CN112396312B - 一种沉井下沉施工自动决策方法及系统 - Google Patents
一种沉井下沉施工自动决策方法及系统 Download PDFInfo
- Publication number
- CN112396312B CN112396312B CN202011281401.0A CN202011281401A CN112396312B CN 112396312 B CN112396312 B CN 112396312B CN 202011281401 A CN202011281401 A CN 202011281401A CN 112396312 B CN112396312 B CN 112396312B
- Authority
- CN
- China
- Prior art keywords
- decision
- construction
- open caisson
- data
- model
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 335
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000003066 decision tree Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000012795 verification Methods 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 239000002689 soil Substances 0.000 description 6
- 238000009412 basement excavation Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
- E02D23/00—Caissons; Construction or placing of caissons
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Paleontology (AREA)
- Mining & Mineral Resources (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种沉井下沉施工自动决策方法，包括：获取沉井下沉施工中的施工数据；将施工数据根据影响因素的类型进行分类，对影响因素的权重值进行设定和调整；建立沉井决策模型并对其进行训练，形成决策树；对沉井决策模型进行测试，直至验证得到的沉井决策模型的决策错误率达到设定的要求；通过沉井决策模型分析出最优决策指令；向施工现场的智能设备输出相应的决策指令，完成自动决策过程。本发明还公开了一种沉井下沉施工自动决策系统。本发明通过将各类影响因素对施工的影响量化为权重值，并利用其对沉井决策模型进行训练和测试，使沉井决策模型能够自动分析出最优决策方案，在提高决策效率的同时减少了人工介入对决策准确性的影响。
Description
技术领域
本发明涉及沉井基础施工技术领域。更具体地说，本发明涉及一种一种沉井下沉施工自动决策方法及系统。
背景技术
沉井基础是一个井筒状的结构物，其通过从井内挖土、依靠自身重力克服井壁摩阻力后下沉到设计标高，然后采用混凝土封底并填塞井孔，成为桥梁墩台或其他结构物的基础。沉井下沉施工实质上就是将一个在地面上事先浇制好的构筑物通过挖土沉入到地下一定深度后成为地下构筑物的施工过程。桥梁沉井基础在下沉施工过程中的姿态受到自身重力、水文环境、地质条件等多种因素的影响，沉井基础的施工工期较长，在对粉砂、细砂类土进行施工时存在井内抽水时发生流砂现象，造成沉井倾斜的问题；同时，沉井在下沉过程中遇到大孤石、树干或井底岩层表面倾斜过大时，也会影响沉井的施工效率和施工质量。
目前，沉井下沉施工决策通常会将水文地质条件、施工环境、沉井姿态、井下泥面标高、沉井底面反力等主要影响因素进行综合分析确定下一步施工指令。然而，这种沉井下沉施工决策方案都是基于人工经验作出决策，通常需要根据现场实时影响因素对具体方案再进行调整，由于对施工数据进行人工分析处理需要一定时间，导致决策方案相对现场施工进度较为滞后，无法及时有效的对施工状态进行判断和调整，且上述决策方案过于依赖于决策者的主观经验，无法保证决策方案正确性。
发明内容
本发明的目的是提供一种沉井下沉施工自动决策方法，通过对历史施工数据进行分类分析，将各类影响因素对施工的影响量化为权重值，并利用施工数据和影响因素的权重对沉井决策模型进行训练和测试，使沉井决策模型能够根据实时施工数据自动分析出最优决策方案并通输出相应的决策指令，在提高决策效率的同时减少了人工介入对决策准确性的影响，使得到的决策指令更加合理有效。
为了实现根据本发明的这些目的和其它优点，提供了一种沉井下沉施工自动决策方法，包括：
S1、获取沉井下沉施工中的施工数据；
S2、将所述施工数据根据影响因素的类型进行分类，根据初始状态下的施工数据设定各影响因素的权重值，并根据实时采集到的施工数据对所述影响因素的权重值进行调整；
S3、以预设施工周期内的施工数据和影响因素的权重值为基础建立沉井决策模型并对其进行训练，得到不同影响因素的作用下沉井决策模型对实时施工数据的变化的响应值，形成决策树；
S4、利用实时采集到的施工数据对所述沉井决策模型进行测试，直至验证得到的所述沉井决策模型的决策错误率达到设定的要求，否则重复S3中的内容采用新的施工数据继续对所述沉井决策模型进行训练；
S5、获取最新的施工数据和对应的影响因素的权重值并将其导入所述沉井决策模型，通过所述沉井决策模型分析出最优决策指令；
S6、将所述最优决策指令的输出数据进行分类并生成对应的决策指令，向施工现场的智能设备输出相应的决策指令，完成自动决策过程。
优选的是，所述沉井下沉施工自动决策方法，步骤S2中，使用施工数据对影响因素的权重值进行设定和调整的方法如下：
S21、将采集到的施工数据根据影响因素的类型进行分类，任一类影响因素中包括多个数据测点；
S22、根据初始状态下的施工数据设置所述多个数据测点的参数阈值，同一类影响因素中的多个数据测点的权重值之和即为该类影响因素的权重值；
S23、读取下一施工周期的施工数据，预先设定所述多个数据测点的参数阈值，读取所述多个数据测点的参数在所述施工周期内超出其对应的阈值范围的幅度和比例，分别计算所述多个数据测点的异常值，并使用异常值对初始状态下所述多个数据测点的权重值进行修正，得到修正后的各类影响因素的权重值；
S24、按照施工周期的顺序重复S23中的内容，即完成所述影响因素的权重值的即时调整。
优选的是，所述沉井下沉施工自动决策方法，步骤S3中，对所述沉井决策模型进行训练的方法为：以井孔为单位，提取其在所述施工周期内受到的全部影响因素和最终决策指令，形成所述施工周期内的训练样本，所述沉井决策模型根据所述训练样本分析得到在影响因素的权重值发生变化时对应的决策指令的变化并将其录入决策树中。
优选的是，所述沉井下沉施工自动决策方法，步骤S4中，对所述沉井决策模型进行测试的方法为：将实时采集到的施工数据导入所述沉井决策模型，从所述决策树的根节点开始，通过所述施工数据对应的影响因素的权重值进行逐层判别，直至进入所述决策树的叶节点，将所述叶节点对应的决策指令与所述施工数据中的最终决策指令进行比较，若所述决策指令与施工数据中的最终决策指令相符合则为决策正确，若决策指令与施工数据中的最终决策指令不相符合则为决策错误。
本发明还提供了一种沉井下沉施工自动决策系统，包括：
数据采集模块，其用于采集沉井结构和周围环境中的施工数据并将其上传至云端服务器；
决策分析模块，其设置在所述云端服务器上，包括数据处理模块，其用于从所述云端服务器读取所述施工数据，将所述施工数据根据影响因素的类型分类，根据初始状态下的施工数据设定各影响因素的权重值，并根据实时采集到的施工数据对所述影响因素的权重值进行调整；决策模型生成模块，其用于接收所述数据处理模块的施工数据和影响因素的权重值，以预设施工周期内的施工数据和影响因素的权重值为基础建立沉井决策模型并对其进行训练，得到不同影响因素的作用下沉井决策模型对实时施工数据的变化的响应值，形成决策树；决策模型验证模块，其与所述数据处理模块和所述决策模型生成模块连接，用于利用实时采集到的施工数据对所述沉井决策模型进行测试，直至验证得到的所述沉井决策模型的决策错误率达到设定的要求；决策指令输出模块，其与所述数据处理模块、所述决策模型生成模块和所述决策模型验证模块连接，用于在所述沉井决策模型的决策错误率达到设定的要求后，获取最新的施工数据和对应的影响因素的权重值并将其导入所述沉井决策模型，通过所述沉井决策模型分析，输出最优决策指令；
指令传输模块，其用于接收所述决策指令输出模块输出的最优决策指令，将所述最优决策指令的输出数据进行分类并生成对应的决策指令，并向施工现场的智能设备输出相应的决策指令。
优选的是，所述沉井下沉施工自动决策系统，使用施工数据对影响因素的权重值进行设定和调整的方法如下：
S31、将采集到的施工数据根据影响因素的类型进行分类，任一类影响因素中包括多个数据测点；
S32、根据初始状态下的施工数据设置所述多个数据测点的参数阈值，同一类影响因素中的多个数据测点的权重值之和即为该类影响因素的权重值；
S33、读取下一施工周期的施工数据，预先设定所述多个数据测点的参数阈值，读取所述多个数据测点的参数在所述施工周期内超出其对应的阈值范围的幅度和比例，分别计算所述多个数据测点的异常值，并使用异常值对初始状态下所述多个数据测点的权重值进行修正，得到修正后的各类影响因素的权重值；
S34、按照施工周期的顺序重复S33中的内容，即完成所述影响因素的权重值的即时调整。
优选的是，所述沉井下沉施工自动决策系统，对所述沉井决策模型进行训练的方法为：以井孔为单位，提取其在所述施工周期内受到的全部影响因素和最终决策指令，形成所述施工周期内的训练样本，所述沉井决策模型根据所述训练样本分析得到在影响因素的权重值发生变化时对应的决策指令的变化并将其录入决策树中。
优选的是，所述沉井下沉施工自动决策系统，对所述沉井决策模型进行测试的方法为：将实时采集到的施工数据导入所述沉井决策模型，从所述决策树的根节点开始，通过所述施工数据对应的影响因素的权重值进行逐层判别，直至进入所述决策树的叶节点，将所述叶节点对应的决策指令与所述施工数据中的最终决策指令进行比较，若所述决策指令与施工数据中的最终决策指令相符合则为决策正确，若决策指令与施工数据中的最终决策指令不相符合则为决策错误
本发明还提供了一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述沉井下沉施工自动决策方法。
本发明还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时，实现所述沉井下沉施工自动决策方法。
本发明至少包括以下有益效果：
1、本发明的数据采集种类和范围覆盖整个沉井结构及其施工环境，相比于常规施工监控数据更为丰富和完整，为施工决策提供了全方位的数据参考，使得到的决策指令符合实际且准确性较高；
2、通过将施工数据和影响因素的历史数据作为训练集，对沉井决策模型进行训练，能够使决策树模型形成采集数据的影响因素与沉井决策施工之间的映射，从而能够客观准确的得到影响因素对沉井结构状态的影响情况，然后再将新的影响因素数据输入到训练后的沉井决策模型中，得到预测的沉井结构状态作为施工决策的依据，相比于传统的人工经验判断的方法，本专利中得出的决策结果更加符合实际且更加客观准确，能够提高决策的效率；
3、采用计算机程序在云端服务器自动完成施工决策，从现场实时数据到指令生成耗费时间较短，相比于常规的人工计算，决策过程的用时大大减少，使自动决策指令具有高度实时性，消除了人工因素带来的决策进度延迟。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明一个实施例的一种沉井下沉施工自动决策方法的流程图；
图2为上述实施例中所述沉井下沉施工自动决策系统的结构示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
需要说明的是，下述实施方案中所述实验方法，如无特殊说明，均为常规方法，所述试剂和材料，如无特殊说明，均可从商业途径获得；在本发明的描述中，术语“横向”、“纵向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，并不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
如图1-2所示，本发明提供一种沉井下沉施工自动决策方法，包括：
S1、获取沉井下沉施工中的施工数据；
S2、将所述施工数据根据影响因素的类型进行分类，根据初始状态下的施工数据设定各影响因素的权重值，并根据实时采集到的施工数据对所述影响因素的权重值进行调整，
其中，影响因素的权重值的大小代表该类施工数据对施工决策影响程度的大小，当权重值越大时，针对该类数据所做出的的施工调整措施对于沉井结构影响越大，因此需要根据施工数据的实时分布情况获得各项影响因素的响应程度，并对权重值进行及时重新分配，直到当前权重值的分布与实时的施工数据分布相匹配。因此，首先需要确定各个数据种类的初始权重值，然后对所采集到的实时施工数据进行统计分析，获得每类施工数据的分布范围，将该范围与理论正常值范围进行对比，根据对比结果对各项影响因素的权重值进行调整，保持各类影响因素的权重值之和为1；
S3、以预设施工周期内的施工数据和影响因素的权重值为基础建立沉井决策模型并对其进行训练，得到不同影响因素的作用下沉井决策模型对实时施工数据的变化的响应值，形成决策树；
具体的，建立基于决策树算法的沉井决策模型的方法为：根据沉井尺寸大小、形状、材质等信息建立整体三维决策模型，将其按照若干个区域分成几个部分，每个区域由隔墙和若干个井孔组成，分别对各个区域的有限元模型进行受力分析，确定每个区域中不同的影响因素对应的权重值的影响范围。将预设的施工周期内的施工数据、对应的影响因素的权重值输入沉井决策模型，模拟沉井结构与施工环境实时状态，得到以井孔为单位生成的最终决策指令。同时，沉井决策模型的决策指令除了受到各类影响因素的影响，还与施工区域在沉井决策模型中的属性有关，例如井孔位置(所在区域)、是否位于高侧、孔内泥面标高、是否设置测点等属性判别指标，将各判别指标的数据也录入沉井决策模型中，并分析判别指标与各影响因素的权重值的组合对最终决策结果的影响，形成完整的决策树；
S4、利用实时采集到的施工数据对所述沉井决策模型进行测试，直至验证得到的所述沉井决策模型的决策错误率达到设定的要求，否则重复S3中的内容采用新的施工数据继续对所述沉井决策模型进行训练；
S5、获取最新的施工数据和对应的影响因素的权重值并将其导入所述沉井决策模型，通过所述沉井决策模型分析出最优决策指令；
具体的，将最新实时数据与各因素权重值输入到沉井决策模型，由决策模型获得当前沉井真实状态与施工条件，自动计算当前实时状态与理想状态之间的偏差数据，根据当前最新沉井决策模型最新参数调整响应值模拟各种施工决策方案带来的沉井状态改变，预测由决策指令调整后的沉井状态及施工数据变化趋势，目标是调整偏差数据为最小值，让沉井尽量符合理想状态。最后将分析所得出的最优决策指令转化为具体的输出数据，输出数据包括：作业状态控制、沉井开挖区域、井孔开挖方量、隔墙混凝土浇筑区域、隔墙混凝土浇筑方量、周边沉降控制量、超限数据预警、异常设备编号等；
S6、将所述最优决策指令的输出数据根据施工区域、施工设备、施工参数类型等进行分类，并生成对应的决策指令，向施工现场的智能设备输出相应的决策指令，完成自动决策过程；
具体的，收集现场施工设备信息和管理人员信息，根据施工方案设置决策指令的传输格式，并确定指令格式中各个施工方案的调整参数的种类与数量，根据施工区域、施工设备、施工参数类型等对最优决策指令的输出数据进行分解与归类，依据项目工程资料与现场施工信息自动计算生成决策指令的集合。建立指令系统与施工现场之间的信息传输网络，将各决策指令以数据的形式通过无线/有线互联网传输到施工现场，施工现场的管理人员通过智能设备终端接收相应权限的决策指令；现场智能化施工机械设备(智能设备)与决策系统通过网络协议进行通信，接收实时的决策指令，在必要时可将智能设备对应的决策指令先发送至管理人员的智能设备终端，经人工审核后允许智能设备自动执行决策指令，完成自动决策过程。
上述技术方案中，通过采集沉井下沉施工相关实时数据；根据数据分布情况确定各个影响因素权重；根据采集数据与因素权重训练与更新沉井决策模型；沉井决策模型根据实时数据分析最优决策指令；向沉井施工现场自动输出决策指令的步骤，解决了沉井下沉施工中相关施工数据采集不实时、种类不全面的问题，优化了决策方法，使通过沉井决策模型分析后自动得出的决策指令更为贴合实际，同时，减少了在决策过程中人的主观经验对决策结果的影响，通过对施工历史数据的分析形成可靠的沉井决策模型，在保证决策准确性的基础上，提高了决策效率，为施工管理者提供了实时、科学的决策依据。
在另一技术方案中，所述的沉井下沉施工自动决策方法，步骤S2中，使用施工数据对影响因素的权重值进行设定和调整的方法如下：
S21、将采集到的施工数据根据影响因素的类型进行分类，任一类影响因素中包括多个数据测点；
S22、根据初始状态下的施工数据设置所述多个数据测点的参数阈值，同一类影响因素中的多个数据测点的权重值之和即为该类影响因素的权重值；
S23、读取下一施工周期的施工数据，预先设定所述多个数据测点的参数阈值，读取所述多个数据测点的参数在所述施工周期内超出其对应的阈值范围的幅度和比例，分别计算所述多个数据测点的异常值，并使用异常值对初始状态下所述多个数据测点的权重值进行修正，得到修正后的各类影响因素的权重值；其中，异常权值越大代表该项因素异常数据量越大，决策优先级越高；
S24、按照施工周期的顺序重复S23中的内容，即完成所述影响因素的权重值的即时调整。
上述技术方案中，将施工数据根据影响因素的类型进行分类，并使用权重值分别将不同的施工数据的对施工状态造成影响的程度进行量化，通过设置多个数据测点的参数阈值，判断在施工周期内数据测点的参数波动情况来确认该数据测点对施工状态的影响的程度的变化情况，将这种变化记录为异常值并使用异常值对设定好的权重值进行实时修正，保证了在不同施工条件下，影响因素的权重值的准确性，使得到的权重值更加符合实时施工情况，方便在后续施工中使用沉井决策模型对真实的施工情况进行模拟。
在另一技术方案中，所述的沉井下沉施工自动决策方法，步骤S3中，对所述沉井决策模型进行训练的方法为：以井孔为单位，提取其在所述施工周期内受到的全部影响因素和最终决策指令，形成所述施工周期内的训练样本，所述沉井决策模型根据所述训练样本分析得到在影响因素的权重值发生变化时对应的决策指令的变化并将其录入决策树中。
上述技术方案中，根据指定的施工周期内的训练样本建立决策树，根据各类影响因素和判别指标重要程度依次判断该井孔的最终决策指令对沉井结构状态的影响，从而可以得到适应各种复杂影响因素下的各个井孔的决策指令。沉井决策模型在经过训练后更能够适应施工过程中不断出现的新的影响因素，因此，经过训练后的决策模型能够准确为沉井井孔施工方案做出自动决策，从而实现无需人为判断的自动沉井施工决策。
在另一技术方案中，所述的沉井下沉施工自动决策方法，步骤S4中，对所述沉井决策模型进行测试的方法为：将实时采集到的施工数据导入所述沉井决策模型，从所述决策树的根节点开始，通过所述施工数据对应的影响因素的权重值进行逐层判别，直至进入所述决策树的叶节点，将所述叶节点对应的决策指令与所述施工数据中的最终决策指令进行比较，若所述决策指令与施工数据中的最终决策指令相符合则为决策正确，若决策指令与施工数据中的最终决策指令不相符合则为决策错误。为保证得到的沉井决策模型能够做出正确的决策，需要使用新的施工数据对沉井决策模型进行测试和验证，通过使用沉井决策模型分析新导入的施工数据，得到依据决策树做出的决策指令，将其与施工数据本身的最终决策指令进行比较，即可确认沉井决策模型得出的决策指令的正确性。
本发明还提供了一种沉井下沉施工自动决策系统，包括：
数据采集模块，其用于采集沉井结构和周围环境中的施工数据并将其上传至云端服务器；
决策分析模块，其设置在所述云端服务器上，包括数据处理模块，其用于从所述云端服务器读取所述施工数据，将所述施工数据根据影响因素的类型分类，根据初始状态下的施工数据设定各影响因素的权重值，并根据实时采集到的施工数据对所述影响因素的权重值进行调整；决策模型生成模块，其用于接收所述数据处理模块的施工数据和影响因素的权重值，以预设施工周期内的施工数据和影响因素的权重值为基础建立沉井决策模型并对其进行训练，得到不同影响因素的作用下沉井决策模型对实时施工数据的变化的响应值，形成决策树；决策模型验证模块，其与所述数据处理模块和所述决策模型生成模块连接，用于利用实时采集到的施工数据对所述沉井决策模型进行测试，直至验证得到的所述沉井决策模型的决策错误率达到设定的要求；决策指令输出模块，其与所述数据处理模块、所述决策模型生成模块和所述决策模型验证模块连接，用于在所述沉井决策模型的决策错误率达到设定的要求后，获取最新的施工数据和对应的影响因素的权重值并将其导入所述沉井决策模型，通过所述沉井决策模型分析，输出最优决策指令；
指令传输模块，其用于接收所述决策指令输出模块输出的最优决策指令，将所述最优决策指令的输出数据进行分类并生成对应的决策指令，并向施工现场的智能设备输出相应的决策指令。
在另一技术方案中，所述的沉井下沉施工自动决策系统，使用施工数据对影响因素的权重值进行设定和调整的方法如下：
S31、将采集到的施工数据根据影响因素的类型进行分类，任一类影响因素中包括多个数据测点；
S32、根据初始状态下的施工数据设置所述多个数据测点的参数阈值，同一类影响因素中的多个数据测点的权重值之和即为该类影响因素的权重值；
S33、读取下一施工周期的施工数据，预先设定所述多个数据测点的参数阈值，读取所述多个数据测点的参数在所述施工周期内超出其对应的阈值范围的幅度和比例，分别计算所述多个数据测点的异常值，并使用异常值对初始状态下所述多个数据测点的权重值进行修正，得到修正后的各类影响因素的权重值；
S34、按照施工周期的顺序重复S33中的内容，即完成所述影响因素的权重值的即时调整。
在另一技术方案中，所述的沉井下沉施工自动决策系统，对所述沉井决策模型进行训练的方法为：以井孔为单位，提取其在所述施工周期内受到的全部影响因素和最终决策指令，形成所述施工周期内的训练样本，所述沉井决策模型根据所述训练样本分析得到在影响因素的权重值发生变化时对应的决策指令的变化并将其录入决策树中。
在另一技术方案中，所述的沉井下沉施工自动决策系统，对所述沉井决策模型进行测试的方法为：将实时采集到的施工数据导入所述沉井决策模型，从所述决策树的根节点开始，通过所述施工数据对应的影响因素的权重值进行逐层判别，直至进入所述决策树的叶节点，将所述叶节点对应的决策指令与所述施工数据中的最终决策指令进行比较，若所述决策指令与施工数据中的最终决策指令相符合则为决策正确，若决策指令与施工数据中的最终决策指令不相符合则为决策错误。
本发明还提供了一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述沉井下沉施工自动决策方法。
本发明还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时，实现所述沉井下沉施工自动决策方法。
以一沉井施工项目为例，对所述沉井下沉施工自动决策方法进行说明如下：
B1、获取沉井下沉施工中的施工数据
根据工程概况及施工特点在沉井结构上及周边环境关键位置安装相应数量的数据采集设备，同时建立若干个无线传输网络，将所采集的各类施工相关数据实时传输到云端服务器，存储在预先搭建好的结构化数据库中，工程勘察和设计、施工资料转化为静态结构化数据存储在数据库中。其中，所述施工数据包括但不限于以下种类：
数据一：沉井施工环境实时数据，包括风速风向、环境温湿度、水文地质、井孔泥面标高、沉井周边地面与构筑物沉降等数据；
数据二：沉井空间姿态实时数据，包括沉井空间三维坐标、各方向倾斜度、顶面与底面中心偏位、沉井各点实时与累积下沉量等数据；
数据三：沉井结构状态实时数据，包括沉井底面土压力、侧壁土压力、隔墙底部应力、刃脚根部应力、井壁应力、隔舱水位高度、沉井顶面挠度等数据；
数据四：现场智能化施工机械设备网络协议类型、数据接口、指令代码等数据；
数据五：沉井地勘资料，包括地勘报告、钻孔图、土工试验结果表；
数据六：沉井结构图纸，配细节及大样图(附舱室编号)；
数据七：施工方案、监控方案、有限元计算报告、沉井监控测点位置及布置平面图(附编号)；
数据八：各项数据输出指标名称、代号及对应正常范围与多级预警范围。
B2、根据数据分布情况确定各个影响因素权重
B21、根据沉井施工特点将采集到的施工数据根据影响因素的类型分为五类，任一类影响因素中包括多个数据测点，并将采集所得施工数据按照类型归集到各个影响因素种类下：
影响因素一类：沉井施工环境实时数据(对应数据一)；
影响因素二类：沉井空间姿态实时数据(对应数据二)；
影响因素三类：沉井结构状态实时数据(对应数据三)；
影响因素四类：施工机械设备运行情况(对应数据四)；
影响因素五类：其它影响因素(对应数据五-数据八以及其它数据类型)；
B22、根据当前项目施工进度(即初始状态下的施工数据)设置初始状态下的各影响因素的权重值，如表1所示：
表1初始状态下影响因素的权重值表
B23、读取下一施工周期的施工数据，预先设定所述多个数据测点的参数阈值(即参数设定的正常范围)，读取所述多个数据测点的参数在所述施工周期内超出其对应的阈值范围的幅度和比例，分别计算所述多个数据测点的异常值，并使用异常值对初始状态下所述多个数据测点的权重值进行修正，得到修正后的各类影响因素的权重值，如表2所示：
表2决策后影响因素的权重值表
B24、按照施工周期的顺序重复B23中的内容，即完成所述影响因素的权重值的即时调整。
B3、根据采集的施工数据和影响因素的权重值更新沉井决策模型
B31、根据沉井尺寸大小、形状、材质等信息建立整体三维决策模型，即沉井决策模型，并将其以井孔为单位划分为多个施工区域；
B32、提取预设的施工周期内的历史施工数据，分析并计算该施工周期内沉井决策模型中各个施工区域内各影响因素的权重值、判别指标和最终决策指令，将这些数据整合形成沉井决策模型的训练样本，如表3所示：
表3训练样本
其中，沉井井孔编号对应划分的多个施工区域，权重值A1-A5分别为五类影响因素对应的权重值，是否超挖、持续开挖时间、高低开挖数差、所在区域为部分判别指标的类型，决策结果为最终决策指令。
B33、根据沉井决策模型的训练样本对沉井决策模型进行训练并形成决策树：根据各类影响因素和判别指标重要程度依次判断该井孔决策结果对沉井结构状态的影响，得到在不同影响因素下的各个井孔的决策指令；
B4、根据新的施工数据对沉井决策模型进行测试
B41、从决策树的根节点开始，逐层比较所述施工数据在对应节点的影响因素并对判别指标进行判定，直到进入叶节点，验证从决策树中得到的决策指令与施工数据中的最终决策指令是否一致，若决策指令与最终决策指令相符合则为决策正确，决策指令与最终决策指令不相符合则为决策错误；
B42、对多个施工区域的决策指令的正确性分别进行验证，若错误率低于预设的阈值时表示沉井决策模型已测试完成，否则重复B3中的内容采用新的施工数据继续对沉井决策模型进行训练。
B5、利用沉井决策模型分析最优决策指令
将最新的施工数据与各影响因素的权重值输入到沉井决策模型，由沉井决策模型结合当前沉井真实状态与施工条件，自动分析得到最优决策指令。
B6、向沉井施工现场输出最优决策指令
对最优决策指令的输出数据按照施工设备及相应的施工参数进行分解与归类，依据项目工程资料与现场施工信息自动计算生成对应的决策指令，并将其以数据形式通过无线/有线互联网传输到施工现场，施工管理人员通过智能设备接收相应权限的决策指令，现场智能设备通过网络协议进行通信，接收决策指令，完成自动决策过程，如表4所示：
表4最优决策指令的输出数据
其中，作业指令对应最优决策指令，施工设备数量、施工设备编号、作业时间、作业深度、作业路径对应最优决策指令的输出数据的不同类型。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
Claims (10)
1.一种沉井下沉施工自动决策方法，其特征在于，包括：
S1、获取沉井下沉施工中的施工数据；
S2、将所述施工数据根据影响因素的类型进行分类，根据初始状态下的施工数据设定各影响因素的权重值，并根据实时采集到的施工数据对所述影响因素的权重值进行调整；
S3、以预设施工周期内的施工数据和影响因素的权重值为基础建立沉井决策模型并对其进行训练，得到不同影响因素的作用下沉井决策模型对实时施工数据的变化的响应值，形成决策树；
其中，建立基于决策树算法的沉井决策模型的方法为：
根据沉井信息建立整体三维决策模型，将其按照若干个区域分成几个部分，每个区域由隔墙和若干个井孔组成，分别对各个区域的有限元模型进行受力分析，确定每个区域中不同的影响因素对应的权重值的影响范围；将预设的施工周期内的施工数据、对应的影响因素的权重值输入沉井决策模型，模拟沉井结构与施工环境实时状态，得到以井孔为单位生成的最终决策指令；同时，分析施工区域在沉井决策模型中的属性，提取多个属性判别指标，然后将各判别指标的数据录入沉井决策模型中，并分析判别指标与各影响因素的权重值的组合对最终决策结果的影响，形成完整的决策树；
S4、利用实时采集到的施工数据对所述沉井决策模型进行测试，直至验证得到的所述沉井决策模型的决策错误率达到设定的要求，否则重复S3中的内容采用新的施工数据继续对所述沉井决策模型进行训练；
S5、获取最新的施工数据和对应的影响因素的权重值并将其导入所述沉井决策模型，通过所述沉井决策模型分析出最优决策指令；
S6、将所述最优决策指令的输出数据进行分类并生成对应的决策指令，向施工现场的智能设备输出相应的决策指令，完成自动决策过程。
2.如权利要求1所述的沉井下沉施工自动决策方法，其特征在于，步骤S2中，使用施工数据对影响因素的权重值进行设定和调整的方法如下：
S21、将采集到的施工数据根据影响因素的类型进行分类，任一类影响因素中包括多个数据测点；
S22、根据初始状态下的施工数据设置所述多个数据测点的参数阈值，同一类影响因素中的多个数据测点的权重值之和即为该类影响因素的权重值；
S23、读取下一施工周期的施工数据，预先设定所述多个数据测点的参数阈值，读取所述多个数据测点的参数在所述施工周期内超出其对应的阈值范围的幅度和比例，分别计算所述多个数据测点的异常值，并使用异常值对初始状态下所述多个数据测点的权重值进行修正，得到修正后的各类影响因素的权重值；
S24、按照施工周期的顺序重复S23中的内容，即完成所述影响因素的权重值的即时调整。
3.如权利要求1所述的沉井下沉施工自动决策方法，其特征在于，步骤S3中，对所述沉井决策模型进行训练的方法为：以井孔为单位，提取其在所述施工周期内受到的全部影响因素和最终决策指令，形成所述施工周期内的训练样本，所述沉井决策模型根据所述训练样本分析得到在影响因素的权重值发生变化时对应的决策指令的变化并将其录入决策树中。
4.如权利要求1所述的沉井下沉施工自动决策方法，其特征在于，步骤S4中，对所述沉井决策模型进行测试的方法为：将实时采集到的施工数据导入所述沉井决策模型，从所述决策树的根节点开始，通过所述施工数据对应的影响因素的权重值进行逐层判别，直至进入所述决策树的叶节点，将所述叶节点对应的决策指令与所述施工数据中的最终决策指令进行比较，若所述决策指令与施工数据中的最终决策指令相符合则为决策正确，若决策指令与施工数据中的最终决策指令不相符合则为决策错误。
5.一种沉井下沉施工自动决策系统，其特征在于，包括：
数据采集模块，其用于采集沉井结构和周围环境中的施工数据并将其上传至云端服务器；
决策分析模块，其设置在所述云端服务器上，包括数据处理模块，其用于从所述云端服务器读取所述施工数据，将所述施工数据根据影响因素的类型分类，根据初始状态下的施工数据设定各影响因素的权重值，并根据实时采集到的施工数据对所述影响因素的权重值进行调整；决策模型生成模块，其用于接收所述数据处理模块的施工数据和影响因素的权重值，根据沉井信息建立整体三维决策模型，将其按照若干个区域分成几个部分，每个区域由隔墙和若干个井孔组成，分别对各个区域的有限元模型进行受力分析，确定每个区域中不同的影响因素对应的权重值的影响范围，然后将施工数据和影响因素的权重值输入沉井决策模型并对其进行训练，得到不同影响因素的作用下沉井决策模型对实时施工数据的变化的响应值和以井孔为单位生成的最终决策指令，同时分析施工区域在沉井决策模型中的属性，提取多个属性判别指标，将各判别指标的数据录入沉井决策模型中，并分析判别指标与各影响因素的权重值的组合对最终决策结果的影响，形成决策树；决策模型验证模块，其与所述数据处理模块和所述决策模型生成模块连接，用于利用实时采集到的施工数据对所述沉井决策模型进行测试，直至验证得到的所述沉井决策模型的决策错误率达到设定的要求；决策指令输出模块，其与所述数据处理模块、所述决策模型生成模块和所述决策模型验证模块连接，用于在所述沉井决策模型的决策错误率达到设定的要求后，获取最新的施工数据和对应的影响因素的权重值并将其导入所述沉井决策模型，通过所述沉井决策模型分析，输出最优决策指令；
指令传输模块，其用于接收所述决策指令输出模块输出的最优决策指令，将所述最优决策指令的输出数据进行分类并生成对应的决策指令，并向施工现场的智能设备输出相应的决策指令。
6.如权利要求5所述的沉井下沉施工自动决策系统，其特征在于，使用施工数据对影响因素的权重值进行设定和调整的方法如下：
S31、将采集到的施工数据根据影响因素的类型进行分类，任一类影响因素中包括多个数据测点；
S32、根据初始状态下的施工数据设置所述多个数据测点的参数阈值，同一类影响因素中的多个数据测点的权重值之和即为该类影响因素的权重值；
S33、读取下一施工周期的施工数据，预先设定所述多个数据测点的参数阈值，读取所述多个数据测点的参数在所述施工周期内超出其对应的阈值范围的幅度和比例，分别计算所述多个数据测点的异常值，并使用异常值对初始状态下所述多个数据测点的权重值进行修正，得到修正后的各类影响因素的权重值；
S34、按照施工周期的顺序重复S33中的内容，即完成所述影响因素的权重值的即时调整。
7.如权利要求5所述的沉井下沉施工自动决策系统，其特征在于，对所述沉井决策模型进行训练的方法为：以井孔为单位，提取其在所述施工周期内受到的全部影响因素和最终决策指令，形成所述施工周期内的训练样本，所述沉井决策模型根据所述训练样本分析得到在影响因素的权重值发生变化时对应的决策指令的变化并将其录入决策树中。
8.如权利要求5所述的沉井下沉施工自动决策系统，其特征在于，对所述沉井决策模型进行测试的方法为：将实时采集到的施工数据导入所述沉井决策模型，从所述决策树的根节点开始，通过所述施工数据对应的影响因素的权重值进行逐层判别，直至进入所述决策树的叶节点，将所述叶节点对应的决策指令与所述施工数据中的最终决策指令进行比较，若所述决策指令与施工数据中的最终决策指令相符合则为决策正确，若决策指令与施工数据中的最终决策指令不相符合则为决策错误。
9.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-4中任一项所述的方法。
10.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时，实现权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011281401.0A CN112396312B (zh) | 2020-11-16 | 2020-11-16 | 一种沉井下沉施工自动决策方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011281401.0A CN112396312B (zh) | 2020-11-16 | 2020-11-16 | 一种沉井下沉施工自动决策方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112396312A CN112396312A (zh) | 2021-02-23 |
| CN112396312B true CN112396312B (zh) | 2022-11-11 |
Family
ID=74599675
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011281401.0A Active CN112396312B (zh) | 2020-11-16 | 2020-11-16 | 一种沉井下沉施工自动决策方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112396312B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114091629B (zh) * | 2022-01-21 | 2022-07-15 | 西安羚控电子科技有限公司 | 一种试飞数据智能处理系统及其方法 |
| CN115345388B (zh) * | 2022-10-19 | 2023-01-17 | 山东省地质科学研究院 | 一种砂石资源供需精准分析方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105714842A (zh) * | 2016-02-04 | 2016-06-29 | 西南交通大学 | 沉井下沉预警方法和系统 |
| CN111622252A (zh) * | 2020-04-24 | 2020-09-04 | 中交第二航务工程局有限公司 | 大型沉井施工全过程智能控制系统及控制方法 |
| CN111737896A (zh) * | 2020-06-17 | 2020-10-02 | 中国科学院武汉岩土力学研究所 | 基于abaqus的沉井关键点计算应力自动提取分析系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11138508B2 (en) * | 2017-02-01 | 2021-10-05 | Wipro Limited | Device and method for identifying causal factors in classification decision making models using subjective judgement |
-
2020
- 2020-11-16 CN CN202011281401.0A patent/CN112396312B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105714842A (zh) * | 2016-02-04 | 2016-06-29 | 西南交通大学 | 沉井下沉预警方法和系统 |
| CN111622252A (zh) * | 2020-04-24 | 2020-09-04 | 中交第二航务工程局有限公司 | 大型沉井施工全过程智能控制系统及控制方法 |
| CN111737896A (zh) * | 2020-06-17 | 2020-10-02 | 中国科学院武汉岩土力学研究所 | 基于abaqus的沉井关键点计算应力自动提取分析系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 超大型深水沉井三维姿态自动监测方法;庄小刚 等;《现代测绘》;20190131;47-50 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112396312A (zh) | 2021-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112396312B (zh) | 一种沉井下沉施工自动决策方法及系统 | |
| CN109584510A (zh) | 一种基于评估函数训练的道路高边坡滑坡灾害预警方法 | |
| CN109241627A (zh) | 概率分级的动态支护方法及自动设计支护方案的装置 | |
| CN109165406A (zh) | 一种隧道施工过程中围岩快速动态分级预测方法 | |
| CN112966722A (zh) | 基于半监督随机森林模型的区域滑坡易发性预测方法 | |
| CN115526108B (zh) | 一种基于多源监测数据的滑坡稳定性智能动态预测方法 | |
| CN106203729A (zh) | 一种协助进行地下水污染评估的方法及系统 | |
| CN106952003A (zh) | 高地应力区层状岩体地下洞室围岩破坏类型预测方法 | |
| CN113720639B (zh) | 一种污染场地调查补充采样的方法 | |
| CN107016205A (zh) | 一种地下水数值模拟的多模型构建方法 | |
| CN115730684A (zh) | 一种基于lstm-cnn模型的空气质量检测系统 | |
| CN113886989A (zh) | 一种基于机器学习的石油钻井的参数优化方法及系统 | |
| CN117330040B (zh) | 一种基于水上测绘无人船的滩涂地形测绘方法及系统 | |
| CN117037432B (zh) | 基于多方法协同的风险评价地质灾害预警方法 | |
| CN116402951A (zh) | 基于数字孪生的边坡安全管理方法及系统 | |
| CN107957982A (zh) | 震后次生地质灾害易发性快速评估方法和系统 | |
| CN112632799B (zh) | 输电线路设计风速取值方法及装置 | |
| CN113742962B (zh) | 一种基于水平井的页岩储层属性三维建模方法 | |
| CN115239013A (zh) | 面向冲积河道的崩岸等级预测方法及系统 | |
| CN114004141A (zh) | 一种河流流域地下水超采区预测决策平台 | |
| CN110288726B (zh) | 一种基于bp神经网络甘蔗转运车危险预测方法 | |
| Tao et al. | PROcess-guided deep learning and DAta-driven modelling (PRODA) | |
| CN117390381B (zh) | 基于深度学习的地下连续墙接头缝渗漏预测方法及装置 | |
| LU502946B1 (en) | Real-time prediction method of groundwater seepage field in cultural site areas | |
| CN115619788B (zh) | 一种三维地质模型质量的自动化定量评价方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210903 Address after: 430048 No. 11 Jinyinhu Road, Dongxihu District, Wuhan City, Hubei Province Applicant after: CCCC SECOND HARBOR ENGINEERING Co.,Ltd. Applicant after: CCCC HIGHWAY BRIDGES NATIONAL ENGINEERING RESEARCH CENTER Co.,Ltd. Address before: 430048 No. 11 Jinyinhu Road, Dongxihu District, Wuhan City, Hubei Province Applicant before: CCCC SECOND HARBOR ENGINEERING Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220217 Address after: 430048 No. 11 Jinyinhu Road, Dongxihu District, Wuhan City, Hubei Province Applicant after: CCCC SECOND HARBOR ENGINEERING Co.,Ltd. Applicant after: CCCC HIGHWAY BRIDGES NATIONAL ENGINEERING RESEARCH CENTER Co.,Ltd. Applicant after: CCCC WUHAN HARBOUR ENGINEERING DESIGN AND RESEARCH Co.,Ltd. Address before: 430048 No. 11 Jinyinhu Road, Dongxihu District, Wuhan City, Hubei Province Applicant before: CCCC SECOND HARBOR ENGINEERING Co.,Ltd. Applicant before: CCCC HIGHWAY BRIDGES NATIONAL ENGINEERING RESEARCH CENTER Co.,Ltd. |
|
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhang Yongtao Inventor after: Chen Jianrong Inventor after: Wan Meng Inventor after: Liu Xiucheng Inventor after: Bai Jia Inventor after: Huang Can Inventor after: Li Hao Inventor after: Li Dejie Inventor after: Zhu Hao Inventor after: Wang Zichao Inventor after: Sun Nanchang Inventor after: Chen Ming Inventor after: Wu Qihe Inventor before: Huang Can Inventor before: Wan Meng Inventor before: Liu Xiucheng Inventor before: Bai Jia Inventor before: Li Hao Inventor before: Li Dejie Inventor before: Zhu Hao Inventor before: Wang Zichao Inventor before: Sun Nanchang Inventor before: Chen Ming Inventor before: Wu Qihe Inventor before: Chen Jianrong |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |