CN115392142B - 沿海环境简支梁弹性模量预测方法、电子设备及存储介质 - Google Patents
沿海环境简支梁弹性模量预测方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115392142B CN115392142B CN202211342314.0A CN202211342314A CN115392142B CN 115392142 B CN115392142 B CN 115392142B CN 202211342314 A CN202211342314 A CN 202211342314A CN 115392142 B CN115392142 B CN 115392142B
- Authority
- CN
- China
- Prior art keywords
- elastic modulus
- neural network
- data
- term
- bridge
- 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
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出涉及沿海环境简支梁弹性模量预测方法、电子设备及存储介质,属于弹性模量预测技术领域。包括:S1.结合沿海地区气候条件,确定对桥梁弹性模量产生影响的数据参数,并对数据参数和弹性模量进行编码;S2.获取各数据参数;S3.构建数据集;S4.构建长短期记忆神经网络模型;S5.将扰度计算公式作为长短期记忆神经网络模型的损失函数,并通过误差反向传播,修正模型中的参数;S6.基于数据集,采用梯度下降法对长短期记忆神经网络模型进行训练;S7.将监测数据输入长短期记忆神经网络模型,输出弹性模量。解决基于大数据处理的方式对桥梁状态分析时,泛化能力不足,以及未考虑服役环境导致桥梁状态评价准确度低的问题。
Description
技术领域
本发明涉及一种弹性模量预测方法,尤其涉及沿海环境简支梁弹性模量预测方法、电子设备及存储介质,属于弹性模量预测技术领域。
背景技术
弹性模量是混凝土力学性能中的一项重要参数,能够反映混凝土所受应力与所产生应变之间的关系。弹性模量几乎贯穿于材料力学的全部计算之中,而对于结构力学而言,其计算过程中弹性模量也是必不可少的基本物理量。对于简支梁桥而言,弹性模量是检测过程中的重要检测指标,并采用弹性模量作为反应桥梁损伤程度的指标。而目前,桥梁检测时,通常是采用回弹仪法测试混凝土的弹性模量,而此种方法存在显著的问题:对于简支梁桥而言,跨中位置的挠度是需要重要关注的指标,而跨中挠度受到弹性模量的影响较大,回弹仪仅仅作用于混凝土表面的一点,弹击点附近混凝土的性能对测量结果影响很大。如果弹击点刚好位于一个硬度较大的骨料之上,测得的回弹值就会较大。同样,如果弹击点刚好打在一个空穴之上,由于该点的硬度较低,因此回弹值就会较小。如果弹击点刚好打在钢筋之上且混凝土保护层较薄,此点的硬度会较大,测得的回弹值也会较大。
另一方面,对于沿海城市而言,桥梁的服役环境复杂,传统的基于桥梁监检测技术的参数识别时,忽略了服役环境对桥梁状态评价和性能演化规律的影响。基于大数据处理的方式对桥梁状态分析时,可解释性不强,难以发现数据中存在的问题,由此构建的桥梁状态评定模型的泛化能力不足。
发明内容
在下文中给出了关于本发明的简要概述,以便提供关于本发明的某些方面的基本理解。应当理解,这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分,也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
鉴于此,为解决现有技术中存在的基于大数据处理的方式对桥梁状态分析时,可解释性不强,难以发现数据中存在的问题,由此构建的桥梁状态评定模型的泛化能力不足,以及未考虑服役环境导致的桥梁状态评价准确度低的技术问题,本发明提供沿海环境简支梁弹性模量预测方法、电子设备及存储介质。
方案一、沿海环境简支梁弹性模量预测方法,包括以下步骤:
S1.结合沿海地区气候条件,确定对桥梁弹性模量产生影响的数据参数,并对数据参数和弹性模量进行编码;
S2.获取各数据参数;
S3.构建数据集;
S4.构建长短期记忆神经网络模型;
S5.将扰度计算公式作为长短期记忆神经网络模型的损失函数,并通过误差反向传播,修正模型中的参数;
S6.基于S3所述数据集,采用梯度下降法对S5所述长短期记忆神经网络模型进行训练;
S7.将监测数据输入至S6所述长短期记忆神经网络模型,输出弹性模量。
优选的,S1具体是:
数据参数包括:服役时间、温度、湿度、酸度、盐度、集中荷载、跨径、截面惯性矩和挠度;
将服役时间、温度、湿度、酸度、盐度、集中荷载、跨径和截面惯性矩依次编码为A1-A8;将挠度编码为D,将弹性模量编码为A9。
优选的,S2具体是:
服役时间:每日;
