CN114037002A - 基于深度学习模型的斜拉桥主梁异常挠度监测方法 - Google Patents

基于深度学习模型的斜拉桥主梁异常挠度监测方法 Download PDF

Info

Publication number
CN114037002A
CN114037002A CN202111185481.4A CN202111185481A CN114037002A CN 114037002 A CN114037002 A CN 114037002A CN 202111185481 A CN202111185481 A CN 202111185481A CN 114037002 A CN114037002 A CN 114037002A
Authority
CN
China
Prior art keywords
temperature
neural network
deflection
data
output
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
Application number
CN202111185481.4A
Other languages
English (en)
Inventor
岳子翔
丁幼亮
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 CN202111185481.4A priority Critical patent/CN114037002A/zh
Publication of CN114037002A publication Critical patent/CN114037002A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0008—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings of bridges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于深度学习模型的斜拉桥主梁异常挠度监测方法，首先凝练温度变量，并提取温致挠度；以多种温度变量形成矩阵作为输入，以温致挠度作为输出，构造输入输出映射关系，利用深度神经网络拟合时序映射模型；所述神经网络的核心为一层具有与温度变量相同个数卷积核的卷积神经网络层、一层堆栈长短时记忆网络层和一层整合输出数据的卷积神经网络层；以模型输出的挠度回归值作为基准值，设定允许误差后，根据实测温致挠度与基准值的残差直接识别异常挠度。本方法针对斜拉桥主梁挠度建模提出了去黑箱化的深度学习模型，搭建的神经网络具备可解释性，精度极高，广泛适用于斜拉桥，可以高灵敏感知斜拉桥主梁异常变形。

Description

基于深度学习模型的斜拉桥主梁异常挠度监测方法
技术领域
本发明属于桥梁结构性能监测领域，是一种基于桥梁监测数据的斜拉桥主梁挠度异常值的识别模型，具体来说，涉及一种基于时序建模与深度学习的斜拉桥主梁挠度基准值建模，并利用该基准值进行主梁异常挠度值的直接识别。
背景技术
斜拉桥的主梁挠度是表征斜拉桥刚度性能的最直观表现，受到作用于斜拉桥上的复杂温度场的影响，斜拉桥的主梁会产生显著的挠度变化，既斜拉桥的温致挠度。因此针对斜拉桥温度场与主梁温致挠度间的输入输出关系建立映射模型，则可将温度数据带入模型并输出温致挠度回归值，这一回归值能作为表征斜拉桥线形的基准值，进而以此基准值进行异常挠度识别，从而判断桥梁状态，进行桥梁管养并防止事故。然而作用于斜拉桥的温度场异常复杂，且温度与斜拉桥温致挠度间的关系表现出了很强的非线性与模糊性关系，传统的回归分析与数学建模无法精准表达两者间的映射关系，导致直接识别主梁异常挠度十分困难。
深度学习技术的诞生，为高度非线性问题的建模提供了工具，基于计算机技术的进步，桥梁监测大数据得以积累，为深度神经网络的成熟运用提供了数据驱动基础。然而依托神经网络搭建的映射模型是黑箱化的，缺乏解释性，因此较难保障模型的可靠性。同时，单纯的数据驱动模式导致模型参数设定困难，进一步导致搭建高精度神经网络变的困难。
依靠桥梁监测大数据，深度学习无疑是建立斜拉桥温度与温致挠度之间高度非线性关系的上佳方案，有提供高精度挠度基准值的潜力。但将深度学习技术应用于斜拉桥异常挠度识别尚无成熟先例。深度神经网络虽然性能优异，但作为一种数据驱动的具有复杂超参数与众多神经单元的黑箱模型，搭建具有高精度与高稳定性的温致挠度深度模型比较困难。因此，实现高精度的斜拉桥主梁异常挠度识别，需要针对斜拉桥温致挠度建模任务创建一种具有高精度与高输出稳定性的温度→温致挠度映射模型，然后再对输出数据进行适宜处理，以期实现直接识别异常挠度。因此必须解决两点问题：
(1)单纯依托数据驱动的深度学习神经网络是典型的黑箱模型，参数调试繁琐，达到理想精度难，模型的可解释性与可靠性差；
(3)复杂的异常挠度指标，导致无法直接识别异常值。
发明内容
本发明的目的是为了利用桥梁监测数据识别斜拉桥主梁服役状态，提供一种用于斜拉桥主梁异常挠度监测的深度学习模型，具体来说，涉及一种基于深度学习神经网络的斜拉桥温致挠度建模方案与挠度异常值定量识别。
为实现上述目的，本发明采用的技术方案是：提出一种用于斜拉桥主梁异常挠度监测的深度学习模型，利用该模型获取挠度基准值，完成异常挠度识别，包括如下步骤：
(1)将斜拉桥监测系统采集的温度场数据被转化为主梁平均温度、主梁竖向温差和索塔温度等n种温度变量的时序数据，基于温度的时频特性，提取主梁挠度变化中的温致挠度时序数据；
(2)将温度→温致挠度的输入输出映射模式设定为输入具有i个数据点的温度时程数据，输出当前时刻单点温致挠度数据点，固化输入数据规格；
(3)对(2)中的输入和输出数据进行归一化处理；
(4)搭建去黑箱深度神经网络映射模型，在输入层后加入一层具有n个卷积核的卷积神经网络层，加强温度数据的局部信息，将该卷积神经网络层的输出矩阵传入下一层堆栈长短时记忆(LSTM)神经网络层，堆栈长短时记忆神经网络层的输出仍然是具有时间与特征两个维度的矩阵，再设立一层与堆栈长短时记忆神经网络层具有相同尺寸的卷积神经网络层，将堆栈长短时记忆神经网络层的双维输出结果整合为单一数值，再经过线性激活函数，得到归一化回归值；
(5)对归一化回归值进行反归一化处理，得到温致挠度回归值；
(6)准备充分的数据集，训练深度神经网络，使其具备优良的实际使用性能；
(7)利用映射模型输出的温致挠度回归值与桥梁监测系统的温致挠度实测值的残差作为异常挠度的数值，完成斜拉桥主梁异常挠度监测。
优选的，所述步骤(2)包括：
输入模型的数据为所有温度变量的时序数据组成的n×i数据矩阵，模型输出为当前时刻的单点温致挠度。
优选的，所述步骤(4)包括：
第一核心层为具有n个卷积核的卷积神经网络层，每个卷积核的大小均为n×m，每一个卷积核沿着时间维度遍历一次输入数据矩阵，将n×i温度数据矩阵变换为n×(i-m+1)的矩阵，完成局部信息增强。第二核心层为具有两层LSTM隐藏单元的堆栈长短时记忆神经网络层，用来学习温度数据的时序关联特性，承接上层输出的大小为n×(i-m+1)的矩阵，每层均含有p个LSTM单元，则该核心层输出的信息为p×(i-m+1)的矩阵。第三核心层为一个p×(i-m+1)的卷积核，经过一次卷积运算，将上层输出的大小为p×(i-m+1)的矩阵通过卷积运算整合为单一数值，即温致挠度的回归值。
有益效果：
与现有技术相比，本发明具有以下有益效果：
(1)去黑箱化：深度学习神经网络模型是一种数据驱动的黑箱模型，参数调节困难，同时因原理可解释性差，模型可靠性保障困难；本发明确定了输入数据的构造范式，具备可解释性，明确的数据规划优化了神经网络的搭建标的，提高了模型拟合性能，实现了去黑箱箱化的深度神经网络建模；
(2)输出精度优良稳定：本发明在神经网络的输出层后加入了具有与变量数相同数量的卷积核的卷积神经网络层，强化了局部温度信息提取，设置的堆栈长短时记忆单元层具有强大的时序特征表达，输出层前设置了一个卷积核，能够整合双重维度的信息，因此本发明构造的映射模型输出的挠度回归值精度高且稳定；
(3)异常值直接识别：得益于高精度高稳定映射模型，可以直接使用挠度回归值与实测值的残差作为挠度异常指标，可实现异常挠度的直接定量识别，因此本发明有明确判断桥梁状态的潜质。
附图说明
图1为本发明方法的算法流程图；
图2为本发明方法提出的针对斜拉桥温致挠度映射建模的神经网络结构；
图3为本发明方法中数据在深度神经网络中的数据流；
图4为根据本发明方法获得的挠度异常值与允许误差示意。
具体实施方式
下面将参照图1～图4，对本发明的技术方案进行详细的说明。
本发明为一种基于深度学习模型的斜拉桥主梁异常挠度监测方法，如图1所示，该方法具体包括如下步骤：
(1)将斜拉桥监测系统采集的温度场数据被转化为主梁平均温度、主梁竖向温差和索塔温度等n种温度变量的时序数据，基于温度的时频特性，提取主梁挠度变化中的温致挠度时序数据；
(2)将温度→温致挠度的输入输出映射模式设定为输入具有i个数据点的温度时程数据，输出当前时刻温致挠度数据点，固化输入数据规格；
(3)对(2)中的数据进行归一化处理；
(4)搭建机理-数据双驱动的去黑箱深度神经网络映射模型，在输入层后加入一层具有n个卷积核的卷积神经网络层，将该层网络输出矩阵代入下一层堆栈长短时记忆(LSTM)神经网络，再将堆栈长短时记忆网络的输出矩阵带入一层卷积神经网络，完成矩阵向单一数值的整合，再经过线性激活函数，得到归一化回归值；
(5)对数据进行反归一化处理，得到温致挠度回归值；
(6)准备充分的数据集，训练去黑箱深度神经网络映射模型，使其具备优良的实际使用性能；
(7)利用映射模型输出的温致挠度回归值与桥梁监测系统的温致挠度实测值的残差直接识别异常挠度的数值；
优选的，所述步骤(2)包括：
输入模型的数据为所有温度变量的时序数据组成的n×i数据矩阵，模型输出为当前时刻的单点温致挠度。
优选的，所述步骤(4)包括：
第一核心层为具有三个卷积核的卷积神经网络层，每个卷积核的大小均为n×m，每一个卷积核沿着时间维度遍历一次输入数据矩阵，将n×i温度数据矩阵变换为n×(i-m+1)的矩阵，完成局部信息增强。第二核心层为具有两层LSTM隐藏单元的堆栈长短时记忆神经网络层，用来学习温度数据的时序关联特性，承接上层输出的大小为n×(i-m+1)的矩阵，核心层每层均含有p个LSTM单元，则该层输出的信息为p×(i-m+1)的矩阵。第三核心层为一个p×(i-m+1)的卷积核，经过一次卷积运算，将上层输出的大小为p×(i-m+1)的矩阵通过卷积运算整合为单一数值，既温致挠度的回归值。
实施例：
以安徽铜陵公铁斜拉桥在九个月内的温度场与主跨跨中挠度的监测数据为基础，说明本发明的具体实施过程。
(1)将铜陵公铁长江大桥的温度场数据提取为三种影响斜拉桥挠度的温度特征，既主梁平均温度，主梁竖向温差和索塔温度，从而获取了三种温度变量的时序数据；利用小波多尺度分解的方法，将铜陵大桥主梁挠度中因温度引起的温致挠度部分进行提取，从而获得温致挠度时序数据。
(2)本实施例采集的温度与温致挠度数据的时间间隔为10分钟，选择输入5小时的时序数据，则温度变量的输入时序数据的数据量i＝30，设主梁平均温度XG，主梁竖向温差为XGD，索塔温度为XT，温致挠度为Y，以t时刻为例说明时移映射模式，其他时刻以此类推即可，在t时刻输入的3×30温度矩阵为与输出温致挠度的映射模式如式(1)所示：
Figure BDA0003299024570000051
(3)对数据进行归一化处理，设归一化后的主梁平均温度为xG，主梁竖向温差为xGD，索塔温度为xT，温致挠度为y。
(4)搭建神经网络，如图2为本实施例的神经网络架构，在输入层之后设置一层具有三个卷积核的卷积层1，该层的三个卷积核A/B/C大小均为3×6，卷积层1之后为堆栈长短时记忆层(LSTM层)，该层为两层LSTM隐藏层堆叠而成，每层有64个LSTM单元，堆栈LSTM层之后设置卷积层2，该层仅有一个大小为25×64的卷积核D，卷积核大小与堆栈LSTM层的输出矩阵相同。以输出第30个时刻的温致挠度的回归值为例，对本实施例搭建的去黑箱神经网络的数据流进行说明，如图3为温度数据在神经网络中的数据流，输入层为归一化后的3×30温度矩阵，如式(2)所示：
Figure BDA0003299024570000052
经过卷积核A/B/C，形成卷积处理后的局部信息增强数据，卷积核沿着时间维度移动25次，形成25个新数据，卷积核可以使用矩阵表示，以卷积核A为例，可以用矩阵MKA表示，MKA如式(3)所示：
Figure BDA0003299024570000053
式中，a11 A,a12 A,a13 A,...,a34 A，a35 A，a36 A为矩阵MKA中的元素。
设三个卷积核心形成的新数据分别为x'A、x'B和x'C，以卷积核A在第一步卷积运算所得数据x'A(1)为例进行说明，x'A(1)的计算公式如下：
x'A(1)＝xG(1)a11 A+xG(2)a12 A+…+xG(6)a16 A+xGD(1)a21 A+xGD(2)a22 A+
…+xGD(6)a26 A+xT(1)a31 A+xT(2)a32 A+…+xT(6)a36 A (4)
其他运算步于此相同，共得到25个新数据x'A(1)，x'A(2)，...,x'A(25)，运用卷积核B与卷积核C的矩阵MKB与MKC进行相同操作，最终得到新数据形成的3×25的新数据矩阵如式(5)所示：
Figure BDA0003299024570000054
将式(5)所示矩阵带入堆叠LSTM层，输出25×64的矩阵如式(6)：
Figure BDA0003299024570000061
卷积核D(MKD)为一个25×64的矩阵如式(7)：
Figure BDA0003299024570000062
式中，a1(1) D,a1(2) D,a1(3) D,...,a64(23) D,a64(24) D,a64(25) D为矩阵MKD中的元素。
式(6)所示矩阵与式(7)所示MKD进行卷积运算得单一数值OKD如式(8)所示：
Figure BDA0003299024570000063
将OKD代入线性激活函数，获取第30个时刻的归一化回归值y’30，如式(9)所示：
y′30＝WKDOKD+bKD (9)
式中，WKD为权重，bKD为偏置。
(5)对输出的归一化回归值y'进行反归一化处理，得到温致挠度回归值Y’。
(6)将收集到的数据的前75％用作训练集，对神经网络进行训练。相关超参数设置如下：Batch size为10，学习率(Ir)为0.0001，迭代训练次数(Epoch)为100，采用Adam优化算法作为反向传播优化算法。
(7)利用温致挠度回归值D'与温致挠度实测值Dm的残差RAD作为异常挠度的表达指标，残差RAD的计算公式如式(10)：
RAD＝Dm-D′ (10)
如图4为基于本发明提出的高性能深度神经网络的挠度回归值所得的异常挠度数值(RAD)，此时我们已提前知晓无异常挠度(既理论异常挠度为0)，本发明所得异常数值的平均误差仅为2.20mm，精度远高于传统回归模型。以95％保证率设定误差上下限，则允许误差仅为±1.5mm，则识别灵敏度高达3mm，这一数值仅桥梁主跨跨径的三万分之一，凸显了本发明的优异性能。
以上实施例仅是对本发明方案的进一步具体说明和示例，在阅读了本发明实施例之后，本领域普通技术人员对本发明的各种等同形式的修改和替换均属于本发明申请权利要求所限定的保护的范围。

Claims (5)

1.基于深度学习模型的斜拉桥主梁异常挠度监测方法，其特征在于，包括以下具体步骤：
将斜拉桥的温度场数据被转化为包括n种温度变量的时序数据，基于温度的时频特性，提取主梁挠度变化中的温致挠度时序数据；
根据温度的时序相关特性，将温度→温致挠度的输入输出映射模式设定为输入具有i个数据点的温度时程数据，输出当前时刻单点温致挠度数据，固化输入数据规格；
构建去黑箱深度神经网络映射模型，该模型的输入层后加入具有n个卷积核的第一卷积神经网络层，卷积神经网络层的输出传入堆栈长短时记忆神经网络层，堆栈长短时记忆神经网络的输出经过第二卷积神经网络层，第二卷积神经网络层的输出经过线性激活函数，得到归一化回归值；
对去黑箱深度神经网络映射模型进行训练，得到温度→温致挠度映射模型；
将上述温度→温致挠度映射模型输出的归一化回归值进行反归一化处理，得到温致挠度回归值；
利用温致挠度回归值与温致挠度实测值的残差作为异常挠度的数值，完成斜拉桥主梁异常挠度监测。
2.根据权利要求1所述的方法，其特征在于，温度变量包括主梁平均温度、主梁竖向温差和索塔温度。
3.根据权利要求1所述的方法，其特征在于，堆栈长短时记忆神经网络层与第二卷积神经网络层具有相同尺寸。
4.根据权利要求1所述的方法，其特征在于，输入数据为n×i温度数据矩阵，输出数据为当前时刻单点温致挠度，同时随时间演进构造时移数据集，用于去黑箱深度神经网络映射模型的训练和测试。
5.根据权利要求4所述的方法，其特征在于，根据数据规格与改良需求设定去黑箱深度神经网络映射模型的核心层，为了加强局部温度信息的提取性能，第一核心层为具有n个卷积核的第一卷积神经网络层，每个卷积核的大小均为n×m，每一个卷积核沿着时间维度遍历一次温度数据矩阵，将n×i温度数据矩阵卷积运算为n×(i-m+1)的矩阵；第二核心层为具有两层隐藏单元的堆栈长短时记忆神经网络层，用来学习温度数据的时序关联特性，承接第一卷积神经网络层输出的n×(i-m+1)数据矩阵，每层具有p个LSTM单元，堆栈长短时记忆神经网络层的输出为p×(i-m+1)的矩阵；第三核心层为具有一个p×(i-m+1)卷积核的第二卷积神经网络层，经过一次卷积运算，将堆栈长短时记忆神经网络层输出的p×(i-m+1)矩阵通过卷积运算整合为单一数值。
CN202111185481.4A 2021-10-12 2021-10-12 基于深度学习模型的斜拉桥主梁异常挠度监测方法 Pending CN114037002A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111185481.4A CN114037002A (zh) 2021-10-12 2021-10-12 基于深度学习模型的斜拉桥主梁异常挠度监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111185481.4A CN114037002A (zh) 2021-10-12 2021-10-12 基于深度学习模型的斜拉桥主梁异常挠度监测方法

Publications (1)

Publication Number Publication Date
CN114037002A true CN114037002A (zh) 2022-02-11

Family

ID=80134828

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111185481.4A Pending CN114037002A (zh) 2021-10-12 2021-10-12 基于深度学习模型的斜拉桥主梁异常挠度监测方法

Country Status (1)

Country Link
CN (1) CN114037002A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114548375A (zh) * 2022-02-23 2022-05-27 合肥工业大学 基于双向长短期记忆神经网络的斜拉桥主梁动挠度监测方法
CN115392360A (zh) * 2022-08-11 2022-11-25 哈尔滨工业大学 基于Transformer的大型桥梁温度-响应相关模式识别与健康诊断方法
CN116046303A (zh) * 2023-03-30 2023-05-02 辽宁省交通规划设计院有限责任公司 一种挠度智能检测系统、方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114548375A (zh) * 2022-02-23 2022-05-27 合肥工业大学 基于双向长短期记忆神经网络的斜拉桥主梁动挠度监测方法
CN114548375B (zh) * 2022-02-23 2024-02-13 合肥工业大学 基于双向长短期记忆神经网络的斜拉桥主梁动挠度监测方法
CN115392360A (zh) * 2022-08-11 2022-11-25 哈尔滨工业大学 基于Transformer的大型桥梁温度-响应相关模式识别与健康诊断方法
CN115392360B (zh) * 2022-08-11 2023-04-07 哈尔滨工业大学 基于Transformer的大型桥梁温度-响应相关模式识别与健康诊断方法
CN116046303A (zh) * 2023-03-30 2023-05-02 辽宁省交通规划设计院有限责任公司 一种挠度智能检测系统、方法及装置
CN116046303B (zh) * 2023-03-30 2023-07-04 辽宁省交通规划设计院有限责任公司 一种挠度智能检测系统、方法及装置

Similar Documents

Publication Publication Date Title
Zang et al. Hybrid method for short‐term photovoltaic power forecasting based on deep convolutional neural network
CN114037002A (zh) 基于深度学习模型的斜拉桥主梁异常挠度监测方法
Gopi et al. Weather impact on solar farm performance: a comparative analysis of machine learning techniques
Bommidi et al. Hybrid wind speed forecasting using ICEEMDAN and transformer model with novel loss function
CN107529651A (zh) 一种基于深度学习的城市交通客流预测方法和设备
CN111582551B (zh) 风电场短期风速预测方法、系统及电子设备
CN102222313A (zh) 基于核主成分分析的城市演化模拟元胞模型处理方法
CN113836783B (zh) 斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法
CN112100911A (zh) 一种基于深度bisltm的太阳辐射预测方法
CN103279672B (zh) 基于噪声模型支持向量回归技术的短期风速预报方法
CN114091615A (zh) 一种基于生成对抗网络的电能计量数据补全方法和系统
Cenek et al. Climate change and power security: Power load prediction for rural electrical microgrids using long short term memory and artificial neural networks
Barahmand et al. Techno-Economic and Life Cycle Cost Analysis through the Lens of Uncertainty: A Scoping Review
CN115689055A (zh) 一种短期太阳辐照度预测方法及装置
Ferrero Bermejo et al. Review and comparison of intelligent optimization modelling techniques for energy forecasting and condition-based maintenance in pv plants
Zhao et al. Integrating Spatial Markov Chains and Geographically Weighted Regression-Based Cellular Automata to Simulate Urban Agglomeration Growth: A Case Study of the Guangdong–Hong Kong–Macao Greater Bay Area
Kim et al. Tutorial on time series prediction using 1D-CNN and BiLSTM: A case example of peak electricity demand and system marginal price prediction
Chung et al. Accurate prediction of electricity consumption using a hybrid CNN-LSTM model based on multivariable data
CN108710966B (zh) 一种基于多簇esn神经网络的光伏发电功率预测方法
CN113361782A (zh) 基于改进mkpls的光伏发电功率短期滚动预测方法
Shen et al. Study on Traffic Accident Forecast of Urban Excess Tunnel Considering Missing Data Filling
Alzain et al. Revolutionizing Solar Power Production with Artificial Intelligence: A Sustainable Predictive Model
CN110555566B (zh) 一种基于b样条分位数回归的光电概率密度预测方法
Zhang et al. A review of research and practice on the theory and technology of reservoir dam risk assessment
CN117251672A (zh) 基于电力数据的区域行业多维能源碳排放计算方法和装置

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