CN115630859A - 一种基于深度学习的钢板组合梁桥施工控制质量评估方法 - Google Patents
一种基于深度学习的钢板组合梁桥施工控制质量评估方法 Download PDFInfo
- Publication number
- CN115630859A CN115630859A CN202211192549.6A CN202211192549A CN115630859A CN 115630859 A CN115630859 A CN 115630859A CN 202211192549 A CN202211192549 A CN 202211192549A CN 115630859 A CN115630859 A CN 115630859A
- Authority
- CN
- China
- Prior art keywords
- construction
- steel plate
- beam bridge
- reminding
- deep learning
- 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.)
- Withdrawn
Links
- 238000010276 construction Methods 0.000 title claims abstract description 145
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 38
- 239000010959 steel Substances 0.000 title claims abstract description 38
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims description 36
- 238000013441 quality evaluation Methods 0.000 title claims description 14
- 239000002131 composite material Substances 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000013210 evaluation model Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 238000001303 quality assessment method Methods 0.000 claims abstract description 4
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bridges Or Land Bridges (AREA)
Abstract
本发明公开了一种基于深度学习的钢板组合梁桥施工控制质量评估方法，涉及工程质量评估技术领域，包括：构建基于深度学习的Unet网络；收集历史周期内钢板组合梁桥建造质量和施工线形检测参数，构建训练所需的样本集；将训练集、测试集和验证集经过数据预处理之后对Unet网络进行训练、测试和验证，将训练完成的Unet网络标记为评估模型M；利用移动激光扫描技术，实时获取钢板组合梁桥建造质量和施工线形检测参数；将获取的建造质量和施工线形检测参数代入评估模型M，并与相关规范或标准参数限值比对，输出建造或施工控制质量的评估报表；为钢板组合梁桥智能建造、现场施工组装等提供精准的拼接依据；确保施工质量和安全。
Description
技术领域
本发明涉及工程质量评估技术领域，具体是一种基于深度学习的钢板组合梁桥施工控制质量评估方法。
背景技术
近年来，钢-混凝土组合梁(简称钢混组合梁)在我国城市立交桥梁及建筑结构中已得到了越来越广泛的应用，并且正朝着大跨方向发展。钢混组合梁在我国的应用实践表面，它兼有钢结构和混凝土结构的优点，具有显著的技术经济效益和社会效益，是未来结构体系的主要发展方向之一；
目前常用的梁桥质量评估方法依赖于专家的经验知识，通过采用机械式测量工具手动完成数据采集，并基于采集的数据完成主观分析评价，面临着检测效率低、人工成本高、采用主观性判断受限于技术水平和经验知识等问题，难以满足现代智能化施工作业的需求；基于以上不足，本发明提出一种基于深度学习的钢板组合梁桥施工控制质量评估方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于深度学习的钢板组合梁桥施工控制质量评估方法。
为实现上述目的，根据本发明的第一方面的实施例提出一种基于深度学习的钢板组合梁桥施工控制质量评估方法，包括如下步骤：
步骤一：构建基于深度学习的Unet网络；所述Unet网络的前半部分作用是特征提取，基础模型为MobileNet，后半部分作用是上采样；
步骤二：收集历史周期内钢板组合梁桥建造质量和施工线形检测参数，构建训练所需的样本集；并按照设定比例分为训练集、测试集和验证集；
步骤三：将训练集、测试集和验证集经过数据预处理之后对Unet网络进行训练、测试和验证，将训练完成的Unet网络标记为评估模型M；
步骤四：利用移动激光扫描技术，实时获取钢板组合梁桥建造质量和施工线形检测参数；将获取的建造质量和施工线形检测参数代入评估模型M，并与相关规范或标准参数限值比对，输出建造或施工控制质量的评估报表；
步骤五：根据输出建的建造或施工控制质量的评估报表进行钢板组合或现场施工组装，并自动校验子工序的技术状态；当监测到子工序相关信息更改时，发送提醒信号至施工现场的工作人员，防止建造出错；
