CN115305976A - 大直径桩静载实验智能加载系统 - Google Patents
大直径桩静载实验智能加载系统 Download PDFInfo
- Publication number
- CN115305976A CN115305976A CN202211243852.4A CN202211243852A CN115305976A CN 115305976 A CN115305976 A CN 115305976A CN 202211243852 A CN202211243852 A CN 202211243852A CN 115305976 A CN115305976 A CN 115305976A
- Authority
- CN
- China
- Prior art keywords
- data
- sequence
- load
- value
- curve
- 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
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
- E02D33/00—Testing foundations or foundation structures
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Paleontology (AREA)
- Civil Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Structural Engineering (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明涉及智能控制技术领域,具体涉及大直径桩静载实验智能加载系统,该系统包括:数据获取模块、数据分类模块、数据处理模块、参数计算模块及初始载荷调节模块,通过数据获取模块获取每个桩静载实验时的载荷数据和沉降数据,利用数据分类模块将历史数据分为多个数据类别,并得到对应的曲线,利用数据处理模块得到数据类别对应的曲线上的转折点集合,根据参数计算模块得到数据类别的第一特征值序列和第一相似程度序列,根据初始载荷调节模块获取最终数据类别,并调节待试验的大直径桩进行静载实验时的初始载荷数据,本发明实现了对大直径桩进行静载测试的初始载荷数据进行调节,从而减少试验时间。
Description
技术领域
本发明涉及智能控制技术领域,具体涉及大直径桩静载实验智能加载系统。
背景技术
在建筑工程的基桩施工过程中,确定桩位,然后浇筑基桩,对完成的基桩进行静载试验,由于基桩的直径不同,根据不同直径的桩所有承受的设计时的极限载荷是不同的,故需要对不同直径的桩的极限载荷进行静载试验,以判断其对应的极限载荷是否满足设计要求,以及满足国家的相关标准。
在大直径桩进行静载试验时,一般采用慢速维持荷载法进行加载,即逐级加载,每级荷载达到相对稳定后加下一级荷载,直到试验桩破坏,然后分级卸载到零。当考虑结合实际工程桩的荷载特征可采用多循环加、卸载法(每级荷载达到相对稳定后卸载到零)。
然而,不知道待试验的大直径桩的实际极限载荷,故在试验时以较小的初始载荷进行加载,然后逐级加载载荷,直至实验完成,在这个过程中,需要在每个载荷下静载的时间比较长,当初始载荷与该桩的最大载荷相差较大时,需要的时间会更长,往往需要1到3天才能完成,故需要花费大量的时间来对大直径桩进行静载测试,从而影响测试效率。
发明内容
本发明提供大直径桩静载实验智能加载系统,以解决现有的影响测试效率的问题。
本发明的大直径桩静载实验智能加载系统采用如下技术方案:
数据获取模块,用于获取历史数据中每个桩静载实验时的所有载荷数据和沉降数据;
数据分类模块,用于根据每两个桩的极限载荷数据之间的相似性将历史数据划分为多个不同的数据类别,获取每个数据类别中的数据对应的载荷-沉降数据曲线;
数据处理模块,用于获取数据类别中对应的曲线上的每个点与其前一个点的方向值的偏差值,根据偏差值从曲线上的点中获取转折点,并得到每条曲线上的转折点对应的数据序列,将每个数据类别的所有数据序列对应的转折点求并集得到转折点集合;
