CN113033702A - 一种基于时空数据的结构安全预警方法 - Google Patents
一种基于时空数据的结构安全预警方法 Download PDFInfo
- Publication number
- CN113033702A CN113033702A CN202110430999.3A CN202110430999A CN113033702A CN 113033702 A CN113033702 A CN 113033702A CN 202110430999 A CN202110430999 A CN 202110430999A CN 113033702 A CN113033702 A CN 113033702A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- data
- deformation
- learning model
- disease
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 201000010099 disease Diseases 0.000 claims abstract description 62
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 62
- 238000013136 deep learning model Methods 0.000 claims abstract description 59
- 238000012360 testing method Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000010606 normalization Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 5
- 230000007547 defect Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于时空数据的结构安全预警方法,包括以下步骤:收集目标结构的变形监测数据和病害监测数据,并收集目标结构的工程特征数据;将上述三类数据形成连续时空数据并做归一化和独热编码处理,划分训练集和测试集;构建预测变形的第一深度学习模型并进行训练,用测试集检验模型;预测结构变形并将变形结果保存;构建预测病害的第二深度学习模型,按时间划分训练集和测试集,训练该第二深度学习模型并用测试集检验;预测结构病害,并将变形预测和病害预测反馈,进行结构安全状态的预警。本发明的优点是:解决了以往结构安全预警忽略空间特征的问题,充分利用结构变形病害数据和特征数据中的时间和空间关联性,得到更可靠的预测结果。
Description
技术领域
本发明属于结构安全技术领域,具体涉及一种基于时空数据的结构安全预警方法。
背景技术
在正常施工和使用的条件下,结构应能承受可能出现的各种荷载作用和变形而不发生破坏,但是当结构不能保持整体稳定性而发生安全事故时会严重威胁生命财产安全,因此结构的安全预警尤为重要。
结构安全状态包括结构的变形及结构的病害情况。结构的变形预测一般包括统计分析法、力学模型分析法、混合模型法以及机器学习模型法。统计分析法是从时间序列分析的角度处理数据,但往往会出现过拟合的情况,即模型泛化能力差。力学分析法和混合模型法是利用有限元分析等方法模拟结构受力情况并与实际情况做对比,但是有限元等方法涉及较多的简化和假定条件,从而增加了不确定性,影响结构变形预测的可靠性。机器学习模型法则是收集当前结构相关数据利用建立的机器学习模型预测结构变形,但目前的主流的机器学习模型只利用结构当前的影响因素数据及时间序列数据,忽略了结构空间上的关联性。结构的病害一般是利用机器学习模型如贝叶斯分类等数据挖掘技术进行预测,同结构变形预测一样,也只考虑了结构当前的影响因素和时间关联性,未考虑结构空间上的关联特征。
因此,对于空间结构强联结的结构形式来说(如盾构隧道等),常规方法忽略空间结构会影响结果的准确性和可靠性。
发明内容
本发明的目的是根据上述现有技术的不足之处,提供一种基于时空数据的结构安全预警方法,该结构安全预警方法利用结构变形病害数据和特征数据中的时间和空间关联性,通过建立深度学习模型,预测结构变形,再根据结构变形结果,建立另一个深度学习模型,预测结构病害,从而多角度评估结构安全状态。
本发明目的实现由以下技术方案完成:
一种基于时空数据的结构安全预警方法,其特征在于所述结构安全预警方法包括以下步骤:
(步骤1)收集目标结构随时间和空间变化的变形监测数据和病害监测数据,整理得到变形病害数据集D1;
(步骤2)收集所述目标结构的工程特征数据,整理得到工程特征数据集D2;
(步骤3)将所述目标结构的变形病害数据集D1和工程特征数据集D2进行融合整理以生成时间和空间上连续的数据集D;
(步骤4)
