CN114282298B - 一种道路技术状况处理方法 - Google Patents
一种道路技术状况处理方法 Download PDFInfo
- Publication number
- CN114282298B CN114282298B CN202111626826.5A CN202111626826A CN114282298B CN 114282298 B CN114282298 B CN 114282298B CN 202111626826 A CN202111626826 A CN 202111626826A CN 114282298 B CN114282298 B CN 114282298B
- Authority
- CN
- China
- Prior art keywords
- data
- road
- model
- physical model
- condition
- 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
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种道路技术状况处理方法,道路技术状况检测方法包括:S1:获取道路的物理模型;S2:获取物理模型的初始数据;S3:处理初始数据,得到实用数据;S4:根据实用数据,建立道路的数字模型;S5:对数字模型进行真实性检测,得到符合条件的实用数据;S6:根据符合条件的实用数据进行数据分析和数据模拟,得到分析结果和模拟数据;S7:根据分析结果和模拟数据,生成新的物理模型;S8:判断新的物理模型是否为最优物理模型,若是,输出所述最优物理模型为新的道路;否则,返回步骤S1。
Description
技术领域
本发明涉及道路工程技术领域,具体涉及一种道路技术状况处理方法。
背景技术
对沥青路面基层进行技术评分是对沥青路面进行养护决策的基础,通常情况下沥青路面只需进行保养小修,当基层发生损害使其评分值达到某阈值或达到预定大、中修时间时,路面需要进行大修或中修工程。当路面的破损只发生在表面层时,而基层技术状况评分未达到阈值时,沥青路面只需要进行中修工程,而当沥青路面整体状况差或者当基层出现严重破损状况,即基层技术状况评分达到阈值时,该沥青路面则需要进行大修工程。所以,决定路面大、中修工程的关键判据之一就是路面基层的技术状况,又因大、中修所使用的维修方式和手段不同,而恰当的维修方式和手段的又极大地影响着道路使用状况和其使用寿命。因此,准确识别并判断沥青路面基层状况十分关键。
水泥稳定基层隐藏在沥青面层下,因此无法直接通过观察路面来进行判断,目前对其状况数据进行采集的方式总体上有直接或间接两种:
(1)直接方式通常是采取钻芯取样的方法,这种方法因为可以直接通过观察所取芯样,判断道路基层状况,所以在所有检测方式中所得结果较为准确。但当同一路段所包含的路面病害种类较多时,为了能够尽量全面的反映路面状况,就需要对不同的病害进行取样,尤其道路每年都需要进行该法的检测,因此如果进行大范围地钻芯取样则会严重破坏路面结构。
(2)间接方式通常有:探地雷达(电磁波)检测、FWD检测、超声波检测、三维激光扫描等方式。间接方式是通过不同原理对路面内部状况进行刻画式描述,其对不同病害描述的精度也主要取决于本身仪器的原理和所使用仪器的精度。基于各采集方式使用仪器原理不同,不同方式只能较为精确地检测部分病害数据,如探地雷达能够较为准确的测量大尺寸病害如坑洞等,但对于尺寸较小的病害如细小裂缝等则无法反映;落地式弯沉仪(FWD)能够通过反算模量达到反映路基刚度的效果,但该数据只能反映路基整体刚度,而无法直接反映道路具体破损情况,且该方法准确性受土基含水率影响较大。因此,使用单一检测方式并不能同时准确检测全部病害,会造成道路状况检测结果不准确。但采用全部检测方式,或较多种方式进行检测,则会导致费用较高,数据冗余,且对存储空间要求高等问题,也不易实现。
现行规范对路面评价基本都是基于表象状况对路况进行评价,对于道路内部病害的关注甚少但道路内部病害又是很多病害的根本原因,了解道路基层技术状况对于刻画、解释和诊治道路病害具有极为重要的意义。
发明内容
本发明的目的在于提供一种道路技术状况处理方法,以解决现有的道路技术状况处理方法整体费用较高、数据冗余以及无法对道路状况进行动态灵活预测评判的问题。
本发明解决上述技术问题的技术方案如下:
本发明提供一种道路技术状况处理方法,所述数字孪生道路技术状况检测方法包括:
S1:获取道路的物理模型;
S2:获取所述物理模型的初始数据;
S3:处理所述初始数据,得到实用数据;
S4:根据所述实用数据,建立所述道路的数字模型;
S5:对所述数字模型进行真实性检测,得到符合条件的实用数据;
S6:根据所述符合条件的实用数据进行数据分析和数据模拟,得到分析结果和模拟数据;
S7:根据所述分析结果和所述模拟数据,生成新的物理模型;
S8:判断所述新的物理模型是否为最优物理模型,若是,输出所述最优物理模型为新的道路;否则,返回步骤S1。
可选择地,所述步骤S2中,所述初始数据包括:
所述物理模型的路面信息;道路基层状况;各层材料厚度、既有基层隐病害和层间接触状况;弯沉值和反算结构层模量值数据;材料密度和材料孔隙率数据;芯样的完整程度、结构层材料的强度和模量数据以及道路环境及历史数据。
可选择地,通过三维激光扫描采集所述物理模型的路面信息;和/或
通过探地雷达监测所述各层材料厚度、既有基层隐病害和层间接触状况;和/或
采用FWD检测技术得到代表弯沉值、反算结构层模量值数据;和/或
利用超声波检测所述材料密度和材料孔隙率数据;和/或
采用钻芯取样方法得到芯样的完成程度、结构层材料的强度及模量数据。
可选择地,所述道路环境及历史数据包括:建成通车时间、道路设计资料、累计轴载作用次数、车道内行车轨迹分布、最高月平均气温、最低月平均气温、年均降水量等设计建设、交通数据和环境气象资料。
可选择地,所述步骤S3包括:
S31:通过三维激光扫描获取所述初始数据的路面信息;
S32:对所述路面信息进行点云数据处理,得到处理后的三维点云数据;
S33:提取所述处理后的三维点云数据中的聚类点云;
S34:识别所述聚类点云中的道路几何尺寸数据和病害边缘特征信息;
S35:将所述道路几何尺寸数据和所述病害边缘特征信息作为所述实用数据输出。
可选择地,所述步骤S4包括:
S41:利用所述实用数据进行初步数字模型建模;
S42:匹配所述初步数字模型和所述病害边缘特征信息,以修订所述初步数字模型,得到所述道路的数字模型。
可选择地,在所述步骤S4和所述步骤S5之间,所述数字孪生道路技术状况检测方法还包括:
从所述道路的数字模型中提取路面病害信息,并将所述路面病害信息输入至三维建模数据库中;和/或
将所述芯样的完成程度、结构层材料的强度和模量数据输入所述初步数字模型中。
可选择地,所述步骤S6中,所述数据分析包括:
A1:对所述三维建模数据库中的数据进行数据清洗并建立模糊模型;
A2:根据所述模糊模型,生成模糊神经网络模型;
A3:判断所述模糊神经网络模型的模型精度是否达到预设阈值,若是,进入步骤A4;否则,调整所述三维建模数据库中的数据并返回步骤A1;
A4:判断所述模糊神经网络模型的是否满足预测稳定性,若是,将所述模糊神经网络模型作为所述分析结果输出;否则,进入步骤A5;
A5:增加所述三维建模数据库中的数据量并返回步骤A1。
可选择地,所述步骤A5中,所述增加所述三维建模数据库中的数据量包括:
调整所述道路的应用场景,并进行新的道路的物理模型获取。
可选择地,所述步骤S6中,所述数据模拟包括:
B1:将所述三维建模数据库中的所有数据输入动力学仿真软件中;
B2:利用所述动力学仿真软件,得到所述道路的真实受力和既有病害状况;
B3:利用所述真实受力和既有病害状况生成预测受力和预测病害状况;
B4:将所述预测受力和预测病害状况作为所述模拟数据输出。
本发明具有以下有益效果:
1.区别于现行路面检测只片面考虑道路表面状况评价,能得到一个准确反映路面面层和基层现状的数字孪生体,以便能够更真实全面的反映真实路面,实现较为同步的路面状况反馈,也能够提供更可靠的预测结果;
2.数据分析过程能够提高所得数据的价值,即数据反映道路真实状况的准确度,减少数据采集量,减少采集成本,尤其是较少的钻芯取样数据采集能够尽可能的实现对现有路面的最小程度破坏;
3.数据模拟过程能够预测出不同道路(不同气候、交通量等条件下不同道路状况)三年内的各年的主要道路主要病害,依据病害预测对往后三年各年份的检测方式进行优先排序,实现通过最少采集方式,最低成本的获得与实际道路状况较高程度吻合的数据,使数字模型与物理模型高精度匹配;
4.路面基层的技术状况评分,能够为决策者后续判定大、中修的基层技术状况评分阈值提供支持;
5.通过上述技术方案,本领域技术人员能够利用历史物理模型和数字模型,获取道路的新的物理模型,进而形成的新的物理模型能够避免历史物理模型的主要病害,从而进一步降低时间成本和费用成本。
附图说明
图1为本发明所提供的道路技术状况处理方法的流程图;
图2为图1中步骤S3的分步骤流程图;
图3为图1中步骤S4的分步骤流程图;
图4为图1中步骤S6的数据分析的分步骤流程图;
图5为图1中步骤S6的数据模拟的分步骤流程图;
