CN117723594B - 一种基于miv-bp模型的保温建筑构件的检测方法 - Google Patents
一种基于miv-bp模型的保温建筑构件的检测方法 Download PDFInfo
- Publication number
- CN117723594B CN117723594B CN202410178423.6A CN202410178423A CN117723594B CN 117723594 B CN117723594 B CN 117723594B CN 202410178423 A CN202410178423 A CN 202410178423A CN 117723594 B CN117723594 B CN 117723594B
- Authority
- CN
- China
- Prior art keywords
- pore
- data set
- list
- component
- pore distribution
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 239000011148 porous material Substances 0.000 claims abstract description 237
- 238000004321 preservation Methods 0.000 claims abstract description 65
- 239000000463 material Substances 0.000 claims abstract description 61
- 238000009413 insulation Methods 0.000 claims abstract description 52
- 230000003213 activating effect Effects 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims description 78
- 239000013598 vector Substances 0.000 claims description 49
- 238000004458 analytical method Methods 0.000 claims description 47
- 230000007613 environmental effect Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 25
- 238000012544 monitoring process Methods 0.000 claims description 22
- 239000012774 insulation material Substances 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000012512 characterization method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 239000011800 void material Substances 0.000 claims description 8
- 238000009434 installation Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 11
- 238000013461 design Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000011810 insulating material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 239000004793 Polystyrene Substances 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 239000011490 mineral wool Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920002223 polystyrene Polymers 0.000 description 1
- 239000011241 protective layer Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明涉及智能检测技术领域,提供了一种基于MIV‑BP模型的保温建筑构件的检测方法,所述方法包括:加载基础信息,基于孔隙分布判别非一致性,生成系数;若系数超阈值,设环境温差和期望温降列表,激活MIV‑BP模型,解析生成温降时序列表;分析趋势,生成温降特征列表,比对期望与实际温降,生成保温偏差系数;若合格,标识保温性能通过,解决了保温建筑构件的检测需要在特定测试环境中进行,检测难度大、测试周期较长的技术问题,实现了对保温建筑构件内部结构和材料特性的准确建模和预测,脱离特定测试环境的限制,配置自动化、高效的检测流程,降低检测难度,提高检测效率和准确性,保障保温性能检测可靠性的技术效果。