温度、湿度、酸度、盐度:分别设置温度、湿度、酸度和盐度传感器获取;
集中荷载的测量:轴重秤称取;
跨径、截面惯性矩:依据图纸设计尺寸获取;
弹性模量:实验室混凝土弹性模量的方法进行测量获取;
挠度:挠度计获取。
优选的,S3具体是:
S31.选取同一区域、相同服役环境、相同桥梁结构、相同跨径的简支梁桥,选择10座桥梁,编码为B1-B10;
S32.首先选择桥梁B1;
S33.获取各数据的监测参数;
S34.选取10种质量的车辆,且质量存在梯度差,每种质量对应1辆车;
S35.每次加载1或2辆车,加载至跨中位置,且车辆方向与桥梁跨径方向垂直,跨中中心线与车辆中线重合;
S36.加载车辆后,依次记录下A1-A9和D的数据;
S37.更换车辆,依次记录下A1-A9和D的数据;
S38.依次更换桥梁B2-B10,重复步骤S33-S37;
S39.桥梁运营每隔一段时间,重复上述数据采集的工作,获取时序数据;
S310.将上述采集到的全部的A1-A9和D的数据汇聚至一个数据集。
优选的,S5具体是:
其中,为神经网络中输入值与输出值间的映射关系函数,为弹性模量的神经网络输出值,为弹性模量的试验测试值,为损失函数,为神经网络中隐藏层的编号,为隐藏层的权重,为第k层隐藏层的权重,为隐藏层的偏置,为第k层隐藏层的偏置,为隐藏层神经元的输入,为第k层神经元的输入,为第k-1层神经元的输出,表示弹性模量神经网络输出值与试验测试值的比值。
方案二、 一种电子设备,包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现方案一所述沿海环境简支梁弹性模量预测方法的步骤。
方案三、一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现方案一所述沿海环境简支梁弹性模量预测方法。
本发明的有益效果如下:
(1)考虑沿海复杂环境对桥梁性能的影响,构建了深度学习数据集,明确数据集中各参数的获取和监测方法,为深度学习模型的准确预测提供高质量的数据基础;
(2)将先验知识和监测数据耦合,提高了弹性模量预测的深度学习网络模型的可解释性和预测准确性,可消除监测数据中的错误数据;
(3)利用长短期记忆神经网络模型在处理时序数据优势,使得随时间变化时,神经网络模型对弹性模量的预测准确率仍能维持在较高且合理水平。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明沿海环境简支梁弹性模量预测方法流程示意图。
具体实施方式
为了使本发明实施例中的技术方案及优点更加清楚明白,以下结合附图对本发明的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本发明的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1、参照图1说明本实施方式,沿海环境简支梁弹性模量预测方法,包括以下步骤:
S1.结合沿海地区气候条件,确定对桥梁弹性模量产生影响的数据参数,并对数据参数和弹性模量进行编码;
结合沿海地区气候条件,以及环境、荷载对桥梁材料和结构的影响确定数据参数包括:服役时间、温度、湿度、酸度、盐度、集中荷载、跨径、截面惯性矩和挠度;
对数据参数和弹性模量进行编码:将服役时间、温度、湿度、酸度、盐度、集中荷载、跨径和截面惯性矩依次编码为A1-A8;将挠度编码为D,将弹性模型编码为A9。
S2.获取各数据参数;
弹性模量A9的获取方式:传统混凝土弹性模量的测试,主要采用回弹仪测试的方法,进行回弹模量的测试。然而,回弹仪的测试结果存在一定误差。首先,回弹仪仅仅作用于混凝土表面的一点,弹击点附近混凝土的性能对测量结果影响很大。如果弹击点刚好位于一个硬度较大的骨料之上,测得的回弹值就会较大。同样,如果弹击点刚好打在一个空穴之上,由于该点的硬度较低,因此回弹值就会较小。如果弹击点刚好打在钢筋之上且混凝土保护层较薄,此点的硬度会较大,测得的回弹值也会较大。
为了消除回弹仪误差的影响,本实施例采用实验室混凝土弹性模量的方法进行测量。为了保证室内试件与实际桥梁材料的性能相似,需要在桥梁施工过程中,同步批量制备边长为150mm的立方体混凝土标准试件,养护方式与桥梁相同。桥梁服役过程中,将混凝土标准试件置于相同环境服役。在对现场监测数据进行采集时,将标准试件取至实验室进行弹性模量测试,具体依据《普通混凝土力学性能试验方法标准》GB/T 50081-2002。
服役时间:每日;
温度、湿度、酸度、盐度:分别设置温度、湿度、酸度和盐度传感器获取;
集中荷载的测量:轴重秤称取;
跨径、截面惯性矩:依据图纸设计尺寸获取;
弹性模量:实验室混凝土弹性模量的方法进行测量获取;
挠度:挠度计获取;
S3.构建数据集;优选的,S3具体是:
S31.选取同一区域、相同服役环境、相同桥梁结构、相同跨径的简支梁桥,选择10座桥梁,编码为B1-B10;
S32.首先选择桥梁B1;
S33.获取各数据的监测参数;
S34.选取10种质量的车辆,且质量存在梯度差,每种质量对应1辆车;
S35.每次加载1或2辆车,加载至跨中位置,且车辆方向与桥梁跨径方向垂直,跨中中心线与车辆中线重合;即车辆轴载关于跨中横断面对称分布;
S36.加载车辆后,依次记录下A1-A9和D的数据;
S37.更换车辆,依次记录下A1-A9和D的数据;
S38.依次更换桥梁B2-B10,重复步骤S33-S37;
S39.桥梁运营每隔一段时间,重复上述数据采集的工作,获取时序数据;
S310.将上述采集到的全部的A1-A9和D的数据汇聚至一个数据集。
S4.构建长短期记忆神经网络模型;
长短期记忆神经网络模型在传统神经网络模型的基础上,增加了输入门、遗忘门、输出门、细胞单元状态。其中,输入门决定了当前时刻网络的输入数据有多少需要保存到单元状态;遗忘门决定了上一时刻的单元状态有多少需要保留到当前时刻;输出门控制了当前单元状态有多少需要输出到当前的输出值;细胞单元状态包含序列中所有先前单元的数据。
长短期记忆神经网络模型应用流程如下:
(1)前向过程。计算每一个神经元节点的输出值,也就是遗忘门、输入门、细胞状态、输出门的矢量值,然后将输出值与期望值进行做差运算,得到长短期记忆神经网络的整个误差,从而判断是否需要进行下一步的权值更新操作。如果需要就转到下一步;否则停止运算。
(2)反向传播,计算每个节点的误差项值。长短期记忆神经网络在误差反向传播过程中分成两部分:一个是沿时间进行反向传播;另一个是将误差按层逐渐向前一层进行传递。根据误差项,计算每个权值的梯度。然后通过权值更新算法更新每个神经元节点的连接权重。
(3)返回到第一步开始循环训练,直到网络的收敛误差满足期望要求或者训练的次数达到上限,然后停止网络的权值参数更新。
S5.将扰度计算公式作为长短期记忆神经网络模型的损失函数,并通过误差反向传播,修正模型中的参数;
集中荷载作用下,简支梁的跨中挠度计算方法:
其中,为神经网络中输入值与输出值间的映射关系函数,为弹性模量的神经网络输出值,为弹性模量的试验测试值,为损失函数,为神经网络中隐藏层的编号,为隐藏层的权重,为第k层隐藏层的权重,为隐藏层的偏置,为第k层隐藏层的偏置,为隐藏层神经元的输入,为第k层神经元的输入,为第k-1层神经元的输出,表示弹性模量神经网络输出值与试验测试值的比值。
其中,神经网络中输入值与输出值间的映射关系的具体内容是:
表示第层的第i个节点到第层第j个节点的权重,本发明中,隐藏层数量设置为2个,每个节点数量均为8个,第一个隐藏层的输出依次记为,第二个隐藏层的输出依次记为。
函数L和W进行偏导的作用是:
由上述映射关系可知,函数L中包含权重变量,函数L对和求偏导的目的是基于链式求导法则,加快参数和确定的速度。
的作用是:
为隐藏层的权重,表征神经元之间的连接强度;
为隐藏层的偏置,可用于纠正输出结果。
因此,和的引入,可准确建立和之间的关系,进而准确建立服役时间、温度、湿度、酸度、盐度、集中荷载、跨径、截面惯性矩与弹性模量的关系。
通过误差反向传播,修正隐藏层的权重和隐藏层的偏置。
S6.基于S3所述数据集,采用梯度下降法对S5所述长短期记忆神经网络模型进行训练;
将数据集中的数据,划分为训练集、测试集、验证集;采用训练集、验证集和测试集中的数据,对构建的长短期记忆神经网络进行训练,获取数据集中的特征,通过迭代训练的方式,完成神经网络各层权重的确定和优化;其中,采用梯度下降法,实现损失函数的最小化,并确定梯度下降算法的步长、初始值和归一化方法。
S7.将监测数据输入至S6所述长短期记忆神经网络模型,输出弹性模量。
本发明将同时考虑物理先验知识和数据的价值,主要解决了以下问题:
1.传统的弹性模量检测方法中,通常采用回弹仪测量弹性模量,局限性强,未能考虑环境作用对弹性模量演化过程的影响,尤其是沿海地区,这种影响将导致对桥梁状态评价的不准确、不合理;
2.深度学习模型进行桥梁弹性模量预测时,具有黑箱特性,模型的可解释不强,预测结果盲目依赖于数据集的质量,无法识别出错误数据;
3.桥梁监测数据一般为时序数据,传统深度学习模型未能有效利用数据的时序信息,对弹性模量预测结果的准确性产生影响。
实施例2、本发明的计算机装置可以是包括有处理器以及存储器等装置,例如包含中央处理器的单片机等。并且,处理器用于执行存储器中存储的计算机程序时实现上述的基于CREO软件的可修改由关系驱动的推荐数据的推荐方法的步骤。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例3、计算机可读存储介质实施例
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质,包括但不限于非易失性存储器、易失性存储器、铁电存储器等,计算机可读存储介质上存储有计算机程序,当计算机装置的处理器读取并执行存储器中所存储的计算机程序时,可以实现上述的基于CREO软件的可修改由关系驱动的建模数据的建模方法的步骤。
所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