4.1)对数据集D中取值连续的结构特征数据作归一化处理,取值离散的结构特征数据作独热编码处理;
4.2)对数据集D处理成深度学习神经网络需要的张量形式,并将数据集D划分为训练集Dtrain和测试集Dtest;
4.3)利用深度学习框架搭建用于预测变形的第一深度学习模型;对训练集Dtrain训练用于预测变形的所述第一深度学习模型,并用测试集Dtest检验所述第一深度学习模型是否可靠;若检验表明所述第一深度学习模型可靠,则获得模型M1,将前n个时刻的结构特征数据利用模型M1进行预测,得到n+1个时刻的变形结果R1;
4.4)利用深度学习框架搭建用于预测病害的第二深度学习模型;将数据集D按时间划分为训练集Dtrain_defect和测试集Dtest_defect;对训练集Dtrain_defect训练用于预测病害的所述第二深度学习模型,并用测试集Dtest_defect检验所述第二深度学习模型是否可靠;若检验表明所述第二深度学习模型可靠,则获得模型M2;利用前n个时刻的结构特征数据和变形病害数据,并结合步骤4.3中预测的n+1时刻的变形结果R1,导入到模型M2中进行预测,得到n+1时刻的病害结果R2;
(步骤5)将变形结果R1和病害结果R2进行判定,若变形结果R1超过变形结果阈值或病害结果R2超过发生病害概率阈值,则提示结构安全风险。
所述目标结构的工程特征数据包括目标结构本身特征、目标结构地质特征、目标结构周边环境。
步骤3中,变形病害数据集D1和工程特征数据集D2之间的融合整理是指对于确定的所述目标结构的工程特征数据集D2中的一条数据记录所对应的变形病害数据集D1中的一条数据记录,合并到数据集D中。
所述归一化处理是指将数据集D中取值连续的结构特征数据经归一化计算公式处理后限制在0-1范围内,所述归一化计算公式为:
其中:
Xi为归一化处理之前的第i个结构特征数据;
Xmax为第i个所述结构特征数据的最大值;
Xmin为第i个所述结构特征数据的最小值;
X为归一化处理后的第i个所述结构特征数据。
步骤4.3为:利用深度学习框架搭建用于预测变形的第一深度学习模型,所述深度学习框架为Pytorch或Tensorflow;所述第一深度学习模型的搭建包括选择网络结构、选择损失函数、选择优化算法以及设置学习率,其中,所述网络结构为全连接神经网络、卷积神经网络或循环神经网络中的一种,所述损失函数为均方根误差或交叉熵,所述优化算法为Adam算法或随机梯度下降SGD;
对训练集Dtrain训练用于预测变形的所述第一深度学习模型,并用测试集Dtest检验所述第一深度学习模型是否可靠,校验的评价标准采用均方根误差计算公式进行计算,均方根误差RMSE小于设定阈值时,则表明所述第一深度学习模型可靠,得到模型M1,其中,均方根误差计算公式为:
式中:m表示预测的点的个数,ypred表示预测的变形量,ytrue表示实际的变形量;
将前n个时刻的结构特征数据利用模型M1进行预测,得到n+1时刻的变形结果R1,其中,n个时刻是指n年、季度、月或者天,n>1。
步骤4.4为:利用深度学习框架搭建用于预测病害的第二深度学习模型,所述深度学习框架为Pytorch或Tensorflow;所述第二深度学习模型的搭建包括选择网络结构、选择损失函数、选择优化算法以及设置学习率,其中,所述网络结构为全连接神经网络、卷积神经网络或循环神经网络中的一种,所述损失函数为均方根误差或交叉熵,所述优化算法为Adam算法或随机梯度下降SGD;所述第二深度学习模型的最后一层采用Sigmoid层,以输出发生病害的概率;
将数据集D按时间划分为训练集Dtrain_defect和测试集Dtest_defect,将前n-1年的结构特征数据作为训练集Dtrain_defect,第n年的结构特征数据作为测试集Dtest_defect;对训练集Dtrain_defect训练用于预测病害的所述第二深度学习模型,并用测试集Dtest_defect检验所述第二深度学习模型是否可靠,校验的评价标准采用准确率、召回率以及F1值,若准确率大于0.95,、召回率大于0.8且F1值大于0.9,则表明所述第二深度学习模型可靠,得到模型M2,所述F1值计算如下:
其中:
Precision表示精确率;
Recall表示召回率;
利用前n个时刻的结构特征数据和变形病害数据,并结合步骤4.3中预测的n+1时刻的变形结果R1,形成新的数据集Dpredict_defect作为预测病害的所述第二深度学习模型的输入;将数据集Dpredict_defect导入到模型M2中进行预测,得到n+1时刻的病害结果R2。
本发明的优点是:提出了基于时空数据的结构安全预警方法,解决了以往结构安全预警忽略空间特征的问题,充分利用结构变形病害数据和特征数据中的时间和空间关联性,得到更可靠的预测结果。首先通过建立深度学习模型,预测结构变形,再根据结构变形结果,建立另一个深度学习模型,预测结构病害,从而多角度评估结构安全状态,实现结构安全的多维度预警。
附图说明
图1为本发明中基于时空数据的结构安全预警方法流程示意图。
具体实施方式