Description
技术领域
本发明涉及智能检测相关技术领域,具体涉及一种基于MIV-BP模型的保温建筑构件的检测方法。
背景技术
保温建筑构件一般指如岩棉板、聚苯板、挤塑板之类的保温层构件以及由钢骨架、保温材料和外保护层三部分组成保温钢结构,主要作用是降低建筑物传热系数和热损失,提高建筑物保温性能,防止冷凝,实现隔音效果,增加建筑物的耐久性和使用寿命。
常见的,通常采用人工测量和实验室测试,这些方法不仅耗时费力,而且对于大型建筑或复杂结构,难以实现全面准确的检测。此外,常规检测方法往往忽略了保温建筑构件的内部结构和材料特性,导致检测结果的不准确性和不完整性。
综上所述,现有技术中存在保温建筑构件的检测需要在特定测试环境中进行,检测难度大、测试周期较长的技术问题。
发明内容
本申请通过提供了一种基于MIV-BP模型的保温建筑构件的检测方法,旨在解决现有技术中的保温建筑构件的检测需要在特定测试环境中进行,检测难度大、测试周期较长的技术问题。
鉴于上述问题,本申请实施例提供了一种基于MIV-BP模型的保温建筑构件的检测方法。
本申请公开的第一个方面,提供了一种基于MIV-BP模型的保温建筑构件的检测方法,其中,所述方法包括:加载保温建筑构件基础信息,其中,所述保温建筑构件基础信息包括材料密度、孔隙特征和构件尺寸特征,所述孔隙特征包括孔隙尺寸特征和孔隙分布特征;基于所述孔隙分布特征执行分布非一致性判别,生成分布非一致性系数;当所述分布非一致性系数大于或等于分布非一致性系数阈值,配置预设环境温差列表和期望温降速度列表,其中,所述预设环境温差列表具有室外温度监测值列表;激活MIV-BP温度变化预测模型,遍历所述预设环境温差列表和所述室外温度监测值列表,结合所述材料密度、所述孔隙特征和所述构件尺寸特征执行解析,生成温降变化时序信息列表;遍历所述温降变化时序信息列表进行集中趋势分析,生成温降特征速度列表;根据所述期望温降速度列表和所述温降特征速度列表进行偏差分析,生成保温偏差系数;当所述保温偏差系数大于或等于保温偏差系数阈值,对保温建筑构件标识保温性能检测合格。
本申请公开的另一个方面,提供了一种基于MIV-BP模型的保温建筑构件的检测系统,其中,所述系统包括:基础信息加载模块,用于加载保温建筑构件基础信息,其中,所述保温建筑构件基础信息包括材料密度、孔隙特征和构件尺寸特征,所述孔隙特征包括孔隙尺寸特征和孔隙分布特征;一致性判别模块,用于基于所述孔隙分布特征执行分布非一致性判别,生成分布非一致性系数;列表配置模块,用于当所述分布非一致性系数大于或等于分布非一致性系数阈值,配置预设环境温差列表和期望温降速度列表,其中,所述预设环境温差列表具有室外温度监测值列表;特征解析模块,用于激活MIV-BP温度变化预测模型,遍历所述预设环境温差列表和所述室外温度监测值列表,结合所述材料密度、所述孔隙特征和所述构件尺寸特征执行解析,生成温降变化时序信息列表;集中趋势分析模块,用于遍历所述温降变化时序信息列表进行集中趋势分析,生成温降特征速度列表;偏差分析模块,用于根据所述期望温降速度列表和所述温降特征速度列表进行偏差分析,生成保温偏差系数;检测标识模块,用于当所述保温偏差系数大于或等于保温偏差系数阈值,对保温建筑构件标识保温性能检测合格。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了加载保温建筑构件的基础信息,如材料密度、孔隙特征和构件尺寸;基于孔隙分布特征,执行分布非一致性判别并生成系数;当该系数大于或等于阈值,配置预设环境温差列表和期望温降速度列表;激活MIV-BP模型,结合材料密度、孔隙特征和构件尺寸,生成温降变化时序信息列表;进行集中趋势分析,生成温降特征速度列表;根据期望与实际温降速度进行偏差分析,生成保温偏差系数;当保温偏差系数大于或等于阈值,标识保温性能合格,实现了对保温建筑构件内部结构和材料特性的准确建模和预测,脱离特定测试环境的限制,配置自动化、高效的检测流程,降低检测难度,提高检测效率和准确性,保障保温性能检测的可靠性的技术效果。
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,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种基于MIV-BP模型的保温建筑构件的检测方法可能的流程示意图;
图2为本申请实施例提供了一种基于MIV-BP模型的保温建筑构件的检测方法中基础信息加载可能的流程示意图;
图3为本申请实施例提供了一种基于MIV-BP模型的保温建筑构件的检测方法中孔隙分布特征图;
图4为本申请实施例提供了一种基于MIV-BP模型的保温建筑构件的检测系统可能的结构示意图。
