CN117272733B - 基于模态参数的机场跑道结构性能实时评价方法 - Google Patents
基于模态参数的机场跑道结构性能实时评价方法 Download PDFInfo
- Publication number
- CN117272733B CN117272733B CN202311227016.1A CN202311227016A CN117272733B CN 117272733 B CN117272733 B CN 117272733B CN 202311227016 A CN202311227016 A CN 202311227016A CN 117272733 B CN117272733 B CN 117272733B
- Authority
- CN
- China
- Prior art keywords
- runway
- parameters
- modal
- structural
- performance
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title abstract description 12
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000001133 acceleration Effects 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 239000010410 layer Substances 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 239000002344 surface layer Substances 0.000 claims description 3
- 102100029674 E3 ubiquitin-protein ligase TRIM9 Human genes 0.000 claims description 2
- 101000795280 Homo sapiens E3 ubiquitin-protein ligase TRIM9 Proteins 0.000 claims description 2
- 101000588012 Homo sapiens SREBP regulating gene protein Proteins 0.000 claims description 2
- 230000002238 attenuated effect Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 239000004568 cement Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006557 surface reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于模态参数的跑道结构性能实时评价方法,该方法包括:建立三维跑道结构有限元模型并展开多工况仿真和模态分析,获取多工况跑道结构参数和模态参数的数据集,以数据集作为训练集和测试集,训练跑道模态参数‑结构参数的映射模型;根据跑道应变时程曲线和加速度时程曲线,获得跑道模态参数;将所述模态参数输入所述跑道模态参数‑结构参数的映射模型中,得到跑道结构参数,根据所得结构参数对跑道性能进行实时评价。本发明方法通过建立考虑工况的跑道结构模态参数与结构参数之间的映射模型,利用振动感知法获取跑道结构模态参数的同时实时得到跑道结构参数信息,进而通过时域分析评价跑道结构性能的衰变情况。
Description
技术领域
本发明涉及在役跑道结构性能评价,具体地指一种基于模态参数的跑道结构性能实时评价方法,属于机场工程技术领域。
背景技术
根据相关统计显示,36%的跑道安全事故与道面角隅断裂、断板等结构性损坏有关,因此及时准确地掌握跑道结构状态对保障飞行区运行安全和效率至关重要。随着我国航空交通量的高频重载化,跑道结构性能加速衰变,检测窗口期也进一步压缩,传统5年/次的跑道检测方法已无法满足运行保障要求,而基于在线感知的智能跑道技术为跑道结构性能实时评价提供了新的契机。
