CN111625988A - 基于深度学习的桥梁健康管理分析与预测系统及方法 - Google Patents
基于深度学习的桥梁健康管理分析与预测系统及方法 Download PDFInfo
- Publication number
- CN111625988A CN111625988A CN202010163956.9A CN202010163956A CN111625988A CN 111625988 A CN111625988 A CN 111625988A CN 202010163956 A CN202010163956 A CN 202010163956A CN 111625988 A CN111625988 A CN 111625988A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- error
- model
- training
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Abstract
基于深度学习的桥梁健康管理分析与预测系统及方法,其系统包括:现场传感器系统、数据采集与传输系统、监测中心数据处理与软件分析系统、供配电系统。现场传感器系统用于检测相关数据;数据采集与传输系统将传感器检测的相关数据进行采集和预处理;监测中心数据处理与软件分析系统负责将传输到的数据进行存储、显示以及建立和外场设备的通信;供配电系统负责向外场的传感器、数据采集和传输设备及监测中心的设备进行供电。本专利的优点在于:可以预测桥梁的应力和应变分布及可能出现的质量和安全问题,以便提前做好预防。
Description
技术领域
本发明涉及桥梁健康实时监测技术领域,尤其涉及一种基于深度学习的桥梁健康管理分析与预测系统及方法。
背景技术
我国地形复杂,河流密布,如将天然河流连接起来总长度达到43万公里,特别在我国南方地区,河网密集,桥梁自古以来就是南方地区的一种重要交通方式,在新世纪,不仅水上桥梁的交通繁忙,各高速路桥,铁路桥发展迅速,桥梁已经成为交通的重要纽带,与国民经济建设和人民生活密切相关,因此保证桥梁的安全至关重要。
造成桥梁健康问题的出现,其根本原因是桥梁由于施工质量欠佳或长期连续运行,时常会发生病变,其中桥梁底面裂縫的发生是桥梁出现健康问题的重要特征之一,及时捕捉裂缝信息并报警,可以及时采取相应补救措施,避免桥梁健康出现问题,甚至垮塌,以保护人民生命财产安全。并且在超长、大体积混凝土结构中,收缩是造成结构开裂的重要原因,混凝土的收缩量预测可以帮助工程技术人员进行结构安全性评估,科学安排组织施工。
其间接原因是由于缺少对桥梁健康的监测,或是由于监测系统出现故障,未能及时监测到异常数据,或是监测到异常却不够及时,缺少对安全隐患的预测。
因此,在对桥梁安全监测的同时,不能忽视对桥梁的预测分析。
同时,有限元软件,例如ABAQUS,作为工程仿真模拟的主要手段,同样可以预测结构的变化,但由于大多数初始参数来源于设计资料和相关规范,缺少了真实参数的检测,还有随着时间推移,部分参数的改变无法得知,缺少对参数的修正以及预测,模型本身的偏差,导致结果不真实,丧失了本有的理论参考价值。
发明内容
本发明的目的是为了解决现有技术中存在的缺点,而提出的基于深度学习的桥梁健康管理分析与预测系统及方法。
基于深度学习的桥梁健康管理分析与预测系统及方法,其系统包括:现场传感器系统、数据采集与传输系统、监测中心数据处理与软件分析系统、供配电系统。所述现场传感器系统用于检测相关数据;所述数据采集与传输系统将传感器检测的相关数据进行采集和预处理,并经过工业级无线路由器传输至监测中心;所述监测中心数据处理与软件分析系统负责将传输到的数据进行存储、显示以及建立和外场设备的通信,软件负责数据的统计、分析、报警、评估等;所述供配电系统负责向外场的传感器、数据采集和传输设备及监测中心的设备进行供电。
其方法包括如下步骤:
一、设计BP神经网络结构
具体包括如下步骤:
网络结构设计:
1、网络层数的选定
2、输入输出层神经节点
3、隐藏层神经节点
4、确定网络训练函数
5、网络误差和权值调整
实现步骤:
1、网络初始化
首要通过输入向量x和输出向量Y确定输入节点数n,这里将隐含层节点数设为1,输出层节点设为m。网络系统初始化后随机生成BP神经网络初始权值。ωij和初始阂值a,输出层阂值b。
2、隐含层计算
初始化之后,就要根据网络输入的数据,来计算隐含层向下一层的输出值H。
其中j=1,2,...,1
3、实际输出计算
计算出输出值H后,调整网络连接权值和初始阂值可得BP神经网络的实际输出值0。
4、网络误差计算
由于实际输出值和期望输出值存在误差,给定误差公式:
5、调整权值
按误差反向传播方向,修正所有权值,隐含层节点到输出层节点的修正公式:
(1)权值修正公式:
Tli(k+1)=Tli(k)=ηδlyi
(2)阂值修正公式:
θl(k+1)=θl(k)+ηδl
输入节点到隐节点的修正公式:
(1)权值修正公式:
wij(k+1)=wij(k)+η′δ′ixj
