CN117252111A - 一种堤坝隐患和险情区域主动监测方法 - Google Patents
一种堤坝隐患和险情区域主动监测方法 Download PDFInfo
- Publication number
- CN117252111A CN117252111A CN202311516732.1A CN202311516732A CN117252111A CN 117252111 A CN117252111 A CN 117252111A CN 202311516732 A CN202311516732 A CN 202311516732A CN 117252111 A CN117252111 A CN 117252111A
- Authority
- CN
- China
- Prior art keywords
- data
- learning model
- monitoring
- reinforcement learning
- action sequence
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000002787 reinforcement Effects 0.000 claims abstract description 60
- 238000004088 simulation Methods 0.000 claims abstract description 47
- 238000004140 cleaning Methods 0.000 claims abstract description 8
- 238000000547 structure data Methods 0.000 claims abstract description 4
- 230000007613 environmental effect Effects 0.000 claims description 17
- 230000000875 corresponding effect Effects 0.000 claims description 10
- 238000012806 monitoring device Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 6
- 239000000523 sample Substances 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 3
- 231100001261 hazardous Toxicity 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 241000282414 Homo sapiens Species 0.000 description 4
- 238000011144 upstream manufacturing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及监视或测试装置技术领域，提供了一种堤坝隐患和险情区域主动监测方法，包括以下步骤：A．构建仿真：在服务器上根据水电站堤坝的结构数据、环境数据和历史气候数据，构建水电站堤坝区域三维空间的仿真环境；B．设定强化学习模型；C．仿真模拟；D．清理；E．分类；F．写入本地站点；G．监测动作。本发明采用将强化学习模型动作序列清理分类得到的动作序列集合写入现场监测的本地站点的方式，能有效实现低性能资源损耗下更快捷、更及时的启动主动监测动作；并且由于基于强化学习模型在仿真环境中仿真模拟而得到动作序列，能借助数据中心的算力而大幅提升主动监测的效能和有效性，极大的便于整体调优和维护。
Description
技术领域
本发明涉及一种堤坝隐患和险情区域主动监测方法，属于监视或测试装置技术领域。
背景技术
现有技术中对于堤坝隐患和险情的实时监测，一般都是采用多传感器从多点获取数据然后简单采用阈值判断的方式实现监测报警，典型如申请号为CN202211530220.6的中国专利公开的基于多传感器技术的堤坝监控分析系统。
针对上述问题，本发明的申请人对基于仿真环境训练的判别模型进行了立项开发（已另提出专利申请）。但是申请人还发现，实践中还有一些堤坝监测设备需要主动操作，例如地质超声波探测仪等，这类设备价格较高且不宜持续使用，而价格较高则导致不适于在堤坝整体中分布安装，但一些特殊情况中又必须使用以确定实际发生的情况而实现有效的监测，典型如有溢流表现有渗漏，此时需要确定堤坝坝体是否有损伤，在以往的情况中都是人工排查，不仅人员调动麻烦，而且耗时太长，缺乏及时性，并且由于信息受限以及认知限制，人工排查的操作上也可能缺乏足够的有效性，导致整体效率极低。
