CN117349650B - 一种基坑结构数据多元时空融合与演化特征提取方法 - Google Patents
一种基坑结构数据多元时空融合与演化特征提取方法 Download PDFInfo
- Publication number
- CN117349650B CN117349650B CN202311217306.8A CN202311217306A CN117349650B CN 117349650 B CN117349650 B CN 117349650B CN 202311217306 A CN202311217306 A CN 202311217306A CN 117349650 B CN117349650 B CN 117349650B
- Authority
- CN
- China
- Prior art keywords
- data
- time
- foundation pit
- pit structure
- space
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000000547 structure data Methods 0.000 claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 238000010276 construction Methods 0.000 abstract description 3
- 238000009435 building construction Methods 0.000 abstract 1
- 238000006073 displacement reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基坑结构数据多元时空融合与演化特征提取方法,包括:S1.获取历史基坑结构多元时空数据并进行预处理,对同一时间的数据根据空间特征进行整合,获得具有空间特征的整合数据;S2.将整合数据按时间跨度进行分类获得不同尺度的分类数据,分别输入多元时空残差神经网络提取基坑结构数据的演化特征,演化特征进行加权融合,并进行模型训练,获得训练好的多元时空残差神经网络预测模型;S3.将实时测量的基坑结构数据输入预测模型,将预测结果与相关安全标准比对,得到近期建筑基坑的安全状况;本发明实现了建筑基坑结构数据的实时监测和安全状态预警,为建筑施工、建筑安全管理和基坑监测提供数据支持,对于建筑安全稳定建设具有重要意义。
Description
技术领域
本发明涉及基坑监测技术领域,更具体的说是涉及一种基坑结构数据多元时空融合与演化特征提取方法。
背景技术
基坑作为一栋建筑的基础和前期施工项目,是后续建筑工作平稳、安全进行的重要保障。采集基坑数据的主要目的是对基坑的内部情况进行长期有效的检测,因此需要对基坑围护墙顶部竖向位移、深层水平位移、立柱竖向位移、地下水位等数据进行周期性的采集和评估,基坑数据的分析以及对基坑安全状态的评估一直是一项成本及人力消耗较大的工作。
但是,现有的基坑状态检测基本采用人力定期测量的方式进行,通常间隔时间较长,并且采集及分析需要消耗较多的成本及时间。
因此,如何提升基坑监测的实时性与前瞻性,减少人力资源的消耗,降低采集及分析的成本及时间是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基坑结构数据多元时空融合与演化特征提取方法以解决背景技术总提到的问题。
为了实现上述目的,本发明采用如下技术方案:
一种基坑结构数据多元时空融合与演化特征提取方法,包括以下步骤:
S1.获取历史基坑结构多元时空数据并进行预处理,对同一时间的数据根据空间特征进行整合,获得具有空间特征的整合数据;
S2.将具有空间特征的整合数据按时间跨度进行分类获得不同尺度的分类数据,将不同尺度的分类数据分别输入多元时空残差神经网络提取基坑结构数据的演化特征,根据提取的基坑结构数据的演化特征进行加权融合,并进行模型训练,获得训练好的多元时空残差神经网络预测模型;
S3.获取基坑传感器的实时测量的基坑结构数据,输入训练好的多元时空残差神经网路预测模型,将预测结果与相关安全标准比对,得到近期建筑基坑的安全状况。
优选的,步骤S1的具体内容包括:
S11.获取基坑中传感器测量的历史基坑机构数据,按传感器得到的数据种类进行划分,分为具备特定时空关系的基坑结构数据和仅具备时间关系的基坑结构数据;
S12.对于具备特定时空关系的基坑结构数据,将单个传感器得到的数据按时间先后顺序进行排列,根据空间排布规律,将同一时间多个传感器的数据按顺序拼接为一个数据矩阵;
