CN114169205A - 一种螺旋钢桩基础大容量风电场损伤预警方法及系统 - Google Patents
一种螺旋钢桩基础大容量风电场损伤预警方法及系统 Download PDFInfo
- Publication number
- CN114169205A CN114169205A CN202111520555.5A CN202111520555A CN114169205A CN 114169205 A CN114169205 A CN 114169205A CN 202111520555 A CN202111520555 A CN 202111520555A CN 114169205 A CN114169205 A CN 114169205A
- Authority
- CN
- China
- Prior art keywords
- wind power
- power plant
- parameters
- damage
- early warning
- 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.)
- Granted
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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种螺旋钢桩基础大容量风电场损伤预警方法及系统,包括以下步骤:步骤1:根据现有海上风电场区域土体参数,得到风电场所有风机所在位置的土体参数;步骤2:根据土体参数和所有风电单机参数获取特征参数,采用抽样方法得到W×m个风电单机样本对应的特征参数;步骤3:将风电单机样本对应特征参数输入经过训练的神经网络模型,得到样本对应的预测临界水平荷载;步骤4:获取海上风电场区域实时环境信息,根据实时环境信息和临界水平荷载计算风电场损伤率为k的超越概率e;步骤5:若e大于设置阈值,则输出报警信息;本发明分析流程清晰、可靠性强、效率高,为由多个风电单机组成的大面积大容量风电场安全评估提供理论依据。
Description
技术领域
本发明涉及海上风电场技术领域,具体涉及一种螺旋钢桩基础大容量风电场损伤预警方法及系统。
背景技术
利用清洁、可持续的风力能源发电是应对“能源危机”的有效手段。在此大背景下,海上风力发电厂建设如火如荼,正处于大有可为的战略机遇期。螺旋钢桩比等直径的普通钢管桩安装更加高效,其叶片钢盘在土体侧向移动时可额外贡献抵抗弯矩,提高侧向抗力,减小桩顶侧向位移,大直径螺旋钢桩单桩最近被国际权威论文推荐为海上风机新的基础形式。由多个风电单机组成的大面积大容量风电场的设计和安全运营面临海洋场地地质条件多变,波浪荷载、风荷载随机性强等挑战,然而目前对于此类工程的安全评估及监控预警主要是针对海上风电单机。对于大直径螺旋钢桩单桩基础的大面积大容量海上风电场,由于地质参数具有较大的空间变异性以及螺旋钢桩设计参数的多样性,进行详尽的海洋场地勘探需要耗费大量的人力、时间和资金。因此迫切需要一种兼具经济性、效率性的手段对多个风电单机组成的大面积大容量海上风电场的安全性进行实时性、前瞻性的监控预警,以降低风电场损伤风险和运营成本。
发明内容
本发明针对现有技术存在的问题提供一种考虑风电场系统,可靠性强的螺旋钢桩基础大容量风电场损伤预警方法及系统。
本发明采用的技术方案是:一种螺旋钢桩基础大容量风电场损伤预警方法,包括以下步骤:
步骤1:根据现有海上风电场区域土体参数,得到风电场所有风机所在位置的土体参数;
步骤2:根据步骤1得到的土体参数和所有风电单机参数获取特征参数,采用抽样方法得到W×m个风电单机样本对应的特征参数;W为风电场中单机数量,m为抽样次数;
步骤3:将步骤2得到的风电单机样本对应特征参数输入经过训练的神经网络模型,得到样本对应的预测临界水平荷载;
步骤4:获取海上风电场区域实时环境信息,根据实时环境信息和步骤3得到的临界水平荷载计算风电场损伤率为k的超越概率e;
步骤5:若e大于设置阈值,则输出报警信息;若否则退出。
进一步的,所述步骤1中采用Kringing法根据现有海上风电场区域土体参数,预测风电场所有风机所在位置的土体参数;
进一步的,所述步骤2中风电单机样本对应的特征参数获取方法如下:
统计特征参数变异性,按照蒙特卡洛抽样m次,每个单机生成m个样本;从每一个单机的n个样本中随机抽取一个组成风电单机样本,即可得到W个单机的风电单机样本,共W×m个。
进一步的,所述步骤3中训练神经网络模型中以特征参数作为输入参数,临界水平荷载作为目标值;
输入参数确定过程如下:
根据步骤1的土体参数,建立海上单螺旋钢桩风机水平荷载下有限元模型和实际工况对比验证,确定损伤指标;
采用统计方法,在每个海上单螺旋钢桩风机参数取值范围内随机抽取p个值,建立p个参数样本;对p个参数进行缩减得到特征参数;
临界水平荷载确定过程如下:
根据p个参数建立有限元模型,获取样本发生损伤时对应的临界水平荷载。
进一步的,所述步骤4中风电场区域实时环境信息为风电场区域风荷载和波浪力;风电场损伤率为步骤3中临界水平荷载小于风电场区域风荷载的水平荷载为F的单机数量占总单机数量的比例。
进一步的,所述超越概率e计算方法如下:
计算水平荷载F作用下,每个风电场的损伤率k;
统计损伤率大于k的风电场样本数量为c,风电场损伤率为k的超越概率为c/n。
进一步的,所述对p个参数进行缩减得到特征参数采用以下方法进行缩减:
其中:为经过缩减后的特征参数,argmin为函数,n为样本个数,m为特征参数个数,yi为第i个样本的临界水平位移,xij为第i个样本中第j个特征参数的值,βj为第j个特征参数的权重值,β0为阈值,λ为正则化参数,α为权重。
进一步的,所述损伤指标包括:螺旋钢桩叶片钢轴焊缝屈服应力、叶片临界挠度及桩顶临界水平位移;所述土体参数包括:临界状态应力比、泊松比、回弹指数、压缩指数、最大孔隙比。
进一步的,所述神经网络模型包括输入层、隐藏层和输出层;权重更新采用L-M算法;激活函数采用Sigmoid;输入层神经元个数等于特征参数个数;隐藏层层数和隐藏层神经元个数采用网格搜索确定,输出层有一个神经元;神经网络误差采用均方根误差评定。
一种螺旋钢桩基础大容量风电场损伤预警方法的预警系统,包括信息采集模块、处理模块和预警模块;
信息采集模块用于采集现有海上风电场区域土体参数和海上风电场区域实时环境信息;
处理模块用于根据信息采集模块采集的信息,得到风电场所有风机所在位置的土体参数;根据预测得到的土体参数获取特征参数,得到单机对应的特征参数;加载神经网络模型获取特征参数对应的临界水平荷载;计算风电场损伤率为k的超越概率e;
预警模块用于判断超越概率是否超过设定阈值,若超过设定阈值则输出预警信息,若否则退出。
本发明的有益效果是:
(1)本发明结合空间变异性和概率分析方法,基于少量地质参数,准确快速计算空间任意位置处地质参数、量化风电场损伤程度超越概率,且生成的易损性曲线可以用于进一步的风险评估以及加固维修方案决策;
(2)本发明为风电场安全评估提供理论依据,为分析相关类似工况提供了新思路,分析方法流程清晰、可靠性强;是分析水平荷载作用下螺旋钢桩基础风电场安全性的有效手段。
附图说明
图1为本发明预警方法的流程示意图。
图2为实施例中螺旋钢桩基础风力发电机受力示意图。
图3为实施例中简化上部风车叶片和发电塔的螺旋钢桩受力示意图。
图中,1-风车叶片,2-发电塔,3-螺旋钢桩。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
如图1所示,一种螺旋钢桩基础大容量风电场损伤预警方法,包括以下步骤:
步骤1:根据现有海上风电场区域土体参数,得到风电场所有风机所在位置的土体参数;
现有海上风电场区域土体参数根据CPT试验提供。采用Kringing法根据现有海上风电场区域土体参数,预测风电场所有风机所在位置的土体参数;
其中,zi为第i个已知位置处的土体参数,为目标点处的土体参数估计值,λi为第i个已知位置处的土体参数对目标点处土体参数的影响权数,n为土体参数勘探位置数,土体参数是通过勘探得到的,通过这n个参数取预测未知位置处土体参数。
土体参数包括临界状态应力比、泊松比、回弹指数、压缩指数和最大孔隙比、螺旋钢桩材料及几何参数:弹性模量、中心钢轴直径、螺旋叶片直径、螺旋叶片数量、螺距、螺旋叶片间距、桩端到底部叶片距离、安装深度。
步骤2:根据步骤1得到的土体参数和所有风电单机参数获取特征参数,采用抽样方法得到W×m个风电单机样本对应的特征参数;W为风电场中单机数量,m为抽样次数;
根据步骤1的土体参数,建立海上单螺旋钢桩风机水平荷载下有限元模型和实际工况对比验证,确定损伤指标;
损伤指标包括螺旋钢桩叶片钢轴焊缝屈服应力、叶片临界挠度及桩顶临界水平位移。当螺旋钢桩叶片钢轴焊接处应力大于焊缝屈服应力、叶片翘曲挠度大于临界挠度、桩顶水平位移大于临界水平位移时,判定发生损伤。
采用统计方法,在每个海上单螺旋钢桩风机参数取值范围内随机抽取p个值,建立p个参数样本;对p个参数进行缩减得到特征参数。
对p个参数进行缩减得到特征参数采用以下方法进行缩减:
其中:为经过缩减后的特征参数,argmin为函数,表示当后方函数取最小值时对应的β0到βm取值。n为样本个数,m为特征参数个数,yi为第i个样本的临界水平位移,xij为第i个样本中第j个特征参数的值,βj为第j个特征参数的权重值,β0为阈值,λ为正则化参数,其值越大,降维能力越强。β0到βm的初始取值为0~1之间的随机数。Λ初始值取0.01。β通过迭代进行更新,λ值在0.01附近调参,在找出最优解后,将对应β=0的输入变量剔除从而达到降维的目的。α为权重,取值在0~1之间,α和1-α为一范数和二范数的权重。Α越大Elastic net regression参数降维能力更强,α越小则越具备考虑特征参数的组群效应的能力。
统计特征参数变异性,按照蒙特卡洛抽样m次,每个单机生成m个样本;从每一个单机的m个样本中随机抽取一个组成风电单机样本,即可得到W个单机的风电单机样本,共W×m个。
步骤3:将步骤2得到的风电单机样本对应的特征参数输入经过训练的神经网络模型,得到样本对应的预测临界水平荷载;
训练神经网络模型中以特征参数作为输入参数,临界水平荷载作为目标值;
特征参数获取方法如上,将参数样本及对应的临界水平荷载划分为训练集、验证集和测试集。对神经网络模型进行训练及验证测试。
临界水平荷载确定过程如下:
根据p个参数建立有限元模型,获取样本发生损伤时对应的临界水平荷载。
神经网络模型采用PSO-BP神经网络模型,包括输入层、隐藏层和输出层;权重更新采用L-M算法;激活函数采用Sigmoid;输入层神经元个数等于特征参数个数;隐藏层层数和隐藏层神经元个数采用网格搜索确定,输出层有一个神经元;神经网络误差采用均方根误差评定。
步骤4:获取海上风电场区域实时环境信息,根据实时环境信息和步骤3得到的临界水平荷载计算风电场损伤率为k的超越概率e;
风电场区域实时环境信息为风电场区域风荷载和波浪力,由位于风机上的风压计以及位于螺旋钢桩基础上的压力传感器提供;风电场损伤率为步骤3中临界水平荷载小于风电场区域风荷载的水平荷载为F的单机数量占总单机数量的比例。
超越概率e计算方法如下:
计算水平荷载F作用下,每个风电场的损伤率k;
统计损伤率大于k的风电场样本数量为c,风电场损伤率为k的超越概率为c/n。
步骤5:若e大于设置阈值,则输出报警信息,将信息发送给管理人员进行及时处理;若否则退出。
一种螺旋钢桩基础大容量风电场损伤预警方法的预警系统,包括信息采集模块、处理模块和预警模块;
信息采集模块用于采集现有海上风电场区域土体参数和海上风电场区域实时环境信息;
处理模块用于根据信息采集模块采集的信息,得到风电场所有风机所在位置的土体参数;根据预测得到的土体参数获取特征参数,得到单机对应的特征参数;加载神经网络模型获取特征参数对应的临界水平荷载;计算风电场损伤率为k的超越概率e;
预警模块用于判断超越概率是否超过设定阈值,若超过设定阈值则输出预警信息,若否则退出。
为了进一步说明本发明,采用本实施例如图2所示螺旋钢桩基础海上风电单机,包括风车叶片1、发电塔2和螺旋钢桩3;螺旋钢桩3和发电塔2之间通过法兰盘连接。风车叶片2和发电塔2受风力P1,螺旋钢桩3受洋流波动力P2。
参照图3建立简化后的海上单螺旋钢桩风机水平荷载下有限元模型,建模包括基于弹性材料模型的螺旋钢桩基础,基于修正剑桥模型的桩周土。所需参数包括土体参数临界状态应力比、泊松比、回弹指数、压缩指数和最大孔隙比;螺旋钢桩材料及几何参数:弹性模量、中心钢轴直径、螺旋叶片直径、螺旋叶片数量、螺距、螺旋叶片间距、桩端到底部叶片距离、安装深度。上部发电塔和风车叶片重力及其所受风荷载简化为作用在螺旋钢桩桩顶的竖向均布荷载P3、水平剪力F和弯矩M,波浪力按照海流类型简化为不同形式分布荷载P2。计算结果与实际工况对比验证,获取P-Y曲线、螺旋钢桩变形及应力云图,确定损伤指标。当螺旋钢桩叶片钢轴焊接处应力大于焊缝屈服应力、叶片翘曲挠度大于临界挠度、桩顶水平位移大于临界水平位移时,判定发生损伤。
统计实际工程中螺旋钢桩基础海上风电单机相关参数取值范围,在每个参数的取值范围内随机抽取p个值,从每个参数的p个抽样中随机抽取一个并组合,建立p个螺旋钢桩基础海上风电单机参数样本;建立参数样本对应有限元模型,计算各样本的临界水平荷载,临界水平荷载取水平荷载作用下螺旋钢桩发生损伤时所对应的水平荷载;通过Elasticnet regression对参数进行缩减获取特征参数。
特征参数作为输入参数,临界水平荷载作为目标值,将特征参数样本及对应的临界水平荷载划分为训练集、验证集和测试集。神经网络模型包括输入层、隐藏层、输出层;权重更新采用L-M算法;激活函数采用Sigmoid;输入层神经元个数等于特征参数个数,隐藏层层数和隐藏层神经元个数采用Grid Search网格搜索,输出层有一个神经元;神经网络误差采用均方误差评定。训练并建立通过特征参数预测临界水平荷载的神经网络模型。
本发明考虑空间和材料变异性,结合概率分析方法,基于少量地质参数,准确计算空间任意位置处地质参数、量化风电场损伤程度超越概率,对大容量风电场进行实时安全评估、监控预警并提供加固维修方案决策。为提高大容量风电场安全性提供有力手段,为分析相关类似工况提供新思路,分析方法流程清晰、可靠性强;是对螺旋钢桩基础大容量风电场安全评估的有效手段。
Claims (10)
1.一种螺旋钢桩基础大容量风电场损伤预警方法,其特征在于,包括以下步骤:
步骤1:根据现有海上风电场区域土体参数,得到风电场所有风机所在位置的土体参数;
步骤2:根据步骤1得到的土体参数和所有风电单机参数获取特征参数,采用抽样方法得到W×m个风电单机样本对应的特征参数;W为风电场中单机数量,m为抽样次数;
步骤3:将步骤2得到的风电单机样本对应特征参数输入经过训练的神经网络模型,得到样本对应的预测临界水平荷载;
步骤4:获取海上风电场区域实时环境信息,根据实时环境信息和步骤3得到的临界水平荷载计算风电场损伤率为k的超越概率e;
步骤5:若e大于设置阈值,则输出报警信息;若否则退出。
3.根据权利要求1所述的一种螺旋钢桩基础大容量风电场损伤预警方法,其特征在于,所述步骤2中风电单机对应的特征参数获取方法如下:
统计特征参数变异性,按照蒙特卡洛抽样m次,每个单机生成m个样本;从每一个单机的m个样本中随机抽取一个组成风电单机样本,即可得到W个单机的风电单机样本,共W×m个。
4.根据权利要求1所述的一种螺旋钢桩基础大容量风电场损伤预警方法,其特征在于,所述步骤3中训练神经网络模型中以特征参数作为输入参数,临界水平荷载作为目标值;
输入参数确定过程如下:
根据步骤1的土体参数,建立海上单螺旋钢桩风机水平荷载下有限元模型和实际工况对比验证,确定损伤指标;
采用统计方法,在每个海上单螺旋钢桩风机参数取值范围内随机抽取p个值,建立p个参数样本;对p个参数进行缩减得到特征参数;
临界水平荷载确定过程如下:
根据p个参数建立有限元模型,获取样本发生损伤时对应的临界水平荷载。
5.根据权利要求1所述的一种螺旋钢桩基础大容量风电场损伤预警方法,其特征在于,所述步骤4中风电场区域实时环境信息为风电场区域风荷载和波浪力;风电场损伤率为步骤3中临界水平荷载小于风电场区域风荷载的水平荷载为F的单机数量占总单机数量的比例。
6.根据权利要求5所述的一种螺旋钢桩基础大容量风电场损伤预警方法,其特征在于,所述超越概率e计算方法如下:
计算水平荷载F作用下,每个风电场的损伤率k;
统计损伤率大于k的风电场样本数量为c,风电场损伤率为k的超越概率为c/n。
8.根据权利要求4所述的一种螺旋钢桩基础大容量风电场损伤预警方法,其特征在于,所述损伤指标包括:螺旋钢桩叶片钢轴焊缝屈服应力、叶片临界挠度及桩顶临界水平位移;所述土体参数包括:临界状态应力比、泊松比、回弹指数、压缩指数、最大孔隙比。
9.根据权利要求4所述的一种螺旋钢桩基础大容量风电场损伤预警方法,其特征在于,所述神经网络模型包括输入层、隐藏层和输出层;权重更新采用L-M算法;激活函数采用Sigmoid;输入层神经元个数等于特征参数个数;隐藏层层数和隐藏层神经元个数采用网格搜索确定,输出层有一个神经元;神经网络误差采用均方根误差评定。
10.采用权利要求1~9所述任一种螺旋钢桩基础大容量风电场损伤预警方法的预警系统,其特征在于,包括信息采集模块、处理模块和预警模块;
信息采集模块用于采集现有海上风电场区域土体参数和海上风电场区域实时环境信息;
处理模块用于根据信息采集模块采集的信息,得到风电场所有风机所在位置的土体参数;根据预测得到的土体参数获取特征参数,得到单机对应的特征参数;加载神经网络模型获取特征参数对应的临界水平荷载;计算风电场损伤率为k的超越概率e;
预警模块用于判断超越概率是否超过设定阈值,若超过设定阈值则输出预警信息,若否则退出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111520555.5A CN114169205B (zh) | 2021-12-13 | 2021-12-13 | 一种螺旋钢桩基础大容量风电场损伤预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111520555.5A CN114169205B (zh) | 2021-12-13 | 2021-12-13 | 一种螺旋钢桩基础大容量风电场损伤预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114169205A true CN114169205A (zh) | 2022-03-11 |
CN114169205B CN114169205B (zh) | 2022-08-02 |
Family
ID=80486354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111520555.5A Active CN114169205B (zh) | 2021-12-13 | 2021-12-13 | 一种螺旋钢桩基础大容量风电场损伤预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114169205B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116164747A (zh) * | 2022-12-15 | 2023-05-26 | 广东智能无人系统研究院(南沙) | 一种水下机器人的定位与导航方法及系统 |
CN116756821A (zh) * | 2023-06-16 | 2023-09-15 | 长沙理工大学 | 一种基于耦合模拟的桩基损伤预警方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209708A (zh) * | 2020-04-22 | 2020-05-29 | 西南交通大学 | 基于机器学习的桩-土相互作用预测分析方法 |
CN112926117A (zh) * | 2021-03-01 | 2021-06-08 | 郑州大学 | 一种基于bas-bp的桩基水平承载力预测方法 |
-
2021
- 2021-12-13 CN CN202111520555.5A patent/CN114169205B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209708A (zh) * | 2020-04-22 | 2020-05-29 | 西南交通大学 | 基于机器学习的桩-土相互作用预测分析方法 |
CN112926117A (zh) * | 2021-03-01 | 2021-06-08 | 郑州大学 | 一种基于bas-bp的桩基水平承载力预测方法 |
Non-Patent Citations (4)
Title |
---|
KANG SHAO等: "A new modified approach to evaluating the installation power of large-diameter helical piles in sand validated by centrifuge and field data", 《APPLIED OCEAN RESEARCH》 * |
曹利等: "螺旋钢桩加固土质边坡稳定性分析", 《铁道标准设计》 * |
王希云等: "单叶片螺旋钢桩竖向承载特性数值分析", 《铁道标准设计》 * |
邵康等: "竖向受压下考虑安装扰动螺旋钢桩数值模拟分析与现场载荷试验", 《岩石力学与工程学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116164747A (zh) * | 2022-12-15 | 2023-05-26 | 广东智能无人系统研究院(南沙) | 一种水下机器人的定位与导航方法及系统 |
CN116164747B (zh) * | 2022-12-15 | 2023-09-05 | 广东智能无人系统研究院(南沙) | 一种水下机器人的定位与导航方法及系统 |
CN116756821A (zh) * | 2023-06-16 | 2023-09-15 | 长沙理工大学 | 一种基于耦合模拟的桩基损伤预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114169205B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114169205B (zh) | 一种螺旋钢桩基础大容量风电场损伤预警方法及系统 | |
Wang et al. | Deep learning based ensemble approach for probabilistic wind power forecasting | |
CN105973594B (zh) | 一种基于连续深度置信网络的滚动轴承故障预测方法 | |
Liu et al. | A hybrid forecasting method for wind power ramp based on orthogonal test and support vector machine (OT-SVM) | |
CN109522627B (zh) | 基于scada数据的风机叶片结冰预测方法 | |
CN107507097A (zh) | 一种风电功率短期预测方法 | |
CN106779200A (zh) | 基于在历史数据中进行相似搜索的风电机组状态预测方法 | |
CN105550943A (zh) | 一种基于模糊综合评判的风电机组状态参数异常辨识方法 | |
Wan et al. | Wave energy assessment related to wave energy convertors in the coastal waters of China | |
CN112832960A (zh) | 一种基于深度学习的风机叶片结冰检测方法和存储介质 | |
Movsessian et al. | Feature selection techniques for modelling tower fatigue loads of a wind turbine with neural networks | |
Branlard | Wind energy: On the statistics of gusts and their propagation through a wind farm | |
Feng et al. | Sensor configuration optimizing in modal identification by siege ant colony algorithm | |
Long et al. | Wind turbine anomaly identification based on improved deep belief network with SCADA data | |
CN110414734A (zh) | 一种计及风资源利用率预测评估的方法 | |
Movsessian et al. | Modelling tower fatigue loads of a wind turbine using data mining techniques on SCADA data | |
Yang et al. | Detection of wind turbine blade abnormalities through a deep learning model integrating VAE and neural ODE | |
Cevasco et al. | Feasibility of machine learning algorithms for classifying damaged offshore jacket structures using SCADA data | |
Nispel et al. | Probabilistic analysis of the fatigue life of offshore wind turbine structures | |
Moss et al. | Profiling wind LiDAR measurements to quantify blockage for onshore wind turbines | |
Richmond et al. | Development of a stochastic computational fluid dynamics approach for offshore wind farms | |
CN117404258B (zh) | 一种复合筒型基础海上施工云监测系统 | |
CN116757087B (zh) | 海上风电支撑结构的状态评估方法及相关设备 | |
Colone | Cost-effective Strategies for Wind Farm O&M: Topics in Structural Reliability, Load Analysis, Predictive Maintenance and Decision Making | |
SALAMEH | INVESTIGATING FATIGUE LIFE IN BOLTED FLANGE CONNECTION IN WIND TURBINE TOWERS |
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 |