CN112800541A - 一种基于支持向量机回归的航空发动机载荷谱任务段建模方法 - Google Patents
一种基于支持向量机回归的航空发动机载荷谱任务段建模方法 Download PDFInfo
- Publication number
- CN112800541A CN112800541A CN202110102096.2A CN202110102096A CN112800541A CN 112800541 A CN112800541 A CN 112800541A CN 202110102096 A CN202110102096 A CN 202110102096A CN 112800541 A CN112800541 A CN 112800541A
- Authority
- CN
- China
- Prior art keywords
- sample set
- support vector
- vector machine
- task
- load spectrum
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 75
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 238000004088 simulation Methods 0.000 claims abstract description 27
- 230000002068 genetic effect Effects 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 210000000349 chromosome Anatomy 0.000 claims description 24
- 230000035772 mutation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geometry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于支持向量机回归的航空发动机载荷谱任务段建模方法,包括如下步骤:提取航空发动机载荷谱任务段数据;将任务段数据进行预处理,建立训练样本集和测试样本集;输入训练样本集,初始化支持向量机回归模型的参数,设置参数变化范围;采用遗传算法获得支持向量机回归模型的最优参数;训练获得航空发动机载荷谱任务段仿真模型,并计算出训练样本集的预测值;输入测试样本集,采用仿真模型计算测试数据的预测值;航空发动机载荷谱任务段建模精度分析。本发明能够解决目前由于任务段种类繁多、特征杂乱无章而无法准确高效建模的问题,为航空发动机载荷谱的预测和编制、航空发动机的强度分析提供了基础。
Description
技术领域
本发明涉及航空发动机载荷谱技术领域,尤其是一种基于支持向量机回归的航空发动机载荷谱任务段建模方法。
背景技术
航空发动机技术是世界军事强国优先发展并且高度垄断与严密封锁的关键技术,是一个国家装备军事水平与科技实力和综合国力的重要标记。航空发动机载荷谱是发动机零部件应力分析、结构设计准则、零部件及整机的耐久性试验以及寿命分析的依据。航空发动机载荷谱任务段是航空发动机载荷谱的最小基本单元,是航空发动机执行各类任务时最具体的载荷状态反映。任务段的建模是发动机载荷谱任务剖面仿真建模的基础,也是发动机整机载荷谱仿真、编制以及设计的重要基础。因此,研究航空发动机载荷谱任务段的建模方法具有重要的意义。由于航空发动机技术封锁,国外没有公开的相关研究资料,目前国内对于航空发动机载荷谱建模的方法主要有:
文献“操作相关的发动机载荷谱模型与仿真研究”对发动机重心法向过载谱进行了统计分析,采用泊松随机分布过程描述载荷谱各级载荷的到达时间和持续时间,通过统计各级载荷持续时间和到达时间的分布特征,得到各级载荷穿级次数及持续时间,分别拟合分布参数、穿级次数、持续时间与各级载荷的关系,从而建立描述载荷的数学模型,并采用正弦波和半正弦波分级对发动机重心过载谱进行了仿真。该建模方法以整个载荷谱任务剖面为单位进行建模,但模型中没有提出任务段的概念,通过统计建模前后的雨流计数结果对比显示误差较大,且该建模过程中未考虑载荷顺序的影响,采用的正弦波仿真也不能准确地体现载荷的实际变化特征。
文献“基于任务段数据库的机动飞行载荷谱的仿真”以任务段为建模单元,采用三参数威布尔分布描述载荷谱任务段峰值,泊松分布描述任务段的到达时间和持续时间,通过随机数抽取获取任务段峰值、到达时间、持续时间的数值信息;分析统计了持续时间与到达时间、持续时间与峰值的相关关系,保证上述相关关系一致的前提下,采用原谱任务段谱型进行仿真。该建模方法中将任务段定义为载荷特征具有明显变化的载荷片段,任务段不具有明确的实际意义,该建模方法实际上仍然是以载荷谱任务剖面为建模的单位,且该建模过程中是通过随机组合各仿真任务段获得仿真随机载荷谱,建模结果也丢失了载荷顺序信息,导致建模精度不高。