(2)阂值修正公式:
θi(k+1)=θi(k)+η′δ′i
6、判断误差是否满足要求,重复以上步骤
二、获取原始数据,建立BP神经网络模型及优化,实现预测目的
1、通过缩尺试验获得初始训练数据集,建立在实施监测的基础上,在一段时间内通过传感器采集各子结构上输出的数据序列。
2、整理数据,将数据分类(随机抽取数据,80%训练集,10%验证集,10%测试集),其中训练集用于模型拟合;验证集用于人工调参(超参数),通过交叉验证调整模型中的节点数,以及初步评估模型的能力;测试集评估最终模型的泛化能力。
3、先将数据进行归一化处理(为了消除原始纲量对模型的影响),再输入BP神经网络算法中进行训练,对原始数据进行预测。
4、先用验证集进行交叉验证,再将得到预测数据数据与测试数据对比,得到样本决定系数。
5、检验误差是否小于规定范围,若大于则进行权值和阈值修正,优化模型,改进算法,更新训练样本。
6、多次重复1-5步骤,得到较高的准确性后进行下一周期(1个月,3个月)测试。
7、每上一周期的测试数据作为下一周期的训练集数据,预测下一周期的数据情况。
8、每次测试完成后与有限元模型分析进行对照,修正参数,优化有限元模型。
9、通过样本数据的训练,不断修正网络权值和阈值使误差函数沿负梯度方向下降,逼近期望输出。
10、最终得到误差满足要求的网络模型,用以长期预测。
三、有限元模型的优化
1、建立有限元模型,进行可视化分析。
2、按照对结构的影响程度选择输入和输出参数(需要修正的参数),建立待修正参数与有限元模型应力值的关系。
3、未来保证参数的代表性和准确性,分别将这些参数进行网络训练,训练出各自的神经网络模型。
4、将实测应力代入到各自训练好的BP神经网络中。
5、利用网络求得各自的修正值。
6、将各参数所得的修正值求平均值代入原有限元模型中,得出优化后的应力云图及对应实测点的应力值。
7、将优化后计算出的应力值与实测的应力值进行比对,检查误差范围是否满足实际要求(一般误差控制在10%以内)。
8、可将第4步中的实测应力值换为预测应力值,最终得到预测的参数值或变化趋,也可作为下次参数修正的参考值。
本专利的优点在于:
1、可以预测桥梁的应力和应变分布及可能出现的质量和安全问题,以便提前做好预防。
2、训练集数据达到期望误差后,只需要将各项素质指标输入网络即可得到预测数据,可以省去人工监测。
3、可以避免传感器故障或观测不全带来的安全隐患。
4、对有限元模拟进行修正,如参数的修正(泊松比,弹性模量,混凝土的容重),边界条件的调整,施加荷载的方式,或网格的划分方式等。
5、较传统的机器学习省去特征工程一环,可以解决数据量大的总体或样本,预训练的数据可用作目标检测和分割网络的特征提取前端。
6、有助于进一步认识结构本身的特性。
7、训练出的神经网络可以适用于目标结构也可用于相近结构的将康或寿命预测。
8、改进算法可以提高预测精度同时,在下一阶段收集监测结果时,作为判断传感器故障的一种方法。
附图说明
图1为本发明实施BP神经网络和有限元分析的优化流程结构图
图2为BP神经网络的结构示意图
图3为本发明实例中三跨连续梁模型上传感器布置位置示意图
图4为本发明实例中三跨连续梁模型单元示意图
图5为本发明实例中三跨连续梁模型支座布置及荷载位置示意图
图6为本发明实例中三跨连续梁模型应力分布及变形状态示意图
图7为BP神经网络预测流程图
图8为BP算法的流程图
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
基于深度学习的桥梁健康管理分析与预测系统及方法,其系统包括:现场传感器系统、数据采集与传输系统、监测中心数据处理与软件分析系统、供配电系统。所述现场传感器系统用于检测相关数据;所述数据采集与传输系统将传感器检测的相关数据进行采集和预处理,并经过工业级无线路由器传输至监测中心;所述监测中心数据处理与软件分析系统负责将传输到的数据进行存储、显示以及建立和外场设备的通信,软件负责数据的统计、分析、报警、评估等;所述供配电系统负责向外场的传感器、数据采集和传输设备及监测中心的设备进行供电。
其方法包括如下步骤:
一、设计BP神经网络结构
具体包括如下步骤:
网络结构设计:
6、网络层数的选定
7、输入输出层神经节点
8、隐藏层神经节点
9、确定网络训练函数
10、网络误差和权值调整
实现步骤:
1、网络初始化
首要通过输入向量x和输出向量Y确定输入节点数n,这里将隐含层节点数设为l,输出层节点设为m。网络系统初始化后随机生成BP神经网络初始权值。ωij和初始阂值a,输出层阂值b。
2、隐含层计算
初始化之后,就要根据网络输入的数据,来计算隐含层向下一层的输出值H。
其中j=1,2,...,1
3、实际输出计算
计算出输出值H后,调整网络连接权值和初始阂值可得BP神经网络的实际输出值0。
4、网络误差计算
由于实际输出值和期望输出值存在误差,给定误差公式:
5、调整权值
按误差反向传播方向,修正所有权值,隐含层节点到输出层节点的修正公式:
(1)权值修正公式:
Tli(k+1)=Tli(k)=ηδlyi
