CN115457737B - 单层厂房建筑火灾倒塌预警关键节点位移的实时推算方法 - Google Patents
单层厂房建筑火灾倒塌预警关键节点位移的实时推算方法 Download PDFInfo
- Publication number
- CN115457737B CN115457737B CN202210962804.4A CN202210962804A CN115457737B CN 115457737 B CN115457737 B CN 115457737B CN 202210962804 A CN202210962804 A CN 202210962804A CN 115457737 B CN115457737 B CN 115457737B
- Authority
- CN
- China
- Prior art keywords
- fire
- displacement
- factory building
- real
- key node
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- 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
-
- 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
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Geology (AREA)
- Geometry (AREA)
- Business, Economics & Management (AREA)
- Environmental & Geological Engineering (AREA)
- Health & Medical Sciences (AREA)
- Emergency Management (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种单层厂房建筑火灾倒塌预警关键节点位移的实时推算方法,包括:建立单层厂房建筑的数值模型;通过数值模拟获得火灾全过程的单层厂房建筑火灾响应数据;分析得到火灾全过程中所有关键节点位移的时程曲线以及所有构件温度的时程曲线,构建数据集;构建基于循环神经网络和全连接神经网络的深度学习代理模型并训练;在火灾发生时应用训练得到的最终代理模型得到难测关键节点位移的实时时程曲线。与现有技术相比,本发明能够快速推算实际火灾现场中单层厂房建筑难以直接量测、与倒塌状态直接相关的关键节点位移数据,突破了建筑火灾倒塌预警理论与方法中关键节点位移数据难以在火场直接量测的挑战。
Description
技术领域
本发明涉及公共安全技术及神经网络深度学习领域,尤其是涉及一种基于深度学习的单层厂房建筑火灾倒塌预警关键节点位移的实时推算方法。
背景技术
火灾下建筑物的倒塌严重威胁被困人员及救援人员的生命安全。然而,实际受火建筑物的荷载大小与分布、结构材料力学性能和火灾工况等状态参量无法在火灾现场直接确定,导致受火建筑的真实物理模型无法唯一准确确定。因此,现有基于确定参数的建筑火灾倒塌预测及防火设计方法无法用于实际受火建筑的倒塌预警。既有建筑火灾倒塌预警理论通过分析火灾时建筑物关键节点处的位移和位移速率的变化规律进行倒塌预警,突破了上述不确定性状态参量带来的挑战,如中国专利CN202210593932.6公开的一种单层厂房火灾倒塌安全预警系统及方法,通过一些关键节点的位移数据预测建筑的火灾倒塌预警等级。
节点的位移速率可以由已知节点位移经时间差分得到。然而,部分关键节点位于难以在火灾现场直接量测的部位,如单层厂房或大跨度屋盖的顶部,以及多高层结构的内部等,现场使用微波雷达难以直接测定其位移数据,对建筑火灾倒塌预警理论与方法的实际应用造成极大的瓶颈。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种单层厂房建筑火灾倒塌预警关键节点位移的实时推算方法,能够快速推算实际火灾现场中单层厂房建筑难以直接量测、与倒塌状态直接相关的关键节点位移数据,突破了建筑火灾倒塌预警理论与方法中关键节点位移数据难以在火场直接量测的挑战。
本发明的目的可以通过以下技术方案来实现:
一种单层厂房建筑火灾倒塌预警关键节点位移的实时推算方法,包括以下步骤:
S1、建立单层厂房建筑的数值模型,将关键节点标记为易测关键节点和难测关键节点;
