CN114036258B - 一种基于自然语言处理的桥梁技术状况等级快速识别方法 - Google Patents

一种基于自然语言处理的桥梁技术状况等级快速识别方法 Download PDF

Info

Publication number
CN114036258B
CN114036258B CN202111218291.8A CN202111218291A CN114036258B CN 114036258 B CN114036258 B CN 114036258B CN 202111218291 A CN202111218291 A CN 202111218291A CN 114036258 B CN114036258 B CN 114036258B
Authority
CN
China
Prior art keywords
bridge
natural language
technical condition
machine learning
model
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
Application number
CN202111218291.8A
Other languages
English (en)
Other versions
CN114036258A (zh
Inventor
冯德成
王文捷
孙震
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202111218291.8A priority Critical patent/CN114036258B/zh
Publication of CN114036258A publication Critical patent/CN114036258A/zh
Application granted granted Critical
Publication of CN114036258B publication Critical patent/CN114036258B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3346—Query execution using probabilistic model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于自然语言处理的桥梁技术状况等级快速识别方法，包括如下步骤：步骤1，通过桥梁检测手段得到桥梁的基本信息和健康状态信息；步骤2，将桥梁的健康状态信息整体成文本描述；步骤3，对桥梁技术状况等级进行分类；步骤4，将文本秒速转换为数字向量，将一类、二类、三类、四类五类桥梁样本分别记为A、B、C、D；步骤5，将文本向量作为输入，将分类类别作为输出，使用机器学习算法建立训练模型；步骤6，使用混淆矩阵、准确率、召回率、精确率、F1值等作为评价指标，选择最优的模型作为最终结果；步骤7，应用模型。本发明克服了目前的人工检测后整体判别效率较低，难以快速找出损害严重桥梁的问题。

