CN112784462A - 一种基于有限元法的水工结构应力变形预测系统 - Google Patents
一种基于有限元法的水工结构应力变形预测系统 Download PDFInfo
- Publication number
- CN112784462A CN112784462A CN202110123146.5A CN202110123146A CN112784462A CN 112784462 A CN112784462 A CN 112784462A CN 202110123146 A CN202110123146 A CN 202110123146A CN 112784462 A CN112784462 A CN 112784462A
- Authority
- CN
- China
- Prior art keywords
- data
- safety performance
- hydraulic structure
- particle
- stress deformation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000013179 statistical model Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000000611 regression analysis Methods 0.000 claims abstract description 8
- 238000012098 association analyses Methods 0.000 claims abstract description 6
- 239000002245 particle Substances 0.000 claims description 36
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000013138 pruning Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000004062 sedimentation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 5
- 238000002790 cross-validation Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003204 osmotic effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
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
- G06F30/23—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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- 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)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及水工预测系统技术领域，具体涉及一种基于有限元法的水工结构应力变形预测系统；本发明系统包括安监数据采集模块、数据回归分析模块、数据关联分析模块和智能预测模块，系统通过安监数据采集模块构建统计模型，然后通过数据回归分析模块对统计模型进行处理得到复相关系数R和剩余标准差S，数据关联分析模块通过对安监数据采集模块采集的数据进行处理得到安全性态指标等级体系，智能预测模块通过数据关联分析模块处理得到的监测数据和安全性态指标等级体系的相关性关系为基础通过相关性系数的计算公式得到最佳预见期，并构建PSO‑SVR模型；本发明能够有效地水工结构应力变形进行快速和准确的处理并能精确预测其未来变化的情况。
Description
技术领域
本发明涉及水工预测系统技术领域，具体涉及一种基于有限元法的水工结构应力变形预测系统。
背景技术
在申请号为：CN201610166004.6的专利文件中公开了一种可实时预测自身寿命的智能水电站，包括水电站本体和设置在水电站本体上的智能监测系统，所述系统包括监测模块、数据处理模块、安全状态评估模块、预警报警模块和仿真显示模块，其中监测模块包括无线传感器网络、应变传感器组件和位移传感器，数据处理模块包括采集中心站、信号调理器和信号传输装置，安全状态评估模块包括微处理器，预警报警模块包括分析处理器和报警器，仿真显示模块包括三维GIS仿真平台。本发明实现了对水电站本体健康的实时监控，并且能够根据监测数据预测水电站的剩余寿命，精确智能。
