CN116482114A - 一种钢结构梁火灾后损伤的识别方法 - Google Patents
一种钢结构梁火灾后损伤的识别方法 Download PDFInfo
- Publication number
- CN116482114A CN116482114A CN202310459272.7A CN202310459272A CN116482114A CN 116482114 A CN116482114 A CN 116482114A CN 202310459272 A CN202310459272 A CN 202310459272A CN 116482114 A CN116482114 A CN 116482114A
- Authority
- CN
- China
- Prior art keywords
- steel structure
- fire
- structure beam
- damage
- fire disaster
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 132
- 239000010959 steel Substances 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 238000013178 mathematical model Methods 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000005452 bending Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000010008 shearing Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明涉及钢结构工程的技术领域,特别是涉及一种钢结构梁火灾后损伤的识别方法,其基于自振频率测量与反向传播神经网络技术识别钢结构梁在火灾后的损伤,操作简单,所需检测设备少;通过CCD相机结合检测软件对钢结构进行初步外观损伤识别,采集所述外观损伤不确定的火灾后钢结构梁的自振主峰频率信号,获得特征值一,征值输入到反向传播神经网络的输入层,输出层输出特征值二,特征值二与无损钢结构梁的数学模型M1对比,得到输出值X,特征值二与受损的数学模型M3对比,得到输出值Y,对比X和Y,得到Z,判定火灾后钢结构是否合格,对判定为不确定的火灾后钢结构进一步确定检测。
Description
技术领域
本发明涉及钢结构工程的技术领域,特别是涉及一种钢结构梁火灾后损伤的识别方法。
背景技术
钢结构在经过火灾后其结构强度会受到损伤,由于火灾的性质的不同钢结构的损伤程度不同,因此需要对火灾后的钢结构进行损伤的识别。现有技术中专利号为“ZL201410662841.9”的中国专利提出的基于移动无线技术的火灾后钢结构损伤评估系统,能够通过定量分析与定性分析,对各级指标进行逐级递推运算,自动确定火灾后钢结构损伤、安全等级,形成火灾后钢结构损伤、安全评估结果;现有技术中公开号为“CN114324584A”的中国专利申请提出的一种基于智能算法和超声相控阵技术的钢结构检测方法,该方法通过融合智能算法定位预测技术和超声相控阵检测技术,有利于解决了传统检测方法定位损伤位置困难的问题。
由于钢结构的热传导性能高,造成火灾后的钢结构的损伤面积大,因此无需对钢结构的损伤位置进行精确定位,又由于火灾后的钢结构的损伤面积大,因此需要进行火灾损伤识别的钢结构的部件很多,工作量大,而现有技术大多具有输入指标参数多和需要检测设备较多的问题,不利于对火灾后受损的钢结构进行快速识别,因此需要一种操作简单、所需检测设备少的一种钢结构梁火灾后损伤的识别方法来提高工作效率。
发明内容
为解决上述技术问题,本发明提供一种基于自振频率测量与反向传播神经网络技术识别钢结构梁在火灾后的损伤,操作简单,所需检测设备少的钢结构梁火灾后损伤的识别方法。
本发明的一种钢结构梁火灾后损伤的识别方法,包括:
步骤一,通过CCD相机结合检测软件对钢结构梁进行外观损伤识别,外观损伤不合格则判定火灾后钢结构不合格,外观损伤不确定的火灾后钢结构梁进行后续损伤识别判定;
步骤二,采集所述外观损伤不确定的火灾后钢结构梁的自振主峰频率信号,获得波形图一的特征值一;
步骤三,波形图一的特征值输入到反向传播神经网络的输入层,反向传播神经网络的输出层输出特征值二;
步骤四,特征值二与通过反向传播神经网络训练得到的无损钢结构梁的数学模型M1对比,得到输出值X,-1<X≤0,特征值二与通过反向传播神经网络训练得到的受损的数学模型M3对比,得到输出值Y,0≤Y<1;
步骤五,对比X和Y,得到Z;
步骤六,当-1<Z<-0.5时判定火灾后钢结构梁为不合格,当-0.5≤Z≤0.5时判定火灾后钢结构梁为不确定,当0.5<Z<1时判定火灾后钢结构梁为合格;
步骤七,对判定为不确定的火灾后钢结构进一步确定检测。