Description

一种基于自然语言处理的桥梁技术状况等级快速识别方法
技术领域
本发明属于桥梁状态检测领域，尤其涉及一种基于自然语言处理和机器学习算法桥梁技术状况等级快速识别方法。
背景技术
桥梁在自身寿命、车辆行人等荷载、日晒雨淋等自然腐蚀以及意外碰撞和地震等意外作用影响下会存在不同程度的损伤，需要定期对桥梁进行健康状况评估，对损坏严重的桥梁采取维修等措施以避免事故。
目前桥梁检测手段主要由工程师团队近距离人工观测或者接触式采集数据，得到对应病害情况，再由专业人员依照桥梁评估标准评价打分，形成报告。但是这种方式对评定人员要求高，需要其熟悉相关评定标准。此外，由于现场检测桥梁数量较多，评定人员依据标准人工评定费时费力，且主观性较强，如不同评定人员可能得到不同的桥梁评定技术状况等级。
基于上述问题，本发明专利提供了一种基于自然语言处理和机器学习的桥梁技术状况等级快速评价方法，该发明方法可以有效准确判断桥梁整体健康状况，覆盖了大中小等各种类型桥梁，可以有效针对病害严重的桥梁优先修复，为桥梁日常运营和维修提供指导。
发明内容
本发明所要解决的技术问题是针对背景技术的不足提供了一种基于自然语言处理和机器学习算法桥梁技术状况等级快速识别方法，克服了目前的人工检测后整体判别效率较低，难以快速找出损害严重桥梁的问题。
本发明为解决上述技术问题采用以下技术方案：
一种基于自然语言处理和机器学习算法桥梁技术状况等级快速识别方法，包括如下步骤：
步骤1，通过桥梁检测手段得到桥梁的基本信息和健康状态信息；
步骤2，将桥梁的健康状态信息整体成文本描述；
步骤3，对桥梁技术状况等级进行分类；依据重要程度对桥梁部件赋权，在对部件损伤情况打分，最后加权求和得到桥梁整体得分，划分为一到五共五个类别；
步骤4，使用自然语言处理处理文本，通过Python编程，使用Jieba、TF-IDF将文本秒速转换为数字向量，将一类、二类、三类、四类五类桥梁样本分别记为A、B、C、D；
步骤5，将文本向量作为输入，将分类类别作为输出，使用机器学习算法建立训练模型；
步骤6，选择合适算法、调整超参数，得到分类效果最优的模型，使用混淆矩阵、准确率、召回率、精确率、F1值等作为评价指标，选择最优的模型作为最终结果；
步骤7，应用模型；根据已建立的模型，输入桥梁病害描述即可快速得到桥梁技术状况等级。
进一步的，步骤1中，基本信息包括桥型、跨度；健康状态信息包括混凝土开裂剥落情况、钢筋锈蚀情况、垃圾堵塞情况。
进一步的，步骤2中，所述健康状态信息按照上部结构、桥面系、下部结构分别描述。
进一步的，步骤2中，所述上部结构包括上部主要承重构件、上部一般承重构件等；桥面系包括桥面铺装、桥头跳车、伸缩缝、人行道、栏杆、护栏、照明、标志、排水设施、调治构造物、其它等；下部结构包括翼墙、耳墙、锥坡、护坡、桥台及基础、桥墩及基础、地基冲刷、支座等。
进一步的，步骤3中，分类方法为，根据现有规范，依据重要程度对桥梁部件赋权，其中桥台及基础、桥墩及基础、上部主要承重构件、桥面系、地基冲刷部位权重较高，分别赋以24、23、20、11、8的权重，其他部分权重为14，综合权重为100；再对部件损伤情况打分，按照损伤情况以及损伤发展情况打0～5分，最后加权求和得到桥梁整体得分，划分为一到五共五个类别，一二类别桥梁较为健康，三四五类桥梁需要重点检测维修。
进一步的，步骤4中，使用Jieba将中文语料切分为单个词语，去掉标点数字助词等无关词语，并统计各个词语出现频率生成词云图，再使用TF-IDF统计特征词汇并将其向量化，将一类、二类、三类、四类五类桥梁样本分别标记为A、B、C、D四类。
进一步的，步骤5中，将文本向量作为输入，将分类类别作为输出，训练集与测试集划分比例为0.7∶0.3，使用单学习器SVM、DT与集成学习器RF、XGB算法训练模型，使用网格搜索寻找最优超参数，得到最优模型。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
本发明将桥梁健康状态的文本描述经由自然语言处理转换为数字向量作为输入，将各类桥梁等级作为输出，使用机器学习算法进行分类训练预测，可以实现基于文本对桥梁技术状况等级的快速评估；克服目前的人工检测后整体判别效率较低，难以快速找出损害严重桥梁的问题。
附图说明
图1是技术路线图；
图2是D类样本的词频统计以及关键词的TF-IDF值；
图3是网格搜索结果图；
图4是XGB算法在训练集上的预测结果；
图5是XGB算法在测试集上得预测结果。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
本发明的描述中，需要理解的是，术语“左侧”、“右侧”、“上部”、“下部”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，“第一”、“第二”等并不表示零部件的重要程度，因此不能理解为对本发明的限制。本实施例中采用的具体尺寸只是为了举例说明技术方案，并不限制本发明的保护范围。
本发明提供的一种基于自然语言处理和机器学习算法桥梁技术状况等级快速识别方法，包括如下步骤：