对此，现有技术中还有基于仿真环境训练强化学习模型，通过强化学习模型实现对主动操作设备进行操作的技术方案，但是强化学习模型一般对计算机性能要求较高，而在堤坝区域的本地站点中部署了判别模型之后，难以挪出更多的性能资源用于部署强化学习模型，因此在硬件上主要需要考虑采用外接嵌入式设备（如单片机）实现以更低的性能资源损耗实现类似效果的主动监测操作，以实现更少耗时、更及时的启动主动监测动作，现有技术没有提供任何技术方案。
发明内容
为解决上述技术问题，本发明提供了一种堤坝隐患和险情区域主动监测方法，该堤坝隐患和险情区域主动监测方法采用将强化学习模型动作序列清理分类得到的动作序列集合写入现场监测的本地站点的方式，能有效实现低性能资源损耗下更快捷、更及时的启动主动监测动作。
本发明通过以下技术方案得以实现。
本发明提供的一种堤坝隐患和险情区域主动监测方法，包括以下步骤：
A．构建仿真：在服务器上根据水电站堤坝的结构数据、环境数据和历史气候数据，构建水电站堤坝区域三维空间的仿真环境；环境数据包括水文数据、地质数据；水电站堤坝的结构数据为三维建模的结构模型及其材质数据；历史气候数据为过往二十年的天气数据；
B．设定强化学习模型：根据主动监测设备和水电站操控设备的操作指令，设定强化学习模型的输出的数据类型和数值范围；根据被动监测设备和水电站操控设备的读值，设定强化学习模型的输入的数据类型和数值范围；
C．仿真模拟：将强化学习模型置于仿真环境中根据多种环境模式运行多次仿真模拟，得到强化学习模型输出的动作序列构成动作序列集合，其中每一动作序列均记录对应的环境参数；
D．清理：对每一动作序列，将连续多个相似度高于阈值的动作指令合并为一个动作指令；
E．分类：将以动作序列为单元，对动作序列集合聚类，得到多个动作序列簇，对每一动作序列簇仅保留中心的动作序列；
F．写入本地站点：将动作序列集合和环境参数写入到堤坝区域的本地站点，并以环境参数作为动作序列集合中动作序列的启动条件；
G．监测动作：本地站点实时从堤坝区域的被动监测设备获取监测数据，当监测数据符合启动条件时启动对应的动作序列。
所述步骤C中，在强化学习模型的输出中设一匹配变量，在每一种环境模式中每次仿真模拟时，在强化学习模型输出的匹配变量与环境模式非匹配时将强化学习模型的其他输出全置空并不计入动作序列；匹配变量与环境模式的匹配方式为，匹配变量取整的结果等于环境模式标签值。
所述环境参数从仿真环境中的数据监测点得到，该数据监测点对应堤坝区域的被动监测设备的安装位置和型号参数设定。
所述强化学习模型通过Q-Learning算法构建。
所述强化学习模型以稳定运行时长为奖励。
所述强化学习模型输出的动作序列，以环境模式改变的时点为止。
所述主动监测设备包括无人机和探测车。
所述探测车上固定安装有地质超声波探测仪和地质雷达。
所述无人机上搭载有图像探测仪、红外探测仪或激光探测仪。
本发明的有益效果在于：采用将强化学习模型动作序列清理分类得到的动作序列集合写入现场监测的本地站点的方式，能有效实现低性能资源损耗下更快捷、更及时的启动主动监测动作；并且由于基于强化学习模型在仿真环境中仿真模拟而得到动作序列，能借助数据中心的算力而大幅提升主动监测的效能和有效性，极大的便于整体调优和维护。
附图说明
图1是本发明一种实施方式的流程示意图；
图2是本发明一种实施方式的布设示意图；
图3是本发明一种实施方式的数据流向示意图。
图中：1-本地站点，2-堤坝，3-上游水体，4-下游水体，5-无人机，6-探测车。
实施方式
下面进一步描述本发明的技术方案，但要求保护的范围并不局限于所述。
本发明的第一实施方式涉及如图1、图3所示的一种堤坝隐患和险情区域主动监测方法，包括以下步骤：
A．构建仿真：在服务器上根据水电站堤坝的结构数据、环境数据和历史气候数据，构建水电站堤坝区域三维空间的仿真环境；环境数据包括水文数据、地质数据；水电站堤坝的结构数据为三维建模的结构模型及其材质数据；历史气候数据为过往二十年的天气数据；
一般的，对堤坝周边环境建立仿真环境，可参考现有技术中如《漳河水库三维仿真管理信息系统设计与实现》（陈志明等，《人民长江》，2016年6月）所述的构建库区三维地形模型及水工建筑物三维模型，又如《水库大坝三维可视化信息集成平台技术应用》（贾真真等，《山东水利》，2022年7月）所述的基于DOM（卫星遥感数字正射影像图）和DEM数字高程数据相结合建立三维模型；在建立了三维模型的基础上，参考现有技术中如《奥运主场馆区工程环境高分辨率遥感监测与虚拟仿真研究》（邵芸等，《遥感学报》，2008年7月）公开的技术方案，通过一段时间的监测数据构建仿真模型，在现有技术的三维仿真引擎（典型如虚幻引擎5、SkylineGlobe等）的技术支撑基础上，即可实现对三维空间环境仿真，实际应用时，结合堤坝的结构数据、环境数据和历史气候数据，即可建立堤坝区域的三维空间环境仿真环境。