优选的,使用CCD相机对火灾后钢结构的关键节点处拍照,利用图形检测软件测量分析火灾后的钢结构的外观变形量,变形量大于阈值判定火灾后钢结构为不合格,变形量小于阈值判定火灾后钢结构为不确定,对于判定为不确定的钢结构进行自振频率测量和反向传播神经网络的损伤识别。
优选的,钢结构自振频率测量的具体方法为:
一、对钢结构梁样品施以频率变化的激励信号发生自振,
二、使用检测设备测量钢结构关键节点的自振频率和振幅,三、过滤杂波并提取多个主峰频率信号生成波形图一的特征值。
优选的,检测设备为激光多普勒振动计;无需接触测量,操作方便。
优选的,反向传播神经网络的训练方式为:
1、将合格品波形图库中钢结构梁样品A1的多个关键节点自振波形图的特征值入到反向传播神经网络的输入层,进行训练建立无损钢结构梁的数学模型M1,
2、将不合格品波形图库中钢结构梁样品A2的多个关键节点自振波形图的特征值输入到输出层,进行训练建立火灾后受损钢结构梁的数学模型M2,
3、钢结构梁样品A3的检测结果验证火灾后受损钢结构梁的数学模型的准确性,
4、迭代训练优化受损钢结构梁的数学模型M3。
优选的,合格样品波形图库和不合格品波形库的建立方法为:
S1、制作同样规格材质的钢结构梁样品A1、A2和A3,
S2、钢结构梁样品A1进入合格品库,测量钢结构梁A1的多个关键节点的波形图,并将得到的波形图录入合格波形品库,
S3、钢结构梁样品A2和A2进行模拟火灾处理,使钢结构梁样品A2和A2损伤失效,
S4、钢结构梁样品A2进入不合格品库,测量钢结构梁样品A2波形,录入不合格品波形图库,
S5、钢结构梁样品A3进行拉伸、剪切、弯曲、金相检测,确定火灾后损伤等级。
优选的,反向传播神经网络设置有输入层、隐层一、隐层二和输出层,输入层设置n个神经元、隐层一设置m个隐藏神经元、隐层二设置p个隐藏神经元和输出层设置1个神经元。
与现有技术相比本发明的有益效果为:
1、采用CCD拍照和相应检测软件进行初步外观识别,有利于提高工作效率;
2、通过同规格的样品验证并优化神经元网络训练得到的数学模型,提高识别准确度;
3、采用无接触测量,操作简单,需要的设备少。
附图说明
图1是本发明的检测识别流程示意图;
图2是本发明的CCD外观损伤识别流程示意图;
图3是本发明的反向传播(BP)神经网络训练和验证流程示意图;
图4是发明的训练用样品库的建立流程示意图;
图5是发明的反向传播神经网络的结构示意图;
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
实施例
如图1至图5所示,建立合格样品波形图库和不合格品波形库:制作同样规格材质的钢结构梁样品A1、A2和A3,钢结构梁样品A1进入合格品库,测量钢结构梁A1的多个关键节点的波形图,并将得到的波形图录入合格波形品库,钢结构梁样品A2和A2进行模拟火灾处理,使钢结构梁样品A2和A2损伤失效,钢结构梁样品A2进入不合格品库,测量钢结构梁样品A2波形,录入不合格品波形图库,钢结构梁样品A3进行拉伸、剪切、弯曲、金相检测,确定火灾后损伤等级。
反向传播神经网络的训练建立数学模型:将合格品波形图库中钢结构梁样品A1的多个关键节点自振波形图的特征值入到反向传播神经网络的输入层,进行训练建立无损钢结构梁的数学模型M1,将不合格品波形图库中钢结构梁样品A2的多个关键节点自振波形图的特征值输入到输出层,进行训练建立火灾后受损钢结构梁的数学模型M2,钢结构梁样品A3的检测结果验证火灾后受损钢结构梁的数学模型的准确性,迭代训练优化受损钢结构梁的数学模型M3。
通过CCD相机结合检测软件对钢结构梁进行外观损伤识别,外观损伤不合格则判定火灾后钢结构不合格,外观损伤不确定的火灾后钢结构梁进行后续损伤识别判定;使用CCD相机对火灾后钢结构的关键节点处拍照,利用图形检测软件测量分析火灾后的钢结构的外观变形量,变形量大于阈值判定火灾后钢结构为不合格,变形量小于阈值判定火灾后钢结构为不确定,对于判定为不确定的钢结构进行自振频率测量和反向传播神经网络的损伤识别;
对所述外观损伤不确定的火灾后钢结构梁施以频率变化的激励信号发生自振,采集所述钢结构梁的自振主峰频率信号,使用激光多普勒振动计测量钢结构关键节点的自振频率和振幅,过滤杂波并提取多个主峰频率信号生成波形图一的特征值;
波形图一的特征值输入到反向传播神经网络的输入层,经过隐层一的m个隐藏神经元、隐层二的p个隐藏神经元和输出层输出特征值二;
特征值二与通过反向传播神经网络训练得到的无损钢结构梁的数学模型M1对比,得到输出值X,-1<X≤0,特征值二与通过反向传播神经网络训练得到的受损的数学模型M3对比,得到输出值Y,0≤Y<1;对比X和Y,得到Z;
当-1<Z<-0.5时判定火灾后钢结构梁为不合格,当-0.5≤Z≤0.5时判定火灾后钢结构梁为不确定,0.5<Z<1判定火灾后钢结构合格;对判定为不确定的火灾后钢结构进一步确定检测。
本发明所实现的主要功能为:
1、采用CCD拍照和相应检测软件进行初步外观识别,有利于提高工作效率;
2、通过同规格的样品验证并优化神经元网络训练得到的数学模型,提高识别准确度;
3、采用无接触测量,操作简单,需要的设备少。
本发明的一种钢结构梁火灾后损伤的识别方法,其安装方式、连接方式或设置方式均为常见机械方式,只要能够达成其有益效果的均可进行实施;本发明的一种钢结构梁火灾后损伤的识别方法的CCD相机、激光多普勒振动计、反向传播(BP)神经网络技术为现有技术,本行业内技术人员只需按照其附带的使用说明书进行安装和操作即可,而无需本领域的技术人员付出创造性劳动。
本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (7)
1.一种钢结构梁火灾后损伤的识别方法,其特征在于,包括:
步骤一,通过CCD相机结合检测软件对钢结构梁进行外观损伤识别,外观损伤不合格则判定火灾后钢结构不合格,外观损伤不确定的火灾后钢结构梁进行后续损伤识别判定;
步骤二,采集所述外观损伤不确定的火灾后钢结构梁的自振主峰频率信号,获得波形图一的特征值一;
步骤三,波形图一的特征值输入到反向传播神经网络的输入层,反向传播神经网络的输出层输出特征值二;
步骤四,特征值二与通过反向传播神经网络训练得到的无损钢结构梁的数学模型M1对比,得到输出值X,-1<X≤0,特征值二与通过反向传播神经网络训练得到的受损的数学模型M3对比,得到输出值Y,0≤Y<1;
步骤五,对比X和Y,得到Z;
步骤六,当-1<Z<-0.5时判定火灾后钢结构梁为不合格,当-0.5≤Z≤0.5时判定火灾后钢结构梁为不确定,当0.5<Z<1时判定火灾后钢结构梁为合格;
步骤七,对判定为不确定的火灾后钢结构进一步确定检测。
2.如权利要求1所述的一种钢结构梁火灾后损伤的识别方法,其特征在于,使用CCD相机对火灾后钢结构的关键节点处拍照,利用图形检测软件测量分析火灾后的钢结构的外观变形量,变形量大于阈值判定火灾后钢结构为不合格,变形量小于阈值判定火灾后钢结构为不确定,对于判定为不确定的钢结构进行自振频率测量和反向传播神经网络的损伤识别。
3.如权利要求1所述的一种钢结构梁火灾后损伤的识别方法,其特征在于,钢结构自振频率测量的具体方法为:
一、对钢结构梁样品施以频率变化的激励信号发生自振,
二、使用检测设备测量钢结构关键节点的自振频率和振幅,
三、过滤杂波并提取多个主峰频率信号生成波形图一的特征值。
4.如权利要求3所述的一种钢结构梁火灾后损伤的识别方法,其特征在于,检测设备为激光多普勒振动计。
5.如权利要求1所述的一种钢结构梁火灾后损伤的识别方法,其特征在于,反向传播神经网络的训练方式为:
S1、将合格品波形图库中钢结构梁样品A1的多个关键节点自振波形图的特征值入到反向传播神经网络的输入层,进行训练建立无损钢结构梁的数学模型M1,
S2、将不合格品波形图库中钢结构梁样品A2的多个关键节点自振波形图的特征值输入到输出层,进行训练建立火灾后受损钢结构梁的数学模型M2,
S3、钢结构梁样品A3的检测结果验证火灾后受损钢结构梁的数学模型的准确性,
S4、迭代训练优化受损钢结构梁的数学模型M3。
6.如权利要求5所述的一种钢结构梁火灾后损伤的识别方法,其特征在于,合格样品波形图库和不合格品波形库的建立方法为:
S1、制作同样规格材质的钢结构梁样品A1、A2和A3,
S2、钢结构梁样品A1进入合格品库,测量钢结构梁A1的多个关键节点的波形图,并将得到的波形图录入合格波形品库,
S3、钢结构梁样品A2和A2进行模拟火灾处理,使钢结构梁样品A2和A2损伤失效,
S4、钢结构梁样品A2进入不合格品库,测量钢结构梁样品A2波形,录入不合格品波形图库,
S5、钢结构梁样品A3进行拉伸、剪切、弯曲、金相检测,确定火灾后损伤等级。
7.如权利要求5所述的一种钢结构梁火灾后损伤的识别方法,其特征在于,反向传播神经网络设置有输入层、隐层一、隐层二和输出层,输入层设置n个神经元、隐层一设置m个隐藏神经元、隐层二设置p个隐藏神经元和输出层设置1个神经元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310459272.7A CN116482114A (zh) | 2023-04-26 | 2023-04-26 | 一种钢结构梁火灾后损伤的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310459272.7A CN116482114A (zh) | 2023-04-26 | 2023-04-26 | 一种钢结构梁火灾后损伤的识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116482114A true CN116482114A (zh) | 2023-07-25 |
Family
ID=87211522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310459272.7A Pending CN116482114A (zh) | 2023-04-26 | 2023-04-26 | 一种钢结构梁火灾后损伤的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116482114A (zh) |
-
2023
- 2023-04-26 CN CN202310459272.7A patent/CN116482114A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Holford et al. | A new methodology for automating acoustic emission detection of metallic fatigue fractures in highly demanding aerospace environments: An overview | |
Sohn et al. | A review of structural health monitoring literature: 1996–2001 | |
Moll et al. | Guided waves for autonomous online identification of structural defects under ambient temperature variations | |
CN111767897B (zh) | 一种基于支持向量机的钢轨裂纹缺陷的识别方法 | |
CN117233347B (zh) | 一种碳钢球化等级测量方法、系统及设备 | |
Zhan et al. | A Novel Structural Damage Detection Method via Multisensor Spatial–Temporal Graph-Based Features and Deep Graph Convolutional Network | |
CN116609442B (zh) | 基于非线性超声导波和深度学习的管道裂纹评估定位方法 | |
CN116482114A (zh) | 一种钢结构梁火灾后损伤的识别方法 | |
CN115144259B (zh) | 一种钢材抗形变性能检测方法及系统 | |
CN112285651A (zh) | 基于特征提取矩阵相似度识别复合材料冲击源位置的方法及系统 | |
CN117191956A (zh) | 一种基于声发射的钛合金应力腐蚀损伤分类方法及装置 | |
CN116522089A (zh) | 一种金属结构早期疲劳裂纹与剩余寿命预测方法及系统 | |
Saechai et al. | Test system for defect detection in construction materials with ultrasonic waves by support vector machine and neural network | |
Alekhin et al. | Application of the case-based reasoning approach for identification of acoustic-emission control signals of complex technical objects | |
CN114663425A (zh) | 基于生成对抗网络的超声焊接质量在线监测方法 | |
CN114544765A (zh) | 一种基于深度学习的检测板状材料缺陷存在与位置的方法 | |
CN114324584B (zh) | 一种基于智能算法和超声相控阵技术的钢结构检测方法 | |
Banerjee et al. | Methodology for localization of crack in a steel truss bridge model | |
CN116644863B (zh) | 钢结构焊缝质量预测管理方法及系统 | |
Tappert et al. | Attacking the damage identification problem | |
EP4261535A1 (en) | Method for automatic flawless tube detection | |
Teng et al. | Evaluation of micro-flaws in metallic material based on a self-organized data-driven approach | |
Burte et al. | The middle ground of the NDE R&D spectrum | |
Ay | Impulse vibration based structural damage identification methods in time domain | |
CN116304875A (zh) | 双级cnn模型训练方法及系统、损伤区域识别方法及系统 |
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 |