步骤1，通过桥梁检测手段得到桥梁的基本信息和健康状态信息；基本信息包括桥型、跨度；健康状态信息包括混凝土开裂剥落情况、钢筋锈蚀情况、垃圾堵塞情况。
步骤2，将桥梁的健康状态信息整体成文本描述；所述健康状态信息按照上部结构、桥面系、下部结构分别描述。所述上部结构包括上部主要承重构件、上部一般承重构件等；桥面系包括桥面铺装、桥头跳车、伸缩缝、人行道、栏杆、护栏、照明、标志、排水设施、调治构造物、其它等；下部结构包括翼墙、耳墙、锥坡、护坡、桥台及基础、桥墩及基础、地基冲刷、支座等。
步骤3，对桥梁技术状况等级进行分类；依据重要程度对桥梁部件赋权，在对部件损伤情况打分，最后加权求和得到桥梁整体得分，划分为一到五共五个类别；分类方法为，根据现有规范，依据重要程度对桥梁部件赋权，其中桥台及基础、桥墩及基础、上部主要承重构件、桥面系、地基冲刷部位权重较高，分别赋以24、23、20、11、8的权重，其他部分权重为14，综合权重为100；再对部件损伤情况打分，按照损伤情况以及损伤发展情况打0～5分，最后加权求和得到桥梁整体得分，划分为一到五共五个类别，一二类别桥梁较为健康，三四五类桥梁需要重点检测维修。
步骤4，使用自然语言处理文本，通过Python编程，使用Jieba、TF-IDF将文本秒速转换为数字向量，将一类、二类、三类、四类五类桥梁样本分别记为A、B、C、D；使用Jieba将中文语料切分为单个词语，去掉标点数字助词等无关词语，并统计各个词语出现频率生成词云图，再使用TF-IDF统计特征词汇并将其向量化，将一类、二类、三类、四类五类桥梁样本分别标记为A、B、C、D四类。
步骤5，将文本向量作为输入，将分类类别作为输出，使用机器学习算法建立训练模型；将文本向量作为输入，将分类类别作为输出，训练集与测试集划分比例为0.7∶0.3，使用单学习器SVM、DT与集成学习器RF、XGB算法训练模型，使用网格搜索寻找最优超参数，得到最优模型。
步骤6，选择合适算法、调整超参数，得到分类效果最优的模型，使用混淆矩阵、准确率、召回率、精确率、F1值等作为评价指标，选择最优的模型作为最终结果；
步骤7，应用模型；根据已建立的模型，输入桥梁病害描述即可快速得到桥梁技术状况等级。
具体实例如下：
本发明的一种基于自然语言处理和机器学习算法桥梁技术状况等级快速识别方法，如图1-4所示，包括以下实施步骤：
步骤1，取得桥梁基本信息和健康状态信息，包括特大桥、大桥、中桥、小桥以及人行天桥，涵洞等特殊结构的检测报告，其中特大桥49座，大桥74座，中桥80座，小桥49座，涵洞及特殊结构10座，桥梁类型覆盖了混凝土连续梁，刚构桥，预应力混凝土连续梁桥等桥型。
步骤2，将桥梁检测发现的病害的文本描述整理成文，形成数据库。数据库包括262座桥梁评价样本。
表1某D类样本病害描述示例
Figure BDA0003311177790000041
步骤3，参照《公路桥涵养护规范》(JTG H11-2004)等相关内容进行样本计算分类，如表2、表3、表4。数据库包括262座桥梁评价样本，一类(A)164例，二类(B)82例，三类(C)13例，四类五类(D)4例。
表2桥梁部件缺损状况评定方法
Figure BDA0003311177790000051
表3推荐的桥梁各部件权重及综合评定方法
Figure BDA0003311177790000052
表4桥梁技术状况评定标准
Figure BDA0003311177790000061
步骤4，使用自然语言处理文本。使用Jieba将中文语料切分为单个词语，去掉标点数字助词等无关词语，并统计各个词语出现频率生成词云图，再使用TF-IDF统计特征词汇并将其向量化，图2显示D类文本中，病害词汇词频大大增加，出现最多的词语均属桥梁病害，如“开裂”、“裂缝”、“锈蚀”、“破损”、“露筋”等，对应频率分别为8.75、8.00、6.50、5.75、5.00。D类中“开裂”、“锈蚀”、“裂缝”、“露筋”TF-IDF值最高，分别为0.567、0.498、0.487、0.428，说明这几个词汇在D类中出现较多且在其他类别当中出现相对不多。
步骤5，训练机器学习模型。将文本向量作为输入，将分类类别作为输出，训练集与测试集划分比例为0.7∶0.3，使用单学习器SVM、DT与集成学习器RF、XGB算法训练模型，图3表示了使用网格搜索进行参数优化的过程，表5为筛选出的最优参数。
表5各模型最优参数
Figure BDA0003311177790000071
步骤6，模型评价，混淆矩阵、准确率、召回率、精确率、F1值等作为评价指标，图4为XGB模型的混淆矩阵，表6为各项评价指标，XGB算法准确度达到0.90。
表6 XGB模型各项分类评价指标
Figure BDA0003311177790000072
步骤7，根据已建立的模型，输入桥梁病害描述即可快速得到桥梁技术状况等级。
以上所述仅是本发明的优选实施方式，应当指出：对于本领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。上面对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以再不脱离本发明宗旨的前提下做出各种变化。

Claims (6)

1.一种基于自然语言处理和机器学习算法桥梁技术状况等级快速识别方法，其特征在于：包括如下步骤：
步骤1，通过桥梁检测手段得到桥梁的基本信息和健康状态信息；
步骤2，将桥梁的健康状态信息整理 成文本描述；
步骤3，对桥梁技术状况等级进行分类；依据重要程度对桥梁部件赋权，在对部件损伤情况打分，最后加权求和得到桥梁整体得分，划分为一到五共五个类别；
步骤4，使用自然语言处理文本，通过Python编程，使用Jieba将中文语料切分为单个词语，去掉标点数字助词，并统计各个词语出现频率生成词云图，再使用TF-IDF统计特征词汇并将其向量化，使文本秒速转换为数字向量；将一类、二类、三类、四类五类桥梁样本分别标记为A、B、C、D四类；
步骤5，将文本向量作为输入，将分类类别作为输出，使用机器学习算法建立训练模型；
步骤6，选择决策树DT、支持向量机SVM、随机森林RF、极端梯度提升XGB四种机器学习算法、调整超参数，得到分类效果最优的模型，使用混淆矩阵、准确率、召回率、精确率、F1值作为评价指标，选择最优的模型作为最终结果；
步骤7，应用模型；根据已建立的模型，输入桥梁病害描述即可快速得到桥梁技术状况等级。
2.根据权利要求1所述的一种基于自然语言处理和机器学习算法桥梁技术状况等级快速识别方法，其特征在于：步骤1中，基本信息包括桥型、跨度；健康状态信息包括混凝土开裂剥落情况、钢筋锈蚀情况、垃圾堵塞情况。
3.根据权利要求1所述的一种基于自然语言处理和机器学习算法桥梁技术状况等级快速识别方法，其特征在于：步骤2中，所述健康状态信息按照上部结构、桥面系、下部结构分别描述。
4.根据权利要求3所述的一种基于自然语言处理和机器学习算法桥梁技术状况等级快速识别方法，其特征在于：步骤2中，所述上部结构包括上部主要承重构件、上部一般承重构件；桥面系包括桥面铺装、桥头跳车、伸缩缝、人行道、栏杆、护栏、照明、标志、排水设施、调治构造物；下部结构包括翼墙、耳墙、锥坡、护坡、桥台及基础、桥墩及基础、地基冲刷、支座。
5.根据权利要求1所述的一种基于自然语言处理和机器学习算法桥梁技术状况等级快速识别方法，其特征在于：步骤3中，分类方法为，根据现有规范，依据重要程度对桥梁部件赋权，其中桥台及基础、桥墩及基础、上部主要承重构件、桥面系、地基冲刷部位权重较高，分别赋以24、23、20、11、8的权重，其他部分权重为14，综合权重为100；再对部件损伤情况打分，按照损伤情况以及损伤发展情况打0~5分，最后加权求和得到桥梁整体得分，划分为一到五共五个类别，一二类别桥梁较为健康，三四五类桥梁需要重点检测维修。
6.根据权利要求1所述的一种基于自然语言处理和机器学习算法桥梁技术状况等级快速识别方法，其特征在于：步骤5中，将文本向量作为输入，将分类类别作为输出，训练集与测试集划分比例为0.7：0.3，使用单学习器SVM、DT与集成学习器RF、XGB算法训练模型，使用网格搜索寻找最优超参数，得到最优模型。
CN202111218291.8A 2021-10-19 2021-10-19 一种基于自然语言处理的桥梁技术状况等级快速识别方法 Active CN114036258B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111218291.8A CN114036258B (zh) 2021-10-19 2021-10-19 一种基于自然语言处理的桥梁技术状况等级快速识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111218291.8A CN114036258B (zh) 2021-10-19 2021-10-19 一种基于自然语言处理的桥梁技术状况等级快速识别方法

Publications (2)

Publication Number Publication Date
CN114036258A CN114036258A (zh) 2022-02-11
CN114036258B true CN114036258B (zh) 2022-06-24

Family

ID=80142008

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111218291.8A Active CN114036258B (zh) 2021-10-19 2021-10-19 一种基于自然语言处理的桥梁技术状况等级快速识别方法

Country Status (1)

Country Link
CN (1) CN114036258B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117909853B (zh) * 2024-03-19 2024-05-31 合肥通用机械研究院有限公司 基于机理与工况大数据的设备损伤智能监测方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108431585A (zh) * 2015-12-25 2018-08-21 富士胶片株式会社 信息处理装置及信息处理方法
CN108629144A (zh) * 2018-06-11 2018-10-09 湖北交投智能检测股份有限公司 一种桥梁健康评估方法
CN108734692A (zh) * 2018-03-26 2018-11-02 湖南城市学院 一种桥梁结构检测系统
CN109460914A (zh) * 2018-11-05 2019-03-12 云南大学 基于半监督的纠错学习的桥梁健康等级确定方法
CN109902752A (zh) * 2019-03-04 2019-06-18 长沙理工大学 基于病害信息大数据的桥梁定检分类方法、装置及设备
CN110781333A (zh) * 2019-06-26 2020-02-11 杭州鲁尔物联科技有限公司 一种基于机器学习的斜拉桥非结构化监测数据处理方法
CN110807562A (zh) * 2020-01-07 2020-02-18 杭州鲁尔物联科技有限公司 一种区域性桥梁风险预测方法及系统
CN111027946A (zh) * 2020-03-08 2020-04-17 杭州鲁尔物联科技有限公司 一种桥梁检测报告生成方法及系统
CN111242347A (zh) * 2019-12-28 2020-06-05 浙江大学 基于历史权重更新的桥梁管养辅助决策系统
CN113392986A (zh) * 2021-02-01 2021-09-14 重庆交通大学 一种基于大数据的公路桥梁信息抽取方法及管理养护系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3024580A1 (en) * 2015-05-15 2016-11-24 Airfusion, Inc. Portable apparatus and method for decision support for real time automated multisensor data fusion and analysis
CN111127465A (zh) * 2020-03-31 2020-05-08 杭州鲁尔物联科技有限公司 一种桥梁检测报告自动生成方法及系统
CN113094476A (zh) * 2021-06-08 2021-07-09 明品云(北京)数据科技有限公司 基于自然语言处理风险预警方法、系统、设备及介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108431585A (zh) * 2015-12-25 2018-08-21 富士胶片株式会社 信息处理装置及信息处理方法
CN108734692A (zh) * 2018-03-26 2018-11-02 湖南城市学院 一种桥梁结构检测系统
CN108629144A (zh) * 2018-06-11 2018-10-09 湖北交投智能检测股份有限公司 一种桥梁健康评估方法
CN109460914A (zh) * 2018-11-05 2019-03-12 云南大学 基于半监督的纠错学习的桥梁健康等级确定方法
CN109902752A (zh) * 2019-03-04 2019-06-18 长沙理工大学 基于病害信息大数据的桥梁定检分类方法、装置及设备
CN110781333A (zh) * 2019-06-26 2020-02-11 杭州鲁尔物联科技有限公司 一种基于机器学习的斜拉桥非结构化监测数据处理方法
CN111242347A (zh) * 2019-12-28 2020-06-05 浙江大学 基于历史权重更新的桥梁管养辅助决策系统
CN110807562A (zh) * 2020-01-07 2020-02-18 杭州鲁尔物联科技有限公司 一种区域性桥梁风险预测方法及系统
CN111027946A (zh) * 2020-03-08 2020-04-17 杭州鲁尔物联科技有限公司 一种桥梁检测报告生成方法及系统
CN113392986A (zh) * 2021-02-01 2021-09-14 重庆交通大学 一种基于大数据的公路桥梁信息抽取方法及管理养护系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
《公路桥梁技术状况评定标准》中关于桥梁构件病害评定标度的确定;韩帅 等;《交通标准化》;20130608(第11期);10-13 *
A multi-objective optimization algorithm for Bouc–Wen–Baber–Noori model to identify reinforced concrete columns failing in different modes;Li Z 等;《Proceedings of the Institution of Mechanical Engineers》;20210609;第235卷(第9期);2165-2182 *
Structural health monitoring of bridges: a model-free ANN-based approach to damage detection;Neves A C 等;《Journal of Civil Structural Health Monitoring》;20171106;第7卷(第5期);689-702 *
基于BIM的桥梁健康监测系统研究;耿方方 等;《现代交通技术》;20180226;第15卷(第1期);35-38 *
基于支持向量机的简支梁桥技术状况评定;龚豪;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20200215(第2期);C034-244 *

Also Published As

Publication number Publication date
CN114036258A (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
Lim et al. Xgboost application on bridge management systems for proactive damage estimation
Rashidi et al. A new model for bridge management: Part A: condition assessment and priority ranking of bridges
CN113255811A (zh) 一种基于bim的梁式桥多源异构数据融合决策系统
CN111737916A (zh) 一种基于大数据的道路桥梁病害分析与养护决策方法
CN115048700B (zh) 一种基于多维度数据的基建项目工程建设可行性分析评估方法
CN109902752B (zh) 基于病害信息大数据的桥梁定检分类方法、装置及设备
CN114036258B (zh) 一种基于自然语言处理的桥梁技术状况等级快速识别方法
CN109460914B (zh) 基于半监督的纠错学习的桥梁健康等级确定方法
CN111127465A (zh) 一种桥梁检测报告自动生成方法及系统
Chen et al. Smart bridge maintenance using cluster merging algorithm based on self-organizing map optimization
Mia et al. Machine learning approach for predicting bridge components’ condition ratings
Taghaddos et al. Predicting bridge conditions in Ontario: A case study
Stevens et al. Conversion Of Legacy Inspection Data To Bridge Condition Index (BCI) To Establish Baseline Deterioration Condition History For Predictive Maintenance Models.
CN112001600A (zh) 一种基于svm和ds理论的渗漏水风险监测方法
CN116341957A (zh) 一种公路基础设施数字化率测度方法
Feng et al. Condition Assessment of Highway Bridges Using Textual Data and Natural Language Processing‐(NLP‐) Based Machine Learning Models
CN115438547A (zh) 基于路面服役状态的整体评价方法及系统
CN114118688A (zh) 基于序关系分析的电网工程造价风险预警方法
CN112990671A (zh) 一种山区营运高速公路路基路面安全隐患风险评估方法
Hersi Analysis of bridge failures in the United States (2000-2008)
He et al. Bridge deterioration analysis based on censored data: A case study in yunnan province
Souza et al. Comparative study of bridge structural condition assessment methodologies
Ma et al. Intelligent Diagnosis of Highway Bridge Technical Condition Based on Defect Information.
CN118445906B (zh) 一种基于bim技术的铁路桥梁智能设计分析管理系统
Li et al. A comprehensive reliability assessment method for existing railway bridges based on Bayesian theory

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