在现有的三维仿真引擎（如虚幻引擎5），有三维结构力学引擎、流体力学等子引擎，因此采用现有的三维仿真引擎，只要在完成三维建模之后，设定好参数，即可实现物理的仿真模拟。
B．设定强化学习模型：根据主动监测设备和水电站操控设备的操作指令，设定强化学习模型的输出的数据类型和数值范围；根据被动监测设备和水电站操控设备的读值，设定强化学习模型的输入的数据类型和数值范围；
一般的，主动监测设备是指需要给出操作指令并根据操作指令运行的设备，典型的如无人机，又如各类探测仪。被动监测设备是指如电极、声纳、传感器这类可以直接连接获取读值的元器件。水电站操控设备主要是堤坝上水电站配套的探测水力参数、控制水流的元器件，一般可以通过接入水电站中控的接口得以控制。容易理解，强化学习模型的输入是各类读值，输出则是操作指令，亦称为动作指令。
一种典型的设定方式例如，主动监测设备包括无人机，操作指令格式形如{[[x1,y1,z1], [x2,y2,z2],……] , [[a1,b1,c1], [a2,b2,c2],……]}，其中x1,y1,z1为第一目标航点坐标，x2,y2,z2为第二目标航点坐标，a1,b1,c1为第一目标拍摄中心点坐标，a2,b2,c2为第二目标拍摄中心点坐标，以此类推，上述坐标均为0.2f格式，即小数点后两位的浮点数，取值范围根据无人机最大续航而定，即以启航坐标（一般为现场站点）为圆心、以最大续航为半径的圆柱区域内。以此设定强化学习模型的输出项包括一坐标链表形如{[[x1,y1,z1],[a1,b1,c1],……] , [[x2,y2,z2], [a2,b2,c2],……]}。
C．仿真模拟：将强化学习模型置于仿真环境中根据多种环境模式运行多次仿真模拟，得到强化学习模型输出的动作序列构成动作序列集合，其中每一动作序列均记录对应的环境参数；
环境模式一般是人为设定的参数配置脚本，该参数配置脚本对应控制仿真环境中的各项参数，例如风向、风力、上游水温、上游水流量等，当然也包括对仿真环境的特定控制，例如某坐标区域范围内的水下旋流等。当然的，由于环境模式是对仿真环境的参数配置脚本，因此也可以按时序设置一系列环境变化操作。
对每一次仿真模拟，强化学习模型输出一系列动作指令，这些动作指令按时序排列可得到动作序列，而多个动作序列可构成动作序列集合。
D．清理：对每一动作序列，将连续多个相似度高于阈值的动作指令合并为一个动作指令；
一般的，动作指令从数字形式上更类似于向量，因此计算相似度主要可以考虑采用余弦相似度的方式，对应的，阈值则可以根据需要而调整，并无需特定的优选值。强化学习模型在输出动作指令时，一般会对一个动作而输出多个连续的动作指令进行微调，这样的微调在实践中往往意义并不大，而通过这样多个连续的动作指令实现的往往是一个较为简单的动作，例如这样一种情况，操作无人机（机载有自动导航模块，操作输入为目标坐标和高度）向堤坝中心延长线上某点飞行并对某区域采集红外图像，强化学习模型输出的动作指令是多个连续的飞行点指令和镜头转动指令，但实际上只要将这些连续的飞行点合并则可以得到一条曲线，曲线一端是无人机的动作起点，另一端则是目标位点，因此将这样的曲线端点取出至动作指令的操作点即可，无需中间那么多操作点。容易看出，相似度高于阈值，则基本可以判定这样的连续动作指令符合上述情况，是可以轻松合并的，而当强化学习模型输出的动作指令发生本质改变而无法继续合并时，则动作指令也会出现明显的相似度降低，在数值上呈现不连续的形态。
E．分类：将以动作序列为单元，对动作序列集合聚类，得到多个动作序列簇，对每一动作序列簇仅保留中心的动作序列；
与上述类似的，由于强化学习模型在多次仿真模拟中输出多个动作序列，每次不一定相同，但操作逻辑容易判断是基本一致的，因此将动作序列向量化，采用聚类的方式可以有效进行精简，而且由于强化学习模型的输出大概率是人类不容易理解的方式（这一点通过OpenAI的一系列示例项目容易看出），对这类输出进行分类非常容易导致人为误差，而聚类算法一般均为无监督学习，无需人为参与，从而能避免人为误差。
对于强化学习模型的具体架构和参数设置，并非本发明的核心构思，本发明亦无意寻求一种准确率最优或效率最优的强化学习模型，而可能的实现包括直接采用现有技术的现成模型进行重新训练，因此对强化学习模型的具体架构和参数设置不再进一步赘述。
F．写入本地站点：将动作序列集合和环境参数写入到堤坝区域的本地站点1，并以环境参数作为动作序列集合中动作序列的启动条件；
G．监测动作：本地站点1实时从堤坝区域的被动监测设备获取监测数据，当监测数据符合启动条件时启动对应的动作序列。
