CN114880940A - 基于多域分析和人工神经网络的压实质量检测方法及装置 - Google Patents
基于多域分析和人工神经网络的压实质量检测方法及装置 Download PDFInfo
- Publication number
- CN114880940A CN114880940A CN202210563433.2A CN202210563433A CN114880940A CN 114880940 A CN114880940 A CN 114880940A CN 202210563433 A CN202210563433 A CN 202210563433A CN 114880940 A CN114880940 A CN 114880940A
- Authority
- CN
- China
- Prior art keywords
- compaction
- neural network
- artificial neural
- vertical acceleration
- soil
- 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
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2431—Multiple classes
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Architecture (AREA)
- Medical Informatics (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
本发明公开了一种基于多域分析和人工神经网络的压实质量检测方法及装置,该方法通过安装在压路机上的传感器获取压实过程中的加速度信号,根据加速度信号的时域特征、功率谱的频域的特征与综合压实质量的相关性,筛选出多个特征信息,并将筛选出特征信息作为人工神经网络的训练集,训练分类及回归神经网络用以判别路面的压实质量,评价路面压实质量。实验表明,与传统压实质量检测方法相比,提出的方法可以在不伤害路面的前提下,准确判别路面压实质量。
Description
技术领域
本发明属于智能压实技术领域,具体涉及一种基于多域分析和人工神经网络的压实质量检测方法及装置。
背景技术
道路的压实质量关系到道路的使用寿命和行车安全,压实质量的准确检测一直是现场工程师关注的问题。传统的压实质量检测方法是,先在压实后的路面取样,然后在实验室中对试样进行相关试验和计算,得到路面材料试样的压实程度。这种方法会对道路造成破坏,且无法实现实时监测。目前的智能压实测量方法一般为通过压实计值和碾压机机械驱动功率衡量压实质量,但这些方式只考虑了幅值谱范围内的特征,易受施工环境、压路机参数等因素影响,难以准确评价压实质量。
发明内容
本发明的目的在于,提供一种基于多域分析和人工神经网络的压实质量检测方法及装置,对土壤压实质量进行实时监测,以确定土壤压实质量,并得到改变碾压机参数的时机。
为达到上述目的,本发明所述一种基于多域分析和人工神经网络的压实质量检测方法,包括以下步骤:
S1、在试验路段采集不同次压实过程中的压路机振动钢轮处的垂直加速度信号,并测量试验路段路面的土壤压实度;根据土壤综合压实度将土壤分为欠压实、最佳压实和过压实三种压实质量;
S2、计算垂直加速度信号的时域特征和功率谱密度图的频域特征,计算垂直加速度信号的特征和压实质量的相关性,根据垂直加速度信号的特征和压实质量的相关性大小,筛选出垂直加速度信号的多个特征;
S3、将所述多个特征打上其所属压实质量类型标签,将所述多个特征作为人工神经网络的输入变量,压实质量标签为输出变量,训练人工神经网络模型;
S4、采集并记录其余路段上压路机振动钢轮处的垂直加速度信号,并利用训练好的人工神经网络模型和垂直加速度信号的多个特征评价被测路段的压实质量。
进一步的,S1中,用环刀法在测量试验路段路面的土壤综合压实度。
进一步的,S1中,土壤综合压实度的测量过程为:使用环刀法分别对每次压实过后的地表、地下20cm和地下40cm土壤进行多次采样,计算多次采样的压实度均值,作为不同深度土壤的最终压实度,并将不同深度土壤最终压实度的平均值作为土壤综合压实度。
进一步的,S2中,通过方差分析计算垂直加速度信号的特征和压实质量的相关性。
进一步的,S2中,筛选出的垂直加速度信号的特征包括:第一峰值、带宽功率、标准差、第一峰频率、时域峰值、第五峰值、第二峰值和第四峰值。
进一步的,S3中,训练人工神经网络时,采用K折交叉验证。
进一步的,S3中,所述人工神经网络损失函数为:
其中,loss为损失值,N为观测数,C为类别数,类别即为欠压实、过压实、最佳压实这三类,Tni为样本的实际类别,Yni为预测类别,通过最小化损失函数更新人工神经网络中全连接层的权重参数和偏差参数。
一种基于多域分析和人工神经网络的智能压实质量评价装置,包括电连接的采集模块和处理模块;所述采集模块用于采集被测路面的垂直加速度信号,并传递至处理模块;所述处理模块用于根据接收到的被测路面的垂直加速度信号判断被测路面的压实质量。
与现有技术相比,本发明至少具有以下有益的技术效果:
本发明公开了一种基于多域分析和人工神经网络的压实质量检测方法,该方法通过安装在压路机上的传感器获取压实过程中土壤垂直回弹能量所产生的振动钢轮处的加速度信号,根据加速度信号的时域特征、功率谱的频域的特征与综合压实质量的相关性,筛选出与压实质量相关性最大的能量和其他信号特征信息,并将筛选出特征信息作为人工神经网络模型的训练集,训练分类及人工神经网络用以判别路面的压实质量,评价路面压实质量,不受压路机双跳影响。与传统压实质量检测方法相比,本提出的方法可以在不伤害路面的前提下,准确判别路面压实质量。
本发明计算加速度信号特征时,综合考虑时域特征和功率谱密度图的频域特征,并使用人工神经网络,建立非线性模型,判别压实质量,相对于仅考虑幅值谱特征的方法,具有更高的准确率。
进一步的,使用环刀法分别对每次压实过后的地表、地下20cm和地下40cm土壤进行多次采样,计算多次采样的压实度均值,作为不同深度土壤的最终压实度,并将不同深度土壤最终压实度的平均值作为土壤综合压实度,提高整个土壤综合压实度的准确性。
进一步的,本发明对加速度信号的特征进行方差分析,计算特征与压实质量的相关性,去除无效特征,降低数据维度,提高算法性能,有利于实现实时监测。
进一步的,本发明在人工神经网络训练时,采用K折交叉验证,避免了过拟合的发生,使人工神经网络模型能够寻找客观规律,而不是简单地检索样本。
附图说明
图1为本发明提供的质量评价方法流程图;
图2为压路机施工及信号采集过程图;;
图3为加速度信号切分过程图;
图4为相关性计算结果图;
图5为人工神经网络结构图;
图6为压实质量预测结果图;
图7本发明提供的压实质量评价装置的模块结构示意图;
图8为本发明提供的计算机设备的结构示意图。
附图中:1、振动钢轮,2、加速度传感器,3、支架,4、驾驶室,5、后轮。
具体实施方式
为了使本发明的目的和技术方案更加清晰和便于理解。以下结合附图和实施例,对本发明进行进一步的详细说明,此处所描述的具体实施例仅用于解释本发明,并非用于限定本发明。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”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,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1,本发明公开了一种基于多域分析和人工神经网络的压实质量检测方法,采用土壤垂直回弹能量反映土壤的压实质量,土壤回弹能量由加速度传感器观测。首先在试验路段记录压路机振动钢轮处的垂直加速度信号,并用环刀法在试验路段进行路面破坏性的测量土壤压实度。根据土壤压实度将土壤划分为欠压实、最佳压实和过压实三种压实质量。然后计算垂直加速度信号的时域特征和功率谱密度图的频域特征,并通过方差分析,根据垂直加速度信号的特征和压实质量的相关性大小,筛选出8个特征。使用人工神经网络,建立8个特征与压实质量之间的非线性模型。最后,采集并记录其余路段上压路机振动钢轮处的垂直加速度信号,并利用非线性模型和加速度信号的8个特征评价其余路段的压实质量。
参照图2,压路机包括振动钢轮1、驾驶室4和后轮5。
具体包括以下步骤:
步骤1、将加速度传感器2安装于压路机振动钢轮1的支架3上,用于采集并记录加速度传感器数据,如图2所示。压路机对试验路段的级配土进行12次压实,间隔一次压实记录压实过程中的垂直加速度信号,例如,可以记录第2、4、6、8、10、12次压实过程中的垂直加速度信号,也可以记录第1、3、5、7、9、11次压实过程中的垂直加速度信号,提取每次压路机稳定作业时加速度传感器的采样点的加速度信号,并将垂直加速度信号切割成片段,每个片段包含0.3s的加速度信号,8个振动周期,信号切割过程如图3所示。每次压实过程获得100个信号片段,六次压实过程共获取6×100个信号片段,每个片段里有600个采样点的加速度信号。试验路段和被测路段为同一个工程的路的不同路段。
步骤2、计算加速度信号的时域特征和功率谱密度图的频域特征,并通过公式(1)进行方差分析,根据特征与压实质量相关性大小,筛选出8个特征。
所述加速度信号的特征包括时域特征和频域特征:
频域特征有:功率谱中第一至第五峰值(PeakAmp)及峰频率(Freq)、带宽功率(Bandpower)