但是，其在实际应用到的过程中仍存在：对电站水工结构应力监测数据处理效果效率低下且难于精确预测其未来变化的情况。
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，解决上述背景技术中提出的问题。
为了实现上述目的，本发明采用了如下技术方案：一种基于有限元法的水工结构应力变形预测系统，所述系统包括安监数据采集模块、数据回归分析模块、数据关联分析模块和智能预测模块；所述系统通过安监数据采集模块构建统计模型，然后通过所述数据回归分析模块对统计模型进行处理得到复相关系数R和剩余标准差S，然后通过公式进行回归方程的显著性检验；所述数据关联分析模块通过对安监数据采集模块采集的数据进行处理得到安全性态指标等级体系；所述智能预测模块通过数据关联分析模块处理得到的监测数据和安全性态指标等级体系的相关性关系为基础通过相关性系数的计算公式得到最佳预见期，然后通过最佳预见期确定终选预测因子，并构建PSO-SVR模型。
优选的，所述统计模型为：
其中：δv-坝体某点的沉降；
θ-从竣工到观测时刻的时间；
Hi-观测时刻的库水位；
b0、c1、a11～a13以及a21～a2m均为回归系数。
优选的，所述复相关系数R和剩余标准差S的计算公式分别为:
复相关系数R和剩余标准差S的计算公式中
的计算公式如下：
其中：b0、b1、b2、…、bn为回归系数；
x1t，x2t，…，xkt，yt为观测数据；
t＝1，2，…，n；n>k。
优选的，所述回归方程的显著性检验的公式为：
优选的，所述安全性态指标等级体系包括以下步骤：
Step1-统计历史监测数据构建历史信息数据集；
Step2-依据监测数据等级体系，将历史信息数据集中的数据值转化为等级值；
Step3-确定电厂安全性态等级值；
Step4-统计整理监测数据等级信息集和电厂安全性态等级信息集，构建电厂安全性态事务；
Step5-使用FP-growth等算法挖掘电厂安全性态事务中的安全性态-监测数据相关性关系，基本步骤如下：
①计算事务上所有的k-项集和支持度计数；
②统计所有支持度计数，对候选项集进行剪枝，构建频繁项集；
③基于置信度对频繁项集进行剪枝，构建规则集；
Step6-统计整理挖掘得到的规则关系，分析安全性态等级与检测数据等级之间的相关性关系。
优选的，所述相关性系数的计算公式的计算公式如下：
其中：ρi表示第i个监测数据项与安全性态指标的相关性系数，xn表示样本集上的第i项监测数据的第n个数据，表示该项监测数据项在样本集上的平均值，yn表示样本集上的第n项安全性态指标，表示安全性态指标在样本集上的均值，n为样本集中样本的数目。
优选的，所述8、PSO-SVR模型的构建采用粒子群优化算法搜索SVR的参数C、σ和ε的最优解，其具体步骤为：
Step1-确定预报因子；
Step2-依据预报因子整理数据集，对数据集中的预报因子数据进行归一化处理，按照训练|测试比8:2的比例划分训练集和测试集；
Step3-采用PSO算法确定SVR模型中C、σ和ε的最优解，具体步骤如下：
①确定C、σ和ε三个参数的取值范围(粒子群的位置和速度都与三个参数的取值范围有关)；
②初始化粒子群。即设置粒子群规模、迭代代数、随机位置和速度等；
③确定适应度评估函数。并由适应度评估函数计算每个粒子的适应度值；
④确定每个粒子的个体最佳位置。将每个粒子当前位置的适应度值与其历史最佳位置pbest(即局部最优解)的适应度值作比较，如果当前位置适应度值大于pbest的适应度值，则将其作为当前的最佳位置pbest；
⑤确定整个粒子群的全局最佳位置。将每个粒子当前最佳位置的适应度值与整个群体的当前最佳位置gbest(即全局最优解)的适应度值作比较，如果当前最好位置适应度值大于gbest的适应度值，则将其作为当前的最佳位置gbest；
⑥更新粒子速度V和位置X：
vi+1＝wvi+c1r1(pbest-xi)+c2r2(gbest-xi)
xi+1＝xi+vi+1
式中：i表示迭代代数，xi表示第i次迭代时粒子所在位置，vi表示第i次迭代时粒子的速度，r1、r2为(0,1)之间的两个随机数，c1、c2表示的是增速因子，它们的取值均大于0，一般都取为2，w为权重因子，取值范围是(0,1)；
⑦判断算法是否满足结束条件，不满足则转到第③步；满足则输出最优结果，此时的全局最优解即是三个参数的最优值；
Step4-将PSO算法得到的三个参数的最优解输入到SVR模型中；
Step5-根据输入数据预测未来的安全性态指标，并以此确定安全性态等级。