步骤六：对提醒信号进行监测，并根据监测到的提醒信号对当前施工团队的施工偏离系数进行评估；若施工偏离系数ZP大于预设偏离阈值，则表明当前施工团队施工状态不佳，生成轮换信号。
进一步地，其中，施工偏离系数ZP的具体评估步骤为：
当监测到提醒信号时，记录此时的提醒时刻；在监测到提醒信号时自动倒计时，倒计时时长为T2时间，T2为预设值；
统计倒计时阶段提醒信号出现的次数并标记为提醒频次C1；将相邻两个提醒时刻进行时间差计算得到提醒间隔时长GTi；
将提醒间隔时长GTi与预设时长阈值相比较，统计GTi小于预设时长阈值的次数为C2，将对应的GTi与预设时长阈值进行差值计算，并将所有的差值求和得到差隔总值CT；利用公式GK＝C2×b1+CT×b2计算得到差隔系数GK，其中b1、b2均为系数因子；利用公式ZP＝C1×b3+GK×b4计算得到施工偏离系数ZP，其中b3、b4均为系数因子。
进一步地，在倒计时阶段继续对提醒信号进行监测，若产生新的提醒信号，则倒计时自动归为原值，重新按照T2进行倒计时；否则倒计时归零，停止计时。
进一步地，设定比例包括2:1:1、3:1:1和4:3:1。
进一步地，其中，数据预处理包括去除噪声、输入数据降维、删除无关数据以及归一化；归一化是指将数据规则化到统一的区间[0，1]中。
进一步地，其中，自动校验子工序的技术状态表示为：将施工现场进行组合或组装的子工序技术状态与评估报告或报表数据相匹配；若不一致，则表示子工序相关信息更改。
与现有技术相比，本发明的有益效果是：
1、本发明通过收集历史周期内钢板组合梁桥建造质量和施工线形检测参数，构建训练所需的样本集；将训练集、测试集和验证集经过数据预处理之后对Unet网络进行训练、测试和验证，将训练完成的Unet网络标记为评估模型M；利用移动激光扫描技术，实时获取钢板组合梁桥建造质量和施工线形检测参数，并将获取的建造质量和施工线形检测参数代入评估模型M，并与相关规范或标准参数限值比对，自动快速的出具建造或施工控制质量的评估报告或报表，为钢板组合梁桥智能建造、现场施工组装等提供精准的拼接依据；确保施工质量和安全；
2、本发明根据出具的建造或施工控制质量的评估报告或报表进行钢板组合或现场施工组装，并自动校验子工序的技术状态；当监测到子工序相关信息更改时，发送提醒信号至施工现场的工作人员，防止建造出错；对提醒信号进行监测，并根据监测到的提醒信号对当前施工团队的施工偏离系数进行评估；若施工偏离系数ZP大于预设偏离阈值，则表明当前施工团队施工状态不佳，生成轮换信号；以建议承包商更换其他施工团队进行作业，提高工程建设效率。
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为本发明一种基于深度学习的钢板组合梁桥施工控制质量评估方法的原理框图。
具体实施方式
下面将结合实施例对本发明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它实施例，都属于本发明保护的范围。
如图1所示，一种基于深度学习的钢板组合梁桥施工控制质量评估方法，包括如下步骤：
步骤一：构建基于深度学习的Unet网络；Unet网络由两部分组成，前半部分作用是特征提取(基础模型为MobileNet)，后半部分作用是上采样；Unet网络采用了完全不同的特征融合方式：其中Unet采用将特征在channel维度拼接在一起，形成更厚的特征；
步骤二：收集历史周期内钢板组合梁桥建造质量和施工线形检测参数，构建训练所需的样本集；并按照设定比例分为训练集、测试集和验证集；设定比例包括2:1:1、3:1:1和4:3:1；对训练集和测试集的数据使用专业的标注工具进行标注；
步骤三：将训练集、测试集和验证集经过数据预处理之后对Unet网络进行训练、测试和验证，将训练完成的Unet网络标记为评估模型M；其中，数据预处理包括去除噪声、输入数据降维、删除无关数据以及归一化；其中归一化是指将数据规则化到统一的区间(如[0，1])中，可以防止数据中存在较大数值的数据造成数值较小的数据对于训练效果减弱甚至无效化；
步骤四：利用移动激光扫描技术，实时获取钢板组合梁桥建造质量和施工线形检测参数，并将获取的建造质量和施工线形检测参数代入评估模型M，并与相关规范或标准参数限值比对，自动快速的出具建造或施工控制质量的评估报告或报表，为钢板组合梁桥智能建造、现场施工组装等提供精准的拼接依据；确保施工质量和安全；
步骤五：根据出具的建造或施工控制质量的评估报告或报表进行钢板组合或现场施工组装，并自动校验子工序的技术状态；当监测到子工序相关信息更改时，发送提醒信号至施工现场的工作人员，防止建造出错；
其中自动校验子工序的技术状态表示为：将施工现场进行组合或组装的子工序技术状态与评估报告或报表数据相匹配；若不一致，则表示子工序相关信息更改；
步骤六：对提醒信号进行监测，并根据监测到的提醒信号对当前施工团队的施工偏离系数进行评估；具体评估步骤为：
当监测到提醒信号时，记录此时的提醒时刻；在监测到提醒信号时自动倒计时，倒计时时长为T2时间，T2为预设值；在倒计时阶段继续对提醒信号进行监测，若产生新的提醒信号，则倒计时自动归为原值，重新按照T2进行倒计时；否则倒计时归零，停止计时；
统计倒计时阶段提醒信号出现的次数并标记为提醒频次C1；将所有的提醒时刻依据时间先后顺序进行排序，将排序后的相邻两个提醒时刻进行时间差计算得到提醒间隔时长GTi；
将提醒间隔时长GTi与预设时长阈值相比较，统计GTi小于预设时长阈值的次数为C2，将对应的GTi与预设时长阈值进行差值计算，并将所有的差值求和得到差隔总值CT；利用公式GK＝C2×b1+CT×b2计算得到差隔系数GK，其中b1、b2均为系数因子；