时域特征有:信噪比(SNR)、信纳比(SINAD)、总谐波失真(THD)、标准差(std)、峰值系数(CrestFactor)、脉冲系数(ImpulseFactor)、峰度(Kurtosis)、偏度(Skewness)、均值(Mean)、形状系数(ShapeFactor)、余隙系数(ClearanceFactor)、峰值(PeakValue)。
所述方差分析计算特征与压实质量相关性的公式如下:
其中,SSE为残差平方和,SSR为回归平方和,k为类别的总数,本实施例中k为3(共3个类别数量),N为观测总个数,本实施例中N为600,SSR/k-1为类别内差异,SSE/N-k为类别间差异。F是类别内差异与类别间差异的比值,F为相关性的评价,F值越大,相关性越高。SSR与SSE表达式如公式2所示:
其中,yij是特征值,i代表某种特征的样本数量,本实施例中i=1,2,...,100;j为类别数量,本实施例中j=1,2,36;nj为第j类的样本数量,本实施例中nj均为100。为某特征所有数据的平均值,为某特征数据中第j类数据的平均值。SST为总离差平方和。
计算600个加速度信号片段的时域和频域特性,通过公式(1)方差分析计算特征与压实质量之间的相关性,并对相关性按照大小进行排序,将得分最高的前8个特征作为人工神经网络的输入数据集。根据相关性筛选出的8个特征为:第一峰值、带宽功率、标准差、第一峰频率、时域峰值、第五峰值、第二峰值和第四峰值。相关性计算结果如图4和表1所示。
表1特征值评分
步骤3、使用人工神经网络,建立特征与压实质量之间的非线性模型,用非线性模型评价压实质量。将选定的8个特征组成的数据集输入人工神经网络,人工神经网络的输出为三类压实质量:欠压实、最佳压实和过压实,对人工神经网络进行训练。
所述压实质量确定的过程为:使用环刀法分别对每次压实过后的地表、地下20cm和地下40cm土壤进行5次采样,计算5次采样的压实度均值,作为不同深度土壤的最终压实度,并将不同深度土壤最终压实度的平均值,作为土壤综合压实度,综合压实度最大的压实过程定义为最佳压实,小于最佳压实的压实次的压实质量定义为欠压实,大于最佳压实的压实次的压实质量定义为过压实。第2、4、6、8、10、12次压实过程中,压实度如表2所示。根据压实度测量结果,将压实次数为2、4次的压实质量定义为欠压实,即第2、4两次加速度信号对应的8个特征的标签为欠压实;将压实次数为6次的压实质量定义为最佳压实,即第6次加速度信号对应的8个特征的标签为最佳压实;将压实次数为8、12次的压实质量定义为过压实,即第8、12次加速度信号对应的8个特征的标签为过压实。
表2土壤压实度结果
人工神经网络的结构由输入层、第一全连接层、激活层、第二全连接层、Softmax层和类别输出层组成,如图5所示。第一全连接层包含25个神经元,激活层的激活函数为ReLU,第二全连接层包含3个神经元。
所述人工神经网络损失函数表达式为:
其中,loss为损失值,N为观测数,C为类别数,类别即为欠压实、过压实、最佳压实这三类。Tni为样本的实际类别,Yni为预测类别。通过最小化损失函数更新人工神经网络中全连接层的权重参数和偏差参数。
所述人工神经网络的最大迭代次数为1000,所述人工神经网络的训练以8个信号特征作为输入,以压实质量(欠压实、最佳压实、过压实)作为输出。训练过程中,人工神经网络通过降低公式3中的loss值实现参数调整。
训练过程中,使用K折交叉验证试验路段和其他路段,其中K=5。具体过程为:
将600个信号片段随机分为5份。其中4份作为模拟试验路段数据训练人工神经网络。选取5份中的1份作为模拟其他路段数据验证该方法准确性。准确率为重复5次上述K折交叉验证过程的平均准确率。
所述非线性模型的预测结果如图6所示,预测结果以混淆矩阵形式表示,总体准确率为97.8%。在200个欠压实土中,正确识别出197个,错误识别出3个为过压实土,准确率为98.5%;在100个最佳压实土中,98个被正确识别,2个被错误识别为过度压实土,准确率为98.0%;在300个过压实土中,有292个被正确识别,6个被错误地识别为欠压实土,2个被错误地识别为最佳压实土,准确率为97.3%,而现有的预测方法只能达到60%左右的准确率。
步骤4、采集被测路段的垂直加速度传感器信号,将被测路段的垂直加速度传感器信号输入训练好的人工神经网络,得到被测路段的压实质量,实现其余路段的压实质量无伤检测。
实施例2
参照图7,本发明提供的一种路面压实质量评价装置,包括电连接的采集模块和处理模块;采集模块用于采集被测路面上压路机振动钢轮处的垂直加速度信号,并传递至处理模块;处理模块用于根据接收到的垂直加速度信号判断被测路段的压实质量。
实施例3
本发明提供的一种计算机设备,如图8所示,包括电连接的存储器和处理器,其中,存储器上存储有可在处理器上运行的计算程序,所述处理器执行所述计算程序时,实现上述的路段压实质量方法的步骤。例如图1所示的步骤。或者,所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能。
所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。
所述路面压实质量评价装置/终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述路面压实质量评价装置/终端设备可包括,但不仅限于,处理器、存储器。
所述处理器可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述路面压实质量评价装置/终端设备的各种功能。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
实施例4
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上内容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,均落入本发明权利要求书的保护范围之内。
Claims (8)
1.一种基于多域分析和人工神经网络的压实质量检测方法,其特征在于,包括以下步骤:
S1、在试验路段采集不同次压实过程中的压路机振动钢轮处的垂直加速度信号,并测量试验路段路面的土壤压实度;根据土壤综合压实度将土壤分为欠压实、最佳压实和过压实三种压实质量;
S2、计算垂直加速度信号的时域特征和功率谱密度图的频域特征,计算垂直加速度信号的特征和压实质量的相关性,根据垂直加速度信号的特征和压实质量的相关性大小,筛选出垂直加速度信号的多个特征;
S3、将所述多个特征打上其所属压实质量类型标签,将所述多个特征作为人工神经网络的输入变量,压实质量标签为输出变量,训练人工神经网络模型;
S4、采集并记录其余路段上压路机振动钢轮处的垂直加速度信号,并利用训练好的人工神经网络模型和垂直加速度信号的多个特征评价被测路段的压实质量。
2.根据权利要求1所述的一种基于多域分析和人工神经网络的压实质量检测方法,其特征在于,所述S1中,用环刀法在测量试验路段路面的土壤综合压实度。
3.根据权利要求1所述的一种基于多域分析和人工神经网络的压实质量检测方法,其特征在于,所述S1中,土壤综合压实度的测量过程为:使用环刀法分别对每次压实过后的地表、地下20cm和地下40cm土壤进行多次采样,计算多次采样的压实度均值,作为不同深度土壤的最终压实度,并将不同深度土壤最终压实度的平均值作为土壤综合压实度。
4.根据权利要求1所述的一种基于多域分析和人工神经网络的压实质量检测方法,其特征在于,所述S2中,通过方差分析计算垂直加速度信号的特征和压实质量的相关性。
5.根据权利要求1所述的一种基于多域分析和人工神经网络的压实质量检测方法,其特征在于,所述S2中,筛选出的垂直加速度信号的特征包括:第一峰值、带宽功率、标准差、第一峰频率、时域峰值、第五峰值、第二峰值和第四峰值。
6.根据权利要求1所述的一种基于多域分析和人工神经网络的压实质量检测方法,其特征在于,所述S3中,训练人工神经网络时,采用K折交叉验证。
8.一种基于多域分析和人工神经网络的智能压实质量评价装置,其特征在于,包括电连接的采集模块和处理模块;所述采集模块用于采集被测路面的垂直加速度信号,并传递至处理模块;所述处理模块用于根据接收到的被测路面的垂直加速度信号判断被测路面的压实质量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210563433.2A CN114880940A (zh) | 2022-05-20 | 2022-05-20 | 基于多域分析和人工神经网络的压实质量检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210563433.2A CN114880940A (zh) | 2022-05-20 | 2022-05-20 | 基于多域分析和人工神经网络的压实质量检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114880940A true CN114880940A (zh) | 2022-08-09 |
Family
ID=82678082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210563433.2A Pending CN114880940A (zh) | 2022-05-20 | 2022-05-20 | 基于多域分析和人工神经网络的压实质量检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114880940A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116383697A (zh) * | 2023-03-29 | 2023-07-04 | 四川省交通建设集团有限责任公司 | 一种基于双门控循环网络的沥青路面压实程度预测方法 |
CN117330133A (zh) * | 2023-10-24 | 2024-01-02 | 长安大学 | 一种振动压路机作业性能智能检测方法、系统及设备介质 |
-
2022
- 2022-05-20 CN CN202210563433.2A patent/CN114880940A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116383697A (zh) * | 2023-03-29 | 2023-07-04 | 四川省交通建设集团有限责任公司 | 一种基于双门控循环网络的沥青路面压实程度预测方法 |
CN116383697B (zh) * | 2023-03-29 | 2024-02-06 | 四川省交通建设集团有限责任公司 | 一种基于双门控循环网络的沥青路面压实程度预测方法 |
CN117330133A (zh) * | 2023-10-24 | 2024-01-02 | 长安大学 | 一种振动压路机作业性能智能检测方法、系统及设备介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114880940A (zh) | 基于多域分析和人工神经网络的压实质量检测方法及装置 | |
US11855265B2 (en) | Acoustic signal based analysis of batteries | |
WO2016179864A1 (zh) | 一种基于金属定量构效关系的淡水急性基准预测方法 | |
CN113553749A (zh) | 一种桥梁健康监测方法、系统、计算机及存储介质 | |
CN106197970A (zh) | 一种基于优化张紧弦模型的桥索监测方法及系统 | |
CN110210100B (zh) | 一种高精度海底底质沉积物声速预测方法 | |
CN114563150B (zh) | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 | |
CN111811617B (zh) | 一种基于短时傅里叶变换和卷积神经网络的液位预测方法 | |
Feng et al. | Wave spectra assimilation in typhoon wave modeling for the East China Sea | |
CN104316167B (zh) | 一种低信噪比下结构响应异常检测方法 | |
CN115267143B (zh) | 道路空洞缺陷检测系统及检测方法 | |
CN117007681B (zh) | 超声波探伤方法及系统 | |
CN115390033A (zh) | 基于探地雷达路面下空洞及水损检测方法、系统及装置 | |
Hassanlourad et al. | Dry unit weight of compacted soils prediction using GMDH-type neural network | |
CN115270238A (zh) | 基于动载的桥梁静力行为预测方法 | |
Bandara et al. | Structural health assessment of timber utility poles using stress wave propagation and artificial neural network techniques | |
CN115270239A (zh) | 基于动力特性和智能算法响应面法的桥梁可靠性预测方法 | |
CN117471071B (zh) | 港口基础设施结构耐久性安全预警系统及方法 | |
CN114595721A (zh) | 一种基于路况识别的车辆零部件应变载荷预测方法 | |
Jalagam et al. | Water quality predictions for urban streams using machine learning | |
CN113723496A (zh) | 一种电抗器铁心松动故障诊断方法、装置和设备 | |
CN117009788A (zh) | 基于水锤波特征参数集的埋地输流管道周界塌陷预警方法、存储介质和方法 | |
CN117192510A (zh) | 一种双偏振雷达雨滴谱参数反演方法 | |
CN110806444A (zh) | 基于浅地层剖面仪与svm的海底底质识别与分类方法 | |
CN115290276A (zh) | 一种基于振动和响应面的桥梁静力行为预测方法 |
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 |