参数计算模块,用于获取每个转折点之前的每个载荷数据在每条曲线上的数据构成的沉降数据序列,利用因子分析的方法获取转折点集合中的每个转折点之前的所有沉降数据序列对应的公共因子向量,将公共因子向量转化为标量得到标量序列;用于根据每条曲线对应的数据序列与标量序列获取每条曲线对应的DTW距离,并将DTW距离作为每条曲线的特征值,获取每个数据类别的第一特征值序列,将第一特征值序列转化为图结构,获取图结构的每两个节点值的相似程度,并得到第一相似程度序列;
初始载荷调节模块,用于获取待试验的大直径桩部分试验数据对应的第二特征值序列及第二相似程度序列,计算第一特征值序列与第二特征值序列、第一相似程度序列与第二相似程度序列对应的相似度,并得到两个相似度和值,将每两个相似度和值中的最大值对应的数据类别作为最终数据类别,并获得最终数据类别中所有桩对应的最大载荷数据中的最小载荷数据;将待试验的大直径桩进行静载实验时的初始载荷数据调节为0.8倍的最小载荷数据。
优选的,沉降数据包括:桩顶沉降数据、桩底沉降数据和桩身压缩数据。
优选的,获取数据类别中对应的曲线上的每个点与其前一个点的方向值的偏差值,包括:
获取曲线中的相邻两个点中的第一个点与第二个点的第一连线;
将第一连线与横坐标轴的夹角值作为第一方向值,第二个点和第三个点的连线与横坐标轴夹角值作为第二方向值;
将第二方向与第一方向值的差值作为第二个点与第一个点的方向值的偏差值;
同理,可得到曲线上其他点与其前一个点的方向值的偏差值。
优选的,获取转折点,包括:
设定偏差值阈值;
当偏差值大于偏差值阈值时,则将偏差值对应的两个节点的后一个节点作为对应曲线的转折点。
优选的,获取每个转折点之前的每个载荷数据在每条曲线上的数据构成的沉降数据序列,包括:
获取每个转折点之前的所有载荷数据;
获取每个载荷数据在每条曲线上对应的沉降数据;
根据每个载荷数据对应的沉降数据得到每个载荷数据对应的沉降数据序列。
优选的,将公共因子向量转化为标量得到标量序列,包括:
计算每个公共因子向量与每个其他公共因子向量的余弦相似度;
计算每个公共因子向量与每个其它公共因子向量的余弦相似度的余弦相似度均值,并将均值作为对应的公共因子向量的标量;
根据所有公共因子向量对应的标量得到标量序列。
优选的,获取每条曲线对应的DTW距离,包括:
对每条曲线对应的标量序列和数据序列进行动态规整计算得到每条曲线对应的DTW距离。
优选的,将第一特征值序列转化为图结构,包括:
其中,图结构为有向图结构;
将第一特征值序列中的特征值作为图结构的节点值;
图结构的两个节点之间的方向为:从大的节点值的指向小的节点值。
优选的,第一相似程度序列中的相似程度按照从大到小排列。
优选的,获取待试验的大直径桩部分试验数据对应的第二特征值序列及第二相似程度序列,包括:
根据待试验的大直径桩的部分试验数据时的载荷数据和沉降数据,得到对应的载荷-沉降数据曲线;
利用获取历史数据中每个数据类别的第一相似程度序列和第一特征值序列的方法,获取待试验的大直径桩的部分试验数据对应的第二相似程度序列和第二特征值序列。
本发明的大直径桩静载实验智能加载系统的有益效果是:
通过对历史数据中的每个桩的静载实验时的所有载荷数据和沉降数据进行分类得到对应的数据类别,然后获取每个数据类别对应的特征值,然后根据特征值得到的第一特征值序列、第一相似程度序列,并得到待试验大直径桩对应的第二特征值序列、第二相似程度序列,然后利用每个数据类别与待试验大直径桩对应序列之间的相似度来确定待试验大直径桩的数据的归属的最终数据类别,从而根据最终数据类别中的载荷数据确定待试验大直径桩的初始载荷数据,本发明实现了对大直径桩的初始载荷数据的获取,使得获取的初始载荷数据更接近大直径桩的最大载荷数据,从而减少试验时间。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的大直径桩静载实验智能加载系统的实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的大直径桩静载实验智能加载系统的实施例,本实施例的适用环境为:由于不知道待试验的大直径桩的实际极限载荷,故在试验时以较小的初始载荷进行加载,然后逐级加载载荷,直至实验完成,在这个过程中,需要在每个载荷下静载的时间比较长,当初始载荷与该桩的最大载荷相差较大时,需要的时间会更长,往往需要1到3天才能完成,故需要花费大量的时间来对大直径桩进行静载测试,从而影响施工的时间,故图1所示,本实施例提供一种大直径桩静载实验智能加载系统,该系统包括:数据获取模块、数据分类模块、数据处理模块、参数计算模块及初始载荷调节模块。