S2、基于数值模型,通过数值模拟获得火灾全过程的单层厂房建筑火灾响应数据;
S3、对单层厂房建筑火灾响应数据进行分析,得到火灾全过程中所有关键节点位移的时程曲线以及所有构件温度的时程曲线,构建数据集;
S4、构建基于循环神经网络和全连接神经网络的深度学习代理模型,基于数据集训练深度学习代理模型;
S5、将训练好的深度学习代理模型作为最终代理模型,在火灾发生时应用最终代理模型得到难测关键节点位移的实时时程曲线。
优选地,依据单层厂房建筑的设计图纸,确定其数值模型的几何特征;将单层厂房建筑的荷载大小及分布、材料力学性能设置为随机变量,根据建筑功能确定单层厂房建筑的潜在受火工况,并将所确定的受火工况作为随机变量,根据经验,按上述参数的设计值确定所对应随机变量的概率密度函数;基于所建立的数值模型,对荷载大小及分布、材料力学性能和受火工况进行随机采样并进行数值分析,使用热力耦合分析软件进行数值模拟,得到单层厂房建筑在所采样随机变量组合下的单层厂房建筑火灾响应数据;经过分析得到单层厂房建筑在所采样随机变量组合下所有关键节点的位移-时间曲线,即关键节点位移的时程曲线,同时,得到所有构件的温度-时间曲线,即构件温度的时程曲线。
优选地,步骤S1中,关键节点是指用于进行火灾倒塌安全预警的节点,如屋脊、檐口等,将易于在火灾现场实时测量得到位移数据的关键节点标记为易测关键节点,如单层厂房建筑侧面柱顶的节点,将难以在火灾现场实时测量得到位移数据的关键节点标记为难测关键节点,如单层厂房建筑跨中柱顶的节点,确定易测关键节点和难测关键节点的位置。
优选地,使用热力耦合分析软件进行数值模拟,如ANSYS、ABAQUS等,得到单层厂房建筑火灾响应数据。
优选地,步骤S4中,将数据集划分为训练集和测试集,以火灾全过程中易测关键节点位移的时程曲线和所有构件温度的时程曲线作为输入,以火灾全过程中难测关键节点位移的时程曲线作为输出,对深度学习代理模型进行训练。
优选地,使用训练集对深度学习代理模型进行训练,使用测试集对训练得到的深度学习代理模型进行测试,当满足预设置的终止条件后完成训练。
优选地,以相关系数r、均方根误差RMSE和拟合优度R2评估训练得到的深度学习模型在测试集上的表现,终止条件为:r>0.9或R2>0.9或RMSE<10mm。
优选地,所述深度学习代理模型包括真实物理模型识别模块和智能热力耦合分析模块;
真实物理模型识别模块的结构为循环神经网络,输入量为在火灾全过程中每个易测关键节点的位移-时间曲线与每个构件的温度-时间曲线,输出量为可表征受火建筑真实物理模型特征的中间隐藏状态,即单层厂房建筑的真实物理模型特征;
智能热力耦合分析模块的结构为全连接神经网络,输入量为单层厂房建筑的真实物理模型特征,输出量为单层厂房建筑难测关键节点位移的时程曲线。
优选地,深度学习代理模型的训练过程中采用均方根误差作为损失函数,并采用误差反向传播算法更新深度学习代理模型中待学习参数。
优选地,步骤S5中,在火灾发生时,测量单层厂房建筑在火灾过程中易测关键节点位移的实时时程曲线和所有构件温度的实时时程曲线,输入最终代理模型,得到难测关键节点位移的实时时程曲线。
优选地,通过现场布设的微波雷达和预埋的热电偶测量单层厂房建筑在火灾过程中易测关键节点位移的实时时程曲线和所有构件温度的实时时程曲线。
与现有技术相比,本发明具有以下有益效果:
(1)以易测关键节点位移和构件温度为数据源,能对受火建筑的真实物理模型进行实时识别,从而实时输出难测关键节点位移数据,突破了既有建筑火灾倒塌预警理论与方法中部分关键节点位移难以直接量测的重大瓶颈。
(2)以随机变量和采样方法考虑在火灾下难以快速确定的参数,使深度学习模型具备识别不确定性参数下受火建筑真实物理模型的能力,提升其对于实际受火建筑难测关键节点位移推算结果的鲁棒性与准确性;
(3)基于循环神经网络和全连接神经网络的深度学习代理模型,深度学习代理模型包括真实物理模型识别模块和智能热力耦合分析模块,采用循环神经网络的真实物理模型识别模块可充分利用实时量测的完整时序数据的关键特征,以识别不确定性参数下的受火建筑真实物理模型特征,较传统全连接神经网络仅关注某一特定时刻的数据精度更高;采用全连接神经网络的智能热力耦合分析模块则构造相对更为简单,可在所识别的真实物理模型特征基础上快速计算难测关键节点位移的时序数据;整个深度学习代理模型的逻辑与概念清晰,且各模块均采用了最高效的网络结构。
附图说明
图1为本发明的流程图;
图2为单层厂房建筑的结构示意图;
图3为本发明的深度学习代理模型结构图;
图4为训练阶段流程图;
图5为应用阶段流程图;