由此，本实施方式可以基于强化学习模型的特性，得到可能相对于人工操作而言效能更高、有效性更高的操作方式，从而提高整体效率，同时基于清理、分类的方式，强化学习模型输出的动作指令得以极大幅度精简，从而极大降低性能资源的损耗，甚至可部署于单片机，以单片机和本地站点服务器之间的通信实现控制，更为一般的，实践中一般采用嵌入式工控机外接于本地站点服务器实现。
进一步的，环境数据包括水文数据、地质数据；堤坝的结构数据为三维建模的结构模型及其材质数据；历史气候数据为过往二十年的天气数据。
本发明第二实施方式与第一实施方式大致相同，主要在于本地站点实现仿真模拟预测的进一步方案，步骤C中，在强化学习模型的输出中设一匹配变量，在每一种环境模式中每次仿真模拟时，在强化学习模型输出的匹配变量与环境模式非匹配时将强化学习模型的其他输出全置空并不计入动作序列；匹配变量与环境模式的匹配方式为，匹配变量取整的结果等于环境模式标签值。例如有三种环境模式分别为大风、暴雨、干旱，对应的标签值分别为1、2、3，当次仿真模拟时对应的环境模式为大风，输出的匹配变量为一浮点值，如匹配变量为2.5973时，取整的结果为2，与环境模式的标签值1不相等，因此属于强化学习模型输出的匹配变量与环境模式非匹配，此时将强化学习模型的其他输出全置空并不计入动作序列。
进一步的，强化学习模型通过Q-Learning算法构建。
进一步的，强化学习模型以稳定运行时长为奖励。
进一步的，强化学习模型输出的动作序列，以环境模式改变的时点为止。
本发明第三实施方式与第一实施方式大致相同，主要在于监测元器件的优选方案，如图2所示，主动监测设备包括无人机5和探测车6。
进一步的，探测车6上固定安装有地质超声波探测仪和地质雷达。探测车6一般沿堤坝2行进，可采用巡径车或自动导航的车实现，由于堤坝环境相对固定且巡查路径很容易被独立安排，因此只需要较为基础的自动导航功能即可实现探测车6的自动行进。探测车6接受的操作指令主要包括启动、探测里程点（列表）等。
进一步的，无人机5上搭载有图像探测仪、红外探测仪或激光探测仪。无人机5可在上游水体3或下游水体4上方飞行，根据不同的需求搭载不同的监测设备（一般是用起飞不同的无人机来实现），接受的操作指令主要包括：飞行目标点（列表）、拍摄点（列表）、拍摄方向（列表）等。
容易理解，本实施方式在具体实现时，应当采取在现有技术的基础上增设上述主动监测设备，而并非仅包括上述主动监测设备，现有技术的主动监测设备一般有三维激光扫描仪、RTK定位系统、多功能气象站等，不过由于这些主动监测设备的设置均为现有技术的常规技术手段，故在本申请中不再进一步赘述。
Claims (9)
1.一种堤坝隐患和险情区域主动监测方法，其特征在于，包括以下步骤：
A．构建仿真：在服务器上根据水电站堤坝的结构数据、环境数据和历史气候数据，构建水电站堤坝区域三维空间的仿真环境；环境数据包括水文数据、地质数据；水电站堤坝的结构数据为三维建模的结构模型及其材质数据；历史气候数据为过往二十年的天气数据；
B．设定强化学习模型：根据主动监测设备和水电站操控设备的操作指令，设定强化学习模型的输出的数据类型和数值范围；根据被动监测设备和水电站操控设备的读值，设定强化学习模型的输入的数据类型和数值范围；
C．仿真模拟：将强化学习模型置于仿真环境中根据多种环境模式运行多次仿真模拟，得到强化学习模型输出的动作序列构成动作序列集合，其中每一动作序列均记录对应的环境参数；
D．清理：对每一动作序列，将连续多个相似度高于阈值的动作指令合并为一个动作指令；
E．分类：将以动作序列为单元，对动作序列集合聚类，得到多个动作序列簇，对每一动作序列簇仅保留中心的动作序列；
F．写入本地站点：将动作序列集合和环境参数写入到堤坝区域的本地站点（1），并以环境参数作为动作序列集合中动作序列的启动条件；
G．监测动作：本地站点（1）实时从堤坝区域的被动监测设备获取监测数据，当监测数据符合启动条件时启动对应的动作序列。
2.如权利要求1所述的堤坝隐患和险情区域主动监测方法，其特征在于，所述步骤C中，在强化学习模型的输出中设一匹配变量，在每一种环境模式中每次仿真模拟时，在强化学习模型输出的匹配变量与环境模式非匹配时将强化学习模型的其他输出全置空并不计入动作序列；匹配变量与环境模式的匹配方式为，匹配变量取整的结果等于环境模式标签值。
3.如权利要求1所述的堤坝隐患和险情区域主动监测方法，其特征在于，所述环境参数从仿真环境中的数据监测点得到，该数据监测点对应堤坝区域的被动监测设备的安装位置和型号参数设定。
4.如权利要求1所述的堤坝隐患和险情区域主动监测方法，其特征在于，所述强化学习模型通过Q-Learning算法构建。
5.如权利要求4所述的堤坝隐患和险情区域主动监测方法，其特征在于，所述强化学习模型以稳定运行时长为奖励。
6.如权利要求1所述的堤坝隐患和险情区域主动监测方法，其特征在于，所述强化学习模型输出的动作序列，以环境模式改变的时点为止。