需要说明的是,本实施例的目的是:在实际实验时,选择一个接近该桩的最大载荷值的初始载荷值,这样可以使得在对每个大直径桩进行静载试验时,能尽快实验得到该桩的最大载荷值,这里需要说明的是,最大载荷值指的是该桩在一个载荷下,且在固定测试时间内发生弯曲时的载荷值,这样利用本发明的方法获取一个靠近最大载荷值作为初始载荷值对待测的大直径桩进行静载试验,既可以减少大直径桩进行静载试验的测试时长,从而避免延误工期,具体的,本实施例包括:
数据获取模块,用于获取历史数据中每个桩静载实验时的所有载荷数据和沉降数据,其中,沉降数据包括:桩顶沉降数据、桩底沉降数据和桩身压缩数据,在大直径桩静载试验时,是不断调整载荷数据,每调整一次载荷数据就会得到对应的一组沉降数据,即桩顶沉降数据、桩底沉降数据和桩身压缩数据,故,对于历史数据,其包括了每个桩在静载实验时所有载荷数据和沉降数据,即多个载荷数据及对应的沉降数据,需要说明的是,每个桩通过长期的试验就可获得每个桩的极限载荷数据(即每个桩均通过了一天到三天的时间进行试验),对于不同的桩来说,极限载荷数据不同,同样,在试验过程中的载荷-沉降数据曲线不同,不同的载荷数据施加到同一个桩上时,对应的沉降数据不同。
数据分类模块,用于根据每两个桩的极限载荷数据之间的相似性将历史数据划分为多个不同的数据类别,获取每个数据类别中的数据对应的载荷-沉降数据曲线。
具体的,本实施例认为极限载荷数据相近的数据应该具有相同的特征,即说明对应的桩的直径近似,因此,本实施例首先根据历史数据中每个大直径桩加载实验过程中的载荷数据,并获取每个大直径桩的加载实验过程中的所有载荷数据中的最大载荷数据作为极限载荷数据,然后计算每两个大直径桩对应的极限载荷数据之间的相似性,在此,本实施例设定相似性阈值为0.9,将相似性大于或者等于相似性阈值的两个大直径桩对应的历史数据分为一个数据类别,从而得到所有的数据类别。
在获取载荷-沉降数据曲线时,具体的,本实施例以数据类别中的所有载荷数据按照从小到大进行排列,并作为载荷-沉降数据曲线的横坐标,同时将每个载荷数据下对应的沉降数据作为纵坐标,然后绘制载荷-沉降数据曲线,其中,沉降数据包括:桩顶沉降数据、桩底沉降数据和桩身压缩数据,故,每个载荷数据就对应有一个桩顶沉降数据、桩底沉降数据和桩身压缩数据,因此,载荷-沉降数据曲线为载荷-桩顶沉降数据曲线、载荷-桩底沉降数据曲线和载荷-桩身压缩数据曲线,共三条曲线,即每个数据类别最终得到三条曲线。
数据处理模块,用于获取数据类别中对应的曲线上的每个点与其前一个点的方向值的偏差值,根据偏差值从曲线上的点中获取转折点,并得到每条曲线上的转折点对应的数据序列,将每个数据类别的所有数据序列对应的转折点求并集得到转折点集合。
由于,直接计算待测大直径桩的部分试验数据与历史数据的相近程度,因为历史数据中存在不同直径的桩,因此,不同直径桩对应的载荷数据和沉降数据也是不同的,因此,需要将直径相近的桩对应的载荷数据和沉降数据归为一类,使得归类后的类别数据对应的曲线的特征表征性更强,从而提高待测大直径桩的测试数据属于哪个数据类别的精度,因此,本实施例通过对历史数据进行分类,然后提取每个数据类别的曲线对应的特征,从而来表征每个数据类别的代表性的特征值,进而在与待测大直径桩的测试数据进行比较时,得到待测大直径桩的数据的精准的归属类别,从而进一步确定待测大直径桩的初始载荷数据。
具体的,本实施例通过获取每个数据类别中对应的曲线上的每个点与其前一个点的方向值的偏差值,然后通过偏差值找到曲线上发生转折的转折点,即本实施例设定偏差值阈值为0.5,当偏差值大于0.5°时,则说明该节点为曲线上的转折点,且偏差值的绝对值越大,该点的转折性越大,需要说明的时,转折性是指该点的趋势变化的转变。