利用公式ZP＝C1×b3+GK×b4计算得到施工偏离系数ZP，其中b3、b4均为系数因子；将施工偏离系数ZP与预设偏离阈值相比较，若ZP大于预设偏离阈值，则表明当前施工团队施工状态不佳，生成轮换信号；以建议承包商更换其他施工团队进行作业，提高工程建设效率。
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
本发明的工作原理：
一种基于深度学习的钢板组合梁桥施工控制质量评估方法，在工作时，构建基于深度学习的Unet网络；然后收集历史周期内钢板组合梁桥建造质量和施工线形检测参数，构建训练所需的样本集；将训练集、测试集和验证集经过数据预处理之后对Unet网络进行训练、测试和验证，将训练完成的Unet网络标记为评估模型M；利用移动激光扫描技术，实时获取钢板组合梁桥建造质量和施工线形检测参数，并将获取的建造质量和施工线形检测参数代入评估模型M，并与相关规范或标准参数限值比对，自动快速的出具建造或施工控制质量的评估报告或报表，为钢板组合梁桥智能建造、现场施工组装等提供精准的拼接依据；确保施工质量和安全；
根据出具的建造或施工控制质量的评估报告或报表进行钢板组合或现场施工组装，并自动校验子工序的技术状态；当监测到子工序相关信息更改时，发送提醒信号至施工现场的工作人员，防止建造出错；对提醒信号进行监测，并根据监测到的提醒信号对当前施工团队的施工偏离系数进行评估；若施工偏离系数ZP大于预设偏离阈值，则表明当前施工团队施工状态不佳，生成轮换信号；以建议承包商更换其他施工团队进行作业，提高工程建设效率。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (6)
1.一种基于深度学习的钢板组合梁桥施工控制质量评估方法，其特征在于，包括如下步骤：
步骤一：构建基于深度学习的Unet网络；所述Unet网络的前半部分作用是特征提取，基础模型为MobileNet，后半部分作用是上采样；
步骤二：收集历史周期内钢板组合梁桥建造质量和施工线形检测参数，构建训练所需的样本集；并按照设定比例分为训练集、测试集和验证集；
步骤三：将训练集、测试集和验证集经过数据预处理之后对Unet网络进行训练、测试和验证，将训练完成的Unet网络标记为评估模型M；
步骤四：利用移动激光扫描技术，实时获取钢板组合梁桥建造质量和施工线形检测参数；将获取的建造质量和施工线形检测参数代入评估模型M，并与相关规范或标准参数限值比对，输出建造或施工控制质量的评估报表；
步骤五：根据输出建的建造或施工控制质量的评估报表进行钢板组合或现场施工组装，并自动校验子工序的技术状态；当监测到子工序相关信息更改时，发送提醒信号至施工现场的工作人员，防止建造出错；
步骤六：对提醒信号进行监测，并根据监测到的提醒信号对当前施工团队的施工偏离系数进行评估；若施工偏离系数ZP大于预设偏离阈值，则表明当前施工团队施工状态不佳，生成轮换信号。
2.根据权利要求1所述的一种基于深度学习的钢板组合梁桥施工控制质量评估方法，其特征在于，其中，施工偏离系数ZP的具体评估步骤为：
当监测到提醒信号时，记录此时的提醒时刻；在监测到提醒信号时自动倒计时，倒计时时长为T2时间，T2为预设值；
统计倒计时阶段提醒信号出现的次数并标记为提醒频次C1；将相邻两个提醒时刻进行时间差计算得到提醒间隔时长GTi；
将提醒间隔时长GTi与预设时长阈值相比较，统计GTi小于预设时长阈值的次数为C2，将对应的GTi与预设时长阈值进行差值计算，并将所有的差值求和得到差隔总值CT；利用公式GK＝C2×b1+CT×b2计算得到差隔系数GK，其中b1、b2均为系数因子；利用公式ZP＝C1×b3+GK×b4计算得到施工偏离系数ZP，其中b3、b4均为系数因子。
3.根据权利要求2所述的一种基于深度学习的钢板组合梁桥施工控制质量评估方法，其特征在于，在倒计时阶段继续对提醒信号进行监测，若产生新的提醒信号，则倒计时自动归为原值，重新按照T2进行倒计时；否则倒计时归零，停止计时。
4.根据权利要求1所述的一种基于深度学习的钢板组合梁桥施工控制质量评估方法，其特征在于，设定比例包括2:1:1、3:1:1和4:3:1。
5.根据权利要求1所述的一种基于深度学习的钢板组合梁桥施工控制质量评估方法，其特征在于，其中，数据预处理包括去除噪声、输入数据降维、删除无关数据以及归一化；归一化是指将数据规则化到统一的区间[0，1]中。
6.根据权利要求1所述的一种基于深度学习的钢板组合梁桥施工控制质量评估方法，其特征在于，其中，自动校验子工序的技术状态表示为：将施工现场进行组合或组装的子工序技术状态与评估报告或报表数据相匹配；若不一致，则表示子工序相关信息更改。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211192549.6A CN115630859A (zh) | 2022-09-28 | 2022-09-28 | 一种基于深度学习的钢板组合梁桥施工控制质量评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211192549.6A CN115630859A (zh) | 2022-09-28 | 2022-09-28 | 一种基于深度学习的钢板组合梁桥施工控制质量评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115630859A true CN115630859A (zh) | 2023-01-20 |
Family
ID=84904687
