CN116090347A - 平稳荷载下历史建筑结构智能监测与预警系统 - Google Patents
平稳荷载下历史建筑结构智能监测与预警系统 Download PDFInfo
- Publication number
- CN116090347A CN116090347A CN202310089890.7A CN202310089890A CN116090347A CN 116090347 A CN116090347 A CN 116090347A CN 202310089890 A CN202310089890 A CN 202310089890A CN 116090347 A CN116090347 A CN 116090347A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- early warning
- physical quantity
- building structure
- model
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (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)
- Alarm Systems (AREA)
Abstract
本发明提供了一种平稳荷载下历史建筑结构智能监测与预警系统,本发明包括:监测数据采集传输模块、监测数据预处理模块、监测模型建立与训练模块以及监测预警与处理模块。利用神经网络等人工智能方法,提出的一种基于智能时序神经网络的平稳荷载下历史建筑结构智能监测与预警系统,以代替人为设置阈值的监测预警方法,实现高效率、高精度、高水准的历史建筑结构智能实时监测与预警,可以补充并完善既有的历史建筑监测中人为设置极限阈值监测方法,改进并解决目前监测预警方法无法精细化挖掘历史建筑结构阈值范围内物理量实时变化中隐藏风险的问题。
Description
技术领域
本发明涉及一种平稳荷载下历史建筑结构智能监测与预警系统。
背景技术
历史建筑主体结构服役过程中,不仅会受到日晒、风蚀、雨淋、地基沉降、钢结构生锈、混凝土收缩等不利因素的作用,还会遭受温度变化等平稳荷载的影响。目前,部分历史建筑结构已安装相应的监测设备,实现对历史建筑结构实施位移、应力、应变等物理量(以下简称“监测物理量”)的监测。已有监测方法对相应物理量的监测与预警以人为设置极限阈值为主,这种阈值设置仅能依据有限元分析以及历史经验,无法深刻挖掘极限阈值范围内物理量实时变化中的隐藏风险,更无法精细化描述历史建筑结构健康状况、发现运营维护过程中的突发情况。
发明内容
本发明的目的在于提供一种平稳荷载下历史建筑结构智能监测与预警系统。
为解决上述问题,本发明提供一种平稳荷载下历史建筑结构智能监测与预警系统,包括:
监测数据采集传输模块,用于通过监测设备对历史建筑结构的监测数据进行采集,并将监测数据传输至监测数据预处理模块;
监测数据预处理模块,用于对监测数据进行前期处理,得到标准化监测数据,以使监测信息以符合模型训练、测试、预测以及预警要求的形式进入监测模型建立与训练模块;
监测模型建立与训练模块,用于预测模型的建立和训练工作,以使预测模型对标准化监测数据进行学习,提取监测数据规律;
监测预警与处理模块,用于基于预测模型实时确定监测数据是否异常,并进行监测异常数据的报警与处理工作。
进一步的,在上述系统中,所述监测设备设置于历史建筑结构的代表性位置处。
进一步的,在上述系统中,所述监测设备包括:振弦式应变计、静力水准仪、激光位移计和无接触式监测设备。
进一步的,在上述系统中,所述监测数据预处理模块,还用于收由监测数据采集传输模块采集的监测数据,结合监测数据基本情况,选取信号传输稳定、测量结果符合平稳荷载下结构响应的预设监测时间内的相应监测物理量,作为预测模型的训练与测试数据范围。
进一步的,在上述系统中,所述监测数据预处理模块,还用于对监测数据进行标准化处理,对监测数据进行均值和方差处理,以减少由于监测物理量单位和波动范围的因素对后续模型训练和预测的影响。
进一步的,在上述系统中,所述监测模型建立与训练模块,还用于基于标准化监测数据,训练基于时序信号的监测物理量预测模型;及用于基于标准化监测数据,基于平稳荷载的监测物理量预测模型;根据基于时序信号的监测物理量预测模型和基于平稳荷载的监测物理量预测模型,训练时序与平稳荷载共同作用的监测物理量预测模型。
进一步的,在上述系统中,所述监测模型建立与训练模块,还用于通过基于时序信号的监测物理量预测模型,得到基于时序信号的监测物理量预测结果;通过基于平稳荷载的监测物理量预测模型,得到基于平稳荷载的监测物理量预测结果;根据基于时序信号的监测物理量预测结果和基于平稳荷载的监测物理量预测结果,训练时序与平稳荷载共同作用的监测物理量预测模型。
进一步的,在上述系统中,基于时序信号的监测物理量预测模型,采用RNN、LSTM和Transformer的深度学习模型;基于平稳荷载的监测物理量预测模型,采用DNN、RNN、LSTM或Transformer的深度学习模型。
进一步的,在上述系统中,所述时序与平稳荷载共同作用的监测物理量预测模型,采用DNN、RNN、LSTM或Transformer的深度学习模型。
进一步的,在上述系统中,所述监测预警与处理模块,用于基于时序与平稳荷载共同作用的监测物理量预测模型,预测未来不同时间内监测物理量范围;选取不同的概率模型,并依据选取的概率模型计算不同时间层次与预警等级的预警阈值;基于未来不同时间内监测物理量范围和预警阈值,判断是否报警,若监测物理量在各层次与等级预警阈值内部,则不报警继续监测,否则进行相应等级预警。
与现有技术相比,本发明的有益效果主要有以下几点:
(1)灵敏度高,精细化发现监测数据异常。本发明利用时序神经网络等人工智能手段,对历史建筑结构监测精细化预测,基于时序信号以及平稳荷载预测结构响应,可以灵敏发现现阶段最大最小阈值方法无法发现的监测数据异常;
(2)监测实时更新,监测过程可更加精确。本发明利用时序神经网络等人工智能手段,可以根据实时监测数据,不断更新模型,在监测过程中模型自我完善能力强;
(3)系统融合度高。本发明利用时序神经网络等人工智能手段,建立数据驱动的监测模型,可以在监测系统中直接进行嵌入,实现监测系统的监测——预测——预警全过程工作。
附图说明
图1是本发明一实施例的平稳荷载下历史建筑结构智能监测与预警系统的原理图;
图2是本发明一实施例的监测数据预处理模块搭建的示意图;
图3是本发明一实施例的监测模型建立与训练模块搭建的示意图;
图4是本发明一实施例的监测预警与处理模块搭建的示意图;
图5是本发明一实施例的平稳荷载下历史建筑结构智能监测与预警系统的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1至5所示,本发明提供一种平稳荷载下历史建筑结构智能监测与预警系统,包括:
监测数据采集传输模块,用于通过监测设备对历史建筑结构的监测数据进行采集,并将监测数据传输至监测数据预处理模块;
监测数据预处理模块,用于对监测数据进行前期处理,得到标准化监测数据,以使监测信息以符合模型训练、测试、预测以及预警要求的形式进入监测模型建立与训练模块;
监测模型建立与训练模块,用于预测模型的建立和训练工作,以使预测模型对标准化监测数据进行学习,提取监测数据规律;
监测预警与处理模块,用于基于预测模型实时确定监测数据是否异常,并进行监测异常数据的报警与处理工作。
在此,监测数据采集传输模块主要负责监测数据的采集工作,并将监测数据传输至监测数据预处理模块。监测设备的数量、布置可结合有限元分析、实际工程经验设置,建议选择结构代表性位置处布置,以较少的成本达到结构最大程度的监测。监测设备形式多样,采用振弦式应变计、静力水准仪、激光位移计、无接触式监测设备均可,采集的数据应满足数据传输稳定、频率等基本要求,且可准确反应平稳荷载下历史建筑的相关物理量变化情况。监测数据传输过程,利用有线或无线5G信号传输,传输过程应满足数据传输实时、稳定、有效的要求,使数据进入预处理模块。
监测数据预处理模块主要负责监测数据的前期处理,使监测信息以符合模型训练、测试、预测以及预警要求的形式进入监测模型建立与训练模块,其具体搭建流程如图2所示。首先,接收由监测数据采集传输模块采集的监测数据,结合监测数据基本情况,选取信号传输稳定、测量结果符合平稳荷载下结构响应的预设监测时间内的相应监测物理量,作为预测模型的训练与测试数据范围;之后,对监测数据进行标准化处理,使其均值、方差,以减少由于监测物理量单位、波动范围等因素对后续模型训练、预测的影响;最后,按照预测模型建立与训练模块要求,将数据处理为符合预测模型输入的数据结构形式,至此,监测数据预处理工作完成。
监测模型建立与训练模块主要负责预测模型的建立和训练工作,以使预测模型对预处理后的数据进行学习,提取监测数据规律,作为监测预警与处理模块的预测模型基础,具体搭建与训练流程如图3所示。首先,接收由监测数据预处理模块获得的标准化监测数据,考虑到监测物理量与历史时序信息存在一定相关性,因此训练模型一——基于时序信号的监测物理量预测模型,可采用包括但不限于RNN、LSTM、Transformer等深度学习模型;之后,考虑到监测物理量与平稳荷载存在一定相关性,训练模型二——基于平稳荷载(如温度等)的监测物理量预测模型;最后,将监测数据相关的两个因素对应模型结合,利用模型一和模型二得到的数据,训练模型三——时序与平稳荷载共同作用的监测物理量预测模型,其中,模型二和模型三均可采用包括但不限于DNN、RNN、LSTM、Transformer等深度学习模型。训练完毕后,可将模型用于基于时序与平稳荷载共同作用的监测物理量预测,此外,随着监测数据实时更新,模型训练工作可以不间断进行,完成对模型的更新,至此,监测模型建立与训练工作完成。
监测预警与处理模块主要负责监测过程中信息的实时预警功能,作为监测模型建立与训练模块获得的模型,实时确定监测数据是否异常,并进行监测异常数据的报警与处理工作,如图4所示。首先,基于监测模型建立与训练模块获得的预测模型,预测未来不同时间内监测物理量范围;之后,可适当选取不同的概率模型(如正态分布等),并依据选取的概率模型计算不同时间层次与预警等级的预警阈值;之后,结合实时监测情况,判断是否报警,若监测物理量在各层次与等级预警阈值内部,则不报警继续监测,否则进行相应等级预警;若出现预警信号,则人为检查监测数据异常情况,判断监测数据异常类型,必要情况下通知相关方,采取相应措施。至此,监测预警与处理工作完成。
本发明提出的平稳荷载下历史建筑结构智能监测与预警系统的关键工作流程如图5所示。首先,设置历史建筑结构监测设备,获得相应平稳荷载下历史建筑的结构监测数据;之后,进行监测数据的预处理操作,选取监测数据中传输稳定、结果符合平稳荷载结构响应片段作为训练集与测试集,并做数据标准化处理,避免测量范围造成的误差;进一步的,对预处理后的模型进行训练,首先训练模型一与模型二,即分别训练基于时序信号和基于平稳荷载的监测物理量预测模型,然后将基于时序信号和平稳荷载的监测物理量预测结果结合,得到最终监测物理量的预测结果,此外,随着监测过程的进行,新的监测数据可以加入模型训练,在监测中不断完善模型;最后,结合模型训练结果,确定分层次分等级预测结果,作为监测数据异常的预警依据,监测过程中出现异常值则进行预警,人工检查监测数据异常情况,并结合预测模型采取相应措施。
相比于现阶段的平稳荷载下历史建筑结构监测中仅依靠设置固定极限阈值的方法,本发明的有益效果主要有以下几点:
(1)灵敏度高,精细化发现监测数据异常。本发明利用时序神经网络等人工智能手段,对历史建筑结构监测精细化预测,基于时序信号以及平稳荷载预测结构响应,可以灵敏发现现阶段最大最小阈值方法无法发现的监测数据异常;
(2)监测实时更新,监测过程可更加精确。本发明利用时序神经网络等人工智能手段,可以根据实时监测数据,不断更新模型,在监测过程中模型自我完善能力强;
(3)系统融合度高。本发明利用时序神经网络等人工智能手段,建立数据驱动的监测模型,可以在监测系统中直接进行嵌入,实现监测系统的监测——预测——预警全过程工作。
本发明的平稳荷载下历史建筑结构智能监测与预警系统一实施例中,所述监测设备设置于历史建筑结构的代表性位置处。
本发明的平稳荷载下历史建筑结构智能监测与预警系统一实施例中,所述监测设备包括:振弦式应变计、静力水准仪、激光位移计和无接触式监测设备。
本发明的平稳荷载下历史建筑结构智能监测与预警系统一实施例中,所述监测数据预处理模块,还用于收由监测数据采集传输模块采集的监测数据,结合监测数据基本情况,选取信号传输稳定、测量结果符合平稳荷载下结构响应的预设监测时间内的相应监测物理量,作为预测模型的训练与测试数据范围。
本发明的平稳荷载下历史建筑结构智能监测与预警系统一实施例中,所述监测数据预处理模块,还用于对监测数据进行标准化处理,对监测数据进行均值和方差处理,以减少由于监测物理量单位和波动范围的因素对后续模型训练、预测的影响。
本发明的平稳荷载下历史建筑结构智能监测与预警系统一实施例中,所述监测模型建立与训练模块,还用于基于标准化监测数据,训练基于时序信号的监测物理量预测模型;及用于基于标准化监测数据,基于平稳荷载的监测物理量预测模型;根据基于时序信号的监测物理量预测模型和基于平稳荷载的监测物理量预测模型,训练时序与平稳荷载共同作用的监测物理量预测模型。
本发明的平稳荷载下历史建筑结构智能监测与预警系统一实施例中,所述监测模型建立与训练模块,还用于通过基于时序信号的监测物理量预测模型,得到基于时序信号的监测物理量预测结果;通过基于平稳荷载的监测物理量预测模型,得到基于平稳荷载的监测物理量预测结果;根据基于时序信号的监测物理量预测结果和基于平稳荷载的监测物理量预测结果,训练时序与平稳荷载共同作用的监测物理量预测模型。
本发明的平稳荷载下历史建筑结构智能监测与预警系统一实施例中,基于时序信号的监测物理量预测模型,采用RNN、LSTM和Transformer的深度学习模型;基于平稳荷载的监测物理量预测模型,采用DNN、RNN、LSTM或Transformer的深度学习模型。
本发明的平稳荷载下历史建筑结构智能监测与预警系统一实施例中,所述时序与平稳荷载共同作用的监测物理量预测模型,采用DNN、RNN、LSTM或Transformer的深度学习模型。
本发明的平稳荷载下历史建筑结构智能监测与预警系统一实施例中,所述监测预警与处理模块,用于基于时序与平稳荷载共同作用的监测物理量预测模型,预测未来不同时间内监测物理量范围;选取不同的概率模型,并依据选取的概率模型计算不同时间层次与预警等级的预警阈值;基于未来不同时间内监测物理量范围和预警阈值,判断是否报警,若监测物理量在各层次与等级预警阈值内部,则不报警继续监测,否则进行相应等级预警。
具体的,本发明可以首先,与项目业主或监测系统设计方共同确定待监测历史建筑平稳荷载类型,并结合有限元模型等工程项目具体信息,确定监测量、传感器种类与型号、传感器数量与分布以及监测数据频率与信号传输等内容;之后,对数据进行预处理,以便该数据用于监测模型的建立、训练、预测以及预警阶段,预处理主要包括选定预测基本期、选定模型训练集与测试集范围、数据标准化等工作;进一步的,监测模型建立与训练模块将预处理后数据用于模型建立与预测,包括建立监测模型、模型分布训练以及测试工作;最后,监测预警与处理模块利用训练后的监测模型,结合实时监测数据,获得结构异常的分层次分级预警阈值,若监测物理量在预警阈值范围内,则判定监测结果不处于异常状况,否则认为监测结果处于异常状况,需检查监测数据异常情况并分析,根据实际分析结果决定是否进一步联系业主通报结构异常情况、提出解决方案。至此,可持续进行历史建筑结构监测与预警工作。
本发明针对现有的采用人为设置极限阈值的历史建筑结构监测与预警方法存在的无法挖掘阈值范围内物理量实时变化中的隐藏风险、无法精细化描述历史建筑结构健康状况、发现运营维护过程中的突发情况等诸多不足,本发明包括:监测数据采集传输模块、监测数据预处理模块、监测模型建立与训练模块以及监测预警与处理模块。利用神经网络等人工智能方法,提出的一种基于智能时序神经网络的平稳荷载下历史建筑结构智能监测与预警系统,以代替人为设置阈值的监测预警方法,实现高效率、高精度、高水准的历史建筑结构智能实时监测与预警,可以补充并完善既有的历史建筑监测中人为设置极限阈值监测方法,改进并解决目前监测预警方法无法精细化挖掘历史建筑结构阈值范围内物理量实时变化中隐藏风险的问题。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
显然,本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种平稳荷载下历史建筑结构智能监测与预警系统,其特征在于,包括:
监测数据采集传输模块,用于通过监测设备对历史建筑结构的监测数据进行采集,并将监测数据传输至监测数据预处理模块;
监测数据预处理模块,用于对监测数据进行前期处理,得到标准化监测数据,以使监测信息以符合模型训练、测试、预测以及预警要求的形式进入监测模型建立与训练模块;
监测模型建立与训练模块,用于预测模型的建立和训练工作,以使预测模型对标准化监测数据进行学习,提取监测数据规律;
监测预警与处理模块,用于基于预测模型实时确定监测数据是否异常,并进行监测异常数据的报警与处理工作。
2.如权利要求1所述的平稳荷载下历史建筑结构智能监测与预警系统,其特征在于,所述监测设备设置于历史建筑结构的代表性位置处。
3.如权利要求1所述的平稳荷载下历史建筑结构智能监测与预警系统,其特征在于,所述监测设备包括:振弦式应变计、静力水准仪、激光位移计和无接触式监测设备。
4.如权利要求1所述的平稳荷载下历史建筑结构智能监测与预警系统,其特征在于,所述监测数据预处理模块,还用于收由监测数据采集传输模块采集的监测数据,结合监测数据基本情况,选取信号传输稳定、测量结果符合平稳荷载下结构响应的预设监测时间内的相应监测物理量,作为预测模型的训练与测试数据范围。
5.如权利要求1所述的平稳荷载下历史建筑结构智能监测与预警系统,其特征在于,所述监测数据预处理模块,还用于对监测数据进行标准化处理,对监测数据进行均值和方差处理,以减少由于监测物理量单位和波动范围的因素对后续模型训练和预测的影响。
6.如权利要求1所述的平稳荷载下历史建筑结构智能监测与预警系统,其特征在于,所述监测模型建立与训练模块,还用于基于标准化监测数据,训练基于时序信号的监测物理量预测模型;及用于基于标准化监测数据,基于平稳荷载的监测物理量预测模型;根据基于时序信号的监测物理量预测模型和基于平稳荷载的监测物理量预测模型,训练时序与平稳荷载共同作用的监测物理量预测模型。
7.如权利要求6所述的平稳荷载下历史建筑结构智能监测与预警系统,其特征在于,所述监测模型建立与训练模块,还用于通过基于时序信号的监测物理量预测模型,得到基于时序信号的监测物理量预测结果;通过基于平稳荷载的监测物理量预测模型,得到基于平稳荷载的监测物理量预测结果;根据基于时序信号的监测物理量预测结果和基于平稳荷载的监测物理量预测结果,训练时序与平稳荷载共同作用的监测物理量预测模型。
8.如权利要求6所述的平稳荷载下历史建筑结构智能监测与预警系统,其特征在于,基于时序信号的监测物理量预测模型,采用RNN、LSTM和Transformer的深度学习模型;基于平稳荷载的监测物理量预测模型,采用DNN、RNN、LSTM或Transformer的深度学习模型。
9.如权利要求6所述的平稳荷载下历史建筑结构智能监测与预警系统,其特征在于,所述时序与平稳荷载共同作用的监测物理量预测模型,采用DNN、RNN、LSTM或Transformer的深度学习模型。
10.如权利要求6所述的平稳荷载下历史建筑结构智能监测与预警系统,其特征在于,所述监测预警与处理模块,用于基于时序与平稳荷载共同作用的监测物理量预测模型,预测未来不同时间内监测物理量范围;选取不同的概率模型,并依据选取的概率模型计算不同时间层次与预警等级的预警阈值;基于未来不同时间内监测物理量范围和预警阈值,判断是否报警,若监测物理量在各层次与等级预警阈值内部,则不报警继续监测,否则进行相应等级预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310089890.7A CN116090347A (zh) | 2023-01-19 | 2023-01-19 | 平稳荷载下历史建筑结构智能监测与预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310089890.7A CN116090347A (zh) | 2023-01-19 | 2023-01-19 | 平稳荷载下历史建筑结构智能监测与预警系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116090347A true CN116090347A (zh) | 2023-05-09 |
Family
ID=86187910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310089890.7A Pending CN116090347A (zh) | 2023-01-19 | 2023-01-19 | 平稳荷载下历史建筑结构智能监测与预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116090347A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116734918A (zh) * | 2023-06-05 | 2023-09-12 | 宁夏中昊银晨能源技术服务有限公司 | 一种适用于近零能耗建筑的室内环境监测系统 |
CN117589119A (zh) * | 2023-11-23 | 2024-02-23 | 广州市园林建设集团有限公司 | 一种古建筑结构抬升施工监测方法及系统 |
-
2023
- 2023-01-19 CN CN202310089890.7A patent/CN116090347A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116734918A (zh) * | 2023-06-05 | 2023-09-12 | 宁夏中昊银晨能源技术服务有限公司 | 一种适用于近零能耗建筑的室内环境监测系统 |
CN116734918B (zh) * | 2023-06-05 | 2024-05-14 | 宁夏中昊银晨能源技术服务有限公司 | 一种适用于近零能耗建筑的室内环境监测系统 |
CN117589119A (zh) * | 2023-11-23 | 2024-02-23 | 广州市园林建设集团有限公司 | 一种古建筑结构抬升施工监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647133B (zh) | 轨道交通设备状态检测维护方法及系统 | |
CN116090347A (zh) | 平稳荷载下历史建筑结构智能监测与预警系统 | |
CN105865522A (zh) | 桥梁结构监测系统 | |
CN112185072B (zh) | 基于物联网的深基坑自动监测方法、装置、设备及介质 | |
CN113900381B (zh) | 一种基于物联网的钢结构远程健康监测平台及应用方法 | |
CN101782946B (zh) | 有支座沉降时空间坐标监测识别松弛的支承索的递进式方法 | |
CN114005278B (zh) | 一种高速公路基础设施群智能监测与预警系统及方法 | |
CN101504333B (zh) | 基于应变监测的索结构中索系统的递进式健康监测方法 | |
CN210924883U (zh) | 一种桥梁结构健康监测系统 | |
CN114485570B (zh) | 一种用于在建隧道施工安全智慧监控量测预警系统及方法 | |
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 | |
CN112729370A (zh) | 桥梁动态应变监测系统校准方法 | |
CN111882071A (zh) | 一种基于机器学习的预应力钢构件监测方法 | |
CN101793621B (zh) | 有支座沉降时基于索力监测的索系统的递进式健康监测方法 | |
CN109541022A (zh) | 一种桥梁结构裂缝健康监测分析方法 | |
CN114722662A (zh) | 埋地天然气管道地基沉降在线监测及安全性研究的方法 | |
CN117870609B (zh) | 一种基于非完整拱效应的软岩隧道掌子面变形监测方法 | |
CN113503912A (zh) | 一种城市轨道交通土建设施健康状态实时监控系统 | |
CN101782944B (zh) | 有支座沉降时空间坐标监测的索系统的递进式健康监测方法 | |
CN101788400B (zh) | 有支座沉降时基于应变监测的索系统的递进式健康监测方法 | |
CN114662619A (zh) | 基于多源数据融合的桥梁监测系统 | |
CN101382474A (zh) | 一种桥梁结构安全的综合评价方法 | |
CN116049958A (zh) | 历史建筑结构监测数据异常诊断与修复系统 | |
CN116591768A (zh) | 一种基于分布式网络的隧道监测方法、系统及装置 | |
CN115392089A (zh) | 一种智能预警方法 |
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 |