其中,每个点与其前一个点的方向值的偏差值的方法包括:获取曲线中的相邻两个点中的第一个点与第二个点的连线,将连线与横坐标轴的夹角值作为第一方向值,然后将第二个点和第三个点的连线与横坐标轴夹角值作为第二方向值,将第二方向与第一方向值的差值作为第二个点与第一个点的方向值的偏差值,同理,可得到曲线上其他点与其前一个点的方向值的偏差值,根据偏差值阈值与偏差值进行比较,确定每条曲线上的转折点,并得到每条曲线上的转折点对应的数据序列,将每个数据类别的所有数据序列对应的转折点求并集得到转折点集合,例如:方向值组成的序列A为:[1°、 2 °、3 °、4 °、10°],其中前四个方向值的趋势方向一致,当10°出现时,趋势方向改变,则称该点为转折点。
其中,转折点集合是指:例如:数据类别A中有三条曲线,对应的转折点序列分别为:[1 2 3]、[ 1 5 6]、[3 7],则对应的转折点集合为:[1 2 3 5 6 7],每个类别对应一个转折点集合。
参数计算模块,用于获取每个转折点之前的每个载荷数据在每条曲线上的数据构成的沉降数据序列,利用因子分析的方法获取转折点集合中的每个转折点之前的所有沉降数据序列对应的公共因子向量,将公共因子向量转化为标量得到标量序列;用于根据每条曲线对应的数据序列与标量序列获取每条曲线对应的DTW距离,并将DTW距离作为每条曲线的特征值,获取每个数据类别的第一特征值序列,将第一特征值序列转化为图结构,获取图结构的每两个节点值的相似程度,并得到第一相似程度序列。
具体的,沉降数据序列的获取方法为:获取每个转折点之前的所有载荷数据;获取每个载荷数据在每条曲线上对应的沉降数据;根据每个载荷数据对应的沉降数据得到每个载荷数据对应的沉降数据序列,将某个载荷数据对应的桩顶沉降数据记为s1、桩底沉降数据记为s2、和桩身压缩数据记为s3时,则该载荷数据对应的沉降数据序列为[s1 s2 s3]。
具体的,利用因子分析的方法获取转折点集合中的每个转折点之前的所有沉降数据序列对应的公共因子向量的过程为:将每个转折点集合中的每个转折点之前的所有沉降数据序列输入到因子分析模型即可得到每个转折点对应的一个公共因子向量,其中,因子分析模型为因子分析计算公式,其为现有技术,本实施例不再赘述,其中,将公共因子向量转化为标量得到标量序列的过程为:计算每个公共因子向量与每个其它公共因子向量的余弦相似度;计算每个公共因子向量与每个其它公共因子向量的余弦相似度的余弦相似度均值,并将均值作为对应的公共因子向量的标量;根据所有公共因子向量对应的标量得到标量序列,其中,余弦相似度计算为现有技术,本实施例不再赘述。
具体的,根据每条曲线对应的数据序列与标量序列获取每条曲线对应的DTW距离的过程为:利用动态规整算法计算每条曲线对应的数据序列与标量序列的相似度距离,相似度距离即为DTW距离,并将DTW距离作为每条曲线的特征值,其中,动态规整算法计算两个序列的相似度距离为现有技术,本实施例不再赘述。
优选的,由于传统的DTW距离的范围是1-正无穷,无法对数值范围太大,对于一个数值来说没法判断其是趋近1还是无穷大,因此,本实施例,先将数据序列与标量序列的DTW距离计算过程中的动态规划路径图中一对多的点作为特征转折点,获取动态规划路径图中的数据序列与标量序列对应的两个序列曲线的所有特征转折点,即,建立坐标系,以数据序列的每个数据的序号为横坐标,对应的数据值为纵坐标得到数据序列对应的序列曲线,同时在该坐标系中,建立标量序列对应的序列曲线,将两个序列曲线中的所有特征转折点数量与所有点的数量的比值作为每条载荷-沉降数据曲线的特征值,使得特征值的取值范围在0到1之间,本实施例将特征值趋近于1的记为大的特征值,将趋近于0的记为小的特征值,从而方便确定特征值的大小。
其中,获取图结构的具体过程为:本实施例的图结构为有向图结构;将第一特征值序列中的特征值作为图结构的节点值;图结构的两个节点之间的方向为:从大的节点值的指向小的节点值。