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211192549.6A Withdrawn CN115630859A (zh) | 2022-09-28 | 2022-09-28 | 一种基于深度学习的钢板组合梁桥施工控制质量评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115630859A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117057679A (zh) * | 2023-10-12 | 2023-11-14 | 山东领峰保温材料有限公司 | 一种基于数据处理的水泥基保温板安装质量管控系统 |
-
2022
- 2022-09-28 CN CN202211192549.6A patent/CN115630859A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117057679A (zh) * | 2023-10-12 | 2023-11-14 | 山东领峰保温材料有限公司 | 一种基于数据处理的水泥基保温板安装质量管控系统 |
| CN117057679B (zh) * | 2023-10-12 | 2024-01-09 | 山东领峰保温材料有限公司 | 一种基于数据处理的水泥基保温板安装质量管控系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109472091B (zh) | 一种装配式建筑施工和服役阶段监控系统及方法 | |
| Gattulli et al. | Condition assessment by visual inspection for a bridge management system | |
| Commander | Evolution of bridge diagnostic load testing in the USA | |
| CN115630859A (zh) | 一种基于深度学习的钢板组合梁桥施工控制质量评估方法 | |
| CN110672154A (zh) | 土木工程建筑监测系统 | |
| CN109255145B (zh) | 一种基于bim的三维场景的钢桁架桥模拟施工方法 | |
| CN110852001A (zh) | 一种基于图像处理的桥梁结构安全评估方法 | |
| CN110659793A (zh) | 一种基于大数据的公路工程质量检验自动评定管理系统 | |
| CN112464494A (zh) | 一种智慧建造施工系统 | |
| Omer et al. | Performance evaluation of bridges using virtual reality | |
| CN114595552A (zh) | 一种基于曲线组合梁模型的混凝土精度管控系统 | |
| Adhikari et al. | Automated prediction of condition state rating in bridge inspection | |
| Siwowski | Fatigue assessment of existing riveted truss bridges: case study | |
| CN117196507A (zh) | 一种基于数字孪生的装配式建筑施工智能管理方法及系统 | |
| CN117131671A (zh) | 一种基于数字孪生的水利工程智能监测方法及系统 | |
| CN113888043A (zh) | 一种梁式桥主梁病害全周期可视化管理分析系统 | |
| Atoyebi et al. | Analysis and Interpretation of Structural Health Monitoring Data on Reinforced Concrete Buildings: A Critical Review. | |
| Galic et al. | BIM in planning deconstruction projects | |
| Strauss et al. | Applied and research based performance indicator database for highway bridges across Europe | |
| Uddin | Lean construction quality assurance opportunities in highway construction | |
| Kušar et al. | Regular bridge inspection data improvement using non-destructive testing | |
| CN115115229A (zh) | 一种装配式灌浆套筒连接的质量监测方法 | |
| CN112982184A (zh) | 一种基于大数据的道路桥梁病害分析与养护决策方法 | |
| Ali Mohamed et al. | Assessment and Prediction Planning of RC Structures Using BIM Technology | |
| KR100479885B1 (ko) | 원격 교량 제어 시스템 및 방법 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230120 |
|
| WW01 | Invention patent application withdrawn after publication |