CN111737881B - 一种桥梁应力提前预估方法 - Google Patents

一种桥梁应力提前预估方法 Download PDF

Info

Publication number
CN111737881B
CN111737881B CN202010689078.4A CN202010689078A CN111737881B CN 111737881 B CN111737881 B CN 111737881B CN 202010689078 A CN202010689078 A CN 202010689078A CN 111737881 B CN111737881 B CN 111737881B
Authority
CN
China
Prior art keywords
stress
parameter
model
computing nodes
associated computing
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
Application number
CN202010689078.4A
Other languages
English (en)
Other versions
CN111737881A (zh
Inventor
宋杰
张亮
董梅
胡辉
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.)
Hangzhou Ruhr Technology Co Ltd
Original Assignee
Hangzhou Ruhr Technology Co Ltd
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 Hangzhou Ruhr Technology Co Ltd filed Critical Hangzhou Ruhr Technology Co Ltd
Priority to CN202010689078.4A priority Critical patent/CN111737881B/zh
Publication of CN111737881A publication Critical patent/CN111737881A/zh
Application granted granted Critical
Publication of CN111737881B publication Critical patent/CN111737881B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Bridges Or Land Bridges (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供了一种桥梁应力提前预估方法，包括在桥梁下表面确定多个有效网格，每个有效网格布设应力传感器，以形成对应于所述有效网格的传感器矩阵
Figure 495175DEST_PATH_IMAGE002
；对于任意一个有效网格执行下述步骤：获取来自所述有效网格对应的传感器矩阵
Figure DEST_PATH_IMAGE003
采集到的应力数据；每个应力数据均包括采集所述应力数据的传感器的位置；将所述应力数据传输至所述有效网格对应的预估模型；得到所述预估模型输出的应力预估结果，所述应力预估结果用于提示所述应力数据的传感器的位置处的预估应力。本发明显著节省了人力成本。

Description

一种桥梁应力提前预估方法
技术领域
本发明涉及桥梁检测领域，尤其涉及一种桥梁应力提前预估方法。
背景技术
桥梁检测的常规定期检测包括桥面系检测、上部结构检测和下部结构检测。通常使用的方式是人工巡检。但是人工巡检人力成本过高，并且检测结果受限于人工的个人水平，难以得到稳定的检测结果。而人工无法实时对桥梁进行检测，无法预测桥梁的裂隙风险，加大巡检频率可能能够及时发现桥梁裂隙风险，但是检测成本会进一步升高。
发明内容
为了解决上述技术问题，本发明提出了一种桥梁应力提前预估方法。本发明具体是以如下技术方案实现的：
一种桥梁应力提前预估方法，包括：
在桥梁下表面确定多个有效网格，每个有效网格布设应力传感器，以形成对应于所述有效网格的传感器矩阵
Figure 526394DEST_PATH_IMAGE001
；
对于任意一个有效网格执行下述步骤：
获取来自所述有效网格对应的传感器矩阵
Figure 177955DEST_PATH_IMAGE002
采集到的应力数据；每个应力数据均包括采集所述应力数据的传感器的位置；
将所述应力数据传输至所述有效网格对应的预估模型；
得到所述预估模型输出的应力预估结果，所述应力预估结果用于提示所述应力数据的传感器的位置处的预估应力。
本发明实施例公开了一种桥梁应力提前预估方法，所述预估方法通过对桥梁下表面的应力数据进行采集，并依托于全新设计的预估模型得到预估结果，预估模型的结构优化可以使得其自身对于应力数据的分析能力和预测能力显著提升，得到较为准确的预估结果，显著节省了人力成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1是本发明实施例提供的一种桥梁应力提前预估方法流程图；
图2是本发明实施例提供的对应于有效网格的预估模型的构建方法流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明提供一种桥梁应力提前预估方法，如图1所示，所述方法包括：
S101. 在桥梁下表面确定多个有效网格，每个有效网格布设应力传感器，以形成对应于所述有效网格的传感器矩阵
Figure 754430DEST_PATH_IMAGE002
。
标识所述有效网格沿桥梁宽度方向的传感器个数，不同的有效网格N取值可以不同。
S103. 对于任意一个有效网格执行下述步骤：
获取来自所述有效网格对应的传感器矩阵
Figure 884060DEST_PATH_IMAGE002
采集到的应力数据；每个应力数据均包括采集所述应力数据的传感器的位置；
将所述应力数据传输至所述有效网格对应的预估模型；
S105. 得到所述预估模型输出的应力预估结果，所述应力预估结果用于提示所述应力数据的传感器的位置处的预估应力。
具体地，所述有效网格通过下述方法确定：
S1. 根据桥梁下表面的投影的边界得到应力传感器布设范围。
S3. 在所述应力传感器布设范围中等间距设置水平线和竖直线，以使得所述应力传感器布设范围被划分为等密度网格。
S5. 沿桥梁长度方向在所述应力传感器布设范围划分出多个有效网络，每个有效网格中沿桥梁长度方向和沿桥梁宽度方向的等密度网格的数量相同。
在一个可行的实施例中，可以在有效网格中的等密度网格的角点设置应力传感器。
本发明实施例中预估模型与有效网格一一对应。
本发明实施例认为在桥梁检测领域不同位置的应力状态有其自身的特点，这体现在布设于该位置处的应力传感器采集的数据之中，因此，通过分析有效网格采集的应力数据，可以得到所述有效网格覆盖的位置处桥梁的应力状态；基于有效网络采集的应力数据得到预估模型的结构，可以使得预估模型的结构本身即可适配所述有效网格位置处的桥梁的应力分布状态，从而对有效网格位置处的应力信息的变化更为敏感。
本发明实施例还公开一种对应于有效网格的预估模型的构建方法，如图2所示，包括：
S201. 对有效网格中的各个应力传感器进行按序编号。
S203. 获取有效网格的任意两个应力序列
Figure 495170DEST_PATH_IMAGE003
和
Figure 848791DEST_PATH_IMAGE004
(
Figure 646983DEST_PATH_IMAGE005
为传感器编号)，计算其不相似指数
Figure 377041DEST_PATH_IMAGE006
以得到参数矩阵
Figure 780341DEST_PATH_IMAGE007
。
S205. 获取精准度参量。
具体地，所述精准度参量对应于预估模型的基础计算节点，基础计算节点与预估模型的精度有关，因此，所述精准度参量影响预估模型的精度，精准度参量越高，预估模型的精度越高。所述精准度参量可以由用户进行设定，也可以根据实际需求进行调整。
S207. 基于各个所述应力序列得到与应力传感器编号i对应的预估模型构建第一参数，和，与应力传感器编号j对应的预估模型构建第二参数。
具体地，所述预估模型构建第一参数和预估模型构建第二参数用于基于所述基础计算节点生成所述预估模型的关联计算节点，基础计算节点和所述关联计算节点构成所述预估模型的全部计算节点。
具体地，所述基于各个所述应力序列得到与应力传感器编号i对应的预估模型构建第一参数，和，与应力传感器编号j对应的预估模型构建第二参数，包括：
所述预估模型构建第一参数以
Figure 570442DEST_PATH_IMAGE008
表示，
Figure 855930DEST_PATH_IMAGE009
表示应力序列
Figure 124100DEST_PATH_IMAGE003
对精准度参量
Figure 178644DEST_PATH_IMAGE010
的归属程度，所述预估模型构建第二参数以
Figure 139647DEST_PATH_IMAGE011
表示，
Figure 115693DEST_PATH_IMAGE012
表示应力序列
Figure 921975DEST_PATH_IMAGE013
对精准度参量
Figure 362184DEST_PATH_IMAGE014
的权重程度，精准度参量
Figure 228509DEST_PATH_IMAGE014
标识某个聚类类别。
本发明实施例并不限定预估模型构建第一参数和预估模型构建第二参数的具体计算方法，但是给出了其具体含义，在一个优选的实施例中，本发明实施例示例性提供一种可行的计算方法：
预估模型构建第一参数根据公式（1）：
Figure 691851DEST_PATH_IMAGE015
计算；
预估模型构建第二参数根据公式（2）：
Figure 567403DEST_PATH_IMAGE016
计算；
根据公式（1）和公式（2）进行计算，从而得到各个应力传感器的编号相对的预估模型构建第一参数和预估模型构建第二参数。公式（1）和公式（2）中的
Figure 596539DEST_PATH_IMAGE017
和
Figure 102607DEST_PATH_IMAGE018
为预设常量，所述预设常量可以基于有限次试验确定。
显然，预估模型构建第一参数和预估模型构建第二参数均是参数组的形式，所述预估模型构建第一参数为
Figure 584404DEST_PATH_IMAGE019
，所述预估模型构建第二参数为
Figure 263647DEST_PATH_IMAGE020
。通过变更i，j的值，显然可以得到每个应力传感器编号对应的预估模型构建第一参数和预估模型构建第二参数。
S209. 根据所述精准度参量、预估模型构建第一参数和预估模型构建第二参数生成预估模型的结构。
具体地，所述根据所述精准度参量、预估模型构建第一参数和预估模型构建第二参数生成预估模型结构，包括：
S2091. 构建与所述有效网格相同形状的模型底图。
S2093. 在所述模型底图上根据所述精准度参量布设基础计算节点。
具体地，可以在所述模型底图上绘制一条对角线，对所述对角线进行
Figure 147289DEST_PATH_IMAGE021
等分，每个等分点布设一个基础计算节点。具体地，基础计算节点
Figure 824258DEST_PATH_IMAGE022
对应一个精准度参量
Figure 793351DEST_PATH_IMAGE010
。
S2095. 根据预设生成规则以所述基础计算节点为中心生成关联计算节点，以得到所述预设模型的核结构，所述预设模型的核结构中每个关联计算节点以其对应的连接概率与自身连接。
其中，所述预设模型的核结构中每个关联计算节点以其对应的连接概率与自身连接的含义为：所述预设模型的核结构中存在自反馈连接的关联计算节点个数占全部关联计算节点的总数的比值为所述关联计算节点对应的连接概率。
连接概率可以根据实际需要进行调节，连接概率可以基于有限次实验调节核结构而得到，本发明实施例不限定其具体方案。
当然，所述预设模型的结构还包括输入单元和输出单元，所述输入单元和所述输出单元通过所述核结构连接。
具体地，所述根据预设生成规则以所述基础计算节点为中心生成关联计算节点，包括：
S20951. 在所述模型底图中随机生成新增的关联计算节点
Figure 10706DEST_PATH_IMAGE023
，并将所述关联计算节点
Figure 217696DEST_PATH_IMAGE023
主动与其周围的任一已存在关联计算节点
Figure 190200DEST_PATH_IMAGE024
按照概率
Figure 646589DEST_PATH_IMAGE025
进行连接，其中
Figure 136477DEST_PATH_IMAGE026
分别为关联计算节点
Figure 729132DEST_PATH_IMAGE027
的预估模型构建第一参数中的目标子参数和预估模型构建第二参数中的目标子参数。
当然，若其不存在关联计算节点，可以将第一个新增的关联计算节点直接与最接近基础计算节点双向互连。
当然，在一个可行的实施例中基础计算节点之间也可以互连。
具体地，所述关联计算节点
Figure 544641DEST_PATH_IMAGE024
的预估模型构建第一参数中的目标子参数的获取方式为：
确定距离所述关联计算节点
Figure 488326DEST_PATH_IMAGE023
最近的基础计算节点；
确定所述基础计算节点对应的精准度参量的下标
Figure 47484DEST_PATH_IMAGE029
；
将预估模型构建第一参数中的第
Figure 291383DEST_PATH_IMAGE030
个数据作为目标子参数。
同理可以得到预估模型构建第二参数中的目标子参数。
Figure 808952DEST_PATH_IMAGE031
为关联计算节点
Figure 239934DEST_PATH_IMAGE023
与关联计算节点
Figure 337203DEST_PATH_IMAGE024
之间的欧氏距离。
S20953. 同时其周围的任一已存在关联计算节点
Figure 170029DEST_PATH_IMAGE024
按照概率
Figure 61762DEST_PATH_IMAGE025
主动与关联计算节点
Figure 714460DEST_PATH_IMAGE023
连接。
S20955. 判断所述关联计算节点
Figure 615420DEST_PATH_IMAGE023
是否与至少一个所述已存在关联计算节点生成双向互连，若是，则保留所述关联计算节点
Figure 302753DEST_PATH_IMAGE023
，所述关联计算节点
Figure 630967DEST_PATH_IMAGE032
成为已存在关联计算节点；若否，则删除所述关联计算节点
Figure 302119DEST_PATH_IMAGE023
。
本发明实施例中通过生成H个关联计算节点得到核结构，H的数量可以预设得到。
双向互连的核结构构建过程中，任一新增的关联计算节点与其附近的关联计算节点的双向互连概率与距离负相关，从而能够达到这样一种效果，即计算节点的分布与有效网格覆盖范围的压力分布相对应，所述预估模型的结构中，越靠近基础计算节点的关联计算节点，其学习结果在输出中的占比越高，从而使得基于预估模型的结构和来自所述有效网格的训练样本训练后得到的预估模型对于来自所述有效网格的数据有更为敏感准确的预测能力，这是由于预估模型的结构本身所带来的一种效果。
S2011. 获取来自所述有效网格的传感器矩阵
Figure 537929DEST_PATH_IMAGE001
采集的数据，构建训练样本。
S2013. 基于所述训练样本训练所述预估模型的结构得到预估模型。
计算节点互连得到的预估模型的结构可以被理解为一种神经网络，神经网络的训练属于现有技术，本发明实施例并不对其进行特殊限定，当然本发明实施例的神经网络是一种与数据分布相适应的神经网络，为了突出神经网络的结构优势，可以在训练样本构造环节进行处理，在样本数据中加入位置特征，以及在训练过程中限定不同区域的神经元对训练的参与程度，但是这并不是本申请的重点内容，本领域技术人员可以根据现有技术进行设计，本发明实施例并不做出特殊限定。本发明实施例旨在公开一种适应于桥梁领域的模型结构，对于训练方法不做赘述。仅仅明确所述神经网络被训练为根据桥梁的应力数据对后续的应力数据进行提前预估的机器。
本发明的创新重点在于基于布设在桥梁下表面的传感器采集的应力数据得到相对应的预估模型的结构。本发明实施例认为有限网格的传感器采集的数据体现了在有限网格的覆盖范围内的桥梁的应力分布状态，根据桥梁的应力分布状态确定预估模型的计算节点的连接关系，从而可以使得预估模型的结构可以适配于有限网格覆盖范围内的应力状态的分布规律，从而可以使得基于所述预估模型的结构训练的预估模型从结构角度更能够适配于对所述预测网格内的传感器采集的数据的分析，对这种预估模型的结构进行训练得到的预估模型可以更为精准的对有效网格的传感器采集到的数据进行分析，并进行预测。
本发明实施例公开了一种桥梁应力提前预估方法，所述预估方法通过对桥梁下表面的应力数据进行采集，并依托于全新设计的预估模型得到预估结果，预估模型的结构优化可以使得其自身对于应力数据的分析能力和预测能力显著提升，得到较为准确的预估结果。
应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A 和/或B，可以表示：单独存在A，同时存在A 和B，单独存在B 这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (3)

