CN113515802B - 基于机器学习的锚固临界值检测方法、系统及存储介质 - Google Patents
基于机器学习的锚固临界值检测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN113515802B CN113515802B CN202111071654.XA CN202111071654A CN113515802B CN 113515802 B CN113515802 B CN 113515802B CN 202111071654 A CN202111071654 A CN 202111071654A CN 113515802 B CN113515802 B CN 113515802B
- Authority
- CN
- China
- Prior art keywords
- data
- fitting
- critical value
- existing
- anchoring
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06N20/00—Machine learning
-
- 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
-
- 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)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明属于锚固检测技术领域,具体公开了一种基于机器学习的锚固临界值检测方法、系统及存储介质,该方法结合锚固临界值已有标准试验和既有数据进行训练,获取训练模型,采集预应力待测件的状态数据,根据预应力待测件的固有属性参数,对相关状态数据进行预处理,对预处理后的数据进行迭代拟合,确定最佳拟合阶数,根据训练数据产生的自适应经验范围,捕捉拟合图形的特征突变点,反向求解应力临界值初始解,结合锚固物理过程在临界值初始解中判定最优解。通过本技术方案,利用该方法实现对预应力待测件锚固临界值的检测。
Description
技术领域
本发明属于锚固检测技术领域,涉及一种基于机器学习的锚固临界值检测方法、系统及存储介质。
背景技术
在边坡工程、桥梁工程及建筑工程中,广泛采用预应力锚固技术进行岩土体和工程结构的变形控制。预应力锚索加固边坡,其稳定性和变形取决于锚索的工作预应力;采用预应力结构的桥梁,锚固后的有效预应力直接关系到桥梁变形与开裂。预应力值的准确控制直接关系到工程的使用性能及安全性,因此,工程界要求对预应力进行检测。在工程建设阶段,预应力用于控制施工过程质量;在工程运营阶段,预应力用于评估掌握工程结构的工作状况。
近年来,工程界提出了多种预应力检测方法,主要有应变法和反拉法等。由于受制于现场复杂的工况条件,应变法和反拉法在实施过程中仍存在着实施难、成本高、效率低等诸多问题。尤其是在数据采集和数据分析的过程中,需要进行大量、重复、繁琐的数据分析处理工作,存在着耗时耗力的问题。同时对检测结果的解释判断均需要高度依赖技术人员个人经验,在一定程度上仍然存在客观性不足、不确定性大的问题。
发明内容
本发明的目的在于提供一种基于机器学习的锚固临界值检测方法、系统及存储介质,实现对预应力待测件锚固临界值的自动检测,减轻技术人员的数据处理工作量。
为了达到上述目的,本发明的基础方案为:一种基于机器学习的锚固临界值检测方法,包括如下步骤:
结合锚固临界值已有标准试验和既有数据进行训练,获取训练模型;
采集预应力待测件的状态数据,根据预应力待测件的固有属性参数,对相关状态数据进行预处理;
对预处理后的数据进行迭代拟合,确定最佳拟合阶数;
根据训练数据产生的自适应经验范围,捕捉拟合图形的特征突变点,反向求解应力临界值初始解;
结合锚固物理过程在临界值初始解中判定最优解。
本基础方案的工作原理和有益效果在于:本方案的基本原理是通过锚固体系中预应力待测件的应力-应变关系确定预应力值,其核心环节在于准确界定锚固状态的临界值。依据已有的设计、规范等文件,对应力、应变进行数字模型理论计算,结合标准试验对应力、应变数据进行修正,通过既有数据形成训练模型数据。利用训练模型捕捉拟合图形的特征突变点,从而获取最优解,减少技术人员的工作量。
进一步,所述预处理的过程中对采集的相关状态数据,根据预应力待测件的固有属性参数,进行数据清洗,过滤极大值、极小值。
预处理过程中,不同类型的预应力待测件的固有属性参数不同,则需要去除掉不符合当前预应力待测件固有属性参数的数据。
进一步,所述迭代拟合是将测试数据从低阶到高阶,或者从高阶到低阶进行逐次拟合,对拟合曲线求解突变点,当所述突变点中有至少一个落在自适应经验范围内即停止拟合。
操作简单,便于进行数据处理。
进一步,所述自适应经验范围是根据已有标准试验和既有数据进行训练,获得已有标准试验和既有数据的已有锚固临界值点,选取包含所有已有锚固临界值点或者大于M%的已有锚固临界值点的区间范围作为自适应经验范围,M为正数且M〈100,M%为预设阈值。
预先设置自适应经验范围,加快数据运算分析速度,利于使用。
进一步,确定最佳拟合曲线后,对数据形态图形化特征与锚固物理过程进行耦合,确定预应力待测件所处的状态,判断预应力待测件预处理后的数据是否异常,如果正常,则求解应力临界值初始解,否则继续进行高阶或者低阶拟合。
这样可避免异常数据影响后续计算,导致锚固临界值检测误差。
进一步,拟合图形的特征突变点具有多个时,将突变点重新进行降阶迭代拟合,提取突变点。
针对多个突变点的情况,进行降阶迭代拟合,提取更精确的突变点数值,利于后续计算。
进一步,所述迭代拟合的阶数小于和/或等于10。
限制阶数,避免阶数过多而造成过拟合。
进一步,将最优解放入训练模型内,增加样本容量,更新样本库。
将最优解回收添加进既有的训练模型数据集,扩充样本容量并更新样本库,用于提升训练样本的泛化能力,进一步提高本发明方法的计算效率及准确性。
本发明还提供一种检测系统,包括处理器和预应力检测装置,所述处理器获取预应力检测装置的检测数据,处理器执行如上所述方法的步骤,实现预应力检测。
通过检测系统实现预应力待测件的预应力检测,操作简单,便于使用。
本发明还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述方法的步骤。
存储介质可在多种设备上运行,普适性强。
附图说明
图1是本发明基于机器学习的锚固临界值检测方法的流程示意图;
图2是本发明基于机器学习的锚固临界值检测方法的预应力待测件的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“纵向”、“横 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,而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。
在本发明的描述中,除非另有规定和限定,需要说明的是,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
如图1所示,本发明公开了一种基于机器学习的锚固临界值检测方法,用于锚固工程中的锚固临界值检测,采用机器学习技术对检测数据进行快速分析处理和结果释判,有效提高数据分析处理的效率,减轻技术人员数据分析处理劳动强度,并提高结果释判的准确性和客观性,弥补依靠人员个人主观经验进行结果释判存在的缺陷与不足。包括如下步骤:
结合锚固临界值已有标准试验和既有数据进行训练,获取训练模型。具体训练过程可采用现有的深度学习神经网络架构,例如,可根据实际需要设置卷积层,池化层,全连接层,归一化层的层数以及结构。将已有标准试验和既有数据分为训练集和验证集,对训练集和验证集中的数据进行人工标注,利用深度学习神经网络对训练集进行训练,获取训练模型,再利用验证集进行验证,使用当前训练模型对验证集中的数据进行预测,得到每个样本的预测结果,若符合收敛条件则停止验证(例如预测出的结果与人工标注结果进行对比,正确率大于阈值即验证通过),否则增加训练数据或者利用预测错误的验证数据作为训练数据继续进行模型训练。
基础标准试验:依据工程构件的设计文件,采用设计参数(如构件类型、工艺参数等)进行理论计算获取理论控制值;结合现场实际采用的材料参数、设备参数及具体实施工艺开展标准试验,通过标准试验结果对理论参数进行修正,将理论控制值转换为实际控制值,以确定符合实际的控制标准。数据训练模型:根据锚固损失理论对标准试验构件的实测值进行核算验证,并将其标记为基础样本;选择类似参数工程构件的既有生产、试验和检测数据,参照基础样本进行标记后用于扩充基础样本量,并将其作为训练模型数据集。
采集预应力待测件(如图2所示)的状态数据,根据预应力待测件的固有属性参数,对相关状态数据进行预处理。预处理的过程中对采集的相关状态数据,根据预应力待测件的固有属性参数,即根据检测过程产生数据的连续性,结合确定的材料力学参数,对原始数据中的缺失值进行填充预处理,填充预处理的具体方法包括但不限于均值、中位值、回归、插值、预测等工具,操作方式包括软件自动填充或人工辅助干预等。再根据预应力待测件荷载变化过程中的应力应变关系,对填充预处理数据进行离群点识别筛选,对筛选识别出的离群点予以剔除,然后根据数据中应力分量的采样频率进行分箱平滑,以完成去噪数据的平滑预处理。然后选择合适的训练模型,导入经过平滑预处理的数据后,根据预设规则对平滑预处理后的数据进行区间状态定义与数据提取(如:在时间维度上可划分为起始段、中间段、结束段;在应力或应变维度上可定义为增长段、停滞段、下降段。),对提取的数据进行重组及规范化线性变换,以得到规范化的预处理数据。这样,实现数据清洗并过滤极大值、极小值或其它无效数据。
对预处理后的数据进行迭代拟合,确定最佳拟合阶数。迭代拟合是将测试数据从低阶到高阶,或者从高阶到低阶进行逐次拟合,按照不同变量关系维度(如应力-时间关系、应变-时间关系、应力-应变关系等)对预处理数据进行多项式拟合,获取拟合曲线形态和相关系数。对拟合曲线求解突变点,当所述突变点中有至少一个落在自适应经验范围内即停止拟合,即结合相关系数和曲线形态,根据训练模型中的预设参数,判定拟合优度,当曲线形态在相似性上满足训练模型要求,且相关系数达到预设目标(如:大于0.997),则可视为拟合优度达标,并得出回归方程,否则进行持续迭代化拟合,直到寻找到最优结果。
例如,判断在相似性上是否满足训练模型要求,且相关系数达到预设目标,需要获取预处理后的拟合曲线图,对比训练模型与预处理后的拟合曲线,如果拟合曲线与训练模型不具有相似性,则继续进行高阶拟合。如果拟合曲线的部分分段与训练模型具有相似性,进一步分析相关系数,如果相关系数大于或等于阈值,则拟合曲线满足要求;如果相关系数小于阈值,则该拟合曲线不满足要求,继续进行高阶拟合。以满足要求的曲线为例,将工程检测过程中的物理状态与曲线进行分段映射,如根据预应力筋荷载施加的过程可分为预紧加载段、锚外加载段、临界加载段和过加载段等。在“临界加载段”内将出现曲率剧烈变化的趋势特征,这个特征映射为工程中的物理状态即为临界状态,可以在这段数据中准确获取临界值。
确定最佳拟合曲线后,对数据形态图形化特征与锚固物理过程进行耦合,即对最优拟合得到的曲线进行图形特征分析,如线性度、单调性、递增性等,并根据锚固原理,将物理过程与曲线特征进行耦合关联,完成图形化特征与物理状态的工程化映射,以得到工程映射数据。确定预应力待测件所处的状态,判断预应力待测件预处理后的数据是否异常,如果正常,则求解应力临界值初始解,否则继续进行高阶或者低阶拟合。且迭代拟合的阶数小于和/或等于10,避免拟合次数过多而造成过拟合。
根据训练数据产生的自适应经验范围,捕捉拟合图形的特征突变点,反向求解应力临界值初始解,即调用模型库中的训练模型,导入工程化映射数据,根据曲线及数据特征自动匹配训练模型,完成数据与模型的自适应匹配和特征点识别标记。再针对识别标记的特征点,引入最优拟合曲线的回归方程,获得全部理论解,构成数据解集合。自适应经验范围是根据已有标准试验和既有数据进行训练,获得已有标准试验和既有数据的已有锚固临界值点,选取包含所有已有锚固临界值点或者大于M%的已有锚固临界值点的区间范围作为自适应经验范围,M为正数且M〈100,M%为预设阈值。拟合图形的特征突变点具有多个时,将突变点重新进行降阶迭代拟合,提取突变点。
结合锚固物理过程(实际物理含义),排除数据解集合中无意义的解(如:虚数解、负数解等)和逻辑冲突解,在临界值初始解中判定最优解,将其释判为本次检测的锚固临界值。将本次检测的原始数据和释判结果(最优解)作为新训练样本,放入训练模型内,增加样本容量,更新样本库。
本发明还提供一种检测系统,包括处理器和预应力检测装置,处理器获取预应力检测装置的检测数据,处理器执行本发明所述方法的步骤,实现预应力检测。通过检测系统实现预应力待测件的预应力检测,操作简单,便于使用。
在本实施方式中,预应力检测装置可以为现有的任意预应力检测装置,具体可以为但不限于锚杆预应力检测装置,锚索预应力检测装置,或者钢绞线预应力检测装置。例如,可以采用CN201721131987.6中的预应力检测装置,具体结构和连接方式均已公开,在此不作赘述。
本发明还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述方法的步骤。存储介质可在多种设备上运行,普适性强。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (9)
1.一种基于机器学习的锚固临界值检测方法,其特征在于,包括如下步骤:
结合锚固临界值已有标准试验和既有数据进行训练,获取训练模型;
采集预应力待测件的状态数据,根据预应力待测件的固有属性参数,对相关状态数据进行预处理;
对预处理后的数据进行迭代拟合,确定最佳拟合阶数;
根据训练数据产生的自适应经验范围,捕捉拟合图形的特征突变点,反向求解应力临界值初始解;
结合锚固物理过程在临界值初始解中判定最优解;
确定最佳拟合曲线后,对数据形态图形化特征与锚固物理过程进行耦合,确定预应力待测件所处的状态,判断预应力待测件预处理后的数据是否异常,如果正常,则求解应力临界值初始解,否则继续进行高阶或者低阶拟合。
2.如权利要求1所述的基于机器学习的锚固临界值检测方法,其特征在于,所述预处理的过程中对采集的相关状态数据,根据预应力待测件的固有属性参数,进行数据清洗,过滤极大值、极小值。
3.如权利要求1所述的基于机器学习的锚固临界值检测方法,其特征在于,所述迭代拟合是将测试数据从低阶到高阶,或者从高阶到低阶进行逐次拟合,对拟合曲线求解突变点,当所述突变点中有至少一个落在自适应经验范围内即停止拟合。
4.如权利要求1或3所述的基于机器学习的锚固临界值检测方法,其特征在于,所述自适应经验范围是根据已有标准试验和既有数据进行训练,获得已有标准试验和既有数据的已有锚固临界值点,选取包含所有已有锚固临界值点或者大于M%的已有锚固临界值点的区间范围作为自适应经验范围,M为正数且M〈100,M%为预设阈值。
5.如权利要求1所述的基于机器学习的锚固临界值检测方法,其特征在于,拟合图形的特征突变点具有多个时,将突变点重新进行降阶迭代拟合,提取突变点。
6.如权利要求1所述的基于机器学习的锚固临界值检测方法,其特征在于,所述迭代拟合的阶数小于和/或等于10。
7.如权利要求1所述的基于机器学习的锚固临界值检测方法,其特征在于,将最优解放入训练模型内,增加样本容量,更新样本库。
8.一种检测系统,其特征在于,包括处理器和预应力检测装置,所述处理器获取预应力检测装置的检测数据,处理器执行如权利要求1至7任一项所述方法的步骤,实现预应力检测。
9.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111071654.XA CN113515802B (zh) | 2021-09-14 | 2021-09-14 | 基于机器学习的锚固临界值检测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111071654.XA CN113515802B (zh) | 2021-09-14 | 2021-09-14 | 基于机器学习的锚固临界值检测方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113515802A CN113515802A (zh) | 2021-10-19 |
CN113515802B true CN113515802B (zh) | 2021-12-07 |
Family
ID=78063072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111071654.XA Active CN113515802B (zh) | 2021-09-14 | 2021-09-14 | 基于机器学习的锚固临界值检测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113515802B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105257339A (zh) * | 2015-11-16 | 2016-01-20 | 北京安科兴业科技股份有限公司 | 掘进工作面多参量综合监测预警方法 |
CN110704805A (zh) * | 2019-09-13 | 2020-01-17 | 东南大学 | 一种基于活载应变的预应力混凝土梁桥开裂预警方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2122696T3 (es) * | 1995-01-09 | 1998-12-16 | Empa | Sujecion de laminas de refuerzo. |
CN1793897A (zh) * | 2005-12-09 | 2006-06-28 | 重庆大学 | 一种锚杆极限承载力的无损检测方法 |
CN101694101B (zh) * | 2009-10-16 | 2011-07-27 | 招商局重庆交通科研设计院有限公司 | 预应力锚索锚固状态综合检测方法 |
CN102279135B (zh) * | 2011-07-06 | 2012-12-26 | 湖南科技大学 | 锚杆拉拔力无损动力检测装置和方法 |
CN103528720B (zh) * | 2013-10-25 | 2015-04-01 | 交通运输部公路科学研究所 | 体外预应力钢束应力精确检测装置及方法 |
US9844583B2 (en) * | 2014-10-24 | 2017-12-19 | Indiana University Research And Technology Corp. | Role of a cluster of long noncoding RNA transcripts in protecting the heart from pathological hypertrophy |
CN108416104B (zh) * | 2018-02-05 | 2021-07-16 | 山东建筑大学 | 一种斜拉桥混凝土索塔锚固区的预应力设计方法 |
-
2021
- 2021-09-14 CN CN202111071654.XA patent/CN113515802B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105257339A (zh) * | 2015-11-16 | 2016-01-20 | 北京安科兴业科技股份有限公司 | 掘进工作面多参量综合监测预警方法 |
CN110704805A (zh) * | 2019-09-13 | 2020-01-17 | 东南大学 | 一种基于活载应变的预应力混凝土梁桥开裂预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113515802A (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108399277B (zh) | 一种基于温度与应变关联性的桥梁损伤识别方法 | |
CN112669305B (zh) | 一种金属表面抗锈性能测试台及抗锈性能测评方法 | |
CN110569566B (zh) | 一种板带力学性能预测方法 | |
CN110046570B (zh) | 一种粮仓粮食库存动态监管方法和装置 | |
CN112926644A (zh) | 一种滚动轴承剩余使用寿命预测方法及系统 | |
CN117371337B (zh) | 一种基于数字孪生的水利模型构建方法及系统 | |
CN112131797B (zh) | 一种基于应力分析的主轴轴承寿命预测和可靠性评估方法 | |
CN117115169A (zh) | 一种汽车配件压铸模具表面形变异常智能识别方法 | |
CN114778684A (zh) | 一种基于服役场景的钢管性能评估方法及系统 | |
CN105488572A (zh) | 一种配电设备健康状态评价方法 | |
CN113515802B (zh) | 基于机器学习的锚固临界值检测方法、系统及存储介质 | |
CN117349947B (zh) | 一种基于sn曲线与svm的结构安全智慧监测方法 | |
CN115856092B (zh) | 基于声发射数据和应力数据确定岩石裂纹起裂应力的方法 | |
CN110457374B (zh) | 一种识别时段典型暴雨过程的方法 | |
CN111639466A (zh) | 一种基于监测数据的斜拉桥拉索使用寿命评估方法 | |
CN111538755A (zh) | 一种基于归一化互相关与单位根检验的设备运行状态异常检测方法 | |
CN108229541B (zh) | 一种基于k最近邻算法的岸桥中拉杆应力数据分类方法 | |
CN116938676A (zh) | 一种基于数据源分析的通信风险联合预警方法 | |
CN116070105A (zh) | 基于小波变换及残差网络的组合梁损伤识别方法及系统 | |
CN114881074A (zh) | 一种基于聚类-深度学习的工程结构变形预测方法 | |
CN117972365B (zh) | 一种隧底群桩压力承载监测系统和监测方法 | |
CN118114870A (zh) | 一种水利工程进度监控系统 | |
CN110929425B (zh) | 一种基于Lasso算法的纸张纵向伸长率的软测量方法 | |
CN117910118B (zh) | 一种基于bim模型的建筑结构安全性评价方法及系统 | |
CN114812990A (zh) | 结构风致振动时间序列信号非平稳段自动提取方法 |
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 |