CN113836618A - 一种基于支持向量机的临时钢扣塔拆卸误差调节控制方法 - Google Patents
一种基于支持向量机的临时钢扣塔拆卸误差调节控制方法 Download PDFInfo
- Publication number
- CN113836618A CN113836618A CN202111031869.9A CN202111031869A CN113836618A CN 113836618 A CN113836618 A CN 113836618A CN 202111031869 A CN202111031869 A CN 202111031869A CN 113836618 A CN113836618 A CN 113836618A
- Authority
- CN
- China
- Prior art keywords
- support vector
- data
- vector machine
- error
- svm
- 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
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 43
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 27
- 239000010959 steel Substances 0.000 title claims abstract description 27
- 238000010276 construction Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 230000001419 dependent effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 21
- 238000006073 displacement reaction Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000007418 data mining Methods 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 4
- 238000010224 classification analysis Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000012067 mathematical method Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000005315 distribution function Methods 0.000 claims 1
- 230000001276 controlling effect Effects 0.000 abstract description 7
- 230000001105 regulatory effect Effects 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000007596 consolidation process Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 239000011513 prestressed concrete Substances 0.000 description 1
- 238000012360 testing 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
- G06F30/13—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
- 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
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Computing Systems (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公布了一种基于支持向量机(SVM)的临时钢扣塔拆卸误差调节控制方法。该方法利用已经建立好的理论模型，并且以现场实测数据为依据进行模型的修正；采用支持向量机算法，建立以实测梁体挠度为自变量和以索力为因变量的预测函数关系；将温度参数、斜拉索力参数、临时荷载风力参数等输入SVM，得出扣塔拆除过程中调节误差并将其通过wifi网络传输给数据处理中心；智能数据处理中心对收到的误差数据进行分析，并给出调整数据，将其施加给扣塔调节装置；临时钢扣塔根据操作指令实施调整。该方法简化了人工调控高程线形的施工工序，能够大幅度提高施工速度，缩短工期。
Description
技术领域
本发明属于桥梁施工技术领域，具体涉及一种基于支持向量机的临时钢扣塔拆卸误差调节控制方法。
背景技术
近些年，钢桁拱桥以其外形美观、用钢量少、跨越能力大等优点逐渐成为城市桥梁建造中的首选。但是在钢桁拱桥建造过程中，随着预应力混凝土斜拉桥跨径不断增大,主梁宽度也不断增加,其空间效应越来越明显,在其主梁的悬臂施工过程中,通常采用的塔梁临时固结方式常常导致主梁0号块附近开裂，传统方法在运算复杂结构的可靠度时面临很多不足：一次、二次可靠度法必须事先求得功能函数表达式，并且在功能函数比较复杂时，精度无法保证，计算结果很难收敛；蒙特卡罗法需要大量的抽样运算才逼近真实可靠度，效率低下；二次多项式响应面法在拟合非线性程度很高的功能函数时效果不好；神经网络响应面法易出现过学习、欠学习等问题。为解决上述问题，针对临时固结构造的拆除提出支持向量机理论。
支持向量机是从统计学发展而来的一种新型的机器学习方法，在解决小样本、非线性和高维的机器学习问题中，表现了许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中，在机器学习中，支持向量机是与相关的学习算法有关的监督学习模型，可以分析数据，识别模式，用于分类和回归分析，它是由Vapnik及其合作者共同创造与发展起来的一种新的机器学习方法，其核心理论在1992年至1995年间提出的。统计学习理论建立在一套较为坚实的理论基础之上，为解决有限样本的学习问题提供了一个统一的框架。它能将许多现有的方法纳入其中，有望帮助解决许多原来难以解决的问题，比如神经网格的结构选择问题、局部最小点问题等。