以下结合附图通过实施例对本发明的特征及其它相关特征作进一步详细说明,以便于同行业技术人员的理解:
实施例:如图1所示,本实施例具体涉及一种基于时空数据的结构安全预警方法,以某地铁盾构隧道为例并作为目标结构,该结构安全预警方法包括以下步骤:
【步骤1】收集目标结构随时间和空间变化的变形监测数据和病害监测数据,例如隧道管片的变形收敛和病害,以此作为判断结构安全状态的依据,整理得到变形病害数据集D1;其中时间可以是以年、季度、月等为划分单位,空间则根据结构本身的实际情况来划分,如隧道管片中的一环作为划分单位。
【步骤2】收集目标结构的勘察、设计、施工、监测、运营监护、周边环境、周边工程活动等工程特征数据,整理得到工程特征数据集D2;目标结构特征数据包括目标结构本身特征(如:结构形式、建成时间等)、目标结构地质特征(如:隧道地质分区等)、目标结构周边环境(如:堆载、卸载等)、目标结构其他因素(如:降雨、台风等)、周边工程活动数据(如基坑工程)等。
【步骤3】将目标结构的变形病害数据集D1和工程特征数据集D2进行融合整理以生成时间和空间上连续的数据集D;如有缺失值可利用时空关系进行线性插值补缺。变形病害数据集D1和工程特征数据集D2的融合整理是指对于确定的目标结构,比如隧道管片,其工程特征数据集D2中的一条记录所对应的变形病害数据集D1中的一条记录,合并到新的数据集D中。如隧道管片连续5环的连续3年的结构变形病害数据和工程特征数据。参见下表:
【步骤4】
(4.1)对数据集D中取值连续的结构特征数据作归一化处理,取值离散的结构特征数据作独热编码处理;
在这之中,归一化处理是指将数据集D中取值连续的结构特征数据经归一化计算公式处理后限制在0-1范围内,归一化计算公式为:
其中:
Xi为归一化处理之前的第i个结构特征数据;
Xmax为第i个结构特征数据的最大值;
Xmin为第i个结构特征数据的最小值;
X为归一化处理后的第i个结构特征数据。
在这之中,独热编码是利用0和1表示一些参数,使用N位状态寄存器来对N个状态进行编码,如隧道管片所在的地质分区包括一、二、三、四区共四个分区,则用[1,0,0,0]表示一区,[0,1,0,0]表示二区,三区和四区以此类推。
(4.2)对数据集D处理成深度学习神经网络需要的张量形式,并将数据集D划分为训练集Dtrain和测试集Dtest。例如本实施例中隧道管片数据的5维张量形式(b,t,c,h,w),其中b表示待处理的隧道管片数;t表示时间序列的长度,即连续几年或几个月;c表示管片特征的维数,为管片变形数据维数加上管片的属性特征维数;h和w则表示管片空间上的维数,如果只考虑管片之间的相邻关系,则h可以取1,w取连续的5个管片,即w为5。并将数据随机划分70%作为训练集Dtrain,30%作为测试集Dtest。
(4.3)利用深度学习框架搭建用于预测变形的第一深度学习模型,深度学习框架为Pytorch或Tensorflow;第一深度学习模型的搭建包括选择网络结构、选择损失函数、选择优化算法以及设置学习率,其中,网络结构为全连接神经网络、卷积神经网络或循环神经网络中的一种,损失函数为均方根误差或交叉熵,优化算法为Adam算法或随机梯度下降SGD,设置学习率可以为0.001。
对训练集Dtrain训练用于预测变形的第一深度学习模型,并用测试集Dtest检验第一深度学习模型是否可靠,校验的评价标准采用均方根误差计算公式进行计算,均方根误差RMSE小于设定阈值时,则表明第一深度学习模型可靠,得到ConvLSTM的模型M1,其中,均方根误差计算公式为:
式中:m表示预测的点的个数,ypred表示预测的变形量,ytrue表示实际的变形量;
将前n个时刻的结构特征数据利用模型M1进行预测,得到n+1时刻的变形结果R1,其中,n个时刻是指n年、季度、月或者天,n>1。例如本实施例中,对上述训练好的模型M1,导入要预测的结构特征数据,预测下一年隧道管片收敛值,得到结果R1,结果如下表所示,其中收敛变形阈值大于6cm提示可能出现结构安全风险。
(4.4)利用深度学习框架搭建用于预测病害的第二深度学习模型,深度学习框架为Pytorch或Tensorflow;第二深度学习模型的搭建同步骤4.3中所述;第二深度学习模型的最后一层采用Sigmoid层,以输出发生病害的概率;Sigmoid函数用于隐层神经元输出,取值范围为(0,1),它可以将一个实数映射到(0,1)的区间,可以用来做二分类。Sigmoid函数定义如下:
将数据集D按时间划分为训练集Dtrain_defect和测试集Dtest_defect,例如,将前n-1年的结构特征数据作为训练集Dtrain_defect,第n年的结构特征数据作为测试集Dtest_defect。
对训练集Dtrain_defect训练用于预测病害的第二深度学习模型,并用测试集Dtest_defect检验第二深度学习模型是否可靠,校验的评价标准采用准确率、召回率以及F1值,一般地,若准确率大于0.95,、召回率大于0.8且F1值大于0.9,则表明第二深度学习模型可靠,得到模型M2。所述F1值计算如下:
其中:
Precision表示准确率;
Recall表示召回率;
利用前n个时刻的结构特征数据和变形病害数据,并结合步骤4.3中预测的n+1时刻的变形结果R1,形成新的数据集Dpredict_defect作为预测病害的第二深度学习模型的输入;将数据集Dpredict_defect导入到模型M2中进行预测,得到n+1时刻的病害结果R2。例如在本实施例中,预测的病害结果R2如下表,其中发生病害概率大于0.5时认为会发生病害:
【步骤5】将变形结果R1和病害结果R2反馈给项目负责人员进行判定,若变形结果R1超过变形结果阈值6cm则提示结构安全风险;病害结果R2超过发生病害概率阈值0.5,则提示结构安全风险。
Claims (6)
1.一种基于时空数据的结构安全预警方法,其特征在于所述结构安全预警方法包括以下步骤:
(步骤1)收集目标结构随时间和空间变化的变形监测数据和病害监测数据,整理得到变形病害数据集D1;
(步骤2)收集所述目标结构的工程特征数据,整理得到工程特征数据集D2;
(步骤3)将所述目标结构的变形病害数据集D1和工程特征数据集D2进行融合整理以生成时间和空间上连续的数据集D;
(步骤4)
4.1)对数据集D中取值连续的结构特征数据作归一化处理,取值离散的结构特征数据作独热编码处理;
4.2)对数据集D处理成深度学习神经网络需要的张量形式,并将数据集D划分为训练集Dtrain和测试集Dtest;
4.3)利用深度学习框架搭建用于预测变形的第一深度学习模型;对训练集Dtrain训练用于预测变形的所述第一深度学习模型,并用测试集Dtest检验所述第一深度学习模型是否可靠;若检验表明所述第一深度学习模型可靠,则获得模型M1,将前n个时刻的结构特征数据利用模型M1进行预测,得到n+1个时刻的变形结果R1;
4.4)利用深度学习框架搭建用于预测病害的第二深度学习模型;将数据集D按时间划分为训练集Dtrain_defect和测试集Dtest_defect;对训练集Dtrain_defect训练用于预测病害的所述第二深度学习模型,并用测试集Dtest_defect检验所述第二深度学习模型是否可靠;若检验表明所述第二深度学习模型可靠,则获得模型M2;利用前n个时刻的结构特征数据和变形病害数据,并结合步骤4.3中预测的n+1时刻的变形结果R1,导入到模型M2中进行预测,得到n+1时刻的病害结果R2;
(步骤5)将变形结果R1和病害结果R2进行判定,若变形结果R1超过变形结果阈值或病害结果R2超过发生病害概率阈值,则提示结构安全风险。
2.根据权利要求1所述的一种基于时空数据的结构安全预警方法,其特征在于所述目标结构的工程特征数据包括目标结构本身特征、目标结构地质特征、目标结构周边环境。
3.根据权利要求1所述的一种基于时空数据的结构安全预警方法,其特征在于步骤3中,变形病害数据集D1和工程特征数据集D2之间的融合整理是指对于确定的所述目标结构的工程特征数据集D2中的一条数据记录所对应的变形病害数据集D1中的一条数据记录,合并到数据集D中。
5.根据权利要求1所述的一种基于时空数据的结构安全预警方法,其特征在于步骤4.3为:利用深度学习框架搭建用于预测变形的第一深度学习模型,所述深度学习框架包括但不限于Pytorch或Tensorflow;所述第一深度学习模型的搭建包括选择网络结构、选择损失函数、选择优化算法以及设置学习率,其中,所述网络结构包括但不限于全连接神经网络、卷积神经网络或循环神经网络中的一种,所述损失函数包括但不限于均方根误差或交叉熵,所述优化算法包括但不限于Adam算法或随机梯度下降SGD;
对训练集Dtrain训练用于预测变形的所述第一深度学习模型,并用测试集Dtest检验所述第一深度学习模型是否可靠,校验的评价标准采用均方根误差计算公式进行计算,均方根误差RMSE小于设定阈值时,则表明所述第一深度学习模型可靠,得到模型M1,其中,均方根误差计算公式为:
式中:m表示预测的点的个数,ypred表示预测的变形量,ytrue表示实际的变形量;
将前n个时刻的结构特征数据利用模型M1进行预测,得到n+1时刻的变形结果R1,其中,n个时刻是指n年、季度、月或者天,n>1。
6.根据权利要求5所述的一种基于时空数据的结构安全预警方法,其特征在于步骤4.4为:利用深度学习框架搭建用于预测病害的第二深度学习模型,所述深度学习框架包括但不限于Pytorch或Tensorflow;所述第二深度学习模型的搭建包括选择网络结构、选择损失函数、选择优化算法以及设置学习率,其中,所述网络结构包括但不限于全连接神经网络、卷积神经网络或循环神经网络中的一种,所述损失函数包括但不限于均方根误差或交叉熵,所述优化算法包括但不限于Adam算法或随机梯度下降SGD;所述第二深度学习模型的最后一层采用Sigmoid层,以输出发生病害的概率;
将数据集D按时间划分为训练集Dtrain_defect和测试集Dtest_defect,将前n-1年的结构特征数据作为训练集Dtrain_defect,第n年的结构特征数据作为测试集Dtest_defect;对训练集Dtrain_defect训练用于预测病害的所述第二深度学习模型,并用测试集Dtest_defect检验所述第二深度学习模型是否可靠,校验的评价标准采用准确率、召回率以及F1值,若准确率大于0.95,、召回率大于0.8且F1值大于0.9,则表明所述第二深度学习模型可靠,得到模型M2;所述F1值计算公式如下:
式中:
Precision表示准确率;
Recall表示召回率;
利用前n个时刻的结构特征数据和变形病害数据,并结合步骤4.3中预测的n+1时刻的变形结果R1,形成新的数据集Dpredict_defect作为预测病害的所述第二深度学习模型的输入;将数据集Dpredict_defect导入到模型M2中进行预测,得到n+1时刻的病害结果R2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110430999.3A CN113033702B (zh) | 2021-04-21 | 2021-04-21 | 一种基于时空数据的结构安全预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110430999.3A CN113033702B (zh) | 2021-04-21 | 2021-04-21 | 一种基于时空数据的结构安全预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033702A true CN113033702A (zh) | 2021-06-25 |
CN113033702B CN113033702B (zh) | 2022-12-13 |
Family
ID=76457157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110430999.3A Active CN113033702B (zh) | 2021-04-21 | 2021-04-21 | 一种基于时空数据的结构安全预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033702B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115404840A (zh) * | 2022-08-24 | 2022-11-29 | 中南大学 | 一种基于深度学习的损伤感知和灾变预警智能土工织物 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480341A (zh) * | 2017-07-21 | 2017-12-15 | 河海大学 | 一种基于深度学习的大坝安全综合评判方法 |
CN108229461A (zh) * | 2018-01-16 | 2018-06-29 | 上海同岩土木工程科技股份有限公司 | 一种基于深度学习的隧道裂缝快速识别方法 |
CN108764601A (zh) * | 2018-04-03 | 2018-11-06 | 哈尔滨工业大学 | 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法 |
CN108830012A (zh) * | 2018-06-29 | 2018-11-16 | 上海勘察设计研究院(集团)有限公司 | 一种基于全要素挖掘的结构变形预测方法 |
CN108846199A (zh) * | 2018-06-12 | 2018-11-20 | 华能澜沧江水电股份有限公司 | 基于时空一体化的特高拱坝变形时空序列预测方法 |
CN110737960A (zh) * | 2019-11-14 | 2020-01-31 | 西南交通大学 | 一种盾构隧道管片设计参数优化方法 |
CN110909657A (zh) * | 2019-11-19 | 2020-03-24 | 上海勘察设计研究院(集团)有限公司 | 一种隧道表观病害图像识别的方法 |
US20200142052A1 (en) * | 2018-06-04 | 2020-05-07 | Shandong University | Automatic wall climbing type radar photoelectric robot system for non-destructive inspection and diagnosis of damages of bridge and tunnel structure |
CN111563706A (zh) * | 2020-03-05 | 2020-08-21 | 河海大学 | 一种基于lstm网络的多变量物流货运量预测方法 |
CN111583067A (zh) * | 2020-03-31 | 2020-08-25 | 西南交通大学 | 一种城市地下大空间施工安全预警与应急决策方法及系统 |
CN111859814A (zh) * | 2020-07-30 | 2020-10-30 | 中国电建集团昆明勘测设计研究院有限公司 | 基于lstm深度学习的岩石时效变形预测方法及其系统 |
CN112287816A (zh) * | 2020-10-28 | 2021-01-29 | 西安交通大学 | 一种基于深度学习的危险工作区事故自动检测报警方法 |
CN112632680A (zh) * | 2020-12-30 | 2021-04-09 | 同济大学 | 基于深度学习的大型土木工程结构的渗漏水状况重建方法 |
-
2021
- 2021-04-21 CN CN202110430999.3A patent/CN113033702B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480341A (zh) * | 2017-07-21 | 2017-12-15 | 河海大学 | 一种基于深度学习的大坝安全综合评判方法 |
CN108229461A (zh) * | 2018-01-16 | 2018-06-29 | 上海同岩土木工程科技股份有限公司 | 一种基于深度学习的隧道裂缝快速识别方法 |
CN108764601A (zh) * | 2018-04-03 | 2018-11-06 | 哈尔滨工业大学 | 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法 |
US20200142052A1 (en) * | 2018-06-04 | 2020-05-07 | Shandong University | Automatic wall climbing type radar photoelectric robot system for non-destructive inspection and diagnosis of damages of bridge and tunnel structure |
CN108846199A (zh) * | 2018-06-12 | 2018-11-20 | 华能澜沧江水电股份有限公司 | 基于时空一体化的特高拱坝变形时空序列预测方法 |
CN108830012A (zh) * | 2018-06-29 | 2018-11-16 | 上海勘察设计研究院(集团)有限公司 | 一种基于全要素挖掘的结构变形预测方法 |
CN110737960A (zh) * | 2019-11-14 | 2020-01-31 | 西南交通大学 | 一种盾构隧道管片设计参数优化方法 |
CN110909657A (zh) * | 2019-11-19 | 2020-03-24 | 上海勘察设计研究院(集团)有限公司 | 一种隧道表观病害图像识别的方法 |
CN111563706A (zh) * | 2020-03-05 | 2020-08-21 | 河海大学 | 一种基于lstm网络的多变量物流货运量预测方法 |
CN111583067A (zh) * | 2020-03-31 | 2020-08-25 | 西南交通大学 | 一种城市地下大空间施工安全预警与应急决策方法及系统 |
CN111859814A (zh) * | 2020-07-30 | 2020-10-30 | 中国电建集团昆明勘测设计研究院有限公司 | 基于lstm深度学习的岩石时效变形预测方法及其系统 |
CN112287816A (zh) * | 2020-10-28 | 2021-01-29 | 西安交通大学 | 一种基于深度学习的危险工作区事故自动检测报警方法 |
CN112632680A (zh) * | 2020-12-30 | 2021-04-09 | 同济大学 | 基于深度学习的大型土木工程结构的渗漏水状况重建方法 |
Non-Patent Citations (3)
Title |
---|
HONG-WEI HUANG 等: "Deep learning based image recognition for crack and leakage defects of metro shield tunnel", 《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》 * |
YADONG XUE 等: "A Fast Detection Method via Region-Based FullyConvolutional Neural Networks for Shield TunnelLining Defects", 《COMPUTER-AIDED CIVIL AND INFRASTRUCTURE ENGINEERING》 * |
苏辉: "上海地区盾构隧道结构安全评估方法研究", 《地下空间与工程学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115404840A (zh) * | 2022-08-24 | 2022-11-29 | 中南大学 | 一种基于深度学习的损伤感知和灾变预警智能土工织物 |
Also Published As
Publication number | Publication date |
---|---|
CN113033702B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111124840B (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
CN109359519B (zh) | 一种基于深度学习的视频异常行为检测方法 | |
CN109032829B (zh) | 数据异常检测方法、装置、计算机设备及存储介质 | |
Lei et al. | Mutual information based anomaly detection of monitoring data with attention mechanism and residual learning | |
AU2018101946A4 (en) | Geographical multivariate flow data spatio-temporal autocorrelation analysis method based on cellular automaton | |
OMeara et al. | Applications of deep learning neural networks to satellite telemetry monitoring | |
CN109033450A (zh) | 基于深度学习的电梯设备故障预测方法 | |
CN113298297B (zh) | 一种基于孤立森林与wgan网络的风电输出功率预测方法 | |
WO2021213247A1 (zh) | 一种异常检测方法及装置 | |
CN112528365B (zh) | 一种地下基础设施结构健康演化趋势预测方法 | |
CN113723010B (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
CN107642347B (zh) | 页岩气压裂井下事故预测预警方法及装置 | |
CN110210169B (zh) | 一种基于lstm的盾构机故障预测方法 | |
CN112257963B (zh) | 基于航天软件缺陷数据分布离群点的缺陷预测方法及装置 | |
CN110414715B (zh) | 一种基于社团检测的客流量预警方法 | |
CN112330050A (zh) | 一种基于双层XGBoost考虑多特征的电力系统负荷预测方法 | |
CN116468186B (zh) | 一种航班链延误时间预测方法、电子设备及存储介质 | |
CN112363896A (zh) | 日志异常检测系统 | |
CN110737948A (zh) | 一种基于深度fnn-lstm混合网络的航空发动机剩余寿命预测方法 | |
CN114444582A (zh) | 基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法 | |
CN113033702B (zh) | 一种基于时空数据的结构安全预警方法 | |
CN115983465A (zh) | 一种基于小样本学习的冲击地压时序预测模型构建方法 | |
Sun et al. | An ensemble system to predict the spatiotemporal distribution of energy security weaknesses in transmission networks | |
CN113989550A (zh) | 基于cnn和lstm混合网络的电动汽车充电桩运行状态预测方法 | |
CN117150409A (zh) | 一种用电异常检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 200093 No. 38 Shui Feng Road, Yangpu District, Shanghai. Patentee after: Shanghai Survey, Design and Research Institute (Group) Co.,Ltd. Address before: 200093 No. 38 Shui Feng Road, Yangpu District, Shanghai. Patentee before: SGIDI ENGINEERING CONSULTING (Group) Co.,Ltd. |