目前针对跑道结构性能评价方法主要采用FWD现场检测法。通过FWD实测弯沉盆,通过弯沉盆面积指数确定相对刚度半径的取值范围,进而反演跑道结构参数即道面板弹性模量E和地基顶面反应模量K,该方法通过了大量的现场试验验证具备一定的准确度。但该方法依赖于FWD检测试验,属于人工检测,检测频次低,事后反馈跑道结构性能,无法在跑道结构性能出现衰变时及时采取养护措施。
发明内容
本发明目的在于克服上述现有技术的不足而提供一种基于模态参数的跑道结构性能实时评价方法,该方法通过建立考虑工况的跑道结构模态参数与道面弹性模量E、地基顶面回弹模量K之间的映射模型,即可利用振动感知法获取跑道结构模态参数的同时实时得到跑道结构参数信息,进而通过时域分析评价跑道结构性能的衰变情况。
实现本发明目的采用的技术方案是一种基于模态参数的跑道结构性能实时评价方法,该方法包括:
建立三维跑道结构有限元模型;
对所述三维跑道结构有限元模型展开多工况仿真和模态分析,获取多工况跑道结构参数和模态参数的数据集;
以所述多工况跑道结构参数和模态参数的数据集作为训练集和测试集,训练跑道模态参数-结构参数的映射模型;
根据跑道应变时程曲线和加速度时程曲线,获得跑道模态参数;
将所述模态参数输入所述跑道模态参数-结构参数的映射模型中,得到跑道结构参数,根据所得结构参数对跑道性能进行实时评价。
在上述技术方案中,所述对所述三维跑道结构有限元模型展开多工况仿真和模态分析包括:选取若干种跑道的结构参数,通过机场建设和养护阶段检测或监测数据搜集确定跑道道基-道面结构参数的变异性范围为18%~20%,以此修改三维跑道结构有限元模型参数,分析并得到不同计算工况下的结构模态参数。
在上述技术方案中,所述训练跑道模态参数-结构参数的映射模型包括:将多工况数据集以7:3的比例拆分为训练集和测试集,运用卷积神经网络训练模态参数-结构参数的映射模型,以7层Conv1D来提取特征值,每两层Conv1D添加一层Maxpooling1D来保留主要特征减少计算量,每层卷积层利用双曲正切tanh作为激活函数提高模型的表达能力,当测试准确度达95%时,则训练模型成功。
在上述技术方案中,获得跑道模态参数包括以下操作:
通过振动感知法获取实时跑道应变、加速度的时程曲线,进而通过希尔伯特-黄变换算法提取实时的跑道结构模态参数:
(1)将应变、加速度时程曲线作希尔伯特-黄分析,绘制每一个可能的固有模态函数IMFs时域图和频谱图:
式中,ξ(t)为应变或加速度时程曲线作为HHT分析的输入;IMFi为k个固有模态函数;rk为应变或加速度时程曲线减去IMFi后剩下的余项。
(2)选择前2个IMF进行希尔伯特变换得到时频图,对于每一个IMF时程曲线x(t)的希尔伯特变换为H[x(t)]:
H[x(t)]是x(t)和的卷积;
求得各IMF的相位函数和瞬时频率为:
在上述技术方案中,将实时提取的跑道结构模态参数输入进训练好的模态参数-结构参数映射模型中,进而实时快速、直接地输出跑道结构参数;以初始的结构参数作为结构性能的最优值,当跑道结构参数衰减至初始的90%时,评价跑道性能由优转变为良;当跑道结构参数衰减至初始的70%时,评价跑道性能由良转变为中;当跑道结构参数衰减至初始的50%时,评价跑道性能由中转变为差。
在上述技术方案中,所述三维跑道结构有限元模型的建立包括:在ABAQUS仿真软件中建立道基-道面一体化的跑道结构模型;道面采用双层板,单块板尺寸为5m×5m,设置面层和基层;道基为弹性地基,设置横缝、纵缝宽度均为8mm,采用SPRING2弹簧模拟接缝传荷。
在上述技术方案中,所述结构参数为道面弹性模量E、地基顶面回弹模量K。
本发明具有以下优点:
1、实现跑道模态参数的实时计算。通过监测高频的应变数据计算模态参数,模态参数仅于结构性能状态有关,与荷载、环境无关,通过飞机荷载即可激发出来。
2、实现跑道结构参数的实时获取。通过模态参数与结构参数的映射模型,可实时反演出跑道结构参数,为跑道结构性能评价提供科学、有效的结构参数信息。
附图说明
图1为实施例基于模态参数的跑道结构性能实时评价方法的流程图。
图2为实施例建立跑道结构三维有限元模型示意图。
图3为实施例获得跑道结构前十阶模态频率。
图4为实施例采用卷积神经网络学习模型。
图5为实施例所得固有模态函数IMFs时域图和频谱图。
图6为实施例中跑道结构模态参数(频率)提取结果图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明。
如图1所示,本发明基于模态参数的跑道结构性能实时评价方法包括以下步骤:
S1、建立三维跑道结构有限元模型。
本实施例以道面为双层板、道基为Winkler地基的跑道在ABAQUS仿真软件内建立Winkler地基上九块板模型如图2所示,道面采用双层板,单块板尺寸为5m×5m,设置面层和基层,地基考虑为弹性地基,依据《民用机场水泥混凝土道面设计规范》(MH/T 5004-2010),模型参数如表1所示,并设置横缝、纵缝宽度均为8mm,采用SPRING2弹簧模拟接缝传荷:
表1
S2、获取多工况跑道结构参数和模态参数的数据集。
选取典型的10种跑道结构及其对应的参数包括道面弹性模量E和地基顶面回弹模量K,通过过机场建设和养护阶段检测或监测数据搜集等方法,确定跑道道基-道面结构参数(道面弹性模量E、地基顶面回弹模量K)的变异性范围为20%,变异步长为100MPa,共2880种工况,以此修改三维有限元模型参数,分析不同计算工况下的结构模态参数(频率)。进而在ABAQUS软件中编辑分析步,采用频率分析,选用Lanczos特征值求解器,特征值个数为10,提交分析工作,即可得各工况下结构前十阶频率如图3所示。
S3、建立跑道模态参数-结构参数的映射模型。
以2880种工况下道面弹性模量、地基顶面回弹模量和前十阶频率值形成数据库,并将数据以7:3的比例划分为训练集和测试集。采用卷积神经网络作为学习模型,以7层Conv1D来提取特征值,每两层Conv1D添加一层Maxpooling1D来保留主要特征减少计算量,每层卷积层利用双曲正切tanh作为激活函数提高模型的表达能力,如图4所示。经40期训练,模型测试准确度已达90%以上,此时可认为映射模型训练成功。
S4、获取跑道结构模态参数。
通过埋设在跑道内的应变计、加速度计等传感器采集数据,根据振动感知法获取实时跑道结构动力响应即应变、加速度的时程曲线。进而通过希尔伯特-黄变换(HHT)算法提取实时的跑道结构模态参数:
(1)将应变、加速度时程曲线作HHT分析,绘制每一个可能的固有模态函数IMFs时域图和频谱图:
式中,ξ(t)为应变或加速度时程曲线作为HHT分析的输入;IMFi为k个固有模态函数;rk为应变或加速度时程曲线减去IMFi后剩下的余项。
(2)选择前2个IMF进行希尔伯特变换得到时频图。对于每一个IMF时程曲线x(t)的希尔伯特变换为H[x(t)]:
可知,H[x(t)]是x(t)和的卷积。
求得各IMF的相位函数和瞬时频率为:
本实施例以中国西北部某机场智能跑道应变计感知的动态应变时程曲线作为解析数据,采用希尔伯特-黄变换算法绘制每一个可能的固有模态函数IMFs时域图和频谱图如图5所示。
选择前2个IMF进行希尔伯特变换得到时频图。对于每一个IMF时程曲线x(t)作希尔伯特变换为H[x(t)],求得各IMF瞬时频率,并绘制时频图如图6所示。从图可知第一阶模态频率均值为8.33Hz,第二阶模态频率均值为3.85Hz。
S5、跑道结构性能实时评价。
将实时提取的跑道结构瞬时模态频率作为模态参数-结构参数映射模型的输入,进而实时快速、直接地输出跑道结构参数即道面弹性模量E、地基顶面回弹模量K,以初始的结构参数作为结构性能的最优值。当E、K衰减至初始的90%时,评价跑道性能由优转变为良;当E、K衰减至初始的70%时,评价跑道性能由良转变为中;当E、K衰减至初始的50%时,评价跑道性能由中转变为差。
本实施例实时反馈对应时刻的跑道结构参数E、K分别为35100MPa和1900MPa,模量衰减未至初始模量的90%,判定跑道结构性能仍为优。
Claims (4)
1.一种基于模态参数的机场跑道结构性能实时评价方法,其特征在于,包括:
建立三维跑道结构有限元模型;
对所述三维跑道结构有限元模型展开多工况仿真和模态分析,获取多工况跑道结构参数和模态参数的数据集;
以所述多工况跑道结构参数和模态参数的数据集作为训练集和测试集,训练跑道模态参数-结构参数的映射模型;所述结构参数为道面弹性模量E、地基顶面回弹模量K;通过振动感知法获取实时跑道应变、加速度的时程曲线,进而通过希尔伯特-黄变换算法提取实时的跑道结构模态参数:
(1)将应变、加速度时程曲线作希尔伯特-黄分析,绘制每一个可能的固有模态函数IMFs时域图和频谱图:
式中,ξ(t)为应变或加速度时程曲线作为HHT分析的输入;IMFi为k个固有模态函数;rk为应变或加速度时程曲线减去IMFi后剩下的余项;
(2)选择前2个IMF进行希尔伯特变换得到时频图,对于每一个IMF时程曲线x(t)的希尔伯特变换为H[x(t)]:
H[x(t)]是x(t)和的卷积;
求得各IMF的相位函数和瞬时频率为:
根据跑道应变时程曲线和加速度时程曲线,获得跑道模态参数;
将所述模态参数输入所述跑道模态参数-结构参数的映射模型中,得到跑道结构参数,根据所得结构参数对跑道性能进行实时评价;所述训练跑道模态参数-结构参数的映射模型包括:将多工况数据集以7:3的比例拆分为训练集和测试集,运用卷积神经网络训练模态参数-结构参数的映射模型,以7层Conv1D来提取特征值,每两层Conv1D添加一层Maxpooling1D来保留主要特征减少计算量,每层卷积层利用双曲正切tanh作为激活函数提高模型的表达能力,当测试准确度达95%时,则训练模型成功。
2.根据权利要求1所述基于模态参数的机场跑道结构性能实时评价方法,其特征在于,所述对所述三维跑道结构有限元模型展开多工况仿真和模态分析包括:选取若干种跑道的结构参数,通过机场建设和养护阶段检测或监测数据搜集确定跑道道基-道面结构参数的变异性范围为18%~20%,以此修改三维跑道结构有限元模型参数,分析并得到不同计算工况下的结构模态参数。
3.根据权利要求1所述基于模态参数的机场跑道结构性能实时评价方法,其特征在于:将实时提取的跑道结构模态参数输入进训练好的模态参数-结构参数映射模型中,进而实时快速、直接地输出跑道结构参数;以初始的结构参数作为结构性能的最优值,当跑道结构参数衰减至初始的90%时,评价跑道性能由优转变为良;当跑道结构参数衰减至初始的70%时,评价跑道性能由良转变为中;当跑道结构参数衰减至初始的50%时,评价跑道性能由中转变为差。
4.根据权利要求1所述基于模态参数的机场跑道结构性能实时评价方法,其特征在于,所述三维跑道结构有限元模型的建立包括:在ABAQUS仿真软件中建立道基-道面一体化的跑道结构模型;道面采用双层板,单块板尺寸为5m×5m,设置面层和基层;道基为弹性地基,设置横缝、纵缝宽度均为8mm,采用SPRING2弹簧模拟接缝传荷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311227016.1A CN117272733B (zh) | 2023-09-21 | 2023-09-21 | 基于模态参数的机场跑道结构性能实时评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311227016.1A CN117272733B (zh) | 2023-09-21 | 2023-09-21 | 基于模态参数的机场跑道结构性能实时评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117272733A CN117272733A (zh) | 2023-12-22 |
CN117272733B true CN117272733B (zh) | 2024-03-19 |
Family
ID=89205626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311227016.1A Active CN117272733B (zh) | 2023-09-21 | 2023-09-21 | 基于模态参数的机场跑道结构性能实时评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117272733B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103245448A (zh) * | 2013-04-22 | 2013-08-14 | 中国民航大学 | 飞机滑行状态下机场跑道承载力无损检测方法 |
CN113838312A (zh) * | 2021-09-22 | 2021-12-24 | 北京首都国际机场股份有限公司 | 一种机场道面安全预警方法、系统、介质及终端 |
WO2022127142A1 (zh) * | 2020-12-17 | 2022-06-23 | 同济大学 | 一种智能跑道及道面信息监测方法 |
CN115616571A (zh) * | 2022-10-10 | 2023-01-17 | 上海济熠智能科技有限公司 | 一种基于InSAR的全域跑道滑跑安全评估方法 |
-
2023
- 2023-09-21 CN CN202311227016.1A patent/CN117272733B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103245448A (zh) * | 2013-04-22 | 2013-08-14 | 中国民航大学 | 飞机滑行状态下机场跑道承载力无损检测方法 |
WO2022127142A1 (zh) * | 2020-12-17 | 2022-06-23 | 同济大学 | 一种智能跑道及道面信息监测方法 |
CN113838312A (zh) * | 2021-09-22 | 2021-12-24 | 北京首都国际机场股份有限公司 | 一种机场道面安全预警方法、系统、介质及终端 |
CN115616571A (zh) * | 2022-10-10 | 2023-01-17 | 上海济熠智能科技有限公司 | 一种基于InSAR的全域跑道滑跑安全评估方法 |
Non-Patent Citations (4)
Title |
---|
不同飞机载荷下机场跑道实测动力响应;李健 等;科学技术与工程;20180608(第16期);全文 * |
公路飞机跑道水泥混凝土道面静载承载能力研究;史保华 等;科学技术与工程;20160108(第01期);全文 * |
机场跑道全波段不平整测试方法;钱劲松 等;交通运输工程学报;20211031;第21卷(第5期);全文 * |
飞机跑道荷载响应深度变化规律;张献民 等;北京航空航天大学学报;20140430;第40卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117272733A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6704664B2 (en) | Fatigue sensitivity determination procedure | |
CN110779795A (zh) | 裂缝性储层地质力学建模网格单元大小确定方法 | |
CN104634879B (zh) | 一种金属材料疲劳加载试验与疲劳损伤无损检测分析方法 | |
CN105319603A (zh) | 致密砂岩储层复杂网状裂缝的预测方法 | |
CN103630450A (zh) | 考虑疲劳-蠕变交互损伤作用的沥青混合料寿命预测方法 | |
CN111999765B (zh) | 拉裂坠落式岩溶危岩失稳预警的微震多前兆方法及装置 | |
CN102455438B (zh) | 碳酸盐岩缝洞型储层体积预测方法 | |
CN104458173B (zh) | 钢框架结构突变损伤的识别方法及系统 | |
CN103245448A (zh) | 飞机滑行状态下机场跑道承载力无损检测方法 | |
CN110568081B (zh) | 一种古建筑损伤测试装置及测试方法 | |
CN103913512B (zh) | 斜拉索定期检测的损伤定位系统 | |
CN109799155A (zh) | 一种既有沥青路面损伤检测方法 | |
CN110427716B (zh) | 基于统计矩的高层结构无模型损伤识别方法 | |
Yan et al. | Numerical analysis on distribution and response of acceleration field of pavement under moving load | |
CN106768763A (zh) | 一种板损伤快速检测方法 | |
CN108061635A (zh) | 基于Teager能量算子和样本熵的板结构冲击监测方法 | |
CN115659737A (zh) | 一种基于曲率模态和离散小波变换的梁构件损伤识别方法 | |
CN117272733B (zh) | 基于模态参数的机场跑道结构性能实时评价方法 | |
CN112906270B (zh) | 基于数据驱动-力学模型融合的道面结构性能分析方法及系统 | |
CN112800540B (zh) | 一种基于高斯过程回归的航空发动机载荷谱任务段建模方法 | |
CN107796643A (zh) | 一种基于统计矩理论的无模型快速损伤识别方法 | |
CN103911958B (zh) | 悬索桥及拱桥吊杆定期检测的损伤定位系统及其方法 | |
CN114923650B (zh) | 基于振型差比矩阵与模式匹配的结构损伤快速识别方法 | |
CN113627048B (zh) | 基于局部传递率函数与模式匹配的结构损伤快速识别方法 | |
CN106093351A (zh) | 一种模拟列车动载下土体变形特性的测试方法及其装置 |
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 |