CN113868967B - 结构监测数据预测方法、装置及存储介质 - Google Patents
结构监测数据预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113868967B CN113868967B CN202111464943.6A CN202111464943A CN113868967B CN 113868967 B CN113868967 B CN 113868967B CN 202111464943 A CN202111464943 A CN 202111464943A CN 113868967 B CN113868967 B CN 113868967B
- Authority
- CN
- China
- Prior art keywords
- data
- prediction result
- mechanical
- monitoring data
- prediction
- 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]
- G06F30/20—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
- 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
- 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)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种结构监测数据预测方法、装置及存储介质。在地下工程施工期的力‑变形预测中,受限于岩土介质的复杂性,力学方法虽能定性反应结构力‑变形的演变规律,但是在定量计算方面存在较大偏差。本发明的结构监测数据预测方法,包括:获取目标结构的监测数据;根据所述监测数据对力学预测结果进行修正;利用机器学习算法,以所述监测数据为训练数据,得到数据驱动预测结果;采用所述力学预测结果修正所述数据驱动预测结果。本发明有效解决了现有技术预测方法在定量计算方面存在较大偏差的技术问题,得到更加智能、准确的预测结果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种结构监测数据预测方法、装置及存储介质。
背景技术
在土木工程施工期,对结构安全状态的准确预测可以有效防止潜在的风险,通常,力-变形指标因其易获取性被用于结构安全状态的评估。力-变形是指结构在施工期间产生的内力和变形,两者相互关联。因为力的作用而产生变形,而变形又进一步产生力。力-变形指标即力-变形参数:力变形参数包括应力、轴力、弯矩等;变形参数包括应变、沉降、隆起、水平收敛等。
因此,对结构施工期力-变形参数的预测至关重要。力学方法(包括粘弹性解析计算、模型试验与多阶段数值模拟)、数据驱动方法(基于监测数据采用回归分析与机器学习等算法得到力-变形与时间的映射关系)都可被视作对力-变形的预测方法。目前,在地下工程施工期的力-变形预测中,受限于岩土介质的复杂性,力学方法虽能定性反应结构力-变形的演变规律,但是在定量计算方面存在较大偏差;另一方面,地下施工阶段影响因素复杂多变,难以量化以进行机器学习模型训练,因而基于历史监测数据进行预测存在无法预知施工阶段转换影响的问题,在工序发生转换的阶段处预测存在滞后。
发明内容
本发明的目的是提供一种结构监测数据预测方法、装置及存储介质,以至少解决现有技术预测方法在定量计算方面存在较大偏差的技术问题。
为了达到上述目的,本发明所采用的技术方案为:
结构监测数据预测方法,所述方法包括:
获取目标结构的监测数据;
根据所述监测数据对力学预测结果进行修正;
利用机器学习算法,以所述监测数据为训练数据,得到数据驱动预测结果;
采用所述力学预测结果修正所述数据驱动预测结果。
进一步地,在所述获取目标结构的监测数据之前,所述方法还包括:通过数值模拟、模型试验得到力学预测结果。
进一步地,所述根据所述监测数据对力学预测结果进行修正包括:
将施工阶段转换为与之对应的时间,即该阶段完成时的时刻,设当前时刻为t,1~t时刻的监测数据为X1:t;
对于对应时刻小于等于t的力学预测结果,直接令其为监测数据的实测值;
对于对应时刻大于t的力学预测结果,逐点计算修正。
进一步地,所述对于对应时刻大于t的力学预测结果,逐点计算修正包括:
设力学预测结果总数为n,当前位于t时刻之前的结果数为a,1~t时刻的力学预测结果为R1、R2、R3、…、Ra,则对于t时刻之后的力学预测结果Ri,其修正值R′i为:
进一步地,所述利用机器学习算法,以所述监测数据为训练数据,得到数据驱动预测结果包括:
设当前时刻为t,1~t时刻的监测数据为X1:t,设定预测步长为q,利用机器学习算法,以X1:t为训练数据,得到t+1~t+q时刻的数据驱动预测结果。
进一步地,所述采用所述力学预测结果修正所述数据驱动预测结果包括:
设当前已经过了n个力学预测结果,若n≤10时,有以下公式:
式中:
Ti代表对第i个数据驱动预测结果的修正量;
Pt代表在当前时刻t,力学预测结果的可信度;
di代表力学预测结果与数据驱动预测结果的差值;
Δi代表了力学预测结果与数据驱动预测结果在时间上的差值;
a为相关系数,介于0.5与2之间;
f(P t ,Δ i ,d i ,a)的一种具体可行方式为:
Pt的具体计算公式如下:
t=1时,Pt=p,p为初始可信度,为0.5;
t>1时,有:
其中,σr为力学预测结果的绝对累计误差,σd为数据驱动预测结果在力学预测结果处的绝对累计误差,正相关函数为f(x)=x2; 负相关函数为f(x)=1/x2。
或者,所述采用所述力学预测结果修正所述数据驱动预测结果包括:
设当前已经过了n个力学预测结果,若n>10时,将修正后的力学预测结果、力学预测结果对应的时刻、以及ti-δ~ti+δ范围内的数据驱动预测数据作为一组输入参数,将ti-δ~ti+δ范围内的监测数据作为一组输出参数,进行机器学习训练,实现输入参数与输出参数的映射。
结构监测数据预测装置,所述装置用于完成上述任一实施例的方法,包括:
获取模块,用于获取目标结构的监测数据;
第一修正模块,用于根据所述监测数据对力学预测结果进行修正;
训练模块,利用机器学习算法,以所述监测数据为训练数据,得到数据驱动预测结果;
第二修正模块:用于采用所述力学预测结果修正所述数据驱动预测结果。
结构监测数据预测存储介质,所述存储介质包括存储的程序,程序被处理器执行时实现上述任一实施例的方法。
与现有技术相比,本发明的有益效果如下:
本发明将针对同一工程的力学手段与数据驱动手段视作两个相互纠缠的方式,随施工阶段的进行,通过力学手段得到的预测结果受监测数据影响被不断更新,同时更新后的力学预测结果也会影响数据驱动预测结果,通过两种预测结果的相互影响,发挥两种预测形式各自的优势,从而得到更加智能、准确的预测结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他实施例的附图。
图1是本发明实施例的一种预测装置的结构示意图。
图2是本发明实施例的一种预测方法的流程图。
图3是本发明实施例的根据监测数据修正力学结果的示意图。
图4是本发明实施例的力学结果修正数据驱动预测结果的映射关系训练模式图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施方式。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施方式。相反地,提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。
应注意到,相似的标号和字母表示类似项,因此,一旦某一项在一个实施例中被定义,则在随后的实施例中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语 “第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。当然的,这样的对象在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1:
本实施例涉及一种结构监测数据预测方法,步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行。如图2,方法包括:
S201:获取目标结构的监测数据;
目标结构为属于地下工程但不限于此的土建构筑物,其监测数据由设置在目标结构上的监测设备如传感器但不限于此获得。监测设备在目标结构上可以设置多处,物理位置无限接近,多个监测设备的数据可以融合后使用,如在相同时刻采用平均值等融合方式。
在获取目标结构的监测数据之前,所述方法还包括:
S100:通过常用已公开的数值模拟、模型试验得到力学预测结果。所述力学预测结果是根据施工进度计划划分的各施工阶段的力学预测结果,需要将施工阶段转换为与之对应的时间,即该阶段完成时的时刻或时间点。该力学预测结果能体现整个施工期的力-变形演变情况。
S202:根据所述监测数据对力学预测结果进行修正;
根据当前的既有监测数据,对力学预测结果进行修正即更新,能体现监测数据对力学预测结果的影响。
根据所述监测数据对力学预测结果进行修正包括:
S2021:将施工阶段转换为与之对应的时间,即该阶段完成时的时刻,设当前时刻为t,1~t时刻的监测数据为X1:t;
S2022:对于对应时刻小于等于t的力学预测结果,直接令其为监测数据的实测值;
S2023:对于对应时刻大于t的力学预测结果,逐点计算修正。逐点计算修正包括:
设力学预测结果总数为n,当前位于t时刻之前的结果数为a,1~t时刻的力学预测结果为R1、R2、R3、…、Ra,则对于t时刻之后的力学预测结果Ri,其修正值R′i为:
如图3中,力学结果即为上述力学预测结果,时刻小于等于t的修正值在监测曲线上,包括了监测数据的实测值,时刻大于t的修正值通过上述计算获得。
S203:利用机器学习算法,以所述监测数据为训练数据,得到数据驱动预测结果,该步骤可通过目前已公开的各种机器学习算法实现,包括移动平均自回归、支持向量回归、循环神经网络等;
设当前时刻为t,1~t时刻的监测数据为X1:t,设定预测步长为q,利用机器学习算法,以X1:t为训练数据,得到t+1~t+q时刻的数据驱动预测结果。
S204:采用所述力学预测结果修正所述数据驱动预测结果。
采用所述力学预测结果修正所述数据驱动预测结果包括:
设当前已经过了n个力学预测结果,
若n≤10时,有以下公式:
式中:
Ti代表对第i个数据驱动预测结果的修正量;
Pt代表在当前时刻t,力学预测结果的可信度;
di代表力学预测结果与数据驱动预测结果的差值;
Δi代表了力学预测结果与数据驱动预测结果在时间上的差值;
a为相关系数,介于0.5与2之间;
f(P t ,Δ i ,d i ,a)的一种具体可行方式为:
Pt的具体计算公式如下:
t=1时,Pt=p,p为初始可信度,为0.5;
t>1时,有:
其中,σr为力学预测结果的绝对累计误差,σd为数据驱动预测结果在力学预测结果处的绝对累计误差,正相关函数为f(x)=x2; 负相关函数为f(x)=1/x2。
若n>10时,将修正后的力学预测结果、力学预测结果对应的时刻、以及ti-δ~ti+δ范围内的数据驱动预测数据作为一组输入参数,将ti-δ~ti+δ范围内的监测数据作为一组输出参数,进行机器学习训练,实现输入参数与输出参数的映射。
针对同一工程的力学预测与数据驱动预测视作两个相互纠缠的方式,随施工阶段的进行,通过力学手段得到的结果受监测数据影响被不断更新,同时更新后的力学结果也会影响数据驱动预测结果,通过两种预测结果的相互影响,发挥两种预测形式各自的优势,从而得到更加智能、准确的预测结果。每新增一个既有监测数据,进行步骤S202~步骤S204。步骤二和步骤四体现了两种方式的纠缠,即相互作用。
实施例2:
本实施例涉及一种结构监测数据预测装置,该装置能以硬件或软件方式实现,用于完成结构监测数据预测方法。如图1所示,所述预测装置100包括获取模块101,第一修正模块102,训练模块103,第二修正模块104。
获取模块101,用于获取目标结构的监测数据,对应实施例1中步骤S201的内容;
第一修正模块102,用于根据所述监测数据对力学预测结果进行修正,对应实施例1中步骤S202的内容;
训练模块103,利用机器学习算法,以所述监测数据为训练数据,得到数据驱动预测结果,对应实施例1中步骤S203的内容;
第二修正模块104:用于采用所述力学预测结果修正所述数据驱动预测结果,对应实施例1中步骤S204的内容。
实施例所述装置还包括转换模块2021,相等修正模块2022,计算修正模块2023。
转换模块2021,用于将施工阶段转换为与之对应的时间,即该阶段完成时的时刻,设当前时刻为t,1~t时刻的监测数据为X1:t,对应实施例1中步骤S2021的内容;
相等修正模块2022,用于对时刻小于等于t的力学预测结果,将其直接令等同为监测数据实测值的修正,对应实施例1中步骤S2022的内容;
计算修正模块2023,用于对应时刻大于t的力学预测结果的逐点计算修正,对应实施例1中步骤S2023的内容。
实施例3:
本实施例涉及一种结构监测数据预测存储介质,存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取目标结构的监测数据;根据所述监测数据对力学预测结果进行修正;利用机器学习算法,以所述监测数据为训练数据,得到数据驱动预测结果;采用所述力学预测结果修正所述数据驱动预测结果。
本领域技术人员可以理解,本发明实施例的全部或部分功能可以通过硬件的方式实现,也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器、随机存储器、磁盘、光盘、硬盘等,通过计算机执行该程序以实现上述功能。例如,将程序存储在设备的存储器中,当通过处理器执行存储器中程序,即可实现上述全部或部分功能。另外,当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中,通过下载或复制保存到本地设备的存储器中,或对本地设备的系统进行版本更新,当通过处理器执行存储器中的程序时,即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。
Claims (7)
1.结构监测数据预测方法,其特征在于:
所述方法包括:
获取目标结构的监测数据;
根据所述监测数据对力学预测结果进行修正;
利用机器学习算法,以所述监测数据为训练数据,得到数据驱动预测结果;
采用所述力学预测结果修正所述数据驱动预测结果,包括:
设当前已经过了n个力学预测结果,若n≤10时,有以下公式:
式中:
Ti代表对第i个数据驱动预测结果的修正量;
Pt代表在当前时刻t,力学预测结果的可信度;
di代表力学预测结果与数据驱动预测结果的差值;
Δi代表了力学预测结果与数据驱动预测结果在时间上的差值;
a为相关系数,介于0.5与2之间;
f(P t ,Δ i ,d i ,a)的一种具体可行方式为:
Pt的具体计算公式如下:
t=1时,Pt=p,p为初始可信度,为0.5;
t>1时,有:
其中,σr为力学预测结果的绝对累计误差,σd为数据驱动预测结果在力学预测结果处的绝对累计误差,正相关函数为f(x)=x2; 负相关函数为f(x)=1/x2;
2.根据权利要求1所述的方法,其特征在于:
在所述的获取目标结构的监测数据之前,所述方法还包括:通过数值模拟、模型试验得到力学预测结果。
3.根据权利要求2所述的方法,其特征在于:
所述的根据所述监测数据对力学预测结果进行修正包括:
将施工阶段转换为与之对应的时间,即该阶段完成时的时刻,设当前时刻为t,1~t时刻的监测数据为X1:t;
对于对应时刻小于等于t的力学预测结果,直接令其为监测数据的实测值;
对于对应时刻大于t的力学预测结果,逐点计算修正。
5.根据权利要求4所述的方法,其特征在于:
所述的利用机器学习算法,以所述监测数据为训练数据,得到数据驱动预测结果包括:
设当前时刻为t,1~t时刻的监测数据为X1:t,设定预测步长为q,利用机器学习算法,以X1:t为训练数据,得到t+1~t+q时刻的数据驱动预测结果。
6.结构监测数据预测装置,其特征在于:
所述装置用于完成权利要求1-5任一项所述的方法,包括:
获取模块,用于获取目标结构的监测数据;
第一修正模块,用于根据所述监测数据对力学预测结果进行修正;
训练模块,利用机器学习算法,以所述监测数据为训练数据,得到数据驱动预测结果;
第二修正模块:用于采用所述力学预测结果修正所述数据驱动预测结果。
7.结构监测数据预测存储介质,其特征在于:
所述存储介质包括存储的程序,程序被处理器执行时实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111464943.6A CN113868967B (zh) | 2021-12-03 | 2021-12-03 | 结构监测数据预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111464943.6A CN113868967B (zh) | 2021-12-03 | 2021-12-03 | 结构监测数据预测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113868967A CN113868967A (zh) | 2021-12-31 |
CN113868967B true CN113868967B (zh) | 2022-04-12 |
Family
ID=78985739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111464943.6A Active CN113868967B (zh) | 2021-12-03 | 2021-12-03 | 结构监测数据预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113868967B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154226B (zh) * | 2022-02-10 | 2022-04-29 | 济宁明珠建筑工程有限公司 | 一种基坑稳定性监测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529145A (zh) * | 2016-10-27 | 2017-03-22 | 浙江工业大学 | 一种基于arima‑bp神经网络的桥梁监测数据预测方法 |
CN111091420A (zh) * | 2019-12-20 | 2020-05-01 | 新奥数能科技有限公司 | 一种电力价格的预测方法及装置 |
CN111414586A (zh) * | 2020-03-31 | 2020-07-14 | 北京派得伟业科技发展有限公司 | 一种环境监测方法及系统 |
CN111753467A (zh) * | 2020-06-23 | 2020-10-09 | 中山大学 | 矿产结果预测方法、装置、计算机设备及存储介质 |
CN112216354A (zh) * | 2020-09-17 | 2021-01-12 | 江苏集萃工业过程模拟与优化研究所有限公司 | 一种基于cfd数值模拟和机器学习的智能加药系统和方法 |
WO2021026545A1 (en) * | 2019-08-06 | 2021-02-11 | Exxonmobil Upstream Research Company | Petrophysical inversion with machine learning-based geologic priors |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112487356B (zh) * | 2020-11-30 | 2022-10-14 | 北京航空航天大学 | 一种结构健康监测数据增强方法 |
CN113156263B (zh) * | 2021-03-23 | 2022-07-26 | 广东安恒电力科技有限公司 | 电缆状态监测方法及存储介质 |
-
2021
- 2021-12-03 CN CN202111464943.6A patent/CN113868967B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529145A (zh) * | 2016-10-27 | 2017-03-22 | 浙江工业大学 | 一种基于arima‑bp神经网络的桥梁监测数据预测方法 |
WO2021026545A1 (en) * | 2019-08-06 | 2021-02-11 | Exxonmobil Upstream Research Company | Petrophysical inversion with machine learning-based geologic priors |
CN111091420A (zh) * | 2019-12-20 | 2020-05-01 | 新奥数能科技有限公司 | 一种电力价格的预测方法及装置 |
CN111414586A (zh) * | 2020-03-31 | 2020-07-14 | 北京派得伟业科技发展有限公司 | 一种环境监测方法及系统 |
CN111753467A (zh) * | 2020-06-23 | 2020-10-09 | 中山大学 | 矿产结果预测方法、装置、计算机设备及存储介质 |
CN112216354A (zh) * | 2020-09-17 | 2021-01-12 | 江苏集萃工业过程模拟与优化研究所有限公司 | 一种基于cfd数值模拟和机器学习的智能加药系统和方法 |
Non-Patent Citations (2)
Title |
---|
Connecting numerical simulation and machine learning: How to bridge the gap between theory and reality?;Joachim Piprek等;《2020 International Conference on Numerical Simulation of Optoelectronic Devices (NUSOD)》;20201008;105-106 * |
基于成矿条件数值模拟和支持向量机算法的深部成矿预测――以粤北凡口铅锌矿为例;王语等;《大地构造与成矿学》;20200415(第02期);52-60 * |
Also Published As
Publication number | Publication date |
---|---|
CN113868967A (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101990326B1 (ko) | 감가율 자동 조정 방식의 강화 학습 방법 | |
EP3523760B1 (en) | Reinforcement learning systems | |
US10331810B2 (en) | Method for determining a model of an output quantity of a technical system | |
CN109461001B (zh) | 基于第二模型获取第一模型的训练样本的方法和装置 | |
KR20220117336A (ko) | 소비 전력을 예측하기 위한 방법 및 장치, 디바이스 및 판독 가능한 저장 매체 | |
CN113868967B (zh) | 结构监测数据预测方法、装置及存储介质 | |
CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
CN115841004B (zh) | 基于多维数据的带钢热轧过程力学性能软测量方法及装置 | |
CN114897272A (zh) | 污水检查井的液位预测方法、装置、电子设备及存储介质 | |
CN114329347A (zh) | 一种电能表计量误差预测方法、装置及存储介质 | |
Chen et al. | Training material models using gradient descent algorithms | |
CN114741963A (zh) | 基于多尺度注意力机制的锂电池荷电状态预测方法 | |
CN113377564B (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
US20210326755A1 (en) | Learning model creation device, material property prediction device, and learning model creation method and program | |
CN110991641B (zh) | 一种油藏类型分析方法、装置及电子设备 | |
CN113569324A (zh) | 边坡形变监测异常数据分析与优化方法 | |
Ning et al. | Multi-Constitutive Model Simultaneous-Updating-Based Online Numerical Simulation Method for Seismic Performance Assessments in Civil Engineering | |
CN112613224A (zh) | 桥梁结构检测模型的训练方法、检测方法、装置、设备 | |
CN115130365A (zh) | 基于循环神经网络的燃料电池极化曲线预测方法及装置 | |
CN112787882A (zh) | 一种物联网边缘流量预测方法、装置及设备 | |
CN111047074A (zh) | 一种电力负荷波动范围预测方法及装置 | |
CN117824756B (zh) | 一种建筑结构监测方法、设备及存储介质 | |
WO2022234311A1 (en) | Method and electronic system for predicting value(s) of a quantity relative to a device, related operating method and computer program | |
CN117332338A (zh) | 一种风险识别方法、系统、存储介质和电子设备 | |
CN117710010A (zh) | 产品销量预测方法、装置、电子设备及存储介质 |
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 |