Step6-采用验证集验证模型的预测效果，并对模型进行评价。
优选的，所述预报因子的选取基于以上确定的最佳预见期，依据在此预见期上的各项监测数据项与安全性态指标的相关性系数，将相关性系数按从大到小的顺序排列，并两两分析监测数据项之间的相关性，去除互相关系数大于0.4的两者中的一个，将经过选择后的监测数据项作为终选预报因子。
与现有技术相比，本发明的优点和积极效果在于，
本发明通过增加采用非线性有限元方法对大坝、地下洞室等水工结构的应力变形进行模拟分析，通过参数反演分析，建立能够基本上与实测变形契合的有限元模型，基于对实际监测变形的统计规律，对有限元预测变形场做部分修正，在此基础上，建立水位-时间-应力变形场知识库。采用人工神经网络(ANN)学习环境量(如水位、时间、温度等)和监测指标(如典型测点的位移、渗压)等与应力变形场之间的关联，形成水工结构应力变形场的人工智能预测模型的设计，达到有效地提升本发明对水工结构应力变形进行快速和准确处理并能精确预测其未来变化情况的效果
附图说明
图1为本发明的PSO-SVR模型的构建步骤图；
图2为本发明在实际应用过程中某土石坝防渗体系缺陷系数随运行时间的变化过程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和实施例对本发明做进一步说明。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开说明书的具体实施例的限制。
一种基于有限元法的水工结构应力变形预测系统，系统包括安监数据采集模块、数据回归分析模块、数据关联分析模块和智能预测模块；系统通过安监数据采集模块构建统计模型，然后通过数据回归分析模块对统计模型进行处理得到复相关系数R和剩余标准差S，然后通过公式进行回归方程的显著性检验；数据关联分析模块通过对安监数据采集模块采集的数据进行处理得到安全性态指标等级体系；智能预测模块通过数据关联分析模块处理得到的监测数据和安全性态指标等级体系的相关性关系为基础通过相关性系数的计算公式得到最佳预见期，然后通过最佳预见期确定终选预测因子，并构建PSO-SVR模型。
统计模型为：
其中：δv-坝体某点的沉降；
θ-从竣工到观测时刻的时间；
Hi-观测时刻的库水位；
b0、c1、a11～a13以及a21～a2m均为回归系数。
复相关系数R和剩余标准差S的计算公式分别为:
复相关系数R和剩余标准差S的计算公式中的计算公式如下：
其中：b0、b1、b2、…、bn为回归系数；
x1t，x2t，…，xkt，yt为观测数据；
t＝1，2，…，n；n>k。
复相关系数R和剩余标准差S的计算公式中
的计算公式如下：。
回归方程的显著性检验的公式为：
安全性态指标等级体系包括以下步骤：
Step1-统计历史监测数据构建历史信息数据集；
Step2-依据监测数据等级体系，将历史信息数据集中的数据值转化为等级值；
Step3-确定电厂安全性态等级值；
Step4-统计整理监测数据等级信息集和电厂安全性态等级信息集，构建电厂安全性态事务；
Step5-使用FP-growth等算法挖掘电厂安全性态事务中的安全性态-监测数据相关性关系，基本步骤如下：
①计算事务上所有的k-项集和支持度计数；
②统计所有支持度计数，对候选项集进行剪枝，构建频繁项集；
③基于置信度对频繁项集进行剪枝，构建规则集；
Step6-统计整理挖掘得到的规则关系，分析安全性态等级与检测数据等级之间的相关性关系。
相关性系数的计算公式的计算公式如下：
其中：ρi表示第i个监测数据项与安全性态指标的相关性系数，xn表示样本集上的第i项监测数据的第n个数据，表示该项监测数据项在样本集上的平均值，yn表示样本集上的第n项安全性态指标，表示安全性态指标在样本集上的均值，n为样本集中样本的数目。
PSO-SVR模型的构建采用粒子群优化算法搜索SVR的参数C、σ和ε的最优解，其具体步骤为：
Step1-确定预报因子；
Step2-依据预报因子整理数据集，对数据集中的预报因子数据进行归一化处理，按照训练|测试比8:2的比例划分训练集和测试集；
Step3-采用PSO算法确定SVR模型中C、σ和ε的最优解，具体步骤如下：
①确定C、σ和ε三个参数的取值范围(粒子群的位置和速度都与三个参数的取值范围有关)；
②初始化粒子群。即设置粒子群规模、迭代代数、随机位置和速度等；
③确定适应度评估函数。并由适应度评估函数计算每个粒子的适应度值；
④确定每个粒子的个体最佳位置。将每个粒子当前位置的适应度值与其历史最佳位置pbest(即局部最优解)的适应度值作比较，如果当前位置适应度值大于pbest的适应度值，则将其作为当前的最佳位置pbest；
⑤确定整个粒子群的全局最佳位置。将每个粒子当前最佳位置的适应度值与整个群体的当前最佳位置gbest(即全局最优解)的适应度值作比较，如果当前最好位置适应度值大于gbest的适应度值，则将其作为当前的最佳位置gbest；
⑥更新粒子速度V和位置X：
vi+1＝wvi+c1r1(pbest-xi)+c2r2(gbest-xi)
xi+1＝xi+vi+1
式中：i表示迭代代数，xi表示第i次迭代时粒子所在位置，vi表示第i次迭代时粒子的速度，r1、r2为(0,1)之间的两个随机数，c1、c2表示的是增速因子，它们的取值均大于0，一般都取为2，w为权重因子，取值范围是(0,1)；
⑦判断算法是否满足结束条件，不满足则转到第③步；满足则输出最优结果，此时的全局最优解即是三个参数的最优值；
Step4-将PSO算法得到的三个参数的最优解输入到SVR模型中；
Step5-根据输入数据预测未来的安全性态指标，并以此确定安全性态等级。
预报因子的选取基于以上确定的最佳预见期，依据在此预见期上的各项监测数据项与安全性态指标的相关性系数，将相关性系数按从大到小的顺序排列，并两两分析监测数据项之间的相关性，去除互相关系数大于0.4的两者中的一个，将经过选择后的监测数据项作为终选预报因子。
应用交叉验证法(Cross-Validation)，对模型有效性开展验证与评价。交叉验证法的基本思想为，将数据集D划分为k个大小相似的互斥子集。每次用其中k-1个子集的并集作为训练集，余下的那个子集作为测试集，从而可获得k组训练集/测试集，从而可进行k次训练和测试。交叉验证法评估结果的稳定性和保真性往往与k的取值有关，为强调这一点，通常也将交叉验证成为“k折交叉验证”(k-FoldCross-Validation)，其中最常用的为10折交叉验证。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (9)
1.一种基于有限元法的水工结构应力变形预测系统，其特征在于：所述系统包括安监数据采集模块、数据回归分析模块、数据关联分析模块和智能预测模块；所述系统通过安监数据采集模块构建统计模型，然后通过所述数据回归分析模块对统计模型进行处理得到复相关系数R和剩余标准差S，然后通过公式进行回归方程的显著性检验；所述数据关联分析模块通过对安监数据采集模块采集的数据进行处理得到安全性态指标等级体系；所述智能预测模块通过数据关联分析模块处理得到的监测数据和安全性态指标等级体系的相关性关系为基础通过相关性系数的计算公式得到最佳预见期，然后通过最佳预见期确定终选预测因子，并构建PSO-SVR模型。
2.根据权利要求1所述的一种基于有限元法的水工结构应力变形预测系统，其特征在于，所述统计模型为：
其中：δv-坝体某点的沉降；
θ-从竣工到观测时刻的时间；
Hi-观测时刻的库水位；
b0、c1、c2、a11～a13及a21～a2m均为回归系数。
3.根据权利要求1所述的一种基于有限元法的水工结构应力变形预测系统，其特征在于，所述复相关系数R和剩余标准差S的计算公式分别为：
4.根据权利要求3所述的一种基于有限元法的水工结构应力变形预测系统，其特征在于，所述复相关系数R和剩余标准差S的计算公式中的计算公式如下：
其中：b0、b1、b2、…、bn为回归系数；
x1t，x2t，…，xkt，yt为观测数据；
t＝1，2，…，n；n>k。
5.根据权利要求1所述的一种基于有限元法的水工结构应力变形预测系统，其特征在于，所述回归方程的显著性检验的公式为：
6.根据权利要求1所述的一种基于有限元法的水工结构应力变形预测系统，其特征在于，所述安全性态指标等级体系包括以下步骤：
Step1-统计历史监测数据构建历史信息数据集；
Step2-依据监测数据等级体系，将历史信息数据集中的数据值转化为等级值；
Step3-确定电厂安全性态等级值；
Step4-统计整理监测数据等级信息集和电厂安全性态等级信息集，构建电厂安全性态事务；
Step5-使用FP-growth等算法挖掘电厂安全性态事务中的安全性态-监测数据相关性关系，基本步骤如下：
①计算事务上所有的k-项集和支持度计数；
②统计所有支持度计数，对候选项集进行剪枝，构建频繁项集；
③基于置信度对频繁项集进行剪枝，构建规则集；
Step6-统计整理挖掘得到的规则关系，分析安全性态等级与检测数据等级之间的相关性关系。
7.根据权利要求1所述的一种基于有限元法的水工结构应力变形预测系统，其特征在于，所述相关性系数的计算公式的计算公式如下：
其中：ρi表示第i个监测数据项与安全性态指标的相关性系数，xn表示样本集上的第i项监测数据的第n个数据，表示该项监测数据项在样本集上的平均值，yn表示样本集上的第n项安全性态指标，表示安全性态指标在样本集上的均值，n为样本集中样本的数目。
8.根据权利要求1所述的一种基于有限元法的水工结构应力变形预测系统，其特征在于，所述PSO-SVR模型的构建采用粒子群优化算法搜索SVR的参数C、σ和ε的最优解，其具体步骤为：
Step1-确定预报因子；
Step2-依据预报因子整理数据集，对数据集中的预报因子数据进行归一化处理，按照训练|测试比8:2的比例划分训练集和测试集；
Step3-采用PSO算法确定SVR模型中C、σ和ε的最优解，具体步骤如下：
①确定C、σ和ε三个参数的取值范围(粒子群的位置和速度都与三个参数的取值范围有关)；
②初始化粒子群。即设置粒子群规模、迭代代数、随机位置和速度等；
③确定适应度评估函数。并由适应度评估函数计算每个粒子的适应度值；
④确定每个粒子的个体最佳位置。将每个粒子当前位置的适应度值与其历史最佳位置pbest(即局部最优解)的适应度值作比较，如果当前位置适应度值大于pbest的适应度值，则将其作为当前的最佳位置pbest；
⑤确定整个粒子群的全局最佳位置。将每个粒子当前最佳位置的适应度值与整个群体的当前最佳位置gbest(即全局最优解)的适应度值作比较，如果当前最好位置适应度值大于gbest的适应度值，则将其作为当前的最佳位置gbest；
⑥更新粒子速度V和位置X：
vi+1＝wvi+c1r1(pbest-xi)+c2r2(gbest-xi)
xi+1＝xi+vi+1
式中：i表示迭代代数，xi表示第i次迭代时粒子所在位置，vi表示第i次迭代时粒子的速度，r1、r2为(0,1)之间的两个随机数，c1、c2表示的是增速因子，它们的取值均大于0，一般都取为2，w为权重因子，取值范围是(0,1)；
⑦判断算法是否满足结束条件，不满足则转到第③步；满足则输出最优结果，此时的全局最优解即是三个参数的最优值；
Step4-将PSO算法得到的三个参数的最优解输入到SVR模型中；
Step5-根据输入数据预测未来的安全性态指标，并以此确定安全性态等级。
Step6-采用验证集验证模型的预测效果，并对模型进行评价。
9.根据权利要求8所述的一种基于有限元法的水工结构应力变形预测系统，其特征在于，所述预报因子的选取基于以上确定的最佳预见期，依据在此预见期上的各项监测数据项与安全性态指标的相关性系数，将相关性系数按从大到小的顺序排列，并两两分析监测数据项之间的相关性，去除互相关系数大于0.4的两者中的一个，将经过选择后的监测数据项作为终选预报因子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110123146.5A CN112784462A (zh) | 2021-01-29 | 2021-01-29 | 一种基于有限元法的水工结构应力变形预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110123146.5A CN112784462A (zh) | 2021-01-29 | 2021-01-29 | 一种基于有限元法的水工结构应力变形预测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112784462A true CN112784462A (zh) | 2021-05-11 |
Family
ID=75759663
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110123146.5A Pending CN112784462A (zh) | 2021-01-29 | 2021-01-29 | 一种基于有限元法的水工结构应力变形预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112784462A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113312845A (zh) * | 2021-05-31 | 2021-08-27 | 中国水利水电科学研究院 | 一种基于pso-svr的土石坝浸润线的测压管水位预测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110866974A (zh) * | 2019-12-12 | 2020-03-06 | 南方电网调峰调频发电有限公司 | 一种基于三维展示的水工监测系统 |
-
2021
