G的输出图像；D(G(z|y))表示G(z|y)经过判断网络D的输出；
训练得到的生成网络G能够根据有限的结构响应信息生成完整的结构响应信息，判断网络D用来判断生成的完整结构响应正确与否。
采用的生成网络G是一个U型网络，包含Encode和Decode两部分，Encode部分是一个卷积神经网络，通过八个卷积层从包含有限结构响应信息的图片中提取出特征，Decode部分是一个反卷积神经网络，通过八个反卷积层将Encode部分提取出的特征生成出包含完整结构响应信息的图片。
采用的判断网络D中，首先将包含有限结构响应信息的图片及生成的完整结构响应的图片拼接在一起，再通过五个卷积层和一个全连接层的网络，最后得到判断网络D的输出。
训练整体框架结构示意图如图1所示，本发明设计的生成网络G和判断网络D(如图2，图3所示)。
(3)将生成模型输出的完整结构响应信息图像，并根据颜色渐变条jet，通过像素值标定其中的应力值。
(4)测试阶段，将实验得到45组验证样本绘制成图像，输入步骤(2)中训练好的生成网络G，输出对应的完整结构响应信息图像，并通过像素值标定其中的应力值，如图6所示其中图6(a)是有限的结构响应信息图，其中包括结构80个点的应变响应信息。图6(b)是根据图6(a)中的80个点的应变响应信息插值重构得到的结构响应信息图，即土木工程中不采用信息重构方法所能得到的结构整体响应信息，插值得到的结构中心应变为1.9*10-5。图6(c)是深度学习重构的结构响应信息图，通过像素标定的结构中心应变为3.8*10-5。图6(d)是根据结构荷载通过有限元计算得到的真实结构响应信息图，真实的结构中心应变为3.2*10-5。从图6中对比可知，基于深度学习的结构响应重构方法不仅在整体效果上更接近真实结构响应信息，在局部的响应信息上也与真实的响应信息更接近，说明该方法具有较高的重构精度。
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 (8)

1.一种基于条件生成对抗网络的结构响应重构方法，其特征在于，包括以下步骤：
(1)首先通过有限元计算或现场实测得到不同荷载下完整的结构响应，并从其中提取有限的结构响应信息，根据颜色渐变条将其绘制成图像，并进行分类、整理、配对，建立样本库。
(2)基于条件生成对抗网络模型，通过样本库训练两个深度神经网络：生成网络G和判断网络D；
(3)将生成模型输出的完整结构响应信息图像，并通过像素值标定其中的应力值。
(4)测试阶段，将现场测得的有限的结构响应信息绘制成图像，输入步骤(2)中训练好的生成网络G，得到对应的完整结构响应信息图像，并通过完整结构响应信息图像中的像素值标定其中的应力值。
2.根据权利要求1所述的基于条件生成对抗网络的结构响应重构方法，结构响应具体可以是：应力场、应变场、位移场、内力场。
3.根据权利要求1所述的基于条件生成对抗网络的结构响应重构方法，其特征在于，所述的步骤1中，得到结构完整响应信息的方法具体为：
1)在不知道结构内部情况时，通过布设大量密集的应变片，测得不同荷载条件下的结构响应，通过插值法得到对应的完整结构响应信息；
2)在知道结构内部情况时，通过有限元计算得到不同荷载条件下的结构响应，得到对应的完整结构响应信息。
4.根据权利要求1所述的基于条件生成对抗网络的结构响应信息重构方法，其特征在于，所述的步骤(1)中，根据颜色渐变条将其绘制成图像的方法具体为：根据颜色渐变条jet，将每一个位置的结构响应信息转化为对应的像素值，并进行绘制成图片。
5.根据权利要求1所述的基于条件生成对抗网络的结构响应信息重构方法，其特征在于，所述的步骤(2)中，生成网络G用来根据有限的结构响应信息生成完整结构响应信息，判断网络D用来区分输入完整结构响应信息是来自生成网络G还是真实完整结构响应信息，所述的条件生成对抗网络以有限结构响应信息为条件，其目标函数为：
Figure FDA0002347332990000011
其中，x表示来自数据库内完整结构响应图像；y表示有限结构响应信息控制参数；V(D,G)表示博弈问题中的价值函数，即需要优化的目标函数；x～pdata(x)表示x服从数据库内完整结构响应图像分布pdata，
Figure FDA0002347332990000012
表示在pdata分布下求期望；x～pz(z)表示x服从先验分布pz，pz为[-1,1]内的均匀分布，即z为[-1，1]内随机采样的向量，
Figure FDA0002347332990000021
表示在pz分布下求期望；D(x|y)表示输入x在控制参数y的条件下经过判断网络D的输出；G(z|y)表示输入向量z在控制参数y的条件下经过生成网络G的输出图像；D(G(z|y))表示G(z|y)经过判断网络D的输出。
6.根据权利要求1所述的基于条件生成对抗网络的结构响应信息重构方法，其特征在于，所述的步骤(2)中，采用的生成网络G是一个U型网络，包含Encode和Decode两部分，Encode部分是一个卷积神经网络，通过八个卷积层从包含有限结构响应信息的图片中提取出特征，Decode部分是一个反卷积神经网络，通过八个反卷积层将Encode部分提取出的特征生成出包含完整结构响应信息的图片。
7.根据权利要求1所述的基于条件生成对抗网络的结构响应信息重构方法，其特征在于，所述的步骤(2)中，采用的判断网络D中，首先将包含有限结构响应信息的图片及生成的完整结构响应的图片拼接在一起，再通过五个卷积层和一个全连接层的网络，最后得到判断网络D的输出。
8.根据权利要求1所述的基于条件生成对抗网络的结构响应信息重构方法，其特征在于，所述的步骤(3)中，标定G模型生产的完整结构响应图像中响应信息的方法具体为：根据颜色渐变条jet，将每一个位置的像素值转化为对应的结构响应信息。
CN201911400348.9A 2019-12-30 2019-12-30 基于条件生成对抗网络的结构响应重构方法 Active CN111241725B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911400348.9A CN111241725B (zh) 2019-12-30 2019-12-30 基于条件生成对抗网络的结构响应重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911400348.9A CN111241725B (zh) 2019-12-30 2019-12-30 基于条件生成对抗网络的结构响应重构方法

Publications (2)

Publication Number Publication Date
CN111241725A true CN111241725A (zh) 2020-06-05
CN111241725B CN111241725B (zh) 2022-08-23

Family

ID=70872274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911400348.9A Active CN111241725B (zh) 2019-12-30 2019-12-30 基于条件生成对抗网络的结构响应重构方法

Country Status (1)

Country Link
CN (1) CN111241725B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112528562A (zh) * 2020-12-07 2021-03-19 北京理工大学 用于结构健康监测的智能触觉系统和监测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292813A (zh) * 2017-05-17 2017-10-24 浙江大学 一种基于生成对抗网络的多姿态人脸生成方法
CN108171320A (zh) * 2017-12-06 2018-06-15 西安工业大学 一种基于生成式对抗网络的图像域转换网络和转换方法
US10049308B1 (en) * 2017-02-21 2018-08-14 A9.Com, Inc. Synthesizing training data
CN108615226A (zh) * 2018-04-18 2018-10-02 南京信息工程大学 一种基于生成式对抗网络的图像去雾方法
WO2018214195A1 (zh) * 2017-05-25 2018-11-29 中国矿业大学 一种基于卷积神经网络的遥感图像桥梁检测方法
CN108959794A (zh) * 2018-07-13 2018-12-07 北京航空航天大学 一种基于深度学习的结构频响动力学模型修正方法
CN109559287A (zh) * 2018-11-20 2019-04-02 北京工业大学 一种基于DenseNet生成对抗网络的语义图像修复方法
CN109946389A (zh) * 2019-01-31 2019-06-28 青岛理工大学 基于总体经验模态分解与卷积神经网络的结构损伤识别法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10049308B1 (en) * 2017-02-21 2018-08-14 A9.Com, Inc. Synthesizing training data
CN107292813A (zh) * 2017-05-17 2017-10-24 浙江大学 一种基于生成对抗网络的多姿态人脸生成方法
WO2018214195A1 (zh) * 2017-05-25 2018-11-29 中国矿业大学 一种基于卷积神经网络的遥感图像桥梁检测方法
CN108171320A (zh) * 2017-12-06 2018-06-15 西安工业大学 一种基于生成式对抗网络的图像域转换网络和转换方法
CN108615226A (zh) * 2018-04-18 2018-10-02 南京信息工程大学 一种基于生成式对抗网络的图像去雾方法
CN108959794A (zh) * 2018-07-13 2018-12-07 北京航空航天大学 一种基于深度学习的结构频响动力学模型修正方法
CN109559287A (zh) * 2018-11-20 2019-04-02 北京工业大学 一种基于DenseNet生成对抗网络的语义图像修复方法
CN109946389A (zh) * 2019-01-31 2019-06-28 青岛理工大学 基于总体经验模态分解与卷积神经网络的结构损伤识别法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
YI WANG 等: "Notice of Retraction: Moving train loads identification on simply supported bridge by using immune complex method", 《2010 INTERNATIONAL CONFERENCE ON COMPUTER APPLICATION AND SYSTEM MODELING (ICCASM 2010)》 *
周威 等: "含张力柔性管道的涡激振动计算方法", 《科技通报》 *
孙亮 等: "基于生成对抗网络的多视图学习与重构算法", 《自动化学报》 *
张可赞: "基于不同神经网络对已加固刚架拱桥静力有限元模型的参数识别及修正", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
王春 等: "基于神经网络算法的海上风机结构状态监测研究", 《中国水利水电科学研究院学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112528562A (zh) * 2020-12-07 2021-03-19 北京理工大学 用于结构健康监测的智能触觉系统和监测方法
CN112528562B (zh) * 2020-12-07 2022-11-15 北京理工大学 用于结构健康监测的智能触觉系统和监测方法

Also Published As

Publication number Publication date
CN111241725B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN111209620B (zh) 含裂纹结构剩余承载力及裂纹扩展路径的预测方法
CN108399248A (zh) 一种时序数据预测方法、装置及设备
Braccesi et al. The frequency domain approach in virtual fatigue estimation of non-linear systems: The problem of non-Gaussian states of stress
CN107885928A (zh) 考虑测量误差的步进应力加速性能退化可靠性分析方法
CN109815855B (zh) 一种基于机器学习的电子设备自动测试方法及系统
CN111024821A (zh) 一种复合材料贮箱健康监测系统及方法
CN115493532B (zh) 测量板材表面待测量元素面积的测量系统、方法及介质
KR20030089784A (ko) 프랙탈 차원을 이용한 디스플레이 장치의 화질 분석 방법및 시스템
CN111241725B (zh) 基于条件生成对抗网络的结构响应重构方法
CN112307536A (zh) 一种大坝渗流参数反演方法
CN113486580B (zh) 在役风电机组高精度数值建模方法、服务端及存储介质
Zhuang et al. Statistical inference of the equivalent initial flaw size distribution for an anisotropic material with the dual boundary element method
CN110245370A (zh) 一种高面板堆石坝多目标力学参数反演方法
CN111210409B (zh) 一种基于条件生成对抗网络的结构损伤识别方法
CN111241614B (zh) 基于条件生成对抗网络模型的工程结构荷载反演方法
CN116227045B (zh) 一种结构试件的局部应力应变场构造方法及系统
CN112836433B (zh) 高温合金晶粒尺寸识别模型的构建方法及尺寸识别方法
Yang et al. Deep learning based structural damage identification for the strain field of a subway bolster
CN105699043B (zh) 一种提高风洞传感器测量稳定性和精准度的方法
CN112949000A (zh) 基于卷积神经网络模型的构件残余应力反演方法
CN111444614A (zh) 一种基于图卷积的流场重构方法
CN113344915B (zh) 一种输电线路关键部件缺陷检测方法及系统
CN111291490B (zh) 一种结构多尺度异类响应的非线性映射智能建模方法
CN117993245A (zh) 剪切散斑干涉的材料近表面缺陷动态检测方法及装置
Al-Rahmani et al. A combined soft computing-mechanics approach to inversely predict damage in bridges

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