文献“与使用相关的航空发动机综合任务谱编制方法研究”同样采用了随机过程理论,分别对机动载荷谱和气动载荷谱进行了建模,文献中任务段的划分也是根据载荷的数学特征,采取对随机过程模型进行随机数抽取的方法,对机动载荷谱任务段采用不同峰值数目和峰值大小的三角波进行仿真,对气动载荷谱任务段采用三角波和梯形波进行仿真,最后将各任务段仿真结果随机组合,获得整机载荷谱的建模结果。但该建模方法任务段的定义同样不具有实际意义,仿真任务段的随机组合也使载荷谱建模结果丢失了载荷顺序信息,且采用三角波或梯形波等标准波形进行任务段的仿真不能准确地反映载荷的实际变化特征,建模结果精度不高。
专利112115787A“一种基于实际飞行动作的航空发动机载荷谱任务段划分方法”提出将任务段定义为航空发动机执行各类完整实际飞行动作时载荷特征具有相似变化特征的载荷片段,任务段的定义具有与实际操作和实际飞行动作相关的意义。但划分获得的航空发动机载荷谱任务段种类繁多,不同类别任务段特征各异,同类任务段形态相似但不相同,载荷特征杂乱无章,如何精确地对任务段进行建模的问题至今未能找到很好的解决方法。
因此,有必要采用具有实际意义的航空发动机载荷谱任务段为建模单元,提供一种能够较精确地反映载荷谱任务段载荷数学特征、变化特征以及顺序特征,同时克服同类任务段之间特征差异性的航空发动机载荷谱任务段建模方法。
发明内容
本发明所要解决的技术问题在于,提供一种基于支持向量机回归的航空发动机载荷谱任务段建模方法,以解决目前由于任务段种类繁多、特征杂乱无章而无法准确高效建模的问题,为航空发动机载荷谱的预测和编制、航空发动机的强度分析提供了基础。
为解决上述技术问题,本发明提供一种基于支持向量机回归的航空发动机载荷谱任务段建模方法,包括如下步骤:
(1)提取航空发动机载荷谱任务段数据;
(2)将任务段数据进行预处理,建立训练样本集和测试样本集;
(3)输入训练样本集,初始化支持向量机回归模型的参数,设置参数变化范围;
(4)采用遗传算法获得支持向量机回归模型的最优参数;
(5)训练获得航空发动机载荷谱任务段仿真模型,并计算出训练样本集的预测值;
(6)输入测试样本集,采用仿真模型计算测试数据的预测值;
(7)航空发动机载荷谱任务段建模精度分析。
优选的,步骤(1)中,提取航空发动机载荷谱任务段数据具体为:对不同类别航空发动机载荷谱任务剖面进行任务段的划分,提取同类任务段的载荷数据。
优选的,步骤(2)中,将任务段数据进行预处理,建立训练样本集和测试样本集具体为:统计步骤(1)中通过划分并提取得到的同类任务段数据,统一各任务段长度,并将各任务段载荷数值进行归一化处理,以预处理后得到的m个任务段的数据作为训练样本集D={(xi,yi|i=1,…,m)},n个任务段的数据作为测试样本集其中x为任务段长度,y为任务段载荷数值。
优选的,步骤(3)中,输入训练样本集,初始化支持向量机回归模型的参数,设置参数变化范围具体为:根据步骤(2)中建立的训练样本集D={(xi,yi|i=1,…,m)},采用高斯径向基核函数k(x,x')=exp(-r||x-x'||2)作为支持向量机回归的核函数,确定支持向量机回归模型参数为惩罚系数C,不敏感损失函数参数ε和核函数参数r,分别设置这三个参数的初始化数值和变化范围。
优选的,步骤(4)中,采用遗传算法获得支持向量机回归模型的最优参数具体包括如下步骤:
(41)将步骤(3)中初始化的三个模型参数通过编码变成染色体,形成初始种群;
(42)将染色体解码以进行支持向量机回归模型的训练,计算初始种群染色体的适应度,适应度为评价染色体质量的标准,将支持向量机回归的训练结果误差作为适应度;
(43)根据初始种群染色体适应度,进行选择、交叉、变异等遗传操作组成新种群,对新种群染色体同样解码进行支持向量机回归模型的训练,计算新种群染色体适应度;
(44)循环选择、交叉、变异等遗传操作并计算每次循环中新种群染色体的适应度,当参数的适应度达到给定的阈值,或者参数的适应度和种群适应度不增加,或者迭代次数达到预定值时,遗传算法循环停止,得到与最小适应度相对应的最优参数。
优选的,步骤(5)中,训练获得航空发动机载荷谱任务段仿真模型,并计算出训练样本集的预测值具体为:基于步骤(4)获得的最优参数,输入训练样本集数据,训练获得任务段仿真的支持向量机回归模型,并得到训练样本集的预测值
优选的,步骤(7)中,航空发动机载荷谱任务段建模精度分析具体为:计算训练样本集以及测试样本集的预测值的平均绝对误差MAE和均方误差MSE:
采用MAE和MSE计算任务段建模精度。
本发明的有益效果为:(1)本发明的模型能够准确地表征任务段重要载荷数学特征和变化特征,并能够消除同类任务段个体间载荷特征差异性造成的影响,建模精度高;(2)方法简单有效,能够适用于各型和各代航空发动机各类任务段的建模工作;(3)本发明提供的方法解决了航空发动机载荷谱任务段准确建模的问题,基于本发明得到的任务段仿真模型可以建立具有实际载荷顺序信息的整机载荷谱仿真模型,可为载荷谱进一步的研究工作(如载荷谱的统计、预测和编制)奠定基础。
附图说明
图1为本发明的方法流程示意图。
图2为本发明部分盘旋任务段预处理结果示意图。
图3为本发明基于支持向量机回归的训练样本预测结果示意图。
图4为本发明基于支持向量机回归的测试样本预测结果示意图。
具体实施方式
如图1所示,一种基于支持向量机回归的航空发动机载荷谱任务段建模方法,包括如下步骤:
(1)对某型航空发动机不同类别的航空发动机载荷谱典型任务剖面进行任务段划分,提取盘旋类任务段的载荷数据;
(2)统计步骤(1)中通过划分提取的盘旋类任务段数据,统一各任务段长度,并将各任务段载荷数值进行归一化处理,预处理后的部分任务段如图2所示,以预处理后得到的50个任务段的数据作为训练样本集D={(xi,yi|i=1,…,50)},20个任务段的数据作为测试样本集其中x为任务段长度,y为任务段载荷数值;
(3)采用步骤(2)中建立的训练样本集D={(xi,yi|i=1,…,50)},选取高斯径向基核函数k(x,x')=exp(-r||x-x'||2)作为支持向量机回归的核函数,确定支持向量机回归模型参数为惩罚系数C,不敏感损失函数参数ε和核函数参数r,分别设置这三个参数的初始化数值为C=0,ε=0.01,r=0,并设置三个参数的变化范围分别为C∈[0,50],ε∈[0.01,1],r∈[0,1];
(4)采用遗传算法获得支持向量机回归模型的最优参数:
(41)将步骤(3)中初始化的三个模型参数通过编码变成染色体,形成初始种群;
(42)将染色体解码以进行支持向量机回归模型的训练,计算初始种群染色体的适应度,适应度为评价染色体质量的标准,将支持向量机回归的训练结果误差作为适应度;
(43)根据初始种群染色体适应度,进行选择、交叉、变异等遗传操作组成新种群,对新种群染色体同样解码进行支持向量机回归模型的训练,计算新种群染色体适应度;
(44)循环选择、交叉、变异等遗传操作并计算每次循环中新种群染色体的适应度,当参数的适应度达到给定的阈值,或者参数的适应度和种群适应度不增加,或者迭代次数达到预定值时,遗传算法循环停止,得到与最小适应度相对应的最优参数为C=14.8721,ε=0.02928,r=0.002038;
(5)基于步骤(4)获得的三个最优参数,输入训练样本集数据,训练获得盘旋类任务段仿真的支持向量机回归模型,并获得训练样本集的预测值训练样本预测结果如图3所示,图中黑色“+”点为训练样本数据点,黑线为根据支持向量机回归模型获得的训练样本预测值;
(6)采用步骤(2)中建立的测试样本集代入步骤(5)训练得到的盘旋类任务段仿真模型,获得测试样本集的预测值测试样本预测结果如图4所示,图中黑色“o”点为测试样本数据点,黑线为根据支持向量机回归模型获得的测试样本预测值;
(7)采用平均绝对误差MAE和均方误差MSE进行航空发动机载荷谱任务段建模精度分析,分别计算训练样本集以及测试样本集的预测值的MAE和MSE:
误差计算结果如表1所示。
表1航空发动机载荷谱任务段建模误差计算结果
通过上述实施例,本发明方法实现了采用支持向量机回归算法的航空发动机载荷谱任务段建模,并保证了建模结果的准确性。本发明建模方法简单可行,能够快速准确地建立航空发动机载荷谱任务段的仿真模型,对航空发动机整机载荷谱建模、编制和预测研究具有重要意义。
Claims (8)
1.一种基于支持向量机回归的航空发动机载荷谱任务段建模方法,其特征在于,包括如下步骤:
(1)提取航空发动机载荷谱任务段数据;
(2)将任务段数据进行预处理,建立训练样本集和测试样本集;
(3)输入训练样本集,初始化支持向量机回归模型的参数,设置参数变化范围;
(4)采用遗传算法获得支持向量机回归模型的最优参数;
(5)训练获得航空发动机载荷谱任务段仿真模型,并计算出训练样本集的预测值;
(6)输入测试样本集,采用仿真模型计算测试数据的预测值;
(7)航空发动机载荷谱任务段建模精度分析。
2.如权利要求1所述的基于支持向量机回归的航空发动机载荷谱任务段建模方法,其特征在于,步骤(1)中,提取航空发动机载荷谱任务段数据具体为:对不同类别航空发动机载荷谱任务剖面进行任务段的划分,提取同类任务段的载荷数据。
4.如权利要求1所述的基于支持向量机回归的航空发动机载荷谱任务段建模方法,其特征在于,步骤(3)中,输入训练样本集,初始化支持向量机回归模型的参数,设置参数变化范围具体为:根据步骤(2)中建立的训练样本集D={(xi,yi|i=1,…,m)},采用高斯径向基核函数k(x,x')=exp(-r||x-x'||2)作为支持向量机回归的核函数,确定支持向量机回归模型参数为惩罚系数C,不敏感损失函数参数ε和核函数参数r,分别设置这三个参数的初始化数值和变化范围。
5.如权利要求1所述的基于支持向量机回归的航空发动机载荷谱任务段建模方法,其特征在于,步骤(4)中,采用遗传算法获得支持向量机回归模型的最优参数具体包括如下步骤:
(41)将步骤(3)中初始化的三个模型参数通过编码变成染色体,形成初始种群;
(42)将染色体解码以进行支持向量机回归模型的训练,计算初始种群染色体的适应度,适应度为评价染色体质量的标准,将支持向量机回归的训练结果误差作为适应度;
(43)根据初始种群染色体适应度,进行选择、交叉、变异等遗传操作组成新种群,对新种群染色体同样解码进行支持向量机回归模型的训练,计算新种群染色体适应度;
(44)循环选择、交叉、变异等遗传操作并计算每次循环中新种群染色体的适应度,当参数的适应度达到给定的阈值,或者参数的适应度和种群适应度不增加,或者迭代次数达到预定值时,遗传算法循环停止,得到与最小适应度相对应的最优参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110102096.2A CN112800541A (zh) | 2021-01-26 | 2021-01-26 | 一种基于支持向量机回归的航空发动机载荷谱任务段建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110102096.2A CN112800541A (zh) | 2021-01-26 | 2021-01-26 | 一种基于支持向量机回归的航空发动机载荷谱任务段建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112800541A true CN112800541A (zh) | 2021-05-14 |
Family
ID=75811757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110102096.2A Pending CN112800541A (zh) | 2021-01-26 | 2021-01-26 | 一种基于支持向量机回归的航空发动机载荷谱任务段建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112800541A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378463A (zh) * | 2021-06-09 | 2021-09-10 | 山东大学 | 基于深度学习的电传动推土机电池热管理控制方法及系统 |
CN113408070A (zh) * | 2021-06-22 | 2021-09-17 | 南方科技大学 | 发动机参数的确定方法、装置、设备及存储介质 |
CN113722989A (zh) * | 2021-08-23 | 2021-11-30 | 南京航空航天大学 | 一种基于cps-dp模型的航空发动机寿命预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503867A (zh) * | 2016-11-14 | 2017-03-15 | 吉林大学 | 一种遗传算法最小二乘风电功率预测方法 |
CN108717474A (zh) * | 2018-04-08 | 2018-10-30 | 南京航空航天大学 | 一种与使用相关的航空发动机综合任务谱编制方法 |
US20200184131A1 (en) * | 2018-06-27 | 2020-06-11 | Dalian University Of Technology | A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction |
-
2021
- 2021-01-26 CN CN202110102096.2A patent/CN112800541A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503867A (zh) * | 2016-11-14 | 2017-03-15 | 吉林大学 | 一种遗传算法最小二乘风电功率预测方法 |