初始载荷调节模块,用于获取待试验的大直径桩部分试验数据对应的第二特征值序列及第二相似程度序列,计算第一特征值序列与第二特征值序列、第一相似程度序列与第二相似程度序列对应的相似度,并得到两个相似度和值,将每两个相似度和值中的最大值对应的数据类别作为最终数据类别,并获得最终数据类别中所有桩对应的最大载荷数据中的最小载荷数据;将待试验的大直径桩进行静载实验时的初始载荷数据调节为0.8倍的最小载荷数据。
具体的,根据待试验的大直径桩的部分试验数据时的载荷数据和沉降数据,得到对应的载荷-沉降数据曲线,并利用获取历史数据中每个数据类别的第一相似程度序列和第一特征值序列的方法,来获取待试验的大直径桩的部分试验数据对应的第二相似程度序列和第二特征值序列,然后通过计算对应种类的序列的相似度来确定与待试验的大直径桩相似的历史数据中的大直径桩对应的数据类别,并将该相似的大直径桩对应的数据类别作为该待试验的大直径桩对应的数据的归属的最终数据类别,从而根据最终数据类别中所有桩的对应的最大载荷数据中最小载荷数据,然后将0.8倍的最小载荷数据作为待试验的大直径桩进行静载测试。
本发明的大直径桩静载实验智能加载系统,通过对历史数据中的每个桩的静载实验时的所有载荷数据和沉降数据进行分类得到对应的数据类别,然后获取每个数据类别对应的特征值,然后根据特征值得到的第一特征值序列、第一相似程度序列,并得到待试验大直径桩对应的第二特征值序列、第二相似程度序列,然后利用每个数据类别与待试验大直径桩对应序列之间的相似度来确定待试验大直径桩的数据的归属的最终数据类别,从而根据最终数据类别中的载荷数据确定待试验大直径桩的初始载荷数据,本发明实现了对大直径桩的初始载荷数据的获取,使得获取的初始载荷数据更接近大直径桩的最大载荷数据,从而减少试验时间。
以上所述仅为本发明的较佳实施例而已,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 (10)
1.大直径桩静载实验智能加载系统,其特征在于,该系统包括:
数据获取模块,用于获取历史数据中每个桩静载实验时的所有载荷数据和沉降数据;
数据分类模块,用于根据每两个桩的极限载荷数据之间的相似性将历史数据划分为多个不同的数据类别,获取每个数据类别中的数据对应的载荷-沉降数据曲线;
数据处理模块,用于获取数据类别中对应的曲线上的每个点与其前一个点的方向值的偏差值,根据偏差值从曲线上的点中获取转折点,并得到每条曲线上的转折点对应的数据序列,将每个数据类别的所有数据序列对应的转折点求并集得到转折点集合;
参数计算模块,用于获取每个转折点之前的每个载荷数据在每条曲线上的数据构成的沉降数据序列,利用因子分析的方法获取转折点集合中的每个转折点之前的所有沉降数据序列对应的公共因子向量,将公共因子向量转化为标量得到标量序列;用于根据每条曲线对应的数据序列与标量序列获取每条曲线对应的DTW距离,并将DTW距离作为每条曲线的特征值,获取每个数据类别的第一特征值序列,将第一特征值序列转化为图结构,获取图结构的每两个节点值的相似程度,并得到第一相似程度序列;
初始载荷调节模块,用于获取待试验的大直径桩部分试验数据对应的第二特征值序列及第二相似程度序列,计算第一特征值序列与第二特征值序列、第一相似程度序列与第二相似程度序列对应的相似度,并得到两个相似度和值,将每两个相似度和值中的最大值对应的数据类别作为最终数据类别,并获得最终数据类别中所有桩对应的最大载荷数据中的最小载荷数据;将待试验的大直径桩进行静载实验时的初始载荷数据调节为0.8倍的最小载荷数据。
2.根据权利要求1所述的大直径桩静载实验智能加载系统,其特征在于,沉降数据包括:桩顶沉降数据、桩底沉降数据和桩身压缩数据。
3.根据权利要求1所述的大直径桩静载实验智能加载系统,其特征在于,获取数据类别中对应的曲线上的每个点与其前一个点的方向值的偏差值,包括:
获取曲线中的相邻两个点中的第一个点与第二个点的第一连线;
将第一连线与横坐标轴的夹角值作为第一方向值,第二个点和第三个点的连线与横坐标轴夹角值作为第二方向值;
将第二方向与第一方向值的差值作为第二个点与第一个点的方向值的偏差值;
同理,可得到曲线上其他点与其前一个点的方向值的偏差值。
