CN111691358B - 一种重力坝表观裂缝危险性预测方法及系统 - Google Patents
一种重力坝表观裂缝危险性预测方法及系统 Download PDFInfo
- Publication number
- CN111691358B CN111691358B CN202010558193.8A CN202010558193A CN111691358B CN 111691358 B CN111691358 B CN 111691358B CN 202010558193 A CN202010558193 A CN 202010558193A CN 111691358 B CN111691358 B CN 111691358B
- Authority
- CN
- China
- Prior art keywords
- crack
- gravity dam
- machine learning
- apparent
- foundation
- 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
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02B—HYDRAULIC ENGINEERING
- E02B1/00—Equipment or apparatus for, or methods of, general hydraulic engineering, e.g. protection of constructions against ice-strains
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02B—HYDRAULIC ENGINEERING
- E02B7/00—Barrages or weirs; Layout, construction, methods of, or devices for, making same
- E02B7/02—Fixed barrages
- E02B7/04—Dams across valleys
- E02B7/06—Earth-fill dams; Rock-fill dams
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Structural Engineering (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Civil Engineering (AREA)
- Mechanical Engineering (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Architecture (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种重力坝表观裂缝危险性预测方法及系统,获取实测的含表观裂缝重力坝结构的前3~5阶频率和模态;将实测的含表观裂缝重力坝结构的前3~5阶频率和模态输入至预先构建的基于机器学习的裂缝信息预测模型中,确定裂缝深度和方向角。优点:本发明通过现场测试可以较为准确地预测重力坝表观裂缝内部的穿透深度和走向,从而根据预测结果评判裂缝是否对重力坝的整体安全性构成威胁,以便及时地采取加固维修措施,消除重力坝结构的安全隐患。
Description
技术领域
本发明涉及一种重力坝表观裂缝危险性预测方法及系统,属于水利水电工程结构的健康监测技术领域。
背景技术
水工混凝土大坝在静载及温度荷载下坝体的应力水平就比较高,部分高混凝土坝在上游坝踵部位的拉应力基本接近甚至超过混凝土的极限抗拉强度,坝身均有不同程度的裂缝存在。陈村重力拱坝由于分期施工在下游坝面产生较大范围的水平裂缝;葛洲坝一期工程各类建筑物出现裂缝3156条;小湾拱坝浇筑初期,先后在6个坝段共发现16条裂缝。裂缝的产生与扩展,不仅危害到大坝的安全,直接影响整个工程效益的充分发挥,而且威胁到下游人民的生命财产安全,是关系国计民生的大事。
这些裂缝在坝身表面虽为肉眼可见,但无法确定这些裂缝在坝体内部的穿透深度及走向,进而无法准确评判裂缝的危险性程度。受到测试条件的限制,现有的常规无损检测技术无法准确预测裂缝的危险性程度,传统的超声波法利用波的反射检测裂缝的方法受复合材料的界面波的反射影响较大,且钢筋的存在加大了反射信号的复杂性,而声发射技术又受到裂缝检测深度和裂缝尺寸方面的限制,基于人工智能算法和数值模型的缺陷检测技术需要迭代搜索缺陷位置,计算代价昂贵,且受智能算法影响易于陷入局部最优。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种重力坝表观裂缝危险性预测方法及系统。