图6为本发明的深度学习代理模型应用时输入量的实时获取方法。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例,本发明的保护范围不限于下述的实施例。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,都应当属于本发明保护的范围。
此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1:
近年,火灾下建筑的倒塌事故频发,因此采用先进方法对受火建筑结构难以直接量测的关键节点位移数据进行推算,对建筑火灾倒塌预警具有重大意义,具有较大公共安全价值。
具体的,本实施例以图2中单层单跨刚架厂房建筑为例进行说明,一种单层厂房建筑火灾倒塌预警关键节点位移的实时推算方法,流程图如图1所示,本说明书提供了如实施例或流程示意图的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的系统或服务器产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)或者调整没有时序限制的步骤的执行顺序。具体的,包括以下步骤:
S1、建立单层厂房建筑的数值模型,将关键节点标记为易测关键节点和难测关键节点;
S2、基于数值模型,通过数值模拟获得火灾全过程的单层厂房建筑火灾响应数据;
S3、对单层厂房建筑火灾响应数据进行分析,得到火灾全过程中所有关键节点位移的时程曲线以及所有构件温度的时程曲线,构建数据集;
S4、构建基于循环神经网络和全连接神经网络的深度学习代理模型,基于数据集训练深度学习代理模型;
S5、将训练好的深度学习代理模型作为最终代理模型,在火灾发生时应用最终代理模型得到难测关键节点位移的实时时程曲线。
如图3所示,本申请中深度学习代理模型的结构组成包括作为输入层的易测关键节点位移和构件温度,作为输出层的难测关键节点位移,作为内部输出输入层的中间隐藏状态,整体来说,由真实物理模型识别模块和智能热力耦合分析模块组成,真实物理模型识别模块使用长短记忆神经网络(LSTM)等循环神经网络实现,根据输入的易测关键节点位移和构件温度识别出受火结构的真实物理模型特征,智能热力耦合分析模块使用全连接神经网络实现,将识别出的真实物理模型特征作为中间隐藏状态输入至智能热力耦合分析模块中,智能热力耦合分析模块根据识别出的结构真实物理模型特征,通过智能热力耦合分析得到难测关键节点位移并输出。
本申请提供了一种基于深度学习的单层厂房建筑火灾倒塌预警关键节点位移的实时推算方法,以大量的精确数值模拟为前提,以提前训练完毕的深度学习模型为基础,可以在火灾发生时根据救援现场测得的易测关键节点位移和构件温度实时推算难测关键节点位移,为受火单层厂房建筑的倒塌预警提供基础。总的来说,方法包括训练阶段与应用阶段。
模型训练阶段应在火灾发生前完成,可以在建筑的结构设计阶段或建筑完成建造后进行,旨在通过大量可靠数值分析数据,预先确定深度学习模型中真实物理模型识别模块和智能热力耦合分析模块的相关模型参数。应用阶段在厂房发生火灾后,消防人员到达现场救援使用,旨在基于训练好的深度学习模型,结合火灾现场实测的易测关键节点位移和温度数据,实时准确推算难测关键节点位移数据,以便进一步实施火灾倒塌预警。
(一)如图4所示,训练阶段如下:
1)本实施例中,在厂房的结构设计阶段进行数值模型建立、数值模拟和深度学习代理模型的训练,首先根据厂房的设计图纸和建造情况在数值软件(如ABAQUS)中建立单层厂房建筑的几何模型,根据建筑设计文件和使用情况确定火灾时厂房有关随机变量(包括荷载大小与分布、火灾工况、材料力学性能等在火灾下难以快速确定的参数)的概率分布,根据确定好的概率分布进行随机采样,并最终建立相应的数值模型。接下来对建立好的数值模型进行热力耦合分析,根据分析结果,输出易测关键节点与难测关键节点的位移-时间数据,以及构件的温度-时间数据,即得到火灾全过程中所有关键节点位移的时程曲线以及所有构件温度的时程曲线。
本实施例中,在单跨厂房任意一榀上,易测关键节点位移具体指厂房一侧的檐口位移VvL、VhL,难测关键节点位移指厂房屋脊位移Vp和另一侧檐口位移VhR、VvR,构件温度指厂房梁柱构件各分段的温度T1-T8,如图6所示。
2)构建数据集,将数据集划分为训练集和测试集,使用训练集对深度学习代理模型进行训练,使用测试集对训练得到的深度学习代理模型进行测试。训练中,将训练集中的训练样本输入至模型中训练,使用测试集进行模型的性能测试,训练过程中采用均方根误差作为损失函数,并采用误差反向传播算法更新深度学习代理模型中待学习参数,检测模型在测试集上的表现,当满足预设置的终止条件后完成训练,得到最终代理模型。