(2)阂值修正公式:
θl(k+1)=θl(k)+ηδl
输入节点到隐节点的修正公式:
(1)权值修正公式:
wij(k+1)=wij(k)+η′δ′ixj
(2)阂值修正公式:
θi(k+1)=θi(k)+η′δ′i
6、判断误差是否满足要求,重复以上步骤
BP算法流程图,见图8。
二、获取原始数据,建立BP神经网络模型及优化,实现预测目的
1、通过缩尺试验获得初始训练数据集,建立在实施监测的基础上,在一段时间内通过传感器采集各子结构上输出的数据序列,如应力数值,通过静载实验的桥梁示意图,见图3。
2、整理数据,将数据分类(随机抽取数据,80%训练集,10%验证集,10%测试集),其中训练集用于模型拟合;验证集用于人工调参(超参数),通过交叉验证调整模型中的节点数,以及初步评估模型的能力;测试集评估最终模型的泛化能力。
3、先将数据进行归-化处理(为了消除原始纲量对模型的影响),再输入BP神经网络算法中进行训练,对原始数据进行预测,见图2。
4、先用验证集进行交叉验证,再将得到预测数据数据与测试数据对比,得到样本决定系数。
5、检验误差是否小于规定范围,若大于则进行权值和阈值修正,优化模型,改进算法,更新训练样本。
6、多次重复1-5步骤,得到较高的准确性后进行下一周期(1个月,3个月)测试。
7、每上一周期的测试数据作为下一周期的训练集数据,预测下一周期的数据情况。
8、每次测试完成后与有限元模型分析进行对照,详细过程见第三部分,分析过程见图4、图5、图6,修正参数,优化有限元模型。
9、通过样本数据的训练,不断修正网络权值和阈值使误差函数沿负梯度方向下降,逼近期望输出,见图7。
10、最终得到误差满足要求的网络模型,用以长期预测。
三、有限元模型的优化
1、建立有限元模型,进行可视化分析。
2、按照对结构的影响程度选择输入和输出参数(需要修正的参数),建立待修正参数与有限元模型应力值的关系。
3、未来保证参数的代表性和准确性,分别将这些参数进行网络训练,训练出各自的神经网络模型。
4、将实测应力代入到各自训练好的BP神经网络中。
5、利用网络求得各自的修正值。
6、将各参数所得的修正值求平均值代入原有限元模型中,得出优化后的应力云图及对应实测点的应力值。
7、将优化后计算出的应力值与实测的应力值进行比对,检查误差范围是否满足实际要求(一般误差控制在10%以内)。
8、可将第4步中的实测应力值换为预测应力值,最终得到预测的参数值或变化趋,也可作为下次参数修正的参考值。
本专利的优点在于:
1、可以预测桥梁的应力和应变分布及可能出现的质量和安全问题,以便提前做好预防。
2、训练集数据达到期望误差后,只需要将各项素质指标输入网络即可得到预测数据,可以省去人工监测。
3、可以避免传感器故障或观测不全带来的安全隐患。
4、对有限元模拟进行修正,如参数的修正(泊松比,弹性模量,混凝土的容重),边界条件的调整,施加荷载的方式,或网格的划分方式等,见图1。
5、较传统的机器学习省去特征工程一环,可以解决数据量大的总体或样本,预训练的数据可用作目标检测和分割网络的特征提取前端。
6、有助于进一步认识结构本身的特性。
7、训练出的神经网络可以适用于目标结构也可用于相近结构的将康或寿命预测。
8、改进算法可以提高预测精度同时,在下一阶段收集监测结果时,作为判断传感器故障的一种方法。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本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施例所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,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.基于深度学习的桥梁健康管理分析与预测系统,其特征在于,其系统包括:现场传感器系统、数据采集与传输系统、监测中心数据处理与软件分析系统、供配电系统;
所述现场传感器系统用于检测相关数据;
所述数据采集与传输系统将传感器检测的相关数据进行采集和预处理,并经过工业级无线路由器传输至监测中心;
所述监测中心数据处理与软件分析系统负责将传输到的数据进行存储、显示以及建立和外场设备的通信,软件负责数据的统计、分析、报警、评估等;
所述供配电系统负责向外场的传感器、数据采集和传输设备及监测中心的设备进行供电。
2.基于深度学习的桥梁健康管理分析与预测方法,其特征在于,其方法包括如下步骤:
一、设计BP神经网络结构;
二、获取原始数据,建立BP神经网络模型及优化,实现预测目的;
三、有限元模型的优化。
3.根据权利要求2所述的基于深度学习的桥梁健康管理分析与预测方法,其特征在于,设计BP神经网络结构具体包括如下步骤:
网络结构设计:
(1)网络层数的选定
(2)输入输出层神经节点
(3)隐藏层神经节点
(4)确定网络训练函数
(5)网络误差和权值调整
实现步骤:
1)、网络初始化
首要通过输入向量x和输出向量Y确定输入节点数n,这里将隐含层节点数设为l,输出层节点设为m;网络系统初始化后随机生成BP神经网络初始权值;ωij和初始阂值a,输出层阂值b;
2)、隐含层计算
初始化之后,就要根据网络输入的数据,来计算隐含层向下一层的输出值H:
其中j=1,2,...,l
3)、实际输出计算
计算出输出值H后,调整网络连接权值和初始阂值可得BP神经网络的实际输出值O;
4)、网络误差计算
由于实际输出值和期望输出值存在误差,给定误差公式:
5)、调整权值
按误差反向传播方向,修正所有权值,隐含层节点到输出层节点的修正公式:
(1)权值修正公式:
Tli(k+1)=Tli(k)=ηδlyi
(2)阂值修正公式:
θl(k+1)=θl(k)+ηδl
输入节点到隐节点的修正公式:
(1)权值修正公式:
wij(k+1)=wij(k)+η′δ′ixj
(2)阂值修正公式:
θi(k+1)=θi(k)+η′δ′i
6)、判断误差是否满足要求,重复以上步骤。
4.根据权利要求2所述的基于深度学习的桥梁健康管理分析与预测方法,其特征在于,获取原始数据,建立BP神经网络模型及优化,实现预测目的的具体操作方法如下:
1)、通过缩尺试验获得初始训练数据集,建立在实施监测的基础上,在一段时间内通过传感器采集各子结构上输出的数据序列;
2)、整理数据,将数据分类,其中训练集用于模型拟合;验证集用于人工调参,通过交叉验证调整模型中的节点数,以及初步评估模型的能力;测试集评估最终模型的泛化能力;
3)、先将数据进行归一化处理,再输入BP神经网络算法中进行训练,对原始数据进行预测;
4)、先用验证集进行交叉验证,再将得到预测数据数据与测试数据对比,得到样本决定系数;
5)、检验误差是否小于规定范围,若大于则进行权值和阈值修正,优化模型,改进算法,更新训练样本;
6)、多次重复1)-5)步骤,得到较高的准确性后进行下一周期测试;
7)、每上一周期的测试数据作为下一周期的训练集数据,预测下一周期的数据情况;
8)、每次测试完成后与有限元模型分析进行对照,修正参数,优化有限元模型;
9)、通过样本数据的训练,不断修正网络权值和阈值使误差函数沿负梯度方向下降,逼近期望输出;
10)、最终得到误差满足要求的网络模型,用以长期预测。
5.根据权利要求2所述的基于深度学习的桥梁健康管理分析与预测方法,其特征在于,有限元模型的优化的具体操作方法如下:
1)、建立有限元模型,进行可视化分析;
2)、按照对结构的影响程度选择输入和输出参数,建立待修正参数与有限元模型应力值的关系;
3)、未来保证参数的代表性和准确性,分别将这些参数进行网络训练,训练出各自的神经网络模型;
4)、将实测应力代入到各自训练好的BP神经网络中;
5)、利用网络求得各自的修正值;
6)、将各参数所得的修正值求平均值代入原有限元模型中,得出优化后的应力云图及对应实测点的应力值;
7)、将优化后计算出的应力值与实测的应力值进行比对,检查误差范围是否满足实际要求;
8)、可将第4)步中的实测应力值换为预测应力值,最终得到预测的参数值或变化趋,也可作为下次参数修正的参考值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010163956.9A CN111625988A (zh) | 2020-03-10 | 2020-03-10 | 基于深度学习的桥梁健康管理分析与预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010163956.9A CN111625988A (zh) | 2020-03-10 | 2020-03-10 | 基于深度学习的桥梁健康管理分析与预测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111625988A true CN111625988A (zh) | 2020-09-04 |
Family
ID=72270904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010163956.9A Pending CN111625988A (zh) | 2020-03-10 | 2020-03-10 | 基于深度学习的桥梁健康管理分析与预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111625988A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837521A (zh) * | 2021-02-22 | 2021-05-25 | 福建智汇芯辰信息科技有限公司 | 一种具备校自动准能力的古建筑受力监测预警系统及方法 |
CN113408807A (zh) * | 2021-06-28 | 2021-09-17 | 内蒙古显鸿科技股份有限公司 | 基于全连接和lstm神经网络的空气污染预测建模算法 |
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 |
CN113638305A (zh) * | 2021-08-16 | 2021-11-12 | 福建九鼎建设集团有限公司 | 一种铅挤压复合旋叶式粘滞阻尼器及其应用方法 |
CN114530028A (zh) * | 2022-02-14 | 2022-05-24 | 大连理工大学 | 一种基于LoRa通信与联邦学习的校园学生智能手环监控系统及方法 |
CN115329812A (zh) * | 2022-08-10 | 2022-11-11 | 贵州桥梁建设集团有限责任公司 | 一种基于人工智能的道路基础设施异常监测方法 |
CN116385979A (zh) * | 2023-06-07 | 2023-07-04 | 河北铁达科技有限公司 | 梁端钢轨伸缩调节器监测方法、终端、监测系统及介质 |
CN116776267A (zh) * | 2023-06-13 | 2023-09-19 | 西南交通大学 | 一种用于桥梁施工控制的无监督数据处理方法及系统 |
CN117829381A (zh) * | 2024-03-05 | 2024-04-05 | 成都农业科技职业学院 | 基于物联网的农业大棚数据优化采集系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130245879A1 (en) * | 2012-03-05 | 2013-09-19 | Eads Construcciones Aeronauticas, S.A., Sociedad Unipersonal | Method and system for monitoring a structure |
CN104951836A (zh) * | 2014-03-25 | 2015-09-30 | 上海市玻森数据科技有限公司 | 基于神经网络技术的发帖预测系统 |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN105550506A (zh) * | 2015-12-09 | 2016-05-04 | 东南大学 | 基于长期实测数据的桥梁风振响应直接预测方法 |
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 |
WO2018090657A1 (zh) * | 2016-11-18 | 2018-05-24 | 同济大学 | 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统 |
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 |
-
2020
- 2020-03-10 CN CN202010163956.9A patent/CN111625988A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130245879A1 (en) * | 2012-03-05 | 2013-09-19 | Eads Construcciones Aeronauticas, S.A., Sociedad Unipersonal | Method and system for monitoring a structure |
CN104951836A (zh) * | 2014-03-25 | 2015-09-30 | 上海市玻森数据科技有限公司 | 基于神经网络技术的发帖预测系统 |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN105550506A (zh) * | 2015-12-09 | 2016-05-04 | 东南大学 | 基于长期实测数据的桥梁风振响应直接预测方法 |
WO2018090657A1 (zh) * | 2016-11-18 | 2018-05-24 | 同济大学 | 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统 |
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 |
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 |
Non-Patent Citations (2)
Title |
---|
徐凤月;: "梁桥的健康监测及其剩余寿命预测分析", 四川建材, no. 05 * |
王刚;: "基于递归神经网络的桥梁变形趋势预测研究", 公路与汽运, no. 02 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837521A (zh) * | 2021-02-22 | 2021-05-25 | 福建智汇芯辰信息科技有限公司 | 一种具备校自动准能力的古建筑受力监测预警系统及方法 |
CN113408807A (zh) * | 2021-06-28 | 2021-09-17 | 内蒙古显鸿科技股份有限公司 | 基于全连接和lstm神经网络的空气污染预测建模算法 |
CN113638305A (zh) * | 2021-08-16 | 2021-11-12 | 福建九鼎建设集团有限公司 | 一种铅挤压复合旋叶式粘滞阻尼器及其应用方法 |
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 |
CN114530028A (zh) * | 2022-02-14 | 2022-05-24 | 大连理工大学 | 一种基于LoRa通信与联邦学习的校园学生智能手环监控系统及方法 |
CN115329812A (zh) * | 2022-08-10 | 2022-11-11 | 贵州桥梁建设集团有限责任公司 | 一种基于人工智能的道路基础设施异常监测方法 |
CN116385979A (zh) * | 2023-06-07 | 2023-07-04 | 河北铁达科技有限公司 | 梁端钢轨伸缩调节器监测方法、终端、监测系统及介质 |
CN116385979B (zh) * | 2023-06-07 | 2023-09-05 | 河北铁达科技有限公司 | 梁端钢轨伸缩调节器监测方法、终端、监测系统及介质 |
CN116776267A (zh) * | 2023-06-13 | 2023-09-19 | 西南交通大学 | 一种用于桥梁施工控制的无监督数据处理方法及系统 |
CN116776267B (zh) * | 2023-06-13 | 2024-01-19 | 西南交通大学 | 一种用于桥梁施工控制的无监督数据处理方法及系统 |
CN117829381A (zh) * | 2024-03-05 | 2024-04-05 | 成都农业科技职业学院 | 基于物联网的农业大棚数据优化采集系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111625988A (zh) | 基于深度学习的桥梁健康管理分析与预测系统及方法 | |
Frangopol et al. | Life-cycle of structural systems: recent achievements and future directions | |
CN108257114A (zh) | 一种基于深度学习的输电设备缺陷自动识别方法 | |
CN109211299B (zh) | 桥梁监测传感器的在线校准方法及系统 | |
CN101477340B (zh) | 基于索力监测的索结构中索系统的递进式健康监测方法 | |
CN104200005A (zh) | 基于神经网络的桥梁损伤识别方法 | |
CN115329812B (zh) | 一种基于人工智能的桥梁基础设施异常监测方法 | |
CN109325263A (zh) | 基于神经网络的桁架桥梁损伤位置与损伤程度识别方法 | |
CN109858112B (zh) | 基于结构应力监测结果的数值反演分析方法 | |
CN116451514A (zh) | 桥梁结构状态评估方法、装置以及电子设备 | |
CN114611372A (zh) | 一种基于物联网边缘计算的工业设备健康预测方法 | |
CN116341272A (zh) | 一种用于配网工程数字化的施工安全风险管控系统 | |
CN112149750A (zh) | 一种供水管网爆管识别数据驱动方法 | |
CN117371337B (zh) | 一种基于数字孪生的水利模型构建方法及系统 | |
CN114492984A (zh) | 粉尘浓度的时空分布预测方法、装置、设备和存储介质 | |
CN116842841A (zh) | 基于人工智能的沉管隧道服役状态预测方法 | |
CN116591768A (zh) | 一种基于分布式网络的隧道监测方法、系统及装置 | |
CN104504265A (zh) | 一种在役桥梁监测信息安全评估的方法 | |
CN116090347A (zh) | 平稳荷载下历史建筑结构智能监测与预警系统 | |
CN110083933A (zh) | 一种考虑随机效应的腐蚀管道贝叶斯退化分析方法 | |
CN114282423A (zh) | 一种岸桥结构的疲劳监测方法和寿命预测方法 | |
CN114547868A (zh) | 一种基于bim的斜拉桥性能在线评估预测方法 | |
CN105699043A (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
CN112598319A (zh) | 一种基于bim的智慧桥梁运维管理方法、系统、计算机设备及存储介质 | |
CN112818454A (zh) | 一种吊杆拱桥桥面系裂缝宽度计算方法及系统 |
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 |