为解决上述技术问题,本发明提供一种重力坝表观裂缝危险性预测方法,
获取实测的含表观裂缝的重力坝结构的前3~5阶频率和模态;
将实测的含表观裂缝的重力坝结构前3~5阶频率和模态输入至预先构建的基于机器学习的裂缝信息预测模型中,确定裂缝深度和方向角。
进一步的,所述基于机器学习的裂缝信息预测模型的构建过程包括:
在重力坝内部区域随机生成裂缝信息,通过建立重力坝-地基-库水有限元模型计算不同裂缝信息对应的结构前3~5阶频率和对应实际测点的各阶模态向量作为机器学习样本的输入变量;
获取随机生成裂缝信息的表观裂缝延伸至坝体内部的裂缝深度和裂缝方向角为机器学习样本的输出变量;
根据机器学习样本的输入变量和输出变量训练基于机器学习的裂缝信息预测模型。
进一步的,所述机器学习样本的输入变量的确定过程包括:
根据实际重力坝结构的几何外形尺寸建立重力坝-地基-库水有限元网格模型,在建立重力坝-地基-库水有限元网格模型时,库水模型的上游库水域的截断边界与地基上游方向截断边界一致;
利用蒙特卡洛算法在重力坝内部区域随机生成不少于10000条的裂缝信息,每条裂缝的信息包含:裂缝深度和方向角;
根据建立的重力坝-地基-库水有限元网格模型的重力坝-地基-库水有限元网格以及裂缝信息,施加地基截断边界处的边界条件,采用扩展有限元法和水平集算法计算不同裂缝信息对应的结构前3~5阶频率和模态。
进一步的,所述将实测的含表观裂缝的重力坝结构的前3~5阶频率和模态输入至预先构建的基于机器学习的裂缝信息预测模型中,输出裂缝深度和方向角的过程包括:
多次将实测的含表观裂缝的重力坝结构的前3~5阶频率和模态输入预先构建的基于机器学习的裂缝信息预测模型中,记录每次预测得到的裂缝深度和方向角;
通过正态分布分别拟合每次预测的裂缝深度和方向角;
正态分布的期望值为最终确定的裂缝深度和方向角。
进一步的,所述机器学习的算法为单层神经网络、多层神经网络或卷积神经网络中的任意一种。
进一步的,所述实测的含表观裂缝重力坝结构前3~5阶频率和模态的获取过程包括:
在重力坝下游坝面上布置若干个拾振器,通过拾振器获取大地脉动激发给拾振器的动力响应信号,对动力响应信号进行傅里叶变换,提取出结构前3~5阶频率和测点的位移模态。
一种重力坝表观裂缝危险性预测系统,包括:
获取模块,用于获取实测的含表观裂缝的重力坝结构的前3~5阶频率和模态;
处理及输出模块,用于将实测的含表观裂缝的重力坝结构前3~5阶频率和模态输入至预先构建的基于机器学习的裂缝信息预测模型中,确定裂缝深度和方向角。
进一步的,所述处理及输出模块包括:
有限元网格模型预构模块,用于根据实际重力坝结构的几何外形尺寸建立重力坝-地基-库水有限元网格模型,在建立重力坝-地基-库水有限元网格模型时,库水模型的上游库水域的截断边界与地基上游方向截断边界一致;
生成模块,用于利用蒙特卡洛算法在重力坝内部区域随机生成不少于10000条的裂缝信息,每条裂缝的信息包含:裂缝深度和方向角;
输入量确定模块,用于根据建立的重力坝-地基-库水有限元网格模型的重力坝-地基-库水有限元网格以及裂缝信息,施加地基截断边界处的边界条件,采用扩展有限元法和水平集算法计算不同裂缝信息对应的结构前3~5阶频率和模态作为机器学习样本的输入变量;
输出量确定模块,用于获取随机生成裂缝信息的表观裂缝延伸至坝体内部的裂缝深度和裂缝方向角为机器学习样本的输出变量;
训练模块,用于根据机器学习样本的输入变量和输出变量训练基于机器学习的裂缝信息预测模型。
进一步的,所述处理及输出模块还包括:
记录模块,用于多次将实测的含表观裂缝的重力坝结构的前3~5阶频率和模态输入预先构建的基于机器学习的裂缝信息预测模型中,记录每次预测得到的裂缝深度和方向角;
拟合模块,用于通过正态分布分别拟合每次预测的裂缝深度和方向角;正态分布的期望值为最终确定的裂缝深度和方向角。
进一步的,所述获取模块包括:
动力响应信号获取模块,用于在重力坝下游坝面上布置若干个拾振器,通过拾振器获取大地脉动激发给拾振器的动力响应信号;
提取模块,用于对动力响应信号进行傅里叶变换,提取出结构前3~5阶频率和测点的位移模态。
本发明所达到的有益效果:
本发明通过现场测试可以较为准确地预测重力坝表观裂缝内部的穿透深度和走向,从而根据预测结果评判裂缝是否对重力坝的整体安全性构成威胁,以便及时地采取加固维修措施,消除重力坝结构的安全隐患。
附图说明
图1是本发明的整体流程示意图;
图2是重力坝-地基-库水几何模型示意图;
图3是重力坝网格与裂缝关系示意图;
图4是构建的网络模型示意图;
图5是通过正态分布拟合2000次预测的裂缝深度分布和期望值。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
如图1所示,一种重力坝表观裂缝危险性预测方法,包括以下步骤:
(1)获取机器学习训练样本,获取训练样本的步骤如下:
(11)如图2所示,根据重力坝-地基-库水几何模型剖分有限元网格,地基模型的地基范围沿上游方向、下游方向以及地基深度方向取2倍坝高,库水模型的上游库水域的截断边界与地基上游方向截断边界一致;
(12)在重力坝内部区域随机生成10000条裂缝信息,随机生成算法为蒙特卡洛算法,每条裂缝的信息包含:裂缝深度和方向角;
(13)通过水平集算法描述裂缝位置,网格剖分无需考虑内部裂缝的几何边界;
(14)根据建立的重力坝-地基-库水有限元网格以及裂缝信息,施加地基截断边界处的边界条件,参加图2,地基左、右边界水平方向位移约束,地基底边界竖直向位移约束,采用扩展有限元法计算不同裂缝信息对应的结构前5阶频率和模态。
(2)基于机器学习算法搭建裂缝信息预测模型,机器学习算法可为当前主流单层神经网络、多层神经网络以及卷积神经网络,机器学习样本输出变量Y为裂缝深度L和裂缝方向角α,输入变量X为重力坝前5阶频率ω和对应各阶频率现场实测各测点处的模态φ。
本实施例中,采用基于单隐含层神经网络的极限学习机搭建裂缝信息预测模型,参见图4,首先根据步骤(12)随机生成的10000条裂缝信息,通过步骤(13)所述的水平集算法描述裂缝,以便网格剖分无需遵从裂缝边界,参见图3,然后采用步骤(14)所述的扩展有限元法求解每条裂缝下大坝的前5阶频率ω1、ω2、ω3、ω4、ω5以及对应实际测点的各阶模态向量φ1、φ2、φ3、φ4、φ5,此时输入变量为
X=[x1 x2 x3…xn]T,n=10000
其中,xi(i=1,2,…,10000)为第i条裂缝的输入向量,xi可表示为
xi=[ωi1 ωi2 ωi3 ωi4 ωi5 φi1 φi2 φi3 φi4 φi5]
其中,ωij(j=1,2,…,5)为第i条裂缝的第j阶频率,φij(j=1,2,…,5)为对应实际测点位置的第j阶模态。输出变量为
Y=[y1 y2 y3…yn]T,n=10000
其中,yi(i=1,2,…,10000)为第i条裂缝的输出向量,yi可表示为
yi=[Li αi]
其中,Li为第i条裂缝深度,αi为第i条裂缝的方向角。通过给定的输入变量和输出变量基于单隐含层神经网络的极限学习机训练预测模型。
(3)参加图3,在重力坝下游坝面上布置9个拾振器,通过大地脉动激发拾振器动力响应(位移、速度、加速度)信号,然后对动力响应信号进行傅里叶变换,提取出结构前5阶频率和测点的位移模态;
(4)参加图5,将实测的频率和模态输入预先构建的基于机器学习的裂缝信息预测模型中,预测裂缝深度和方向角,步骤包括:
(41)将实测的频率和位移模态反复输入(2000次)步骤(2)构建的基于机器学习的裂缝信息预测模型中,记录每次预测得到的裂缝深度和方向角,并画出分布图;
(42)通过正态分布分别拟合每次预测的裂缝深度和方向角;
(43)正态分布的期望值为裂缝深度和方向角,本实施例预测的裂缝深度期望值为23.6191m,因此,可以给出结论预测的裂缝深度为23.6191m(本实施例实际裂缝深度为23.8118m)。
相应的本发明还提供一种重力坝表观裂缝危险性预测系统,包括:
获取模块,用于获取实测的含表观裂缝的重力坝结构的前5阶频率和模态;
处理及输出模块,用于将实测的含表观裂缝的重力坝结构前5阶频率和模态输入至预先构建的基于机器学习的裂缝信息预测模型中,确定裂缝深度和方向角。
所述处理及输出模块包括:
有限元网格模型预构模块,用于根据实际重力坝结构的几何外形尺寸建立重力坝-地基-库水有限元网格模型,在建立重力坝-地基-库水有限元网格模型时,库水模型的上游库水域的截断边界与地基上游方向截断边界一致;
生成模块,用于利用蒙特卡洛算法在重力坝内部区域随机生成10000条的裂缝信息,每条裂缝的信息包含:裂缝深度和方向角;
输入量确定模块,用于根据建立的重力坝-地基-库水有限元网格模型的重力坝-地基-库水有限元网格以及裂缝信息,施加地基截断边界处的边界条件,采用扩展有限元法和水平集算法计算不同裂缝信息对应的结构前5阶频率和模态作为机器学习样本的输入变量;
输出量确定模块,用于获取随机生成裂缝信息的表观裂缝延伸至坝体内部的裂缝深度和裂缝方向角为机器学习样本的输出变量;
训练模块,用于根据机器学习样本的输入变量和输出变量训练基于机器学习的裂缝信息预测模型。
所述处理及输出模块还包括:
记录模块,用于多次将实测的含表观裂缝的重力坝结构的前5阶频率和模态输入预先构建的基于机器学习的裂缝信息预测模型中,记录每次预测得到的裂缝深度和方向角;
拟合模块,用于通过正态分布分别拟合每次预测的裂缝深度和方向角;正态分布的期望值为最终确定的裂缝深度和方向角。
所述获取模块包括:
动力响应信号获取模块,用于在重力坝下游坝面上布置若干个拾振器,通过拾振器获取大地脉动激发给拾振器的动力响应信号;
提取模块,用于对动力响应信号进行傅里叶变换,提取出结构前5阶频率和测点的位移模态。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种重力坝表观裂缝危险性预测方法,其特征在于,
获取实测的含表观裂缝的重力坝结构的前3~5阶频率和模态;
将实测的含表观裂缝的重力坝结构前3~5阶频率和模态输入至预先构建的基于机器学习的裂缝信息预测模型中,确定裂缝深度和方向角;
所述基于机器学习的裂缝信息预测模型的构建过程包括:
在重力坝内部区域随机生成裂缝信息,通过建立重力坝-地基-库水有限元模型计算不同裂缝信息对应的结构前3~5阶频率和对应实际测点的各阶模态向量作为机器学习样本的输入变量;
获取随机生成裂缝信息的表观裂缝延伸至坝体内部的裂缝深度和裂缝方向角为机器学习样本的输出变量;
根据机器学习样本的输入变量和输出变量训练基于机器学习的裂缝信息预测模型;
所述机器学习样本的输入变量的确定过程包括:
根据实际重力坝结构的几何外形尺寸建立重力坝-地基-库水有限元网格模型,在建立重力坝-地基-库水有限元网格模型时,库水模型的上游库水域的截断边界与地基上游方向截断边界一致;
利用蒙特卡洛算法在重力坝内部区域随机生成不少于10000条的裂缝信息,每条裂缝的信息包含:裂缝深度和方向角;
根据建立的重力坝-地基-库水有限元网格模型的重力坝-地基-库水有限元网格以及裂缝信息,施加地基截断边界处的边界条件,采用扩展有限元法和水平集算法计算不同裂缝信息对应的结构前3~5阶频率和模态。
2.根据权利要求1所述的重力坝表观裂缝危险性预测方法,其特征在于,所述将实测的含表观裂缝的重力坝结构的前3~5阶频率和模态输入至预先构建的基于机器学习的裂缝信息预测模型中,输出裂缝深度和方向角的过程包括:
多次将实测的含表观裂缝的重力坝结构的前3~5阶频率和模态输入预先构建的基于机器学习的裂缝信息预测模型中,记录每次预测得到的裂缝深度和方向角;
通过正态分布分别拟合每次预测的裂缝深度和方向角;
正态分布的期望值为最终确定的裂缝深度和方向角。
3.根据权利要求1所述的重力坝表观裂缝危险性预测方法,其特征在于,所述机器学习的算法为单层神经网络、多层神经网络或卷积神经网络中的任意一种。
4.根据权利要求1所述的重力坝表观裂缝危险性预测方法,其特征在于,所述实测的含表观裂缝的重力坝结构前3~5阶频率和模态的获取过程包括:
在重力坝下游坝面上布置若干个拾振器,通过拾振器获取大地脉动激发给拾振器的动力响应信号,对动力响应信号进行傅里叶变换,提取出结构前3~5阶频率和测点的位移模态。
5.一种重力坝表观裂缝危险性预测系统,其特征在于,包括:
获取模块,用于获取实测的含表观裂缝的重力坝结构的前3~5阶频率和模态;
处理及输出模块,用于将实测的含表观裂缝的重力坝结构前3~5阶频率和模态输入至预先构建的基于机器学习的裂缝信息预测模型中,确定裂缝深度和方向角;
所述处理及输出模块包括:
有限元网格模型预构模块,用于根据实际重力坝结构的几何外形尺寸建立重力坝-地基-库水有限元网格模型,在建立重力坝-地基-库水有限元网格模型时,库水模型的上游库水域的截断边界与地基上游方向截断边界一致;
生成模块,用于利用蒙特卡洛算法在重力坝内部区域随机生成不少于10000条的裂缝信息,每条裂缝的信息包含:裂缝深度和方向角;
输入量确定模块,用于根据建立的重力坝-地基-库水有限元网格模型的重力坝-地基-库水有限元网格以及裂缝信息,施加地基截断边界处的边界条件,采用扩展有限元法和水平集算法计算不同裂缝信息对应的结构前3~5阶频率和模态作为机器学习样本的输入变量;
输出量确定模块,用于获取随机生成裂缝信息的表观裂缝延伸至坝体内部的裂缝深度和裂缝方向角为机器学习样本的输出变量;
训练模块,用于根据机器学习样本的输入变量和输出变量训练基于机器学习的裂缝信息预测模型。
6.根据权利要求5所述的重力坝表观裂缝危险性预测系统,其特征在于,所述处理及输出模块还包括:
记录模块,用于多次将实测的含表观裂缝的重力坝结构的前3~5阶频率和模态输入预先构建的基于机器学习的裂缝信息预测模型中,记录每次预测得到的裂缝深度和方向角;
拟合模块,用于通过正态分布分别拟合每次预测的裂缝深度和方向角;正态分布的期望值为最终确定的裂缝深度和方向角。
7.根据权利要求5所述的重力坝表观裂缝危险性预测系统,其特征在于,所述获取模块包括:
动力响应信号获取模块,用于在重力坝下游坝面上布置若干个拾振器,通过拾振器获取大地脉动激发给拾振器的动力响应信号;
提取模块,用于对动力响应信号进行傅里叶变换,提取出结构前3~5阶频率和测点的位移模态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010558193.8A CN111691358B (zh) | 2020-06-18 | 2020-06-18 | 一种重力坝表观裂缝危险性预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010558193.8A CN111691358B (zh) | 2020-06-18 | 2020-06-18 | 一种重力坝表观裂缝危险性预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111691358A CN111691358A (zh) | 2020-09-22 |
CN111691358B true CN111691358B (zh) | 2021-05-11 |
Family
ID=72481962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010558193.8A Active CN111691358B (zh) | 2020-06-18 | 2020-06-18 | 一种重力坝表观裂缝危险性预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111691358B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632838A (zh) * | 2021-01-19 | 2021-04-09 | 四川大学 | 一种高心墙堆石坝坝顶开裂风险动态评估及预警方法 |
CN113191035B (zh) * | 2021-03-18 | 2022-09-13 | 中国工程物理研究院总体工程研究所 | 精密光学装置厂房地基筏板地脉动响应的分析方法 |
CN114358091B (zh) * | 2022-03-03 | 2022-06-10 | 中山大学 | 一种基于卷积神经网络的桩损伤识别方法、设备及介质 |
CN116882037B (zh) * | 2023-09-07 | 2023-12-19 | 清华大学 | 一种拱坝应力计算处理方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200292B (zh) * | 2014-09-28 | 2016-05-25 | 山东科技大学 | 一种导水裂隙带高度预测方法 |
CN106126837B (zh) * | 2016-06-30 | 2019-02-01 | 南昌大学 | 一种软基水闸闸基脱空区域识别方法 |
CN110006994B (zh) * | 2019-04-03 | 2020-05-05 | 河海大学 | 一种已建建筑物结构内部多缺陷的无损检测方法 |
CN110147772B (zh) * | 2019-05-23 | 2022-09-20 | 河海大学常州校区 | 一种基于迁移学习的水下坝体表面裂缝识别方法 |
CN111275255A (zh) * | 2020-01-17 | 2020-06-12 | 南昌大学 | 一种混凝土坝变形监测预报模型的构建方法 |
-
2020
- 2020-06-18 CN CN202010558193.8A patent/CN111691358B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111691358A (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111691358B (zh) | 一种重力坝表观裂缝危险性预测方法及系统 | |
Kashani et al. | Use of a 3D optical measurement technique for stochastic corrosion pattern analysis of reinforcing bars subjected to accelerated corrosion | |
Hakim et al. | Fault diagnosis on beam-like structures from modal parameters using artificial neural networks | |
Kayadelen | Soil liquefaction modeling by genetic expression programming and neuro-fuzzy | |
Zhang et al. | A novel displacement back analysis method considering the displacement loss for underground rock mass engineering | |
Zhou et al. | Seismic fragility analysis of high concrete faced rockfill dams based on plastic failure with support vector machine | |
Sun et al. | Inelastic dynamic response and fragility analysis of arched hydraulic tunnels under as-recorded far-fault and near-fault ground motions | |
Zhu et al. | Probabilistic fatigue assessment of notched components under size effect using generalized weakest-link model | |
Lin et al. | Development of a real-time scour monitoring system for bridge safety evaluation | |
CN114936501B (zh) | 针对立式储油罐在风压下的填充度评估方法及装置 | |
Wu et al. | Displacement-based back-analysis of the model parameters of the Nuozhadu high earth-rockfill dam | |
Do et al. | Fatigue life fragilities and performance-based design of wind turbine tower base connections | |
CN115659729A (zh) | 一种基于结构仿真计算的大坝安全监测分析方法及系统 | |
Goh et al. | Application of neural network for prediction of unmeasured mode shape in damage detection | |
Guo et al. | Bayesian prediction of the stress concentration effect on high-strength wires with corrosion pits | |
De Simone et al. | Predictive maintenance and structural health monitoring via IoT system | |
Tempelis et al. | Surface roughness evolution of wind turbine blade subject to rain erosion | |
Song et al. | Multi-objective acoustic sensor placement optimization for crack detection of compressor blade based on reinforcement learning | |
Xu et al. | Using Bayesian updating for monopile offshore wind turbines monitoring | |
Khoroshilov | Mathematical Modelling of Sayano-Shushenskaya Dam Displacement Process after 2009 Accident | |
Jiang et al. | Rock slope displacement prediction based on multi-source information fusion and SSA-DELM model | |
CN109670230A (zh) | 一种管道安全性评估方法及系统 | |
Li et al. | On-line diagnosis method of crack behavior abnormality in concrete dams based on fluctuation of sequential parameter estimates | |
Wang et al. | Probabilistic constitutive model for corroded structural steel with stochastic pits under monotonic tension | |
He et al. | Estimation of unloading relaxation depth of Baihetan Arch Dam foundation using long-short term memory network |
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 |