- 2021-01-29 CN CN202110123146.5A patent/CN112784462A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110866974A (zh) * | 2019-12-12 | 2020-03-06 | 南方电网调峰调频发电有限公司 | 一种基于三维展示的水工监测系统 |
Non-Patent Citations (2)
| Title |
|---|
| 乔国龙等: "江垭碾压混凝土坝无应力变形统计模型分析", 《吉林水利》 * |
| 向华琦: "基于时间序列分析法的大坝变形监测数据分析研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113312845A (zh) * | 2021-05-31 | 2021-08-27 | 中国水利水电科学研究院 | 一种基于pso-svr的土石坝浸润线的测压管水位预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109492823B (zh) | 一种对输电线路覆冰厚度的预测方法 | |
| CN112036042B (zh) | 一种基于变分模态分解的动力设备异常检测方法及系统 | |
| CN104200005A (zh) | 基于神经网络的桥梁损伤识别方法 | |
| KR100867938B1 (ko) | 종속변수 유사도와 커널 회귀법을 이용한 발전소 계측기성능감시용 예측방법 | |
| CN104614179A (zh) | 一种风电机组齿轮箱状态监测方法 | |
| CN110501646A (zh) | 一种离线锂电池剩余电量估计方法 | |
| CN104712542A (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
| CN117113236B (zh) | 一种智慧城市监控系统及数据处理方法 | |
| CN112200237A (zh) | 一种结构健康监测系统时序监测数据异常诊断方法 | |
| CN112668526A (zh) | 基于深度学习和压电主动传感的螺栓群松动定位监测方法 | |
| CN111191855B (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
| CN115471679A (zh) | 一种天然河道水位流量同步同化方法及智能系统 | |
| CN113858566B (zh) | 一种基于机器学习的注塑机能耗预测方法及系统 | |
| CN103353295A (zh) | 一种精确预测大坝坝体垂直变形量的方法 | |
| Vishwakarma et al. | Forecasting of stage-discharge in a non-perennial river using machine learning with gamma test | |
| Liu et al. | Research on data correction method of micro air quality detector based on combination of partial least squares and random forest regression | |
| CN112784462A (zh) | 一种基于有限元法的水工结构应力变形预测系统 | |
| CN113536665B (zh) | 基于特征工程和lstm的路表温度短临预测方法及系统 | |
| Zhang et al. | Remaining useful life prediction for rolling bearings with a novel entropy-based health indicator and improved particle filter algorithm | |
| CN112418529B (zh) | 基于lstm神经网络的户外广告在线倒塌预测方法 | |
| CN117191147A (zh) | 一种泄洪大坝水位监测预警方法及系统 | |
| CN110414734B (zh) | 一种计及风资源利用率预测评估的方法 | |
| CN117272202A (zh) | 大坝变形异常值识别方法及系统 | |
| CN107330264A (zh) | 一种桥梁监测数据可靠性的验证方法 | |
| CN114676540B (zh) | 一种基于多信息融合的架空输电线路覆冰舞动预测方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210511 |