图6为本发明所提供的道路技术状况处理方法的总体流程图;
图7为图6中物理模型激光扫描及数字模型逆向建模模块的内部流程图;
图8为图6中的数据分析与数据质量反馈模块的内部流程图;
图9为图6中的数值模拟模块的内部流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
实施例
本发明解决上述技术问题的技术方案如下:
本发明提供一种道路技术状况处理方法,参考图1和图6所示,所述数字孪生道路技术状况检测方法包括:
S1:获取道路的物理模型;
S2:获取所述物理模型的初始数据;
具体地,在本发明中,所述初始数据包括:所述物理模型的路面信息;道路基层状况;各层材料厚度、既有基层隐病害和层间接触状况;弯沉值和反算结构层模量值数据;材料密度和材料孔隙率数据;芯样的完成程度、结构层材料的强度和模量数据以及道路环境及历史数据。此外,在本发明所提供的实施例中,参考图7所示,上述的初始数据主要通过以下方式获得:
1、主要通过三维激光扫描的方式,对路面信息进行采集,之后通过软件进行点云数据降噪、转换数据格式以及修补缺失数据的等方式进行不同数据的采集工作;
2、采用探地雷达(电磁波)的方式检测道路各层材料厚度、既有基层隐病害、层间接触状况数据;
3、采用FWD检测技术得到代表弯沉值、反酸结构层模量值数据;
4、用超声波检测得到材料密度、材料孔隙率数据;用钻芯取样法获取芯样的完成程度、结构层材料的强度及模量数据;
5、对道路环境及历史数据进行收集,收集包括建成通车试件、道路设计资料、累计轴载作用次数、车道内行车轨迹分布、最高月平均气温、最低月平均气温、年均降水量等设计建设、交通数据和环境气象资料。
这里需要说明的是,上述的初始数据以及获取初始数据的方式为本申请的申请人经过一系列实验所得到的较为优选的实施例,本领域技术人员可根据实际需求适当增加初始数据的内容或更换某些内容,以使得初始数据更加丰富,从而使得检测结果更加有理有据,本申请不予具体限制。
S3:处理所述初始数据,得到实用数据;
在本发明所提供的具体实施例中,可选择地,参考图2所示,所述步骤S3包括:
S31:通过三维激光扫描获取所述初始数据的路面信息;
S32:对所述路面信息进行点云数据处理,得到处理后的三维点云数据;
由于在本发明中,通过三维激光扫描,从而采集路面信息,因而经过三维激光扫描后的路面信息便为路面的点云信息,因此对点云信息进行数据处理,便生成了处理后的三维点云数据,这其中,对于点云信息的处理包括但不局限于进行滤波处理,从而提取其中的聚类点云。
S33:提取所述处理后的三维点云数据中的聚类点云;
S34:识别所述聚类点云中的道路几何尺寸数据和病害边缘特征信息;
继而,通过现有的一些聚类点云识别软件对道路的几何尺寸数据和病害边缘特征信息(即因病害导致的路面非规则型结构的几何信息)。当然,也可以采取人工或其他的方式识别聚类点云中的道路几何尺寸数据和病害边缘特征信息,本发明不予限制。
S35:将所述道路几何尺寸数据和所述病害边缘特征信息作为所述实用数据输出。
可选择地,参考图3和图8所示,所述步骤S4包括:
S41:利用所述实用数据进行初步数字模型建模;
具体地,在本发明所提供的实施例中,将几何尺寸数据通过Bentley BIM模型单元库进行匹配的构件选择配置,完成初步BIM模型建立。这里的初步数字模型即为初步BIM模型。
S42:匹配所述初步数字模型和所述病害边缘特征信息,以修订所述初步数字模型,得到所述道路的数字模型。具体地,将边缘特征信息与Bentley BIM模型单元库中非规则构件进行匹配,以修正该数字模型,完成道路现状模型(As-is模型),该道路现状模型即为所述道路的数字模型。
S4:根据所述实用数据,建立所述道路的数字模型;
可选择地,在所述步骤S4和所述步骤S5之间,所述数字孪生道路技术状况检测方法还包括:
从所述道路的数字模型中提取路面病害信息,并将所述路面病害信息输入至三维建模数据库(即3D BIM数据库)中;和/或
将所述芯样的完成程度、结构层材料的强度和模量数据输入所述初步数字模型(即BIM模型)中。
S5:对所述数字模型进行真实性检测,得到符合条件的实用数据;
对As-is模型进行质量要求检测,即判断该数字模型是否能够真实的反映道路实际状况,将满足要求后输入3D BIM数据库。
S6:根据所述符合条件的实用数据进行数据分析和数据模拟,得到分析结果和模拟数据;
可选择地,参考图4和图9所示,所述步骤S6中,所述数据分析包括:
A1:对所述三维建模数据库中的数据进行数据清洗并建立模糊模型;
这里,通过训练和测试模型使测试误差小于目标误差,本发明设定目标误差范围为±15%,从而初步生成模糊神经网络模型(即下文中FNN模型)。
A2:根据所述模糊模型,生成模糊神经网络模型;
通过同源随机样本(通车年份,地区气候,使用状况(通车车量的等)等相似或相同的道路的检测数据)进行FNN模型精度的检验,若模型精度到不到预设阈值,即±15%,则需根据道路等级或重要性等实际情况进行更改,以提高所用数据的准确度,例如,可通过重复检测同段道路数据取其均值等方法,减少随机误差,提高数据的准确度。
若预测精度满足预测要求,则对FNN模型的预测稳定性进行验证,以使模型对路网内不同道路都能得到具有较为稳定的高精度FNN模型,若不满足要求则增加数据样本数量50-100(根据应用场景不同,进行新的道路数据选取,若应用于网级则输入道路状况、历史及环境状况等不同的路面数据,若应用于项目级则选取通车年份,地区气候,使用状况(通车量等)等相似或相同的道路的检测数据(同源数据)即可),重新建模再次进行模型建立及检测,满足要求时则输出评分值。这里的评分值即为:通过将模糊模型所得的得分值与通过芯样所得得分值在计算机中进行拟合,实现通过模糊模型得分值得到路面基层损坏的评分。
A3:判断所述模糊神经网络模型的模型精度是否达到预设阈值,若是,进入步骤A4;否则,调整所述三维建模数据库中的数据并返回步骤A1;
A4:判断所述模糊神经网络模型的是否满足预测稳定性,若是,将所述模糊神经网络模型作为所述分析结果输出;否则,进入步骤A5;
A5:增加所述三维建模数据库中的数据量并返回步骤S1。
可选择地,所述步骤A5中,所述增加所述三维建模数据库中的数据量包括:
调整所述道路的应用场景,并进行新的道路的物理模型获取。
可选择地,参考图5所示,所述步骤S6中,所述数据模拟包括:
B1:将所述三维建模数据库中的所有符合条件的实用数据输入动力学仿真软件中;具体为:将3D BIM数据库中所有的符合条件的实用数据,根据具体道路输入概率分布式疲劳荷载、边界条件、损伤本构模型及实测力学参数,输入ANSYS软件中。这里的动力学仿真软件即为ANSYS软件,本领域技术人员可以选择其他软件进行替代,以能够实现符合条件的实用数据的动力学仿真即可。
B2:利用所述动力学仿真软件,得到所述道路的真实受力和既有病害状况;
B3:利用所述真实受力和既有病害状况生成预测受力和预测病害状况;用ANSYS软件数字化模拟道路真实受力和既有病害状况,得到现有病害状况,并预测未来道路损害(病害等)状况,次年的病害采集方式则通过预测出的病害主次程度进行排序,不同病害的检测方式选择精度最高的一种。
B4:将所述预测受力和预测病害状况作为所述模拟数据输出。
S7:根据所述分析结果和所述模拟数据,生成新的物理模型;
S8:判断所述新的物理模型是否为最优物理模型,若是,输出所述最优物理模型为新的道路;否则,返回步骤S1。
本发明具有以下有益效果:
1.参考图9所示,区别于现行路面检测只片面考虑道路表面状况评价,能得到一个准确反映路面面层和基层现状的数字孪生体,以便能够更真实全面的反映真实路面,实现较为同步的路面状况反馈,也能够提供更可靠的预测结果;
2.数据分析过程能够提高所得数据的价值,即数据反映道路真实状况的准确度,减少数据采集量,减少采集成本,尤其是较少的钻芯取样数据采集能够尽可能的实现对现有路面的最小程度破坏;
3.数据模拟过程能够预测出不同道路(不同气候、交通量等条件下不同道路状况)三年内的各年的主要道路主要病害,依据病害预测对往后三年各年份的检测方式进行优先排序,实现通过最少采集方式,最低成本的获得与实际道路状况较高程度吻合的数据,使数字模型与物理模型高精度匹配;
4.路面基层的技术状况评分,能够为决策者后续判定大、中修的基层技术状况评分阈值提供支持;
5.通过上述技术方案,本领域技术人员能够利用历史物理模型和数字模型,获取道路的新的物理模型,进而形成的新的物理模型能够避免历史物理模型的主要病害,从而进一步降低时间成本和费用成本。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种道路技术状况处理方法,其特征在于,所述道路技术状况处理方法包括:
S1:获取道路的物理模型;
S2:获取所述物理模型的初始数据;
S3:处理所述初始数据,得到实用数据;
S4:根据所述实用数据,建立所述道路的数字模型;
S5:对所述道路的数字模型进行真实性检测,得到符合条件的实用数据;
S6:根据所述符合条件的实用数据进行数据分析和数据模拟,得到分析结果和模拟数据;
S7:根据所述分析结果和所述模拟数据,生成新的物理模型;
S8:判断所述新的物理模型是否为最优物理模型,若是,输出所述最优物理模型为新的道路;否则,返回步骤S1;
所述步骤S3包括:
S31:通过三维激光扫描获取所述初始数据的路面信息;
S32:对所述路面信息进行点云数据处理,得到处理后的三维点云数据;
S33:提取所述处理后的三维点云数据中的聚类点云;
S34:识别所述聚类点云中的道路几何尺寸数据和病害边缘特征信息;
S35:将所述道路几何尺寸数据和所述病害边缘特征信息作为所述实用数据输出。
2.根据权利要求1所述的道路技术状况处理方法,其特征在于,所述步骤S2中,所述初始数据包括:
所述物理模型的路面信息;道路基层状况;各层材料厚度、既有基层隐病害和层间接触状况;弯沉值和反算结构层模量值数据;材料密度和材料孔隙率数据;芯样的完整程度、结构层材料的强度和模量数据以及道路环境及历史数据。
3.根据权利要求2所述的道路技术状况处理方法,其特征在于,
通过三维激光扫描采集所述物理模型的路面信息;和/或
通过探地雷达监测所述各层材料厚度、既有基层隐病害和层间接触状况;和/或
采用FWD检测技术得到代表弯沉值、反算结构层模量值数据;和/或
利用超声波检测所述材料密度和材料孔隙率数据;和/或
采用钻芯取样方法得到芯样的完整程度、结构层材料的强度及模量数据。
4.根据权利要求2所述的道路技术状况处理方法,其特征在于,所述道路环境及历史数据包括:建成通车时间、道路设计资料、累计轴载作用次数、车道内行车轨迹分布、最高月平均气温、最低月平均气温和年均降水量。
5.根据权利要求2所述的道路技术状况处理方法,其特征在于,所述步骤S4包括:
S41:利用所述实用数据进行初步数字模型建模;
S42:匹配所述初步数字模型和所述病害边缘特征信息,以修订所述初步数字模型,得到所述道路的数字模型。
6.根据权利要求5所述的道路技术状况处理方法,其特征在于,在所述步骤S4和所述步骤S5之间,所述道路技术状况处理方法还包括:
从所述道路的数字模型中提取路面病害信息,并将所述路面病害信息输入至三维建模数据库中;在所述步骤S41和所述步骤S42之间,所述道路技术状况处理方法还包括:
将所述芯样的完整程度、结构层材料的强度和模量数据输入所述初步数字模型中。
7.根据权利要求6所述的道路技术状况处理方法,其特征在于,所述步骤S6中,所述数据分析包括:
A1:对所述三维建模数据库中的数据进行数据清洗并建立模糊模型;
A2:根据所述模糊模型,生成模糊神经网络模型;
A3:判断所述模糊神经网络模型的模型精度是否达到预设阈值,若是,进入步骤A4;否则,调整所述三维建模数据库中的数据并返回步骤A1;
A4:判断所述模糊神经网络模型的是否满足预测稳定性,若是,将所述模糊神经网络模型作为所述分析结果输出;否则,进入步骤A5;
A5:增加所述三维建模数据库中的数据量并返回步骤S1。
8.根据权利要求7所述的道路技术状况处理方法,其特征在于,所述步骤A5中,所述增加所述三维建模数据库中的数据量包括:
调整所述道路的应用场景,并进行新的道路的物理模型获取。
9.根据权利要求6所述的道路技术状况处理方法,其特征在于,所述步骤S6中,所述数据模拟包括:
B1:将所述三维建模数据库中的所有数据输入动力学仿真软件中;
B2:利用所述动力学仿真软件,得到所述道路的真实受力和既有病害状况;
B3:利用所述真实受力和既有病害状况生成预测受力和预测病害状况;
B4:将所述预测受力和预测病害状况作为所述模拟数据输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111626826.5A CN114282298B (zh) | 2021-12-28 | 2021-12-28 | 一种道路技术状况处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111626826.5A CN114282298B (zh) | 2021-12-28 | 2021-12-28 | 一种道路技术状况处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114282298A CN114282298A (zh) | 2022-04-05 |
CN114282298B true CN114282298B (zh) | 2022-11-22 |
Family
ID=80876994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111626826.5A Active CN114282298B (zh) | 2021-12-28 | 2021-12-28 | 一种道路技术状况处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114282298B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237348B (zh) * | 2023-11-14 | 2024-02-02 | 贵州省公路建设养护集团有限公司 | 用于交通部门道路施工场景下的路面折损检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583413A (zh) * | 2020-03-24 | 2020-08-25 | 交通运输部科学研究院 | 一种路面病害bim参数化建模与增强现实移动巡检方法 |
CN111596604A (zh) * | 2020-06-12 | 2020-08-28 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 |
CN112802021A (zh) * | 2021-04-09 | 2021-05-14 | 泰瑞数创科技(北京)有限公司 | 基于数字孪生技术的城市桥梁道路诊断方法及其系统 |
AU2021102395A4 (en) * | 2021-05-07 | 2021-07-08 | China Academy Of Transportation Sciences | BIM (Building Information Modeling) Parametric Modeling and Augmented Reality Mobile Inspection Method for Pavement Distresses |
CN113538863A (zh) * | 2021-04-13 | 2021-10-22 | 交通运输部科学研究院 | 一种隧道数字孪生场景构建方法及计算机设备 |
CN113763289A (zh) * | 2021-11-08 | 2021-12-07 | 四川省交通勘察设计研究院有限公司 | 基于bim模型的原始地形修正方法、系统及计算机终端 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753745B (zh) * | 2019-01-14 | 2022-11-18 | 深圳市市政设计研究院有限公司 | 一种基于bim及物联网技术的道路检测及评估方法 |
-
2021
- 2021-12-28 CN CN202111626826.5A patent/CN114282298B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583413A (zh) * | 2020-03-24 | 2020-08-25 | 交通运输部科学研究院 | 一种路面病害bim参数化建模与增强现实移动巡检方法 |
CN111596604A (zh) * | 2020-06-12 | 2020-08-28 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 |
CN112802021A (zh) * | 2021-04-09 | 2021-05-14 | 泰瑞数创科技(北京)有限公司 | 基于数字孪生技术的城市桥梁道路诊断方法及其系统 |
CN113538863A (zh) * | 2021-04-13 | 2021-10-22 | 交通运输部科学研究院 | 一种隧道数字孪生场景构建方法及计算机设备 |
AU2021102395A4 (en) * | 2021-05-07 | 2021-07-08 | China Academy Of Transportation Sciences | BIM (Building Information Modeling) Parametric Modeling and Augmented Reality Mobile Inspection Method for Pavement Distresses |
CN113763289A (zh) * | 2021-11-08 | 2021-12-07 | 四川省交通勘察设计研究院有限公司 | 基于bim模型的原始地形修正方法、系统及计算机终端 |
Non-Patent Citations (1)
Title |
---|
"Mining multiple association rules in LTPP database: An analysis of asphalt pavement thermal cracking distress";Shi Dong 等;《Construction and Building Materials》;20180930;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114282298A (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111651545A (zh) | 一种基于多源数据融合的城市边缘区提取方法 | |
Cafiso et al. | From manual to automatic pavement distress detection and classification | |
Guldur et al. | Condition assessment of bridges using terrestrial laser scanners | |
CN114282298B (zh) | 一种道路技术状况处理方法 | |
CN113626975A (zh) | 一种有砟铁路基床健康状态单元评价方法及系统 | |
CN115841466A (zh) | 排水管网缺陷自动定量评估方法 | |
CN115755193A (zh) | 路面结构内部病害识别方法 | |
CN117077452A (zh) | 一种道路使用寿命综合评估方法、电子设备及存储介质 | |
CN117151800A (zh) | 一种农村土地基准地价评估方法 | |
CN115438547A (zh) | 基于路面服役状态的整体评价方法及系统 | |
Tack et al. | Pavement performance analysis applying probabilistic deterioration methods | |
CN116307858A (zh) | 测绘成果质量检查与评分系统 | |
Yao et al. | Automated detection and identification of area-based distress in concrete pavements | |
CN113888043A (zh) | 一种梁式桥主梁病害全周期可视化管理分析系统 | |
CN113917451A (zh) | 一种高速公路沥青路面状况的检测方法、装置以及系统 | |
Paplauskas et al. | Road pavement condition index deterioration model for network-level analysis of national road network based on pavement condition scanning data | |
CN116797759B (zh) | 公路设施病害基于深度学习的标准化自动孪生方法及系统 | |
Haider et al. | Process and data needs for local calibration of performance models in the AASHTOWARE Pavement ME Software | |
Chavan et al. | An Overview of Machine Learning Techniques for Evaluation of Pavement Condition | |
CN117173094A (zh) | 基于三维病害信息的路面性能评价方法 | |
CN117078234B (zh) | 一种优化的路网养护维修方法、电子设备及存储介质 | |
CN117077500B (zh) | 道路内部脱空的数值模拟建模方法、电子设备及存储介质 | |
CN113505954B (zh) | 基于几何和性能相似度的钢结构建筑群安全评估方法 | |
Mohammadi | Development of Bridge Information Model (BrIM) for digital twinning and management using TLS technology | |
Pang-jo et al. | Automatic Detection of Cracks in Asphalt Pavement Using Deep Learning to Overcome Weaknesses in Images and GIS Visualization |
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 |