CN116861785A - 一种基于知识图谱的混凝土坝关键部位分区方法及装置 - Google Patents

一种基于知识图谱的混凝土坝关键部位分区方法及装置 Download PDF

Info

Publication number
CN116861785A
CN116861785A CN202310831413.3A CN202310831413A CN116861785A CN 116861785 A CN116861785 A CN 116861785A CN 202310831413 A CN202310831413 A CN 202310831413A CN 116861785 A CN116861785 A CN 116861785A
Authority
CN
China
Prior art keywords
concrete dam
key part
path
special working
working condition
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.)
Granted
Application number
CN202310831413.3A
Other languages
English (en)
Other versions
CN116861785B (zh
Inventor
陈豪
朱大明
杨明龙
付琨
郭丽娜
禹跃美
谢丰余
赵富刚
张鹏
李学红
肖亮
王锐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Hohai University HHU
Huaneng Lancang River Hydropower Co Ltd
Original Assignee
Kunming University of Science and Technology
Hohai University HHU
Huaneng Lancang River Hydropower Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology, Hohai University HHU, Huaneng Lancang River Hydropower Co Ltd filed Critical Kunming University of Science and Technology
Priority to CN202310831413.3A priority Critical patent/CN116861785B/zh
Publication of CN116861785A publication Critical patent/CN116861785A/zh
Application granted granted Critical
Publication of CN116861785B publication Critical patent/CN116861785B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及混凝土坝结构监测技术领域，尤其是指一种基于知识图谱的混凝土坝关键部位分区方法、装置及存储介质。本发明所述的基于知识图谱的混凝土坝关键部位分区方法，选取特殊工况作为混凝土坝运行安全知识图谱的输入用户项，初步选定混凝土坝性态关注结构部位，然后通过特殊工况驱动混凝土坝运行安全知识图谱，激活受潜在受影响的结构部位，计算各结构部位在该特殊工况下的权重分值，进一步量化结构部位的关注程度，进而确定混凝土坝性态的关注关键部位，提升了划分精度。

Description

一种基于知识图谱的混凝土坝关键部位分区方法及装置
技术领域
本发明涉及混凝土坝结构监测技术领域，尤其是指一种基于知识图谱的混凝土坝关键部位分区方法、装置、设备及计算机存储介质。
背景技术
混凝土坝结构安全监测仪器布设以兼顾结构安全性和工程经济性为原则，依据拱梁分载法计算成果，按照控制关键部位、注重时空关系、重点部位多类型监测仪器互为备用且相互验证的技术要求，以水平拱圈为拱向监测基面，以竖直坝段为梁向监测截面，将各类监测仪器部署在监测基面和监测截面上，构成混凝土坝拱梁监测空间网格体系。
通过布设于拱梁监测空间网格的测点，可以采集到反映混凝土坝运行状态的监测数据，在受到外界因素影响下，各部位的同类或多类监测数据存在一定的相关性，这种相关性主要表现在相同或相近部位监测数据时序趋势的相似性。混凝土坝运行性态分析对象为布设监测仪器的结构部位，如何挖掘监测数据的时空相关性动态确定混凝土坝受特殊荷载影响的关键部位，进而提升相关共性监测数据对关键部位运行性态分析诊断的针对性，值得进一步研究。
目前混凝土坝结构关键部位主要根据地质情况、结构特点等因素确定。但因内外荷载对混凝土坝结构部位影响甚至破坏具有随机性，尚缺乏通过结构监测数据分析进而动态确定关键部位的手段。应用较多的各类聚类模型，计算复杂度高，对数据分布的假设较强，聚类效果受聚类指标选择的影响较大，且主要侧重于时序数据的共性特征挖掘，没有突出测点的空间位置，精度较低。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中侧重于时序数据的共性特征挖掘，没有突出测点的空间位置，精度较低的问题。
为解决上述技术问题，本发明提供了一种混凝土坝关键部位分区方法，包括：
根据特殊工况与关键部位之间的关系属性，建立特殊工况至关键部位的多条路径；
利用知识感知路径递归网络对所述特殊工况至关键部位的多条路径进行编码，计算每一条路径的路径得分，并聚合同一个特殊工况和关键部位对之间的路径得分，得到目标分数；
根据关键部位对应的目标分数计算各个关键部位的权重值；
筛选权重值大于预设阈值的关键部位作为目标关键部位。
优选地，所述特殊工况包括近距强震、特大洪水和极端低温。
优选地，所述根据特殊工况与关键部位之间的关系属性，建立特殊工况至关键部位的多条路径包括：
将近距强震、特大洪水、极端低温、坝基岩体、水库水位、材料性能、混凝土坝坝体、监测系统、监测效应量、结构部位、监测部位、拱向监测基面、梁向监测截面、各类测点和关键部位作为对象节点，将包含、影响、检查、引发、检查范围和布设作为中间的关联关系，建立特殊工况至关键部位的多条路径。
优选地，所述利用知识感知路径递归网络对所述特殊工况至关键部位的多条路径进行编码包括：
将任意一条路径对应的特殊工况和关键部位编码为两种嵌入向量，并引入对应的关系类型嵌入向量；
将所述两种嵌入向量和所述关系类型嵌入向量进行拼接后输入LSTM层，得到该路径最终的向量表示。
优选地，所述计算每一条路径的路径得分包括：
利用两个全连接层将所述最终的向量表示投影到预测分数中，得到所述路径得分。
优选地，所述聚合同一个特殊工况和关键部位对之间的路径得分，得到目标分数包括：
在同一个特殊工况和关键部位对之间，根据路径对特殊工况偏好的贡献进行池化操作，聚合所有路径得分，得到所述目标分数。
优选地，所述根据关键部位对应的目标分数计算各个关键部位的权重值包括：
将某一关键部位自身目标分数与所有关键部位目标分数之和进行归一化处理，得到该关键部位的权重值。
本发明还提供了一种混凝土坝关键部位分区装置，包括：
路径构建模块，用于根据特殊工况与关键部位之间的关系属性，建立特殊工况至关键部位的多条路径；
目标分数计算模块，用于利用知识感知路径递归网络对所述特殊工况至关键部位的多条路径进行编码，计算每一条路径的路径得分，并聚合同一个特殊工况和关键部位对之间的路径得分，得到目标分数；
权重计算模块，用于根据关键部位对应的目标分数计算各个关键部位的权重值；
关键部位划分模块，用于筛选权重值大于预设阈值的关键部位作为目标关键部位。
本发明还提供了一种混凝土坝关键部位分区设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述一种混凝土坝关键部位分区方法步骤。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质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上述一种混凝土坝关键部位分区方法的步骤。
本发明的上述技术方案相比现有技术具有以下优点：
本发明所述的基于知识图谱的混凝土坝关键部位分区方法，选取特殊工况作为混凝土坝运行安全知识图谱的输入用户项，初步选定混凝土坝性态关注结构部位，然后通过特殊工况驱动混凝土坝运行安全知识图谱，激活受潜在受影响的结构部位，计算各结构部位在该特殊工况下的权重分值，进一步量化结构部位的关注程度，进而确定混凝土坝性态的关注关键部位，提升了划分精度。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中：
图1为本发明所提供的一种混凝土坝关键部位分区方法的实现流程图；
图2是特殊工况至关键部位路径概览示意图；
图3是混凝土坝领域知识感知推荐示例图；
图4为局部LSTM结构示意图。
具体实施方式
本发明的核心是提供一种基于知识图谱的混凝土坝关键部位分区方法、装置、设备及计算机存储介质，提升了划分精度。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。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他实施例，都属于本发明保护的范围。
请参考图1，图1为本发明所提供的一种混凝土坝关键部位分区方法的实现流程图；具体操作步骤如下：
S101:根据特殊工况与关键部位之间的关系属性，建立特殊工况至关键部位的多条路径；
S102:利用知识感知路径递归网络对所述特殊工况至关键部位的多条路径进行编码，计算每一条路径的路径得分，并聚合同一个特殊工况和关键部位对之间的路径得分，得到目标分数；
S103:根据关键部位对应的目标分数计算各个关键部位的权重值；
S104:筛选权重值大于预设阈值的关键部位作为目标关键部位。
基于以上实施例，本实施例对步骤S101进行详细说明：
知识图谱的本质是一种有向图，可以定义为KG＝{(h,r,t)|h,r∈ε,r∈R)，其中每个三元组(h,r,t)，即从头实体h到尾实体t存在关系r。本节使用和/>分别表示用户项集合和目标项集合，其中用户项ut为特殊工况，目标项it包含所有关键部位，M和N分别指用户项和目标项的数量。图谱中的三元组清晰地描述了用户项和目标项的直接或间接关系属性，这些属性构成它们之间的一条或多条路径，定义为:
式中，e1＝u，eL＝i，(el,rl,el+1)是pk中的第l个三元组，l表示路径中的三元组数。
将近距强震、特大洪水、极端低温、坝基岩体、水库水位、材料性能、混凝土坝坝体、监测系统、监测效应量、结构部位、监测部位、关键部位、拱向监测基面、梁向监测截面、各类测点等作为知识图谱三元组两端的对象节点；将包含、影响、检查、引发、检查范围、布设等作为知识图谱三元组中间的关联关系。混凝土坝运行安全知识图谱主要关系类型定义如表1所示:
表1混凝土坝运行安全知识图谱主要关系类型
Table 1 The main relationship types of high arch dam operation safetyknowledge
如图2所示，图2标出了从特殊工况至关键部位的多条路径，不同的路径隐含了特殊工况与同类评判指标子项间的不同组合语义。
基于以上实施例，本实施例对步骤S102进行详细说明：
采用知识感知路径递归网络(Knowledge-aw-are Path Recurrent Network，KPRN)推导混凝土坝运行安全知识图谱，评估特殊工况下各关键部位的关注程度分值。KPRN模型组合实体和关系的语义生成路径表示，利用路径中的顺序依赖进行推理，增强模型推导过程的可解释性。KPRN模型将每个用户项作为输入，输出一个分值作为目标项关键部位的关注程度评分，该模型主要由三个部分组成，如图3所示：
(1)知识嵌入层将图谱中每个实体、实体对应类型及关系映射到一个低维向量：对于给定的路径pk，首先将路径中的每个实体编码成两种嵌入向量，实体值，分别表示为el∈Rd，e'l∈Rd，d为嵌入向量维度。此外，引入实体间的关系类型嵌入rl∈Rd，表达实体关系间不同的语义信息。在本模型中，不同的关系决定了不同知识感知路径的编码内容，有助于模型对于特殊工况与关键部位交互程度的深层理解。由此，编码层对路径pk[e1,r1,e2,...,rL-1,eL]进行编码，其中每个元素都代表一个实体或者关系。
(2)LSTM层对元素进行顺序编码，捕获以关系为条件的实体组合语义：LSTM能够处理长序列的数据信息，尤其对于长距离的文本数据，能够捕捉上下文之间的语义信息，其模型结构如图4所示；
LSTM中的重复模块包含三个门控神经网络，遗忘门，输入门和输出门。此外LSTM还包含一个通道信息，仅包含少量线性操作，保证了信息在传输过程中保持不变。其中，遗忘门决定了当前状态丢弃的信息，读取该步的输入信息xt和上一步的输出ht-1，输出一个0到1的值决定要舍弃的信息比率，1表示“完全保留”，0表示“完全舍弃”。通过式(1)计算：
ft＝σ(Wf[ht-1,xt]+bf) (1)
式中，σ表示sigmoid函数。
输入门决定新的信息加入当前状态的比例，通过式(2)和(3)计算：
it＝σ(Wi[ht-1,xt]+bi) (2)
输出门基于当前状态决定输出的值ht，通过式(4和(5)计算：
ot＝σ(Wo[ht-1,xt]+bo) (4)
ht＝ot*tanh(Ct) (5)
LSTM层能够记忆序列中的长期依赖关系，对于推理连接用户项和目标项实体的路径来计算权重值至关重要。在KPRN模型第l-1步时，LSTM将知识嵌入层的实体类型、实体值和关系嵌入向量进行连接操作作为输入向量，输出一个隐藏层向量hl-1，代替之前的所有输入信息[e1,r1,e2,...,el-1,rl-1]，通过式(6)计算：
式中，代表向量拼接操作。对于最后一个实体eL，对其增加一个空关系rL。LSTM层得到向量hL，表示整条路径上的所有信息。最后，为了计算特殊工况与关键部位的交互分数，采用两个全连接层将最终的状态投影到预测分数中，通过式(7)计算：
式中，W1 T，分别为第一层、第二层的可训练矩阵。
(3)池化层将多条路径合并，并输出给定用户项与目标项交互的最终得分：同一个用户项与目标项对之间可能包含多条路径，不同的路径表示了不同的含义，根据路径对模型用户项偏好的贡献进行池化操作，聚合所有路径得分，通过式(8)计算：
式中，γ为控制每个指数的超参数。
最终预测用户项—目标项分数，通过式(9)计算：
式中，σ表示sigmoid激活函数。
基于以上实施例，本实施例对步骤S103进行详细说明：
用户项u为特殊工况，i∈I为混凝土坝关键部位，I为所有关键部位。通过混凝土坝运行安全知识图谱对所有关键部位进行关注程度评分，得到所有关键部位的关注程度分值，以此作为权重计算来源。对于每个关键部位而言，取自身分数与所有关键部位之和进行归一化，作为混凝土坝性态在线评判关键部位的权重值，通过式(10)计算：
式中，wui为部位权重值，I'为i所属于的关键部位集合。
本发明实施例还提供的一种混凝土坝关键部位分区装置；具体装置可以包括：
路径构建模块，用于根据特殊工况与关键部位之间的关系属性，建立特殊工况至关键部位的多条路径；
目标分数计算模块，用于利用知识感知路径递归网络对所述特殊工况至关键部位的多条路径进行编码，计算每一条路径的路径得分，并聚合同一个特殊工况和关键部位对之间的路径得分，得到目标分数；
权重计算模块，用于根据关键部位对应的目标分数计算各个关键部位的权重值；
关键部位划分模块，用于筛选权重值大于预设阈值的关键部位作为目标关键部位。
本实施例的混凝土坝关键部位分区装置用于实现前述的混凝土坝关键部位分区方法，因此混凝土坝关键部位分区装置中的具体实施方式可见前文混凝土坝关键部位分区方法的实施例部分，例如，路径构建模块，目标分数计算模块，权重计算模块，权重计算模块，分别用于实现上述混凝土坝关键部位分区方法中步骤S101，S102，S103，S104，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
本发明具体实施例还提供了一种混凝土坝关键部位分区设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种混凝土坝关键部位分区方法的步骤。
本发明具体实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质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上述一种混凝土坝关键部位分区方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种混凝土坝关键部位分区方法，其特征在于，包括：
根据特殊工况与关键部位之间的关系属性，建立特殊工况至关键部位的多条路径；
利用知识感知路径递归网络对所述特殊工况至关键部位的多条路径进行编码，计算每一条路径的路径得分，并聚合同一个特殊工况和关键部位对之间的路径得分，得到目标分数；
根据关键部位对应的目标分数计算各个关键部位的权重值；
筛选权重值大于预设阈值的关键部位作为目标关键部位。
2.根据权利要求1所述的混凝土坝关键部位分区方法，其特征在于，所述特殊工况包括近距强震、特大洪水和极端低温。
3.根据权利要求2所述的混凝土坝关键部位分区方法，其特征在于，所述根据特殊工况与关键部位之间的关系属性，建立特殊工况至关键部位的多条路径包括：
将近距强震、特大洪水、极端低温、坝基岩体、水库水位、材料性能、混凝土坝坝体、监测系统、监测效应量、结构部位、监测部位、拱向监测基面、梁向监测截面、各类测点和关键部位作为对象节点，将包含、影响、检查、引发、检查范围和布设作为中间的关联关系，建立特殊工况至关键部位的多条路径。
4.根据权利要求1所述的混凝土坝关键部位分区方法，其特征在于，所述利用知识感知路径递归网络对所述特殊工况至关键部位的多条路径进行编码包括：
将任意一条路径对应的特殊工况和关键部位编码为两种嵌入向量，并引入对应的关系类型嵌入向量；
将所述两种嵌入向量和所述关系类型嵌入向量进行拼接后输入LSTM层，得到该路径最终的向量表示。
5.根据权利要求4所述的混凝土坝关键部位分区方法，其特征在于，所述计算每一条路径的路径得分包括：
利用两个全连接层将所述最终的向量表示投影到预测分数中，得到所述路径得分。
6.根据权利要求1所述的混凝土坝关键部位分区方法，其特征在于，所述聚合同一个特殊工况和关键部位对之间的路径得分，得到目标分数包括：
在同一个特殊工况和关键部位对之间，根据路径对特殊工况偏好的贡献进行池化操作，聚合所有路径得分，得到所述目标分数。
7.根据权利要求1所述的混凝土坝关键部位分区方法，其特征在于，所述根据关键部位对应的目标分数计算各个关键部位的权重值包括：
将某一关键部位自身目标分数与所有关键部位目标分数之和进行归一化处理，得到该关键部位的权重值。
8.一种混凝土坝关键部位分区装置，其特征在于，包括：
路径构建模块，用于根据特殊工况与关键部位之间的关系属性，建立特殊工况至关键部位的多条路径；
目标分数计算模块，用于利用知识感知路径递归网络对所述特殊工况至关键部位的多条路径进行编码，计算每一条路径的路径得分，并聚合同一个特殊工况和关键部位对之间的路径得分，得到目标分数；
权重计算模块，用于根据关键部位对应的目标分数计算各个关键部位的权重值；
关键部位划分模块，用于筛选权重值大于预设阈值的关键部位作为目标关键部位。
9.一种混凝土坝关键部位分区设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述一种混凝土坝关键部位分区方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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如权利要求1至7任一项所述一种混凝土坝关键部位分区方法的步骤。
CN202310831413.3A 2023-07-06 2023-07-06 一种基于知识图谱的混凝土坝关键部位分区方法及装置 Active CN116861785B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310831413.3A CN116861785B (zh) 2023-07-06 2023-07-06 一种基于知识图谱的混凝土坝关键部位分区方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310831413.3A CN116861785B (zh) 2023-07-06 2023-07-06 一种基于知识图谱的混凝土坝关键部位分区方法及装置

Publications (2)

Publication Number Publication Date
CN116861785A true CN116861785A (zh) 2023-10-10
CN116861785B CN116861785B (zh) 2024-08-27

Family

ID=88224770

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310831413.3A Active CN116861785B (zh) 2023-07-06 2023-07-06 一种基于知识图谱的混凝土坝关键部位分区方法及装置

Country Status (1)

Country Link
CN (1) CN116861785B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080301142A1 (en) * 2007-06-03 2008-12-04 Im-Prove Llc Method and system for organizing and presenting construction knowledge-sharing tools
CN111256754A (zh) * 2020-01-19 2020-06-09 河海大学 一种混凝土坝长期运行安全预警方法
CN113298426A (zh) * 2021-06-17 2021-08-24 华能澜沧江水电股份有限公司 知识图谱驱动的大坝安全评判权重动态拟定方法及系统
CN113762399A (zh) * 2021-09-10 2021-12-07 华能澜沧江水电股份有限公司 一种重力坝时空关联监测数据采集与可视化呈现方法
CN115828882A (zh) * 2022-09-23 2023-03-21 华能澜沧江水电股份有限公司 面向大坝安全知识库风险联动的实体对齐方法和系统
US20230119211A1 (en) * 2021-10-15 2023-04-20 Hohai University Method For Extracting Dam Emergency Event Based On Dual Attention Mechanism

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080301142A1 (en) * 2007-06-03 2008-12-04 Im-Prove Llc Method and system for organizing and presenting construction knowledge-sharing tools
CN111256754A (zh) * 2020-01-19 2020-06-09 河海大学 一种混凝土坝长期运行安全预警方法
CN113298426A (zh) * 2021-06-17 2021-08-24 华能澜沧江水电股份有限公司 知识图谱驱动的大坝安全评判权重动态拟定方法及系统
CN113762399A (zh) * 2021-09-10 2021-12-07 华能澜沧江水电股份有限公司 一种重力坝时空关联监测数据采集与可视化呈现方法
US20230119211A1 (en) * 2021-10-15 2023-04-20 Hohai University Method For Extracting Dam Emergency Event Based On Dual Attention Mechanism
CN115828882A (zh) * 2022-09-23 2023-03-21 华能澜沧江水电股份有限公司 面向大坝安全知识库风险联动的实体对齐方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨海娇;辛全才;申玲玲;: "混凝土坝实测性态的可变模糊综合评价", 水力发电, no. 10, 12 October 2013 (2013-10-12) *
马洪琪;卢吉;陈豪;: "澜沧江流域水电站大坝智慧管理实践与展望", 中国水利, no. 20, 30 October 2018 (2018-10-30) *

Also Published As

Publication number Publication date
CN116861785B (zh) 2024-08-27

Similar Documents

Publication Publication Date Title
Panagant et al. Truss topology, shape and sizing optimization by fully stressed design based on hybrid grey wolf optimization and adaptive differential evolution
Ahmed et al. Genetic algorithm for optimal operating policy of a multipurpose reservoir
KR101312755B1 (ko) 동적 임계값을 결정하는 방법, 가변 포맷을 사용하여 셀의 범위를 포맷하는 컴퓨터 구현 방법, 및 컴퓨터 판독가능 매체
CN104866578B (zh) 一种不完整物联网数据混合填充方法
CN112100392A (zh) 一种基于强化学习和知识图谱的设备故障溯因方法
CN112561031A (zh) 基于人工智能的模型搜索方法、装置及电子设备
CN113360670A (zh) 一种基于事实上下文的知识图谱补全方法及系统
US20230268035A1 (en) Method and apparatus for generating chemical structure using neural network
CN108364068A (zh) 基于有向图的深度学习神经网络构建方法和机器人系统
CN116933192A (zh) 混凝土坝运行关键部位分区监控方法及模型
Solorzano et al. Computational intelligence methods in simulation and modeling of structures: A state-of-the-art review using bibliometric maps
CN113031930B (zh) 一种控制流平坦化的源代码混淆生成方法及装置
Evermann et al. XES tensorflow-Process prediction using the tensorflow deep-learning framework
CN106203696B (zh) 一种基于符号的混合装配序列生成方法
CN107145934A (zh) 一种基于增强局部搜索能力的人工蜂群优化方法
CN116861785B (zh) 一种基于知识图谱的混凝土坝关键部位分区方法及装置
CN113688424A (zh) 基于权重社会网络的个性化差分隐私保护方法
Khoshgoftaar et al. Attribute selection using rough sets in software quality classification
CN111539508A (zh) 基于改进灰狼算法的发电机励磁系统参数辨识算法
Gelle et al. Constraint satisfaction methods for applications in engineering
CN111832819B (zh) 基于用户行为和对抗网络的网络舆论传播预测方法与装置
Yuan et al. Application of differential evolution cuckoo search algorithm in parameter optimization of VG equation
Souza et al. Predicting elastic properties of geomechanical models with Genetic Programming
CN118246033B (zh) 跨平台代码异常漏洞检测方法、系统、设备、介质及产品
CN115794120B (zh) 一种基于高阶函数的动态程序依赖簇检测方法

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
GR01 Patent grant
GR01 Patent grant