发明内容
有鉴于此，本发明旨在提出一种基于支持向量机的临时钢扣塔拆卸误差调节控制方法，精准监测钢扣塔在拆除过程中的线性变化，快速对比分析误差，从而实施高效调控措施，从而解决传统测量定位的低速和定位不精准的问题，同时将高程线形调控过程智能化，简化了人工调控线形的施工工序，能够大幅度提高施工速度，缩短工期。
为了实现上述目的，本发明采用的技术方案是这样实现的：
所述支持向量是指那些过两类样本中离分类面最近的点且平行于分类面的训练样本，即起决定性作用的样本；
所述“机(machine，机器)”实际上是一个算法，在机器学习领域，常把一些算法看做是一个机器；在机器学习中，支持向量机(VSM，还支持矢量网格)是与相关的学习算法有关的监督学习模型，可以分析数据，识别模式，用于分类和回归分析；
所述支持向量机与神经网络类似，都是学习型的机制，但与神经网络不同的是SVM使用的是数学方法和优化技术，其本质是建立数据的输入输出关系，从而对其他输入数据进行预测；
所述临时钢扣塔，桥梁工程施工过程中，往往在修建工程的同时有配套的临时工程作为辅助，在大跨度桥梁中采用的临时结构以钢构件最为普遍。
进一步所述，支持向量机的原理是利用内部核函数对各种参数进行快速对比分析误差，实施高效调控措施，从而解决传统测量定位的低速和定位不精准的问题。
进一步所述，鉴于支持向量机扎实的理论基础，并且和传统的计算方法相比较，比如人工神经网络，SVM通过提高数据的维度把非线性分类问题转化成线性分类问题，较好解决了传统算法中训练集误差最小而测试集误差仍较大的问题，算法的效率和精度都比较高，所以近年来该方法成为构造数据挖掘分类器的一项新型技术，在分类和回归模型中得到了很
好的应用。
进一步所述，支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性即对特定训练样本的学习精度和学习能力即无错误地识别任意样]一种基于支持向量机的临时钢扣塔拆卸误差调节控制方法，其特征在于：包括的步骤有：
第一步，利用已经建立好的理论模型，并且以现场实测数据为依据进行模型的修正，得到准确、可靠的计算模型；
第二步，对于计算得出的样本数据，采用一种新型数据挖掘技术——支持向量机，建立实测梁体挠度为自变量和以索力为因变量的预测函数关系；
第三步，将温度参数、斜拉索力参数、临时荷载风力参数等输入SVM，其内部核函数对参数进行计算分析，得出扣塔拆除过程中的纵向位移、横向位移、垂直偏角等误差数据并将其通过wifi网络传输给智能数据处理中心；
第四步，智能数据处理中心对收到的误差数据进行分析，同时根据分析结果计算出应调整的数据，将其施加给扣塔调节装置；
第五步，临时钢扣塔根据操作指令实施调整。
进一步所述，支持向量机的原理是利用内部核函数对各种参数进行快速对比分析误差，实施高效调控措施，从而解决传统测量定位的低速和定位不精准的问题。
附图说明
图1为支持向量机的原理图；
图2为本发明的系统图；
图3为本发明的流程图。
具体实施方式
下面通过附图和具体实施例对本发明作进一步说明。
如图1所示，一种基于支持向量机的临时钢扣塔拆卸误差调节控制方法，其目的是获得较为精准的扣塔拆除工程中的纵向位移、横向位移、垂直偏角等参数，实施高效调控措施，从而保证临时扣塔的顺利拆卸。包括的步骤为：
a.将通过依据现场实测数据进行修正后的理论模型输入SVM；
b.SVM通过内部核函数将输入的各项参数进行计算分析；
c.将计算所得的扣塔拆除过程中的纵向位移、横向位移、垂直偏角等参数输出。
一种基于支持向量机的临时钢扣塔拆卸误差调节控制方法，其特征在于：包括的步骤有：
第一步，利用已经建立好的理论模型，并且以现场实测数据为依据进行模型的修正，得到准确、可靠的计算模型；
第二步，对于计算得出的样本数据，采用一种新型数据挖掘技术——支持向量机，建立实测梁体挠度为自变量和以索力为因变量的预测函数关系；
第三步，将温度参数、斜拉索力参数、临时荷载风力参数等输入SVM，其内部核函数对参数进行计算分析，得出扣塔拆除过程中的纵向位移、横向位移、垂直偏角等误差数据并将其通过wifi网络传输给智能数据处理中心；
第四步，智能数据处理中心对收到的误差数据进行分析，同时根据分析结果计算出应调整的数据，将其施加给扣塔调节装置；
]第五步，临时钢扣塔根据操作指令实施调整。
相对于现有技术，本发明的特点及优势体现在：
(1)采用支持向量机，能较精准预测施工过程中临时钢扣塔的线性变化，支持向量机可对任意未知样本预测的相对误差在千分之五以内，从而解决传统测量定位的低速和定位不精准的问题；
(2)采用支持向量机，能对数据误差进行快速对比分析，实施高效调控措施，简化了人工调控高程线形的施工工序，能够大幅度提高施工速度，缩短工期；
(3)基于支持向量机的临时钢扣塔拆卸误差调节控制方法，建立在一套较为坚实的理论基础之上，为解决有限样本的学习问题提供了一个统一的框架。它能将许多现有的方法纳入其中，有望帮助解决许多原来难以解决的问题，比如神经网格的结构选择问题、局部最小点问题等。
Claims (6)
1.一种基于支持向量机的临时钢扣塔拆卸误差调节控制方法，其特征在于：所述支持向量是指那些过两类样本中离分类面最近的点且平行于分类面的训练样本，即起决定性作用的样本；
所述“机(machine，机器)”实际上是一个算法，在机器学习领域，常把一些算法看做是一个机器；在机器学习中支持向量机(SVM,还支持矢量网格)是与相关的学习算法有关的监督学习模型，可以分析数据，识别模式，用于分类和回归分析；
所述支持向量机与神经网格类似，都是学习型的机制，但与神经网格不同的是SVM使用的是数学方法和优化技术，其本质是建立数据的输入输出关系，从而对其他输入数据进行预测；
所述支持向量机包含三层，第一层是SVM输入层，将通过依据现场实测数据进行修正后的理论模型输入SVM；第二层是SVM隐层，该层将会对输入的参数通过核函数进行计算，第三层是输出层，将计算所得的关于扣塔拆除过程中的纵向位移、横向位移、垂直偏角等参数进行输出。
所述临时钢扣塔，桥梁工程施工过程中，往往在修建工程的同时有配套的临时工程作为辅助，在大跨度桥梁中采用的临时结构以钢构件最为普遍。
2.根据权利要求1所述的支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性即对特定训练样本的学习精度和学习能力即无错误地识别任意样本的能力之间寻求最佳折中，以期获得最好的推广能力。
3.根据权利要求1所述的一种基于支持向量机的临时钢扣塔拆卸误差调节控制方法，SVM的关键在于核函数，低维空间向量集通常难以划分，解决的方法是将他们映射到高维空间，但这个办法到来的困难就是计算复杂度的增加，而核函数正好巧妙地解决了这个问题，也就是说，只要选用适当的核函数，就可以得到高维空间的分类函数。在SVM理论中，采用不同的核函数将导致不同的SVM算法。
4.一种基于支持向量机的临时钢扣塔拆卸误差调节控制方法，其特征在于：包括的步骤有：
第一步，利用已经建立好的理论模型，并且以现场实测数据为依据进行模型的修正，得到准确、可靠的计算模型；
第二步，对于计算得出的样本数据，采用一种新型数据挖掘技术——支持向量机，建立以实测梁体挠度为自变量和以索力为因变量的预测函数关系；
第三步，将温度参数、斜拉索力参数、临时荷载风力参数等输入SVM，其内部核函数对参数进行计算分析，得出扣塔拆除过程中的纵向位移、横向位移、垂直偏角等误差数据并将其通过wifi网络传输给智能数据处理中心；
第四步，智能数据处理中心对收到的误差数据进行分析，同时根据分析结果计算出应调整的数据，将其施加给扣塔调节装置；
第五步，临时钢扣塔根据操作指令实施调整。
5.根据权利要求4所述的一种基于支持向量机的临时钢扣塔拆卸误差调节控制方法，其特征在于：所述理论模型，是指事先利用ANSYS或MIDAS建立的工程模型，并且以实测数据为依据对其进行了修正，得到准确、可靠的计算模型。
6.根据权利要求4所述的一种基于支持向量机的临时钢扣塔拆卸误差调节控制方法，其特征在于：所述SVM建立预测函数关系，包含以下三个步骤：1)会运用某种抽样方法产生样本数据x∈Rn；2)根据条件分布函数F(y/x)得出每个输入向量x的输出值y；3)SVM产生特定的函数集f(x,w)，根据训练样本中的输入输出关系，构造某一算子，用来预测未知输入向量对应的响应。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111031869.9A CN113836618A (zh) | 2021-09-03 | 2021-09-03 | 一种基于支持向量机的临时钢扣塔拆卸误差调节控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111031869.9A CN113836618A (zh) | 2021-09-03 | 2021-09-03 | 一种基于支持向量机的临时钢扣塔拆卸误差调节控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113836618A true CN113836618A (zh) | 2021-12-24 |
Family
ID=78962146
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111031869.9A Pending CN113836618A (zh) | 2021-09-03 | 2021-09-03 | 一种基于支持向量机的临时钢扣塔拆卸误差调节控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113836618A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116026512A (zh) * | 2023-03-30 | 2023-04-28 | 江西飞尚科技有限公司 | 索力计算温度拟合方法、系统、计算机及可读存储介质 |
| CN118113991A (zh) * | 2024-01-19 | 2024-05-31 | 中铁建大桥工程局集团南方工程有限公司 | 基于支持向量机的临时钢扣塔拆卸误差调整方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102155231A (zh) * | 2011-03-18 | 2011-08-17 | 大连海事大学 | 一种隧道施工过程的快速反馈分析系统 |
| CN113029044A (zh) * | 2021-02-23 | 2021-06-25 | 中铁建大桥工程局集团南方工程有限公司 | 一种3d激光扫描的钢扣塔竖向垂直度智能化调节系统 |
| CN113267170A (zh) * | 2021-02-23 | 2021-08-17 | 中铁建大桥工程局集团南方工程有限公司 | 一种基于3d激光扫描和模型计算数据对比反馈的三主桁钢梁横向高差调节方法 |
-
2021
- 2021-09-03 CN CN202111031869.9A patent/CN113836618A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102155231A (zh) * | 2011-03-18 | 2011-08-17 | 大连海事大学 | 一种隧道施工过程的快速反馈分析系统 |
| CN113029044A (zh) * | 2021-02-23 | 2021-06-25 | 中铁建大桥工程局集团南方工程有限公司 | 一种3d激光扫描的钢扣塔竖向垂直度智能化调节系统 |
| CN113267170A (zh) * | 2021-02-23 | 2021-08-17 | 中铁建大桥工程局集团南方工程有限公司 | 一种基于3d激光扫描和模型计算数据对比反馈的三主桁钢梁横向高差调节方法 |
Non-Patent Citations (4)
| Title |
|---|
| 孙元: "大跨CFST拱桥斜拉扣挂悬拼施工监测控制关键技术研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, pages 034 - 523 * |
| 李清富;辛保兵;李科;: "基于SVM的预应力混凝土梁有效预应力识别", 郑州大学学报(工学版), no. 01, pages 21 - 24 * |
| 王业;张广明;周娟娟;: "LS-SVM技术在曳引机故障预测中的应用", 机械设计与制造, no. 04, pages 76 - 78 * |
| 舒彤;余香梅;张凯举;: "混沌-支持向量机在加工误差预测中的应用", 机床与液压, no. 07, pages 32 - 35 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116026512A (zh) * | 2023-03-30 | 2023-04-28 | 江西飞尚科技有限公司 | 索力计算温度拟合方法、系统、计算机及可读存储介质 |
| CN116026512B (zh) * | 2023-03-30 | 2023-07-04 | 江西飞尚科技有限公司 | 索力计算温度拟合方法、系统、计算机及可读存储介质 |
| CN118113991A (zh) * | 2024-01-19 | 2024-05-31 | 中铁建大桥工程局集团南方工程有限公司 | 基于支持向量机的临时钢扣塔拆卸误差调整方法 |
| CN118113991B (zh) * | 2024-01-19 | 2024-09-10 | 中铁建大桥工程局集团南方工程有限公司 | 基于支持向量机的临时钢扣塔拆卸误差调整方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102867083B (zh) | 考虑不确定性的压力机滑块机构高刚度轻量化设计方法 | |
| CN113836618A (zh) | 一种基于支持向量机的临时钢扣塔拆卸误差调节控制方法 | |
| He et al. | A machine learning-based fatigue loads and power prediction method for wind turbines under yaw control | |
| CN104636563B (zh) | 高速压力机上横梁可靠性设计方法 | |
| CN105512745A (zh) | 基于粒子群—bp神经网络的风电功率区间预测方法 | |
| CN115081717B (zh) | 融合注意力机制和图神经网络的轨道交通客流预测方法 | |
| CN104865827B (zh) | 一种基于多工况模型的抽油机采油优化方法 | |
| CN111178621A (zh) | 一种电采暖负荷预测支持向量回归机模型的参数优化方法 | |
| CN103985000A (zh) | 基于函数型非参数回归的中长期典型日负荷曲线预测方法 | |
| CN112989464B (zh) | 一种悬索桥整体桥面线形调整与索力调整的实现方法 | |
| CN117114438A (zh) | 一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法 | |
| Wang et al. | Multi-criteria comprehensive study on predictive algorithm of heating energy consumption of district heating station based on timeseries processing | |
| Ma et al. | A novel bidirectional gated recurrent unit-based soft sensor modeling framework for quality prediction in manufacturing processes | |
| CN105809272A (zh) | 一种基于数据挖掘的梯级水电站群指令调度优化方法 | |
| Shan et al. | Integrated method for intelligent structural design of steel frames based on optimization and machine learning algorithm | |
| Song et al. | Application of surrogate-assisted global optimization algorithm with dimension-reduction in power optimization of floating offshore wind farm | |
| CN110880044A (zh) | 一种基于马尔科夫链的负荷预测方法 | |
| CN112507437B (zh) | 一种基于神经网络的桥梁索力振动法多参数识别方法 | |
| Ma et al. | Bidirectional minimal gated unit-based nonlinear dynamic soft sensor modeling framework for quality prediction in process industries | |
| CN116885703B (zh) | 一种高维多元气象数据融合的短期风光功率预测方法 | |
| Xie et al. | Prediction of construction cable forces of CFST arch bridge based on DNN | |
| Nutkiewicz et al. | Exploring the integration of simulation and deep learning models for urban building energy modeling and retrofit analysis | |
| CN117610377A (zh) | 一种重载铁路桥梁有限元模型的位移预测方法 | |
| CN117610340A (zh) | 高铁大跨桥上有砟轨道线-桥垂向变位映射关系分析方法 | |
| Li et al. | Study of a dynamic effect-based method for wind farm yaw control optimization |
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: 20211224 |