7.如权利要求1所述的堤坝隐患和险情区域主动监测方法，其特征在于，所述主动监测设备包括无人机（5）和探测车（6）。
8.如权利要求7所述的堤坝隐患和险情区域主动监测方法，其特征在于，所述探测车（6）上固定安装有地质超声波探测仪和地质雷达。
9.如权利要求7所述的堤坝隐患和险情区域主动监测方法，其特征在于，所述无人机（5）上搭载有图像探测仪、红外探测仪或激光探测仪。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311516732.1A CN117252111B (zh) | 2023-11-15 | 2023-11-15 | 一种堤坝隐患和险情区域主动监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311516732.1A CN117252111B (zh) | 2023-11-15 | 2023-11-15 | 一种堤坝隐患和险情区域主动监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117252111A true CN117252111A (zh) | 2023-12-19 |
| CN117252111B CN117252111B (zh) | 2024-02-23 |
Family
ID=89137198
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311516732.1A Active CN117252111B (zh) | 2023-11-15 | 2023-11-15 | 一种堤坝隐患和险情区域主动监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117252111B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200065433A1 (en) * | 2017-02-22 | 2020-02-27 | Middle Chart, LLC | Method and apparatus for construction and operation of connected infrastructure |
| CN112162564A (zh) * | 2020-09-25 | 2021-01-01 | 南京大学 | 基于模仿学习和强化学习算法的无人机飞行控制方法 |
| CN113125663A (zh) * | 2021-04-15 | 2021-07-16 | 东莞固高自动化技术有限公司 | 一种水质监测预警系统和方法 |
| CN113325721A (zh) * | 2021-08-02 | 2021-08-31 | 北京中超伟业信息安全技术股份有限公司 | 一种工业系统无模型自适应控制方法及系统 |
| CN113705102A (zh) * | 2021-08-31 | 2021-11-26 | 湖南苍树航天科技有限公司 | 海空集群对抗的推演仿真系统及方法、设备、存储介质 |
| CN113935609A (zh) * | 2021-10-08 | 2022-01-14 | 天津大学 | 一种长河段多溃口凌汛洪水淹没联合风险评估方法 |
| CN113970782A (zh) * | 2021-10-29 | 2022-01-25 | 重庆工程职业技术学院 | 大数据处理高陡岩体开采边坡稳定性声波探测评价系统 |
| US20220114301A1 (en) * | 2021-12-23 | 2022-04-14 | Intel Corporation | Methods and devices for a collaboration of automated and autonomous machines |
| CN114638167A (zh) * | 2022-03-22 | 2022-06-17 | 北京航空航天大学 | 基于多智能体强化学习的高性能集群资源公平分配方法 |
| CN115102705A (zh) * | 2022-04-02 | 2022-09-23 | 中国人民解放军国防科技大学 | 一种基于深度强化学习的自动化网络安全检测方法 |
| CN115542777A (zh) * | 2022-10-27 | 2022-12-30 | 北京计算机技术及应用研究所 | 针对异构多智能体仿真对抗环境的强化学习决策方法 |
| CN115587542A (zh) * | 2022-11-02 | 2023-01-10 | 四川奥凸水处理系统工程有限公司 | 基于强化学习的地下水反演仿真方法、系统、设备及介质 |
| CN115879598A (zh) * | 2022-10-26 | 2023-03-31 | 安靖 | 基于强化学习模型的投送策略优化方法 |
| CN116167216A (zh) * | 2023-02-02 | 2023-05-26 | 久瓴(上海)智能科技有限公司 | 漫滩路径的生成方法及装置、电子设备、存储介质 |
-
2023
- 2023-11-15 CN CN202311516732.1A patent/CN117252111B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200065433A1 (en) * | 2017-02-22 | 2020-02-27 | Middle Chart, LLC | Method and apparatus for construction and operation of connected infrastructure |
| CN112162564A (zh) * | 2020-09-25 | 2021-01-01 | 南京大学 | 基于模仿学习和强化学习算法的无人机飞行控制方法 |
| CN113125663A (zh) * | 2021-04-15 | 2021-07-16 | 东莞固高自动化技术有限公司 | 一种水质监测预警系统和方法 |
| CN113325721A (zh) * | 2021-08-02 | 2021-08-31 | 北京中超伟业信息安全技术股份有限公司 | 一种工业系统无模型自适应控制方法及系统 |
| CN113705102A (zh) * | 2021-08-31 | 2021-11-26 | 湖南苍树航天科技有限公司 | 海空集群对抗的推演仿真系统及方法、设备、存储介质 |
| CN113935609A (zh) * | 2021-10-08 | 2022-01-14 | 天津大学 | 一种长河段多溃口凌汛洪水淹没联合风险评估方法 |
| CN113970782A (zh) * | 2021-10-29 | 2022-01-25 | 重庆工程职业技术学院 | 大数据处理高陡岩体开采边坡稳定性声波探测评价系统 |
| US20220114301A1 (en) * | 2021-12-23 | 2022-04-14 | Intel Corporation | Methods and devices for a collaboration of automated and autonomous machines |
| CN114638167A (zh) * | 2022-03-22 | 2022-06-17 | 北京航空航天大学 | 基于多智能体强化学习的高性能集群资源公平分配方法 |
| CN115102705A (zh) * | 2022-04-02 | 2022-09-23 | 中国人民解放军国防科技大学 | 一种基于深度强化学习的自动化网络安全检测方法 |
| CN115879598A (zh) * | 2022-10-26 | 2023-03-31 | 安靖 | 基于强化学习模型的投送策略优化方法 |
| CN115542777A (zh) * | 2022-10-27 | 2022-12-30 | 北京计算机技术及应用研究所 | 针对异构多智能体仿真对抗环境的强化学习决策方法 |
| CN115587542A (zh) * | 2022-11-02 | 2023-01-10 | 四川奥凸水处理系统工程有限公司 | 基于强化学习的地下水反演仿真方法、系统、设备及介质 |
| CN116167216A (zh) * | 2023-02-02 | 2023-05-26 | 久瓴(上海)智能科技有限公司 | 漫滩路径的生成方法及装置、电子设备、存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| MASTOUREH YOUSEFI: "Detection of alteration zones using the Dirichlet process Stick-Breaking model-based clustering algorithm to hyperion data: the case study of Kuh-Panj porphyry copper deposits, Southern Iran", 《GEOCARTO INTERNATIONAL》, vol. 37, no. 25, 11 January 2022 (2022-01-11), pages 9788 - 9816 * |
| 孙大利: "堤坝隐患电磁仿真与预警方法研究", 《中国优秀硕士学位论文全文数据库 工程科技 II辑》, no. 6, 15 June 2021 (2021-06-15), pages 037 - 116 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117252111B (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tominaga | Computational fluid dynamics simulation of snowdrift around buildings: Past achievements and future perspectives | |
| CN110009037B (zh) | 一种基于物理信息耦合的工程风速短时预测方法及系统 | |
| CN108805350B (zh) | 基于多维蒙特卡洛理论的搜救范围预测方法 | |
| TWI725677B (zh) | 自航船舶的模擬系統及其運作方法 | |
| CN105446821A (zh) | 一种基于改进神经网络的智能水下机器人推进器故障诊断方法 | |
| CN109978275B (zh) | 一种混合cfd和深度学习的极端大风风速预测方法及系统 | |
| CN110414359A (zh) | 长输管道无人机巡检数据分析与管理方法及系统 | |
| US11579335B2 (en) | In situ measurement station for monitoring wind and water properties in extreme hydrodynamic conditions | |
| CN111199103A (zh) | 全电力推进船舶的全流程自动计算的航速优化方法及系统 | |
| CN115270604A (zh) | 寒区闸坝工程安全预警方法及智能监控系统 | |
| CN113759374A (zh) | 一种城市基础设施的结构健康问题的监测系统和监测方法 | |
| CN114943155A (zh) | 一种基于数字孪生技术的洪灾应急救援方法及虚拟指挥系统 | |
| CN115471679A (zh) | 一种天然河道水位流量同步同化方法及智能系统 | |
| CN117252111B (zh) | 一种堤坝隐患和险情区域主动监测方法 | |
| Criado Risco et al. | Gradient-based wind farm layout optimization with inclusion and exclusion zones | |
| CN113552382A (zh) | 风速风向测量方法、装置及系统 | |
| CN113780086B (zh) | 一种基于无人机的远程自然资源动态监测方法 | |
| KR102561270B1 (ko) | 구조 구난을 위한 해상 표류물의 위치 추정 방법 및 장치 | |
| CN114741778A (zh) | 基于人机博弈的无人艇自主能力测试系统及方法 | |
| Kim et al. | Estimation of water surface flow velocity in coastal video imagery by visual tracking with deep learning | |
| Xu et al. | Assistance of UAVs in the Intelligent Management of Urban Space: A Survey | |
| Grushin et al. | Gump: General urban area microclimate predictions tool | |
| Xue et al. | Research on Construction of Digital Twin System for Bridge Vehicle Load Identification | |
| Sasse et al. | A Survey on Applications of Small Uncrewed Aircraft Systems for Offshore Wind Farms | |
| Talukder et al. | Integrated operational control of unattended distributed coastal sensor web systems with mobile autonomous robots |
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 |