Claims (5)
1.沿海环境简支梁弹性模量预测方法,其特征在于,包括以下步骤:
S1.结合沿海地区气候条件,确定对桥梁弹性模量产生影响的数据参数,并对数据参数和弹性模量进行编码;
S2.获取各数据参数;
S3.构建数据集;
S4.构建长短期记忆神经网络模型;
S5.将挠度计算公式作为长短期记忆神经网络模型的损失函数,并通过误差反向传播,修正模型中的参数,具体是:
其中,为神经网络中输入值与输出值间的映射关系函数,为弹性模量的神经网络输出值,为弹性模量的试验测试值,为损失函数,为神经网络中隐藏层的编号,为隐藏层的权重,为第k层隐藏层的权重,为隐藏层的偏置,为第k层隐藏层的偏置,为隐藏层神经元的输入,为第k层神经元的输入,为第k-1层神经元的输出,表示弹性模量神经网络输出值与试验测试值的比值,D表示挠度;A1表示服役时间;A2表示温度;A3表示湿度;A4表示酸度;A5表示盐度;A6表示集中荷载;A7表示跨径;A8表示截面惯性矩;
S6.基于S3所述数据集,采用梯度下降法对S5所述长短期记忆神经网络模型进行训练;
S7.将监测数据输入至S6所述长短期记忆神经网络模型,输出弹性模量。
2.根据权利要求1所述的沿海环境简支梁弹性模量预测方法,其特征在于,S2具体是:
服役时间:每日;
温度、湿度、酸度、盐度:分别设置温度、湿度、酸度和盐度传感器获取;
集中荷载的测量:轴重秤称取;
跨径、截面惯性矩:依据图纸设计尺寸获取;
弹性模量:实验室混凝土弹性模量的方法进行测量获取;
挠度:挠度计获取。
3.根据权利要求2所述的沿海环境简支梁弹性模量预测方法,其特征在于,S3具体是:
S31.选取同一区域、相同服役环境、相同桥梁结构、相同跨径的简支梁桥,选择10座桥梁,编码为B1-B10;
S32.首先选择桥梁B1;
S33.获取各数据的监测参数;
S34.选取10种质量的车辆,且质量存在梯度差,每种质量对应1辆车;
S35.每次加载1或2辆车,加载至跨中位置,且车辆方向与桥梁跨径方向垂直,跨中中心线与车辆中线重合;
S36.加载车辆后,依次记录下A1-A9和D的数据;
S37.更换车辆,依次记录下A1-A9和D的数据;
S38.依次更换桥梁B2-B10,重复步骤S33-S37;
S39.桥梁运营每隔一段时间,重复上述数据采集的工作,获取时序数据;
S310.将上述采集到的全部的A1-A9和D的数据汇聚至一个数据集。
4.一种电子设备,其特征在于,包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现权利要求1-3任一项所述的沿海环境简支梁弹性模量预测方法的步骤。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-3任一项所述的沿海环境简支梁弹性模量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211342314.0A CN115392142B (zh) | 2022-10-31 | 2022-10-31 | 沿海环境简支梁弹性模量预测方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211342314.0A CN115392142B (zh) | 2022-10-31 | 2022-10-31 | 沿海环境简支梁弹性模量预测方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115392142A CN115392142A (zh) | 2022-11-25 |
CN115392142B true CN115392142B (zh) | 2023-04-18 |
Family
ID=84115217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211342314.0A Active CN115392142B (zh) | 2022-10-31 | 2022-10-31 | 沿海环境简支梁弹性模量预测方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115392142B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236197B (zh) * | 2023-11-10 | 2024-02-20 | 中国矿业大学(北京) | 岩体弹性模量随钻测试方法与系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446173A (zh) * | 2020-11-25 | 2021-03-05 | 河南省高速公路联网管理中心 | 基于长短期记忆网络的桥梁温度预测方法、介质及设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2010021287A1 (ja) * | 2008-08-18 | 2012-01-26 | 日本電気株式会社 | 基板の反り予測方法、基板の反り予測システムおよび基板の反り予測プログラム |