1.一种桥梁应力提前预估方法，其特征在于，包括：
在桥梁下表面确定多个有效网格，每个有效网格布设应力传感器，以形成对应于所述有效网格的传感器矩阵
Figure 196169DEST_PATH_IMAGE001
；
对于任意一个有效网格执行下述步骤：
获取来自所述有效网格对应的传感器矩阵
Figure 664190DEST_PATH_IMAGE001
采集到的应力数据；每个应力数据均包括采集所述应力数据的传感器的位置；
将所述应力数据传输至所述有效网格对应的预估模型；
得到所述预估模型输出的应力预估结果，所述应力预估结果用于提示所述应力数据的传感器的位置处的预估应力；
所述有效网格通过下述方法确定：
根据桥梁下表面的投影的边界得到应力传感器布设范围；
在所述应力传感器布设范围中等间距设置水平线和竖直线，以使得所述应力传感器布设范围被划分为等密度网格；
沿桥梁长度方向在所述应力传感器布设范围划分出多个有效网络，每个有效网格中沿桥梁长度方向和沿桥梁宽度方向的等密度网格的数量相同；
所述预估模型通过下述方法得到：
对有效网格中的各个应力传感器进行按序编号；
获取有效网格的任意两个应力序列
Figure 653268DEST_PATH_IMAGE002
和
Figure 3478DEST_PATH_IMAGE003
，计算其不相似指数
Figure 172423DEST_PATH_IMAGE004
以得到参数矩阵
Figure 259065DEST_PATH_IMAGE005
；
获取精准度参量；
基于各个所述应力序列得到与应力传感器编号i对应的预估模型构建第一参数，和，与应力传感器编号j对应的预估模型构建第二参数；
根据所述精准度参量、预估模型构建第一参数和预估模型构建第二参数生成预估模型的结构，包括：构建与所述有效网格相同形状的模型底图；在所述模型底图上根据所述精准度参量布设基础计算节点；根据预设生成规则以所述基础计算节点为中心生成关联计算节点，以得到所述预设模型的核结构，所述预设模型的核结构中每个关联计算节点以其对应的连接概率与自身连接；
获取来自所述有效网格的传感器矩阵
Figure 855263DEST_PATH_IMAGE001
采集的数据，构建训练样本；
基于所述训练样本训练所述预估模型的结构得到预估模型。
2.根据权利要求1所述的方法，其特征在于，所述根据预设生成规则以所述基础计算节点为中心生成关联计算节点，包括：
在所述模型底图中随机生成新增的关联计算节点
Figure 958348DEST_PATH_IMAGE006
，并将所述关联计算节点
Figure 462142DEST_PATH_IMAGE006
主动与其周围的任一已存在关联计算节点
Figure 230439DEST_PATH_IMAGE007
按照概率
Figure 794275DEST_PATH_IMAGE008
进行连接，其中
Figure 289717DEST_PATH_IMAGE009
分别为关联计算节点
Figure 66043DEST_PATH_IMAGE007
的预估模型构建第一参数中的目标子参数和预估模型构建第二参数中的目标子参数；
同时其周围的任一已存在关联计算节点
Figure 159901DEST_PATH_IMAGE007
按照概率
Figure 599366DEST_PATH_IMAGE008
主动与关联计算节点
Figure 145885DEST_PATH_IMAGE006
连接；
判断所述关联计算节点
Figure 522639DEST_PATH_IMAGE006
是否与至少一个所述已存在关联计算节点生成双向互连，若是，则保留所述关联计算节点
Figure 471004DEST_PATH_IMAGE006
，所述关联计算节点
Figure 875178DEST_PATH_IMAGE006
成为已存在关联计算节点；若否，则删除所述关联计算节点
Figure 112255DEST_PATH_IMAGE006
。
3.根据权利要求2所述的方法，其特征在于：
所述关联计算节点
Figure 761543DEST_PATH_IMAGE007
的预估模型构建第一参数中的目标子参数的获取方式为：
确定距离所述关联计算节点
Figure 564413DEST_PATH_IMAGE006
最近的基础计算节点；
确定所述基础计算节点对应的精准度参量的下标
Figure 142419DEST_PATH_IMAGE010
；
将预估模型构建第一参数中的第个数据作为目标子参数。
CN202010689078.4A 2020-07-17 2020-07-17 一种桥梁应力提前预估方法 Active CN111737881B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010689078.4A CN111737881B (zh) 2020-07-17 2020-07-17 一种桥梁应力提前预估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010689078.4A CN111737881B (zh) 2020-07-17 2020-07-17 一种桥梁应力提前预估方法

Publications (2)

Publication Number Publication Date
CN111737881A CN111737881A (zh) 2020-10-02
CN111737881B true CN111737881B (zh) 2020-11-13

Family

ID=72654870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010689078.4A Active CN111737881B (zh) 2020-07-17 2020-07-17 一种桥梁应力提前预估方法

Country Status (1)

Country Link
CN (1) CN111737881B (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8640594B2 (en) * 2011-02-01 2014-02-04 Corvid Technologies, Inc. Blast deflecting shield for ground vehicles and shielded ground vehicles and methods including same
CN104200004A (zh) * 2014-07-28 2014-12-10 东北大学 一种优化的基于神经网络的桥梁损伤识别方法
CN109746444B (zh) * 2019-01-21 2021-01-15 西北工业大学 一种通过优化基板减小增材制造残余应力和非稳态的方法

Also Published As

Publication number Publication date
CN111737881A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
CN109145464B (zh) 融合多目标蚁狮优化与迹稀疏正则化的结构损伤识别方法
CN105740991A (zh) 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统
CN112904139B (zh) 考虑温度场变化的高压开关柜局部放电定位方法及系统
CN105488317B (zh) 用于预测空气质量的系统和方法
CN106649919A (zh) 燃煤电站锅炉飞灰含碳量预测模型构建方法及系统
CN109508745A (zh) 基于贝叶斯网络模型的燃气轮机气路故障的检测方法
CN105930900B (zh) 一种混合风力发电的预测方法及系统
CN103885867B (zh) 一种模拟电路性能的在线评价方法
CN111738878B (zh) 一种桥梁应力检测系统
CN114881323A (zh) 基于深度神经网络的基坑降水区地下水位预测与更新方法
CN112503400B (zh) 一种供水管网测压点多目标优化布置方法
CN110503721A (zh) 基于加权径向基函数插值的断裂地形保持方法
CN110263945A (zh) 基于马尔科夫链的配电网线损处理系统
Mukhaiyar et al. A new procedure for generalized STAR modeling using IAcM approach
CN114970341B (zh) 基于机器学习的低轨卫星轨道预报精度提升模型建立方法
CN103778306B (zh) 一种基于ei和逐步消减法的传感器优化布设方法
CN100478650C (zh) 改善发电设备故障检测的方法和装置
Colby et al. Counterfactual Exploration for Improving Multiagent Learning.
CN109033181B (zh) 一种复杂地形地区风场地理数值模拟方法
CN115060625A (zh) 浆液密度的获取方法、装置、电子设备及存储介质
Qin et al. A wireless sensor network location algorithm based on insufficient fingerprint information
CN111737881B (zh) 一种桥梁应力提前预估方法
CN117056722A (zh) 一种规划地块人口数量预测方法及系统
CN117035739A (zh) 光伏电站的工单路径规划方法、装置、电子设备和介质
CN101625741A (zh) 土地评价样点空间配置方法

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