本实施例中,数据集按4:1的比例划分为训练集和测试集,仅训练集参与模型训练,以相关系数r、均方根误差RMSE和拟合优度R2评估训练得到的深度学习模型在测试集上的表现,当模型在测试集上满足r>0.9或R2>0.9或RMSE<10mm时即认为满足预测精度要求,结束训练。其他实施方式中,还可以根据训练次数达到限值等作为终止条件。
(二)如图5所示,应用阶段如下:
在厂房发生火灾后,消防人员到达现场救援,火灾现场实测得到易测关键节点位移和构件温度数据,即易测关键节点位移的实时时程曲线和所有构件温度的实时时程曲线,将其输入至预先训练好的最终代理模型中,最终代理模型根据输入的数据实时推算输出难测关键节点位移数据,即难测关键节点位移的实时时程曲线。最后调用建筑火灾倒塌预警算法,将实测易测关键节点位移和构件温度数据,及推算出的难测关键节点位移数据输入至预警算法中,对受火厂房的倒塌进行实时预警。
本实施例中,易测关键节点位移可以在火灾现场架设微波雷达I1测量,构件温度可以在厂房建造过程中预埋热电偶I2测量,如图6所示。
需要注意的是,本申请可在软件和/或软件与硬件的组合体中被实施,例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中,本申请的软件程序可以通过处理器执行以实现上文步骤或功能。同样地,本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本申请的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
另外,本申请的一部分可被应用为计算机程序产品,例如计算机程序指令,当其被计算机执行时,通过该计算机的操作,可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令,可能被存储在固定的或可移动的记录介质中,和/或通过广播或其他信号承载媒体中的数据流而被传输,和/或被存储在根据程序指令运行的计算机设备的工作存储器中。在此,根据本申请的一个实施例包括一个装置,该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (8)
1.一种单层厂房建筑火灾倒塌预警关键节点位移的实时推算方法,其特征在于,包括以下步骤:
S1、建立单层厂房建筑的数值模型,将关键节点标记为易测关键节点和难测关键节点;
S2、基于数值模型,通过数值模拟获得火灾全过程的单层厂房建筑火灾响应数据;
S3、对单层厂房建筑火灾响应数据进行分析,得到火灾全过程中所有关键节点位移的时程曲线以及所有构件温度的时程曲线,构建数据集;
S4、构建基于循环神经网络和全连接神经网络的深度学习代理模型,基于数据集训练深度学习代理模型;
S5、将训练好的深度学习代理模型作为最终代理模型,在火灾发生时应用最终代理模型得到难测关键节点位移的实时时程曲线;
具体的,步骤S4中,将数据集划分为训练集和测试集,以火灾全过程中易测关键节点位移的时程曲线和所有构件温度的时程曲线作为输入,以火灾全过程中难测关键节点位移的时程曲线作为输出,对深度学习代理模型进行训练;
具体的,所述深度学习代理模型包括真实物理模型识别模块和智能热力耦合分析模块;真实物理模型识别模块的结构为循环神经网络,输入量为在火灾全过程中易测关键节点位移的时程曲线与构件温度的时程曲线,输出量为单层厂房建筑的真实物理模型特征;智能热力耦合分析模块的结构为全连接神经网络,输入量为单层厂房建筑的真实物理模型特征,输出量为单层厂房建筑难测关键节点位移的时程曲线。
2.根据权利要求1所述的一种单层厂房建筑火灾倒塌预警关键节点位移的实时推算方法,其特征在于,所述数值模型的几何特征参数根据建筑设计文件确定取值,其他参数作为随机变量,根据预设置的概率分布进行随机采样确定取值。
3.根据权利要求1所述的一种单层厂房建筑火灾倒塌预警关键节点位移的实时推算方法,其特征在于,使用热力耦合分析软件进行数值模拟,得到单层厂房建筑火灾响应数据。
4.根据权利要求1所述的一种单层厂房建筑火灾倒塌预警关键节点位移的实时推算方法,其特征在于,使用训练集对深度学习代理模型进行训练,使用测试集对训练得到的深度学习代理模型进行测试,当满足预设置的终止条件后完成训练。
5.根据权利要求4所述的一种单层厂房建筑火灾倒塌预警关键节点位移的实时推算方法,其特征在于,以相关系数r、均方根误差RMSE和拟合优度R2评估训练得到的深度学习模型在测试集上的表现,终止条件为:r>0.9或R2>0.9或RMSE<10mm。
6.根据权利要求1所述的一种单层厂房建筑火灾倒塌预警关键节点位移的实时推算方法,其特征在于,深度学习代理模型的训练过程中采用均方根误差作为损失函数,并采用误差反向传播算法更新深度学习代理模型中待学习参数。
7.根据权利要求1所述的一种单层厂房建筑火灾倒塌预警关键节点位移的实时推算方法,其特征在于,步骤S5中,在火灾发生时,测量单层厂房建筑在火灾过程中易测关键节点位移的实时时程曲线和所有构件温度的实时时程曲线,输入最终代理模型,得到难测关键节点位移的实时时程曲线。
8.根据权利要求7所述的一种单层厂房建筑火灾倒塌预警关键节点位移的实时推算方法,其特征在于,通过现场布设的微波雷达和预埋的热电偶测量单层厂房建筑在火灾过程中易测关键节点位移的实时时程曲线和所有构件温度的实时时程曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210962804.4A CN115457737B (zh) | 2022-08-11 | 2022-08-11 | 单层厂房建筑火灾倒塌预警关键节点位移的实时推算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210962804.4A CN115457737B (zh) | 2022-08-11 | 2022-08-11 | 单层厂房建筑火灾倒塌预警关键节点位移的实时推算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115457737A CN115457737A (zh) | 2022-12-09 |
CN115457737B true CN115457737B (zh) | 2023-08-08 |
Family
ID=84298792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210962804.4A Active CN115457737B (zh) | 2022-08-11 | 2022-08-11 | 单层厂房建筑火灾倒塌预警关键节点位移的实时推算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115457737B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116343455B (zh) * | 2023-05-30 | 2023-09-26 | 广东广宇科技发展有限公司 | 一种基于数字孪生技术的火灾现场坍塌风险预警方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210036059A (ko) * | 2019-09-25 | 2021-04-02 | 한국건설기술연구원 | 딥러닝-기반 화재손상 콘크리트 구조물의 열확산경로 예측 시스템 및 그 방법 |
CN113917458A (zh) * | 2021-10-21 | 2022-01-11 | 应急管理部四川消防研究所 | 一种火灾中建筑结构位移的自动监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489006A (zh) * | 2019-01-29 | 2020-08-04 | 深圳富桂精密工业有限公司 | 火灾发展态势预测方法、装置及计算机可存储介质 |
-
2022
- 2022-08-11 CN CN202210962804.4A patent/CN115457737B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210036059A (ko) * | 2019-09-25 | 2021-04-02 | 한국건설기술연구원 | 딥러닝-기반 화재손상 콘크리트 구조물의 열확산경로 예측 시스템 및 그 방법 |
CN113917458A (zh) * | 2021-10-21 | 2022-01-11 | 应急管理部四川消防研究所 | 一种火灾中建筑结构位移的自动监测方法 |
Non-Patent Citations (1)
Title |
---|
李国强 ; 冯程远 ; 楼国彪 ; .火灾下门式钢刚架倒塌模式及影响因素.同济大学学报(自然科学版).2020,(09),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115457737A (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | A multi-variable grey model with a self-memory component and its application on engineering prediction | |
CN107862331A (zh) | 一种基于时间序列及cnn的不安全行为识别方法及系统 | |
CN111639787A (zh) | 一种基于图卷积网络的时空数据预测方法 | |
Dahiya et al. | Gradient boosting-based regression modelling for estimating the time period of the irregular precast concrete structural system with cross bracing | |
Eltouny et al. | Large‐scale structural health monitoring using composite recurrent neural networks and grid environments | |
CN114117617B (zh) | 一种三跨内廊式rc框架建筑地震响应的快速预测方法 | |
CN110401978B (zh) | 基于神经网络和粒子滤波多源融合的室内定位方法 | |
CN111625988A (zh) | 基于深度学习的桥梁健康管理分析与预测系统及方法 | |
CN115457737B (zh) | 单层厂房建筑火灾倒塌预警关键节点位移的实时推算方法 | |
CN112270122B (zh) | 一种建筑火灾火源参数反演评估方法 | |
CN112685950A (zh) | 一种海洋时序观测数据的异常检测方法、系统和设备 | |
CN115758252A (zh) | 基于多源信息融合技术的监测信息实时处理与分析方法 | |
CN110096805A (zh) | 一种有限观测数据下基于改进自助法的结构参数不确定性量化及传递方法 | |
CN111583067A (zh) | 一种城市地下大空间施工安全预警与应急决策方法及系统 | |
CN107180126B (zh) | 一种桥梁风振监测传感器布置和风振响应重构方法 | |
CN111144636A (zh) | 一种边坡变形预测方法 | |
Larasati et al. | The effect of Kurtosis on the accuracy of artificial neural network predictive model | |
Porfyri et al. | Calibration of a second-order traffic flow model using a metamodel-assisted Differential Evolution algorithm | |
CN114547868A (zh) | 一种基于bim的斜拉桥性能在线评估预测方法 | |
CN110083862B (zh) | 基于定位周期的泄漏源定位方法、装置和计算机设备 | |
CN113011657A (zh) | 进行台风水位预测的方法、装置、电子设备及存储介质 | |
Li et al. | FAST-AlertNet: Early warning fire-induced collapse of large-span steel truss structures | |
Suryanita et al. | Prediction of structural response due to earthquake load using artificial neural networks | |
CN117312813A (zh) | 一种火源参数与空温的实时识别与预测方法、设备、介质 | |
CN117312834A (zh) | 一种钢框架火灾倒塌预警时空特征提取方法、设备、介质 |
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 |