CN112784336A (zh) * | 2020-12-31 | 2021-05-11 | 杭州鲁尔物联科技有限公司 | 一种基于深度学习lstm网络的桥梁静态位移预测技术 |
CN113836783B (zh) * | 2021-07-16 | 2022-11-18 | 东南大学 | 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 |
CN114357594B (zh) * | 2022-03-08 | 2022-08-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于sca-gru的桥梁异常监测方法、系统、设备及存储介质 |
-
2022
- 2022-10-31 CN CN202211342314.0A patent/CN115392142B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446173A (zh) * | 2020-11-25 | 2021-03-05 | 河南省高速公路联网管理中心 | 基于长短期记忆网络的桥梁温度预测方法、介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115392142A (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111209708B (zh) | 基于机器学习的桩-土相互作用预测分析方法 | |
CN115392142B (zh) | 沿海环境简支梁弹性模量预测方法、电子设备及存储介质 | |
CN109753745B (zh) | 一种基于bim及物联网技术的道路检测及评估方法 | |
CN107862170B (zh) | 一种基于动态缩聚的有限元模型修正方法 | |
CN112164076B (zh) | 基于水泥微观结构图像的硬化水泥水灰比预测方法及系统 | |
CN106777716A (zh) | 一种混凝土徐变效应分析方法 | |
CN113627060A (zh) | 一种基于实测挠度影响线的公路梁式桥承载能力评定方法 | |
CN106529049A (zh) | 一种用于模型修正的应变模态相关性评价方法 | |
CN102998136A (zh) | 一种预应力混凝土连续刚构桥的线形监控方法 | |
CN108846200B (zh) | 一种基于迭代法的准静态桥梁影响线识别方法 | |
CN111400809B (zh) | 不确定荷载下简支梁损伤静力识别方法 | |
CN113792372A (zh) | 一种基于cv-lstm组合模型的地连墙变形动态预测方法 | |
CN106568647A (zh) | 一种基于神经网络的混凝土强度预测方法 | |
CN110188399B (zh) | 一种基于多相关序列的大坝安全监测单测点评价方法 | |
CN113158558B (zh) | 一种高速铁路路基连续压实分析方法、装置及分析仪 | |
Gonçalves et al. | A Bayesian algorithm with second order autoregressive errors for B-WIM weight estimation | |
Liu et al. | Involving prediction of dynamic modulus in asphalt mix design with machine learning and mechanical-empirical analysis | |
CN116913416A (zh) | 海蚀崖岩石风化程度定量评价及预测方法及装置 | |
CN117392564A (zh) | 一种基于深度学习的河流水质反演方法、电子设备及存储介质 | |
CN115962777A (zh) | 一种基于双向lstm神经网络的光纤惯性测量装置应力加速稳定方法 | |
CN109858699B (zh) | 水质定量模拟方法、装置、电子设备及存储介质 | |
CN113128053A (zh) | 一种非线性系统参数识别方法、装置、设备及介质 | |
CN116451913B (zh) | 一种交通基础设施健康监测系统服役性能评价方法及装置 | |
KR100222882B1 (ko) | 내구로 하중이력 데이터베이스화 방법 | |
CN115952853B (zh) | 矿浆密度检测模型构建方法、装置及矿浆密度检测系统 |
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 |