4.根据权利要求1所述的大直径桩静载实验智能加载系统,其特征在于,获取转折点,包括:
设定偏差值阈值;
当偏差值大于偏差值阈值时,则将偏差值对应的两个节点的后一个节点作为对应曲线的转折点。
5.根据权利要求1所述的大直径桩静载实验智能加载系统,其特征在于,获取每个转折点之前的每个载荷数据在每条曲线上的数据构成的沉降数据序列,包括:
获取每个转折点之前的所有载荷数据;
获取每个载荷数据在每条曲线上对应的沉降数据;
根据每个载荷数据对应的沉降数据得到每个载荷数据对应的沉降数据序列。
6.根据权利要求1所述的大直径桩静载实验智能加载系统,其特征在于,将公共因子向量转化为标量得到标量序列,包括:
计算每个公共因子向量与每个其他公共因子向量的余弦相似度;
计算每个公共因子向量与每个其它公共因子向量的余弦相似度的余弦相似度均值,并将均值作为对应的公共因子向量的标量;
根据所有公共因子向量对应的标量得到标量序列。
7.根据权利要求1所述的大直径桩静载实验智能加载系统,其特征在于,获取每条曲线对应的DTW距离,包括:
对每条曲线对应的标量序列和数据序列进行动态规整计算得到每条曲线对应的DTW距离。
8.根据权利要求1所述的大直径桩静载实验智能加载系统,其特征在于,将第一特征值序列转化为图结构,包括:
其中,图结构为有向图结构;
将第一特征值序列中的特征值作为图结构的节点值;
图结构的两个节点之间的方向为:从大的节点值的指向小的节点值。
9.根据权利要求1所述的大直径桩静载实验智能加载系统,其特征在于,第一相似程度序列中的相似程度按照从大到小排列。
10.根据权利要求1所述的大直径桩静载实验智能加载系统,其特征在于,获取待试验的大直径桩部分试验数据对应的第二特征值序列及第二相似程度序列,包括:
根据待试验的大直径桩的部分试验数据时的载荷数据和沉降数据,得到对应的载荷-沉降数据曲线;
利用获取历史数据中每个数据类别的第一相似程度序列和第一特征值序列的方法,获取待试验的大直径桩的部分试验数据对应的第二相似程度序列和第二特征值序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211243852.4A CN115305976B (zh) | 2022-10-12 | 2022-10-12 | 大直径桩静载实验智能加载系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211243852.4A CN115305976B (zh) | 2022-10-12 | 2022-10-12 | 大直径桩静载实验智能加载系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115305976A true CN115305976A (zh) | 2022-11-08 |
CN115305976B CN115305976B (zh) | 2022-12-06 |
Family
ID=83868117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211243852.4A Active CN115305976B (zh) | 2022-10-12 | 2022-10-12 | 大直径桩静载实验智能加载系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115305976B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007205140A (ja) * | 2006-02-06 | 2007-08-16 | Sekisui House Ltd | 杭の設計支持力管理方法 |
CN112861409A (zh) * | 2021-02-26 | 2021-05-28 | 山东大学 | 单桩基础承载能力计算方法、系统、存储介质及设备 |
CN112884077A (zh) * | 2021-03-26 | 2021-06-01 | 国网辽宁省电力有限公司经济技术研究院 | 基于形状的动态时间归整聚类的园区短期负荷预测方法 |