CN108717474A (zh) * | 2018-04-08 | 2018-10-30 | 南京航空航天大学 | 一种与使用相关的航空发动机综合任务谱编制方法 |
US20200184131A1 (en) * | 2018-06-27 | 2020-06-11 | Dalian University Of Technology | A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378463A (zh) * | 2021-06-09 | 2021-09-10 | 山东大学 | 基于深度学习的电传动推土机电池热管理控制方法及系统 |
CN113408070A (zh) * | 2021-06-22 | 2021-09-17 | 南方科技大学 | 发动机参数的确定方法、装置、设备及存储介质 |
CN113408070B (zh) * | 2021-06-22 | 2023-09-26 | 南方科技大学 | 发动机参数的确定方法、装置、设备及存储介质 |
CN113722989A (zh) * | 2021-08-23 | 2021-11-30 | 南京航空航天大学 | 一种基于cps-dp模型的航空发动机寿命预测方法 |
CN113722989B (zh) * | 2021-08-23 | 2023-04-28 | 南京航空航天大学 | 一种基于cps-dp模型的航空发动机寿命预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112800541A (zh) | 一种基于支持向量机回归的航空发动机载荷谱任务段建模方法 | |
CN110363344B (zh) | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 | |
Castillo et al. | A general regression model for lifetime evaluation and prediction | |
CN112686464A (zh) | 短期风电功率预测方法及装置 | |
CN108375474B (zh) | 一种航空发动机过渡态关键性能参数预测方法 | |
CN105608263B (zh) | 一种面向涡轮叶盘结构寿命概率分析的自适应处理方法 | |
CN106096073B (zh) | 一种基于损伤力学非概率区间分析模型的金属疲劳裂纹全寿命预估方法 | |
CN110619432B (zh) | 一种基于深度学习的特征提取水文预报的方法 | |
CN110428270A (zh) | 基于逻辑回归算法的渠道潜在偏好客户识别方法 | |
CN112347537B (zh) | 工程结构数值模型的校准方法、装置、电子设备及介质 | |
CN107688863A (zh) | 自适应迭代加强的短期风速高精度组合预测方法 | |
CN112800540B (zh) | 一种基于高斯过程回归的航空发动机载荷谱任务段建模方法 | |
CN112434890A (zh) | 基于CEEMDAN-BiLSTM的隧道沉降时间序列的预测方法 | |
CN112016815A (zh) | 一种基于神经网络的用户侧综合能效评价方法 | |
CN112307536A (zh) | 一种大坝渗流参数反演方法 | |
CN110362911A (zh) | 一种面向设计过程的代理模型选择方法 | |
CN110489844A (zh) | 一种适用于软岩隧道不均匀大变形等级预测方法 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN117113852A (zh) | 基于电气、化学、结构、振动参量的gis寿命预测方法 | |
CN109886316B (zh) | 基于云系相似度权重分配的变压器状态参量组合预测方法 | |
CN117056722A (zh) | 一种规划地块人口数量预测方法及系统 | |
CN105842535B (zh) | 一种基于相似特征融合的谐波主特征群筛选方法 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN105528657A (zh) | 基于北斗和向量机的建筑物震害预测方法 | |
CN112287437A (zh) | 一种应用于车辆荷载分析的多峰极值求解方法 |
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 |