S13.对于仅具备时间关系的基坑结构数据,时间尺度不变的情况下将数据的维数扩展为与同一时间维数最大的传感器相同维数,与具备特定时空关系的基坑结构数据维数相同;
S14.对同一时间的数据根据空间特征进行整合,并将具备特定时空关系的基坑结构数据与仅具备时间关系的基坑结构数据拼接,获得具有空间特征的整合数据。
优选的,步骤S2中时间跨度包括临近时间、附近时间和长期时间。
优选的,步骤S2中提取的基坑结构数据的演化特征包括平滑性特征、周期性特征及趋势性特征。
优选的,加权融合的方法为:
XFu=Wc·Xc+Wn·Xn+Wl·Xl
其中,·表示哈德玛积,XFu为融合后的数据,Xc,Xn,Xl分别为不同时间尺度下的数据,Wc,Wn,Wl分别为Xc,Xn,Xl对应的权重超参数。
优选的,将基坑中测得n类具备时空关系的数据,进行数据融合之后将所有数据相加,得到所有具备特定时空关系的数据融合结果,公式如下:
其中,Xs为所有具备特定时空关系的数据融合结果,(XFu)i为第i组数据的融合结果。
优选的,模型训练的内容具体包括:首先通过前向传播将输入基坑数据传递到网络中,然后通过反向传播计算损失函数的梯度,并使用随机梯度下降法对网络参数进行更新,以最小化损失函数。
优选的,采用双曲正切函数限制输出的范围在-1~1之间,作为多元时空残差神经网络得到的结果并与实际的基坑结构数据Xt进行比较,取两者的均方误差作为模型训练的标准;
均方误差为:
一种计算机可读介质,所述可读介质存储有指令,其特征在于,当所述指令在所述可读介质上执行时,使得所述可读介质执行所述的一种基坑结构数据多元时空融合与演化特征提取方法。
一种处理终端,包括存储器和处理器,存储器上存储有可在处理器上运行的计算机程序,其特征在于,处理器执行计算机程序时实现所述的一种基坑结构数据多元时空融合与演化特征提取方法。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基坑结构数据多元时空融合与演化特征提取方法,在基坑结构数据无人化、自动化测量的基础上,对基坑结构多元数据进行时空融合,进而从融合数据中提取其演化特征,对基坑状态进行评估,利用多元时空残差神经网络实现了对基坑数据的实时监测与安全预警,相比传统的人工检测方法,减少了人力资源的消耗,提升了基坑监测的实时性与前瞻性,通过对历史趋势的分析,提高了系统监测的全面性,降低了施工作业过程中的安全风险。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的一种基坑结构数据多元时空融合与演化特征提取方法示意图;
图2附图为本发明提供的同时间维度下数据整合示意图;
图3附图为本发明提供的多元时空残差神经网络架构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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。
本发明实施例公开了一种基坑结构数据多元时空融合与演化特征提取方法,如图1,包括以下步骤:
S1.获取历史基坑结构多元时空数据并进行预处理,对同一时间的数据根据空间特征进行整合,获得具有空间特征的整合数据;
S2.将具有空间特征的整合数据按时间跨度进行分类获得不同尺度的分类数据,将不同尺度的分类数据分别输入多元时空残差神经网络提取基坑结构数据的演化特征,根据提取的基坑结构数据的演化特征进行加权融合,并进行模型训练,获得训练好的多元时空残差神经网络预测模型;
S3.获取基坑传感器的实时测量的基坑结构数据,输入训练好的多元时空残差神经网路预测模型,将预测结果与相关安全标准比对,得到近期建筑基坑的安全状况。
为了进一步实施上述技术方案,如图2,步骤S1的具体内容包括:
S11.获取基坑中传感器测量的历史基坑机构数据,按传感器得到的数据种类进行划分,分为具备特定时空关系的基坑结构数据和仅具备时间关系的基坑结构数据;
S12.对于具备特定时空关系的基坑结构数据,将单个传感器得到的数据按时间先后顺序进行排列,根据空间排布规律,将同一时间多个传感器的数据按顺序拼接为一个数据矩阵;
在本实施例中,以深层水平位移数据为例,构建一个矩阵D∈Rm×n×t,其中矩阵维度m表示深层水平位移中单个传感器组纵向排列的传感器数量,维度n表示检测的节点数量,维度t表示采样时间,在同一采样时间上,根据传感器排布的相对位置,将监测数据存入该数据矩阵D∈Rm×n×t当中,再根据时间的先后顺序,对具备空间特征的数据进行排列;
S13.对于仅具备时间关系的基坑结构数据,时间尺度不变的情况下将数据的维数扩展为与同一时间维数最大的传感器相同维数,此时该数据的维数与具备特定时空关系的基坑结构数据维数相同;
S14.对同一时间的数据根据空间特征进行整合,并将具备特定时空关系的基坑结构数据与仅具备时间关系的基坑结构数据拼接,获得具有空间特征的整合数据。
为了进一步实施上述技术方案,步骤S2中时间跨度包括临近时间、附近时间和长期时间。
在实际应用中,具备特定时空关系的基坑结构数据在较短的时间周期内具有数据变化的平滑性,在较长的时间尺度下会表现出一定的周期性,在更大的时间跨度下则会呈现出一定的趋势性。
为了进一步实施上述技术方案,步骤S2中提取的基坑结构数据的演化特征包括平滑性特征、周期性特征及趋势性特征。
在本实例中,对整个时间周期内的结构化数据进行取样,数据为经整合过后的同时间多元空间数据组,将具备时空关系的基坑数据分为三天、三十天以及三百天三个尺度对其进行演化特征的提取,之后在同一时间数据的内部对其进行卷积即可抓取到数据间的空间相关性,提取得到局部的特征。
为了进一步实施上述技术方案,由于不同的时间段下的基坑数据对当前时刻的演化特征影响情况不同,故对得到的数据进行加权融合,加权融合的方法为:
XFu=Wc·Xc+Wn·Xn+Wl·Xl
其中,·表示哈德玛积,XFu为融合后的数据,Xc,Xn,Xl分别为不同时间尺度下的数据,Wc,Wn,Wl分别为Xc,Xn,Xl对应的权重超参数,用以表征三种尺度下的数据对融合数据的影响大小。
当基坑中测得有n类具备时空关系的数据时,均采用上述的方法对其进行数据融合,之后将所有数据相加即可得到所有具备特定时空关系的数据融合结果,公式如下:
其中,Xs为所有具备特定时空关系的数据融合结果,(XFu)i为第i组数据的融合结果。
为了进一步实施上述技术方案,模型训练的内容具体包括:首先通过前向传播将输入基坑数据传递到网络中,然后通过反向传播计算损失函数的梯度,并使用随机梯度下降法对网络参数进行更新,以最小化损失函数。
为了进一步实施上述技术方案,采用双曲正切函数限制输出的范围在-1~1之间,作为多元时空残差神经网络得到的结果并与实际的基坑结构数据Xt进行比较,取两者的均方误差作为模型训练的标准;
均方误差为:
根据多元时空残差神经网络得到的下一时刻基坑结构数据,与国家现行的建筑基坑工程监测技术规范中对各项指标的要求进行比对,即可知晓未来一段时间基坑结构的安全性能情况。
一种计算机可读介质,可读介质存储有指令,其特征在于,当指令在可读介质上执行时,使得可读介质执行一种基坑结构数据多元时空融合与演化特征提取方法。
一种处理终端,包括存储器和处理器,存储器上存储有可在处理器上运行的计算机程序,其特征在于,处理器执行计算机程序时实现一种基坑结构数据多元时空融合与演化特征提取方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基坑结构数据多元时空融合与演化特征提取方法,其特征在于,包括以下步骤:
S1.获取历史基坑结构多元时空数据并进行预处理,对同一时间的数据根据空间特征进行整合,获得具有空间特征的整合数据;
S2.将具有空间特征的整合数据按时间跨度进行分类获得不同尺度的分类数据,将不同尺度的分类数据分别输入多元时空残差神经网络提取基坑结构数据的演化特征,根据提取的基坑结构数据的演化特征进行加权融合,并进行模型训练,获得训练好的多元时空残差神经网络预测模型;
S3.获取基坑传感器的实时测量的基坑结构数据,输入训练好的多元时空残差神经网路预测模型,将预测结果与相关安全标准比对,得到近期建筑基坑的安全状况;
步骤S1的具体内容包括:
S11.获取基坑中传感器测量的历史基坑机构数据,按传感器得到的数据种类进行划分,分为具备特定时空关系的基坑结构数据和仅具备时间关系的基坑结构数据;
S12.对于具备特定时空关系的基坑结构数据,将单个传感器得到的数据按时间先后顺序进行排列,根据空间排布规律,将同一时间多个传感器的数据按顺序拼接为一个数据矩阵;
S13.对于仅具备时间关系的基坑结构数据,时间尺度不变的情况下将数据的维数扩展为与同一时间维数最大的传感器相同维数,与具备特定时空关系的基坑结构数据维数相同;
S14.对同一时间的数据根据空间特征进行整合,并将具备特定时空关系的基坑结构数据与仅具备时间关系的基坑结构数据拼接,获得具有空间特征的整合数据。
2.根据权利要求1所述的一种基坑结构数据多元时空融合与演化特征提取方法,其特征在于,步骤S2中时间跨度包括临近时间、附近时间和长期时间。
3.根据权利要求1所述的一种基坑结构数据多元时空融合与演化特征提取方法,其特征在于,步骤S2中提取的基坑结构数据的演化特征包括平滑性特征、周期性特征及趋势性特征。
4.根据权利要求1所述的一种基坑结构数据多元时空融合与演化特征提取方法,其特征在于,加权融合的方法为:
XFu=Wc·Xc+Wn·Xn+Wl·Xl
其中,·表示哈德玛积,XFu为融合后的数据,Xc,Xn,Xl分别为不同时间尺度下的数据,Wc,Wn,Wl分别为Xc,Xn,Xl对应的权重超参数。
5.根据权利要求4所述的一种基坑结构数据多元时空融合与演化特征提取方法,其特征在于,将基坑中测得n类具备时空关系的数据,进行数据融合之后将所有数据相加,得到所有具备特定时空关系的数据融合结果,公式如下:
其中,Xs为所有具备特定时空关系的数据融合结果,(XFu)i为第i组数据的融合结果。
6.根据权利要求1所述的一种基坑结构数据多元时空融合与演化特征提取方法,其特征在于,模型训练的内容具体包括:首先通过前向传播将输入基坑数据传递到网络中,然后通过反向传播计算损失函数的梯度,并使用随机梯度下降法对网络参数进行更新,以最小化损失函数。
7.根据权利要求6所述的一种基坑结构数据多元时空融合与演化特征提取方法,其特征在于,采用双曲正切函数限制输出的范围在-1~1之间,作为多元时空残差神经网络得到的结果并与实际的基坑结构数据Xt进行比较,取两者的均方误差作为模型训练的标准均方误差为:
8.一种计算机可读介质,所述可读介质存储有指令,其特征在于,当所述指令在所述可读介质上执行时,使得所述可读介质执行如权利要求1-7任意一项所述的方法。
9.一种处理终端,包括存储器和处理器,存储器上存储有可在处理器上运行的计算机程序,其特征在于,处理器执行计算机程序时实现如权利要求1-7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311217306.8A CN117349650B (zh) | 2023-09-20 | 2023-09-20 | 一种基坑结构数据多元时空融合与演化特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311217306.8A CN117349650B (zh) | 2023-09-20 | 2023-09-20 | 一种基坑结构数据多元时空融合与演化特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117349650A CN117349650A (zh) | 2024-01-05 |
CN117349650B true CN117349650B (zh) | 2024-04-12 |
Family
ID=89370151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311217306.8A Active CN117349650B (zh) | 2023-09-20 | 2023-09-20 | 一种基坑结构数据多元时空融合与演化特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117349650B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203145A (zh) * | 2016-03-17 | 2017-09-26 | 姜洪军 | 一种含智能终端产品和自动控制系统的互联互通智能网络化管理平台 |
CN112132264A (zh) * | 2020-09-11 | 2020-12-25 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于时空残差感知网络的区域尾气排放预测方法及系统 |
WO2023093010A1 (zh) * | 2021-11-26 | 2023-06-01 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度学习融合模型的风电功率预测方法及设备 |
-
2023
- 2023-09-20 CN CN202311217306.8A patent/CN117349650B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203145A (zh) * | 2016-03-17 | 2017-09-26 | 姜洪军 | 一种含智能终端产品和自动控制系统的互联互通智能网络化管理平台 |
CN112132264A (zh) * | 2020-09-11 | 2020-12-25 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于时空残差感知网络的区域尾气排放预测方法及系统 |
WO2023093010A1 (zh) * | 2021-11-26 | 2023-06-01 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度学习融合模型的风电功率预测方法及设备 |
Non-Patent Citations (1)
Title |
---|
深基坑开挖中KPCA结合BP神经网络的基坑变形预测;李成龙;李敬伟;王磊;;湘潭大学自然科学学报;20171215(04);第64-67页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117349650A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112783940B (zh) | 基于图神经网络的多源时序数据故障诊断方法和介质 | |
CN107451600B (zh) | 一种基于隔离机制的在线光伏热斑故障检测方法 | |
CN115758252B (zh) | 基于多源信息融合技术的监测信息实时处理与分析方法 | |
CN111881627B (zh) | 一种核动力装置故障诊断方法和系统 | |
CN114049545B (zh) | 一种基于点云体素的台风定强方法、系统、设备及介质 | |
CN107895014A (zh) | 一种基于MapReduce框架的时间序列桥梁监测数据分析方法 | |
CN111753776B (zh) | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 | |
CN115841004A (zh) | 基于多维数据的带钢热轧过程力学性能软测量方法及装置 | |
CN115654381A (zh) | 一种基于图神经网络的供水管道漏损检测方法 | |
CN113269352A (zh) | 基于移动互联网的城市内涝监测预警方法、系统及介质 | |
CN114492184A (zh) | 一种时频域分析航空发动机剩余使用寿命预测方法及装置 | |
CN112664185A (zh) | 一种基于示功图的抽油机井工况预测方法 | |
CN117521512A (zh) | 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法 | |
CN117171700A (zh) | 一种基于深度学习的钻井溢流预测组合模型及模型适时静默更新与迁移学习方法 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN117349650B (zh) | 一种基坑结构数据多元时空融合与演化特征提取方法 | |
CN113723496A (zh) | 一种电抗器铁心松动故障诊断方法、装置和设备 | |
Yao et al. | Crack detection of concrete surface based on\newline convolutional neural networks | |
CN115660198B (zh) | 滚动轴承剩余使用寿命预测方法 | |
CN116862076A (zh) | 一种排水管网流量预测方法、装置及存储介质 | |
CN117009900A (zh) | 一种基于图神经网络的物联网信号异常检测方法和系统 | |
CN110610187A (zh) | 一种基于贝叶斯网络的土质边坡坍塌事故诊断方法 | |
GB2623358A (en) | Method and system for fault diagnosis of nuclear power circulating water pump based on optimized capsule network | |
CN112491468B (zh) | 基于孪生节点辅助传感的fbg传感网络节点故障定位方法 | |
Matsuoka et al. | Estimation of building damage ratio due to earthquakes and tsunamis using satellite SAR imagery |
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 |