-
2022
- 2022-10-12 CN CN202211243852.4A patent/CN115305976B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007205140A (ja) * | 2006-02-06 | 2007-08-16 | Sekisui House Ltd | 杭の設計支持力管理方法 |
CN112861409A (zh) * | 2021-02-26 | 2021-05-28 | 山东大学 | 单桩基础承载能力计算方法、系统、存储介质及设备 |
CN112884077A (zh) * | 2021-03-26 | 2021-06-01 | 国网辽宁省电力有限公司经济技术研究院 | 基于形状的动态时间归整聚类的园区短期负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115305976B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108932216B (zh) | 一种基于粒子群优化算法的机器人逆运动学求解方法 | |
CN111024433A (zh) | 一种改进灰狼算法优化支持向量机的工业装备健康状态检测方法 | |
CN104657955B (zh) | 基于核函数的数字图像相关方法的位移场迭代平滑方法 | |
CN108805193B (zh) | 一种基于混合策略的电力缺失数据填充方法 | |
CN110376469A (zh) | 台区相序与线户关系识别方法及其装置 | |
CN112798961B (zh) | 一种电动汽车动力电池剩余使用寿命预测方法 | |
CN109346787B (zh) | 一种电动汽车动力电池自适应优化充电方法 | |
CN115305976B (zh) | 大直径桩静载实验智能加载系统 | |
CN108459993B (zh) | 基于快速追峰采样的复杂高维系统优化方法 | |
CN111832176B (zh) | 降雨条件下全极化微波辐射计海面风场反演方法及系统 | |
CN107609320A (zh) | 一种桁架非概率可靠性形状优化设计方法 | |
CN107798353A (zh) | 一种间歇过程监控数据处理方法 | |
CN114636933B (zh) | 基于复合神经网络的退役动力电池容量的检测方法及系统 | |
CN110045714A (zh) | 一种基于权重近邻规则的工业过程监控方法 | |
Cui et al. | An Online State of Health Estimation Method for Lithium-Ion Battery Based on ICA and TPA-LSTM | |
CN114925785A (zh) | 基于主动学习Kriging模型的需求样本的优化方法 | |
CN112437485B (zh) | 一种基于神经网络的指纹空间插值法的定位方法及装置 | |
CN115169740A (zh) | 基于压缩感知的池化回声状态网络的序列预测方法及系统 | |
CN113807405A (zh) | 一种基于深度迁移学习的变工况球磨机负荷软测量方法 | |
CN111159935A (zh) | 基于lhs的bp神经网络参数标定方法 | |
CN111522226A (zh) | 针对伺服转台的多目标优化高型pid最优控制器设计方法 | |
CN110889249A (zh) | 一种基于种群进化算法电阻率溶洞识别方法 | |
CN116541976B (zh) | 一种基于ga-grnn代理模型的核电用塔机结构系统静态优化方法 | |
CN110608660B (zh) | 一种电涡流传感器位移、温度预测方法 | |
CN117933104B (zh) | 固体姿轨控发动机燃气调节阀压强修正方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |