CN117217539A - 沉井下沉ai智能分析与辅助决策的方法、设备及存储介质 - Google Patents
沉井下沉ai智能分析与辅助决策的方法、设备及存储介质 Download PDFInfo
- Publication number
- CN117217539A CN117217539A CN202311283606.6A CN202311283606A CN117217539A CN 117217539 A CN117217539 A CN 117217539A CN 202311283606 A CN202311283606 A CN 202311283606A CN 117217539 A CN117217539 A CN 117217539A
- Authority
- CN
- China
- Prior art keywords
- sinking
- well
- data
- decision
- open caisson
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004458 analytical method Methods 0.000 title claims abstract description 39
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 61
- 238000010276 construction Methods 0.000 claims abstract description 24
- 238000005096 rolling process Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 29
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000002093 peripheral effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及沉井智能施工技术领域,尤其涉及一种沉井下沉AI智能分析与辅助决策的方法、设备及存储介质,其中方法包括:获取沉井下沉监测数据;对所述沉井下沉监测数据进行预处理;建立沉井下沉状态预测模型;基于所述沉井下沉状态预测模型滚动预测沉井下沉状态;分析模型预测结果并生成决策建议。本申请通过引入人工智能技术,实现沉井下沉施工过程的智能化监测、分析和决策辅助,提高施工效率和安全性。
Description
技术领域
本申请涉及沉井智能施工技术领域,尤其涉及一种沉井下沉AI智能分析与辅助决策的方法、设备及存储介质。
背景技术
随着人工智能技术的不断发展,各个领域均想引入人工智能技术从而能够解决一些行业问题,在这种趋势下,建筑行业中也想要通过引入人工智能技术为沉井下沉施工的自动化决策制定提供一种新的方法和途径。
沉井基础是井筒状的结构物,通过从井内挖土并依靠自身重力克服井壁摩阻力后下沉到标高,最后采用混凝土封底并填充井孔,成为桥梁墩台或者其他建筑物的基础。目前沉井下沉施工的决策通常是基于人工经验作出决策,需要考虑水文地质条件、施工环境、沉井姿态、井下泥面标高、沉井底面反力等主要影响因素并进行综合分析后才能确定下一步施工指令。
由于人工分析施工数据需要一定时间,可能会导致决策方案相对于现场的施工进度较为滞后,此外人工决策的方案也过于依赖决策者的主观经验,从而导致沉井施工的效率和安全性均会受到影响。
发明内容
本申请提供了一种沉井下沉AI智能分析与辅助决策的方法、设备及存储介质,通过引入人工智能技术,实现沉井下沉施工过程的智能化监测、分析和决策辅助,提高施工效率和安全性。本申请提供如下技术方案:
第一方面,本申请提供一种沉井下沉AI智能分析与辅助决策的方法,所述方法包括:
获取沉井下沉监测数据;
对所述沉井下沉监测数据进行预处理;
建立沉井下沉状态预测模型;
基于所述沉井下沉状态预测模型滚动预测沉井下沉状态;
分析模型预测结果并生成决策建议。
在一个具体的可实施方案中,所述对沉井下沉监测数据进行预处理包括:
根据缺失比例对缺失数据进行处理,当缺失比例过大且数据表现出大段连续缺失的特征时,移除相应数据;当数据缺失比例较小且表现出间断缺失的特征时,则利用线性插值方法补全数据;
根据数据分布情况定位异常数据,分别计算所述沉井下沉监测数据的平均值μ和标准差σ,当监测值大于μ+3σ或小于μ-3σ时可认为数据异常,再将异常数据用其前后正常数据的均值进行替换;
数据降噪处理,采用常用的滑动均值滤波算法进行降噪。
在一个具体的可实施方案中,所述获取沉井下沉监测数据包括:
通过沉井下沉智能化监控平台数据库实时获取沉井下沉监测数据,沉井下沉监测数据包括沉井底部结构应力传感器监测数据、沉井下沉深度监测数据、顺桥向高差监测数据以及横桥向高差监测数据。
在一个具体的可实施方案中,所述基于所述沉井下沉状态预测模型滚动预测沉井下沉状态之前还包括准备模型样本;
样本包括输入部分和输出部分,输入部分为沉井底部结构应力传感器的实际监测数据,所述沉井下沉状态预测模型提取输入部分的数据特征以预测沉井下沉状态;输出部分为沉井下沉状态指标实测值,沉井下沉状态预测模型基于输入部分预测下沉状态指标值后与样本输出部分对比,衡量沉井下沉状态预测模型的预测效果;
其中若是下沉过程中沉井底部共有k个结构应力传感器正常工作,则每个样本的输入部分是长度为k的一维向量;输出部分是长度为3的一维向量,依次为沉井下沉速度、横桥向高差和顺桥向高差,其中横桥向高差与顺桥向高差用于衡量沉井倾斜程度。
在一个具体的可实施方案中,所述样本输出部分的测量时刻应晚于输入部分测量时刻w分钟,预测模型工程应用时,提前w分钟得到沉井下沉状态预测值,其中w为传感器数据监测时间间隔的倍数,根据需要选定。
在一个具体的可实施方案中,所述基于所述沉井下沉状态预测模型滚动预测沉井下沉状态包括:
对于任一时刻,选用该时刻前的全部数据样本作为训练集对所述沉井下沉状态预测模型进行训练;
模型训练完毕后,输入当前时刻的结构应力传感器监测数据,具体的,将结构应力传感器监测数据传输到云端计算平台,该平台包括已完成深度学习的沉井下沉状态预测模型;
然后获取w分钟后的沉井下沉速度、顺桥向高差和横桥向高差预测值。
在一个具体的可实施方案中,所述分析模型预测结果并生成决策建议包括:
分析沉井下沉速度、顺桥向高差和横桥向高差的预测值,若是预测值超过相应阈值,需要施工人员评判沉井下沉状态是否安全以及是否需要进行施工工序调整;
随着滚动预测的进行,要对比预测结果与实测结果的偏差,当偏差持续较大时需要对模型进行优化,主要优化方法为进行模型超参数优化;
最后基于分析结果生成决策建议,包括施工工序调整、风险预警和紧急处理建议。
第二方面,本申请提供一种沉井下沉AI智能分析与辅助决策的系统,采用如下的技术方案:
一种沉井下沉AI智能分析与辅助决策的系统,包括:
数据获取模块,用于获取沉井下沉监测数据;
数据处理模块,用于对所述沉井下沉监测数据进行预处理;
模型建立模块,用于建立沉井下沉状态预测模型;
模型预测模块,用于基于所述沉井下沉状态预测模型滚动预测沉井下沉状态;
决策生成模块,用于分析模型预测结果并生成决策建议。
第三方面,本申请提供一种电子设备,所述设备包括处理器和存储器;所述存储器中存储有程序,所述程序由所述处理器加载并执行以实现如权利要求1至7任一项所述的一种沉井下沉AI智能分析与辅助决策的方法。
第四方面,本申请提供一种计算机可读存储介质,所述存储介质中存储有程序,所述程序被处理器执行时用于实现如权利要求1至7任一项所述的一种沉井下沉AI智能分析与辅助决策的方法。
综上所述,本申请的有益效果至少包括:人工智能AI可以自动化和智能化地进行大规模的数据分析和处理,提高数据处理的速度和准确性,释放出更多的时间和精力供管理人员进行分析与决策。
通过引入人工智能技术,实现沉井下沉施工过程的智能化监测、分析和决策辅助,提高施工效率和安全性的同时还能大幅提高工作效率。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,并可依照说明书的内容予以实施,以下以本申请的较佳实施例并配合附图详细说明如后。
附图说明
图1是本申请一个实施例提供的沉井下沉AI智能分析与辅助决策的方法的流程示意图。
图2是本申请一个实施例提供的下沉快慢预测卷积神经网络模型的结构示意图。
图3是本申请一个实施例提供的下沉速度预测三维卷积神经网络模型结构图。
图4是本申请一个实施例提供的沉井下沉AI智能分析与辅助决策的电子设备的框图。
具体实施方式
下面结合附图和实施例,对本申请的具体实施方式做进一步详细描述。以下实施例用于说明本申请,但不用来限制本申请的范围。
参照图1,是本申请一个实施例提供的沉井下沉AI智能分析与辅助决策的方法的流程示意图,该方法至少包括以下几个步骤:
S101、获取沉井下沉监测数据。
首先,通过沉井下沉智能化监控平台数据库实时获取沉井下沉监测数据,沉井下沉监测数据包括沉井底部结构应力传感器监测数据、沉井下沉深度监测数据、顺桥向高差监测数据以及横桥向高差监测数据,通过上述数据便于实现沉井下沉速度、顺桥向倾斜程度和横桥向倾斜程度的超前预报。
在实施中,在沉井结构上安装应力、土压力、温度、GPS等传感器和摄像头,用于采集数据和图像。
S102、对沉井下沉监测数据进行预处理。
在实施中由于传感器性能和外部因素影响,原始监测数据可能存在数据缺失、数据异常、数据噪音过大等情况,因此需要进行数据预处理操作。
具体的,根据缺失比例对缺失数据进行处理,当缺失比例过大且数据表现出大段连续缺失的特征时,移除相应的传感器数据。当数据缺失比例较小且表现出间断缺失的特征时,则利用线性插值方法补全数据。
之后根据数据分布情况定位异常数据,分别计算各传感器数值监测数据的平均值μ和标准差σ,当监测值大于μ+3σ或小于μ-3σ时可认为数据异常,再将异常数据用其前后正常数据的均值进行替换。
最后进行数据降噪处理,采用常用的滑动均值滤波算法进行降噪,推荐将滤波窗口尺寸设置为13或15。
沉井下沉监测数据预处理之后,利用处理后的沉井下沉监测数据分别计算沉井下沉速度、横桥向高差和顺桥向高差。
S103、建立沉井下沉状态预测模型。
具体的,利用机器学习算法建立沉井下沉状态预测模型,采用机器学习领域的集成学习算法,如梯度提升树或随机森林。集成学习通过组合多个基本机器学习模型,能够实现更高的预测精度和更好的泛化性能。
S104、样本准备。
样本包括输入部分和输出部分,输入部分为沉井底部结构应力传感器的实际监测数据,沉井下沉状态预测模型提取输入部分的数据特征以预测沉井下沉状态。输出部分为沉井下沉状态指标实测值,沉井下沉状态预测模型基于输入部分预测下沉状态指标值后与样本输出部分对比,从而衡量沉井下沉状态预测模型的预测效果。参照图2以及图3,如果下沉过程中沉井底部共有k个结构应力传感器正常工作,则每个样本的输入部分是长度为k的一维向量;输出部分是长度为3的一维向量,依次为沉井下沉速度、横桥向高差和顺桥向高差,其中横桥向高差与顺桥向高差用于衡量沉井倾斜程度。需要注意的是,样本输出部分的测量时刻应晚于输入部分测量时刻w分钟,这样在预测模型工程应用时,可以提前w分钟得到沉井下沉状态预测值,从而进行下沉状态超前预报。w为传感器数据监测时间间隔的倍数,根据需要选定。
S105、基于沉井下沉状态预测模型滚动预测沉井下沉状态。
在沉井下沉过程中滚动预测沉井下沉状态,具体的,对于任一时刻,选用该时刻前的全部数据样本作为训练集对沉井下沉状态预测模型进行训练,模型训练完毕后,输入当前时刻的结构应力传感器监测数据,具体的,将结构应力传感器监测数据传输到云端计算平台,该平台包括已完成深度学习的沉井下沉状态预测模型,然后获取w分钟后的沉井下沉速度、顺桥向高差和横桥向高差预测值。沉井下沉状态预测模型需要一定数量的样本用于训练,因此沉井初始下沉的一段时间内预测结果可能与实际结果存在较大偏差。
S106、模型预测结果分析并生成决策建议。
分析沉井下沉速度、顺桥向高差和横桥向高差的预测值,若是预测值超过相应阈值,需要施工人员评判沉井下沉状态是否安全以及是否需要进行施工工序调整。随着滚动预测的进行,要对比预测结果与实测结果的偏差,当偏差持续较大时需要对模型进行优化,主要优化方法为进行模型超参数优化。最后基于分析结果生成决策建议,包括施工工序调整、风险预警和紧急处理建议。
可选地,也可以将决策建议传送给施工管理人员,以协助他们做出决策。管理人员通过后台记录和存储分析数据和决策历史情况,以进行后续审查和改进。
综上所述,传统的人力工作需要耗费大量的时间和精力,而人工智能AI可以自动化和智能化地进行大规模的数据分析和处理,提高数据处理的速度和准确性,释放出更多的时间和精力供管理人员进行分析与决策。通过引入人工智能技术,实现沉井下沉施工过程的智能化监测、分析和决策辅助,提高施工效率和安全性的同时还能大幅提高工作效率。
本申请还提供一种沉井下沉AI智能分析与辅助决策的系统,采用如下的技术方案:
一种沉井下沉AI智能分析与辅助决策的系统,包括:
数据获取模块,用于获取沉井下沉监测数据;
数据处理模块,用于对沉井下沉监测数据进行预处理;
模型建立模块,用于建立沉井下沉状态预测模型;
模型预测模块,用于基于沉井下沉状态预测模型滚动预测沉井下沉状态;
决策生成模块,用于分析模型预测结果并生成决策建议。
相关细节参考上述方法实施例。
图4是本申请一个实施例提供的电子设备的框图。该设备至少包括处理器401和存储器402。
处理器401可以包括一个或多个处理核心,比如:4核心处理器、8核心处理器等。处理器401可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器401也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器401可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器401还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器402可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器402还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器402中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器401所执行以实现本申请中方法实施例提供的沉井下沉AI智能分析与辅助决策的方法。
在一些实施例中,电子设备还可选包括有:外围设备接口和至少一个外围设备。处理器401、存储器402和外围设备接口之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口相连。示意性地,外围设备包括但不限于:射频电路、触摸显示屏、音频电路、和电源等。
当然,电子设备还可以包括更少或更多的组件,本实施例对此不作限定。
可选地,本申请还提供有一种计算机可读存储介质,计算机可读存储介质中存储有程序,程序由处理器加载并执行以实现上述方法实施例的沉井下沉AI智能分析与辅助决策的方法。
可选地,本申请还提供有一种计算机产品,该计算机产品包括计算机可读存储介质,计算机可读存储介质中存储有程序,程序由处理器加载并执行以实现上述方法实施例的沉井下沉AI智能分析与辅助决策的方法。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种沉井下沉AI智能分析与辅助决策的方法,其特征在于,所述方法包括:
获取沉井下沉监测数据;
对所述沉井下沉监测数据进行预处理;
建立沉井下沉状态预测模型;
基于所述沉井下沉状态预测模型滚动预测沉井下沉状态;
分析模型预测结果分析并生成决策建议。
2.根据权利要求1所述的沉井下沉AI智能分析与辅助决策的方法,其特征在于,
所述对沉井下沉监测数据进行预处理包括:
根据缺失比例对缺失数据进行处理,当缺失比例过大且数据表现出大段连续缺失的特征时,移除相应数据;当数据缺失比例较小且表现出间断缺失的特征时,则利用线性插值方法补全数据;
根据数据分布情况定位异常数据,分别计算所述沉井下沉监测数据的平均值μ和标准差σ,当监测值大于μ+3σ或小于μ-3σ时可认为数据异常,再将异常数据用其前后正常数据的均值进行替换;
数据降噪处理,采用常用的滑动均值滤波算法进行降噪。
3.根据权利要求1所述的沉井下沉AI智能分析与辅助决策的方法,其特征在于,所述获取沉井下沉监测数据包括:
通过沉井下沉智能化监控平台数据库实时获取沉井下沉监测数据,沉井下沉监测数据包括沉井底部结构应力传感器监测数据、沉井下沉深度监测数据、顺桥向高差监测数据以及横桥向高差监测数据。
4.根据权利要求3所述的沉井下沉AI智能分析与辅助决策的方法,其特征在于,所述基于所述沉井下沉状态预测模型滚动预测沉井下沉状态之前还包括准备模型样本;
样本包括输入部分和输出部分,输入部分为沉井底部结构应力传感器的实际监测数据,所述沉井下沉状态预测模型提取输入部分的数据特征以预测沉井下沉状态;输出部分为沉井下沉状态指标实测值,沉井下沉状态预测模型基于输入部分预测下沉状态指标值后与样本输出部分对比,衡量沉井下沉状态预测模型的预测效果;
其中若是下沉过程中沉井底部共有k个结构应力传感器正常工作,则每个样本的输入部分是长度为k的一维向量;输出部分是长度为3的一维向量,依次为沉井下沉速度、横桥向高差和顺桥向高差,其中横桥向高差与顺桥向高差用于衡量沉井倾斜程度。
5.根据权利要求4所述的沉井下沉AI智能分析与辅助决策的方法,其特征在于,所述样本输出部分的测量时刻应晚于输入部分测量时刻w分钟,预测模型工程应用时,提前w分钟得到沉井下沉状态预测值,其中w为传感器数据监测时间间隔的倍数,根据需要选定。
6.根据权利要求5所述的沉井下沉AI智能分析与辅助决策的方法,其特征在于,所述基于所述沉井下沉状态预测模型滚动预测沉井下沉状态包括:
对于任一时刻,选用该时刻前的全部数据样本作为训练集对所述沉井下沉状态预测模型进行训练;
模型训练完毕后,输入当前时刻的结构应力传感器监测数据,具体的,将结构应力传感器监测数据传输到云端计算平台,该平台包括已完成深度学习的沉井下沉状态预测模型;
然后获取w分钟后的沉井下沉速度、顺桥向高差和横桥向高差预测值。
7.根据权利要求1所述的沉井下沉AI智能分析与辅助决策的方法,其特征在于,所述分析模型预测结果并生成决策建议包括:
分析沉井下沉速度、顺桥向高差和横桥向高差的预测值,若是预测值超过相应阈值,需要施工人员评判沉井下沉状态是否安全以及是否需要进行施工工序调整;
随着滚动预测的进行,要对比预测结果与实测结果的偏差,当偏差持续较大时需要对模型进行优化,主要优化方法为进行模型超参数优化;
最后基于分析结果生成决策建议,包括施工工序调整、风险预警和紧急处理建议。
8.一种沉井下沉AI智能分析与辅助决策的系统,其特征在于,包括:
数据获取模块,用于获取沉井下沉监测数据;
数据处理模块,用于对所述沉井下沉监测数据进行预处理;
模型建立模块,用于建立沉井下沉状态预测模型;
模型预测模块,用于基于所述沉井下沉状态预测模型滚动预测沉井下沉状态;
决策生成模块,用于分析模型预测结果并生成决策建议。
9.一种电子设备,其特征在于,所述设备包括处理器和存储器;所述存储器中存储有程序,所述程序由所述处理器加载并执行以实现如权利要求1至7任一项所述的一种沉井下沉AI智能分析与辅助决策的方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有程序,所述程序被处理器执行时用于实现如权利要求1至7任一项所述的一种沉井下沉AI智能分析与辅助决策的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311283606.6A CN117217539A (zh) | 2023-10-07 | 2023-10-07 | 沉井下沉ai智能分析与辅助决策的方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311283606.6A CN117217539A (zh) | 2023-10-07 | 2023-10-07 | 沉井下沉ai智能分析与辅助决策的方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117217539A true CN117217539A (zh) | 2023-12-12 |
Family
ID=89044318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311283606.6A Pending CN117217539A (zh) | 2023-10-07 | 2023-10-07 | 沉井下沉ai智能分析与辅助决策的方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117217539A (zh) |
-
2023
- 2023-10-07 CN CN202311283606.6A patent/CN117217539A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111622252B (zh) | 大型沉井施工全过程智能控制系统及控制方法 | |
CN109064037B (zh) | 基坑施工风险管控方法、系统和设备 | |
CN112288275B (zh) | 一种基于物联网的地下水水质分析评价系统及方法 | |
US20160361878A1 (en) | System and method for evaluating additive manufacturing index | |
CN115167212A (zh) | 基于监测平台的基坑动态施工控制系统及方法 | |
CN112330184B (zh) | 施工风险的预测方法、装置、设备和介质 | |
CN109101776B (zh) | 基于挡墙侧移监测数据的基坑反分析方法 | |
CN113553356A (zh) | 一种钻井参数预测方法和系统 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
Wu et al. | A dynamic decision approach for risk analysis in complex projects | |
CN115423167A (zh) | 一种地铁深基坑施工安全预警及辅助决策方法及系统 | |
CN115456331B (zh) | 多维多测点模型在线监控算法在监测分析系统平台的应用 | |
CN117332494A (zh) | 沉井施工状态实时数字孪生的方法、设备及存储介质 | |
CN113962253B (zh) | 基于深度小波极限学习机的轴承剩余寿命预测方法及系统 | |
CN116579214A (zh) | 一种基于数字孪生的三维可视化桥墩监测系统及方法 | |
CN117471071B (zh) | 港口基础设施结构耐久性安全预警系统及方法 | |
CN208903300U (zh) | 一种基于bim技术的施工风险自动监测系统 | |
CN117217539A (zh) | 沉井下沉ai智能分析与辅助决策的方法、设备及存储介质 | |
CN117034657A (zh) | 一种基于先验信息约束的地球物理数据处理模块 | |
CN117874655A (zh) | 考虑多重影响因素的动态大坝安全监控指标拟定方法 | |
CN112598319A (zh) | 一种基于bim的智慧桥梁运维管理方法、系统、计算机设备及存储介质 | |
CN117272232A (zh) | 数据融合的隧道监测方法、装置、计算机设备及存储介质 | |
CN104834986B (zh) | 基于全局综合敏感性分析的隧洞施工进度动态控制方法 | |
CN115660513A (zh) | 一种基于水利工程渡槽变形的监测方法及系统 | |
CN105528621A (zh) | 基于支持向量机的多维度多步骤寿命预测方法 |
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 |