附图标记说明:基础信息加载模块100,一致性判别模块200,列表配置模块300,特征解析模块400,集中趋势分析模块500,偏差分析模块600,检测标识模块700。
具体实施方式
以下结合附图对本发明的示范性实施例作出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
实施例一
如图1所示,本申请实施例提供了一种基于MIV-BP模型的保温建筑构件的检测方法,其中,所述方法包括:
Step-1:加载保温建筑构件基础信息,其中,所述保温建筑构件基础信息包括材料密度、孔隙特征和构件尺寸特征,所述孔隙特征包括孔隙尺寸特征和孔隙分布特征;
Step-2:基于所述孔隙分布特征执行分布非一致性判别,生成分布非一致性系数;
已知的,通过在保温建筑构件两侧设置热流计,测量通过保温建筑构件的热量,从而评估保温性能;利用红外热像仪测量保温建筑构件表面的温度分布,从而评估保温性能,相较于上述常规方式,基于MIV-BP模型的保温建筑构件检测方法具有自动化、高效性、准确性、稳定性和全面性、完整性,保障保温性能检测的可靠性。
从各种来源(例如设计图、施工记录、建筑规范等),获取加载保温建筑构件基础信息,所述保温建筑构件基础信息包括材料密度、孔隙特征和构件尺寸特征,所述孔隙特征包括孔隙尺寸特征(孔隙的大小)和孔隙分布特征(孔隙在保温建筑构件中的分布情况);
对保温建筑构件的样品进行切片,并对样品的切片截面进行图像分析,分析孔隙分布特征,评估孔隙的非一致性与孔隙分布均匀性,生成分布非一致性系数,所述分布非一致性系数用于统一量化孔隙在保温建筑构件中一个或多个切片截面的分布情况,为后续分析提供数据支持。
Step-3:当所述分布非一致性系数大于或等于分布非一致性系数阈值,配置预设环境温差列表和期望温降速度列表,其中,所述预设环境温差列表具有室外温度监测值列表;
所述分布非一致性系数阈值作为判断保温建筑构件性能是否达到预期的指标,是基于GB/T 39802-2021《城镇供热保温材料技术条件》、GB 50264-2013《工业设备及管道绝热工程设计规范》等相关标准设置的,当分布非一致性系数小于或等于分布非一致性系数阈值时,意味着保温建筑构件的实际性能与预期存在较大偏差,因孔隙特征不满足相关标准,保温性能检测不合格;当所述分布非一致性系数大于或等于分布非一致性系数阈值,意味着保温建筑构件的实际性能与预期基本预期相符,孔隙特征满足相关标准,可以进一步分析保温建筑构件的其他相关指标;
当所述分布非一致性系数大于或等于分布非一致性系数阈值,配置预设环境温差列表,所述预设环境温差列表包括保温建筑构件两侧一一对应的两组实际温度(保温建筑构件第一面的第一组实际温度、保温建筑构件第二面的第二组实际温度,第一组实际温度与第二组实际温度的空间坐标存在映射关系)计算所得的温差值;采用预设环境温差列表类似的方式,配置期望温降速度列表,所述预设环境温差列表具有室外温度监测值列表;
Step-4:激活MIV-BP温度变化预测模型,遍历所述预设环境温差列表和所述室外温度监测值列表,结合所述材料密度、所述孔隙特征和所述构件尺寸特征执行解析,生成温降变化时序信息列表;
在配置完预设环境温差列表和期望温降速度列表后,激活MIV-BP温度变化预测模型,所述MIV-BP温度变化预测模型根据输入的环境温差、材料密度、孔隙特征和构件尺寸特征,预测出保温材料的温度变化;遍历预设环境温差列表中的每一个值,并与室外温度监测值列表中的值进行比较,可以得到一系列的环境温差和室外温度的对应关系;将所确定的对应关系与材料密度、孔隙特征和构件尺寸特征相结合,进行解析,解析的过程可能包括数学建模、数据拟合等步骤,以得到更准确的预测结果;根据解析的结果,生成温降变化时序信息列表,所述温降变化时序信息列表包括每一个时间点的预测温降速度值,以及相应的环境温差和室外温度值。
Step-5:遍历所述温降变化时序信息列表进行集中趋势分析,生成温降特征速度列表;
遍历之前生成的温降变化时序信息列表中的每一条记录,在遍历过程中,识别并去除明显偏离大多数数据的室内温度降低速度值,明显偏离大多数数据的室内温度降低速度值即离散值,一般的,离散值可能是由于测量误差、异常事件或其他非典型因素造成的;
对去除离散值后的剩余数据进行求均值操作,所得均值代表了室内温度降低速度的集中趋势,即大多数情况下的平均温降速度;将计算得到的均值作为温降特征速度,生成温降特征速度列表,所述温降特征速度列表反映了保温建筑构件在不同环境温差下的平均温降性能。
Step-6:根据所述期望温降速度列表和所述温降特征速度列表进行偏差分析,生成保温偏差系数;
Step-7:当所述保温偏差系数大于或等于保温偏差系数阈值,对保温建筑构件标识保温性能检测合格。
将期望温降速度列表与生成的温降特征速度列表进行比对,计算每个环境温差下期望温降速度与实际温降特征速度之间的偏差;根据偏差计算的结果,生成保温偏差系数,所述保温偏差系数反映了保温建筑构件实际性能与预期性能之间的吻合程度:
保温偏差系数越大,说明实际性能越接近预期;保温偏差系数越小,则说明实际性能与预期存在较大差异;当保温偏差系数大于或等于预设的保温偏差系数阈值时,说明保温建筑构件的实际性能与预期性能相符,可以标识为保温性能检测合格;若保温偏差系数低于阈值,则保温建筑构件的保温性能检测不合格。通过自动化、高效的检测流程,实现了对保温建筑构件的保温性能进行客观、量化的评估,提高检测效率。
进一步而言,如图2所示,加载保温建筑构件基础信息,其中,所述保温建筑构件基础信息包括材料密度、孔隙特征、环境温差和构件尺寸特征,所述孔隙特征包括孔隙尺寸特征和孔隙分布特征,本申请方法包括:
加载保温建筑构件材料类型,匹配所述材料密度;
对保温建筑构件样品进行切割图像识别,采集所述孔隙尺寸特征和所述孔隙分布特征;
基于保温建筑构件预安装方案,提取所述构件尺寸特征,其中,所述构件尺寸特征包括构件厚度特征、构件宽度特征和构件长度特征。
获取保温建筑构件的材料类型,并在GB/T 39802-2021《城镇供热保温材料技术条件》、GB 50264-2013《工业设备及管道绝热工程设计规范》中,匹配所述材料密度,并将保温建筑构件的材料类型、材料密度加载到基于MIV-BP模型的保温建筑构件的检测系统中;
在获取了保温建筑构件的基本信息后,使用图像处理技术对保温建筑构件的样品进行切割,并通过图像识别技术来提取孔隙的尺寸特征和分布特征,具体来说,将保温建筑构件的样品进行切割,使用图像采集设备(如显微镜、扫描仪等)获取样品切割面的图像数据;利用图像处理算法(如边缘检测、阈值分割等)对图像进行处理,提取出孔隙的尺寸特征和分布特征,所述孔隙尺寸特征包括孔隙的大小、形状等相关特征指标,所述孔隙分布特征包括孔隙的位置、分布情况等相关特征指标。
在得到保温建筑构件的孔隙特征后,基于保温建筑构件的预安装方案或设计图纸,提取构件尺寸特征,所述构件尺寸特征包括构件的厚度、宽度和长度对应的具体数值,可以通过预安装方案或设计图纸所在的设计软件获得,并加载至基于MIV-BP模型的保温建筑构件的检测系统中。通过上述步骤,加载得到完整的保温建筑构件基础信息,包括材料类型、密度、孔隙特征以及构件尺寸特征等,为后续的保温性能检测和评估提供支持。
进一步而言,对保温建筑构件样品进行切割图像识别,采集所述孔隙尺寸特征和所述孔隙分布特征,本申请方法包括:
激活孔隙特征解析装置,其中,所述孔隙特征解析装置包括样品切割刀、样品固定装置和孔隙特征提取组件,所述孔隙特征提取组件包括图像采集器和内嵌于所述图像采集器的孔隙特征提取器;
将所述保温建筑构件样品通过所述样品固定装置进行固定,启动所述样品切割刀沿着第一平面切割,激活所述图像采集器采集第一截面图像;
将所述保温建筑构件样品通过所述样品固定装置进行固定,启动所述样品切割刀沿着第二平面切割,激活所述图像采集器采集第二截面图像,第一平面和第二平面互相垂直;
通过所述孔隙特征提取器,对所述第一截面图像和所述第二截面图像执行图像识别,生成所述孔隙尺寸特征和所述孔隙分布特征;
其中,所述孔隙特征提取器基于保温建筑构件截面图像集、孔隙尺寸标识数据集与孔隙分布向量数据集对卷积神经网络配置得到,所述卷积神经网络具有金字塔卷积核拓扑。
激活孔隙特征解析装置,所述孔隙特征解析装置包括样品切割刀、样品固定装置和孔隙特征提取组件,其中,孔隙特征提取组件包括图像采集器和内嵌于图像采集器的孔隙特征提取器,孔隙特征解析装置可以通过基于MIV-BP模型的保温建筑构件的检测系统自动操作激活。
将保温建筑构件样品放置在样品固定装置上,确保样品能够被稳定地固定住,以便进行切割和图像采集;在样品被固定后,激活样品切割刀,并使其沿着第一平面进行切割,与此同时,启动图像采集器,对切割后的第一截面进行图像采集;启动样品切割刀沿着第二平面切割;采用与第一截面相似的操作步骤,将样品固定装置旋转90度,使样品与第一平面垂直,再次启动样品切割刀沿着第二平面进行切割,同时启动图像采集器对切割后的第二截面进行图像采集。
利用孔隙特征提取器对采集到的第一截面图像和第二截面图像进行图像识别,所述孔隙特征提取器可以根据图像的内容识别出孔隙的尺寸特征和分布特征,具体来说,提取器会分析截面图像中的像素分布、颜色差异等特征,从而识别出孔隙的位置、大小、形状等信息。根据图像识别结果,孔隙特征提取器会生成孔隙的尺寸特征和分布特征,所述孔隙尺寸特征和所述孔隙分布特征包括孔隙的直径、形状、数量以及在截面上的分布情况等。
为提高孔隙特征提取的准确性,可以使用卷积神经网络(CNN)进行训练和配置,具体来说,利用保温建筑构件截面图像集、孔隙尺寸标识数据集与孔隙分布向量数据集对CNN进行训练,使其具备识别孔隙特征的能力,在训练过程中,可以采用诸如梯度下降等优化算法对网络的权重和偏置进行更新,以提高网络的准确性和泛化能力。
为了更好地捕捉到孔隙的特征信息,可以在CNN中使用金字塔卷积核拓扑结构,所述金字塔卷积核拓扑结构可以使得网络能够同时捕捉到低分辨率和高分辨率的图像信息,从而更全面地分析孔隙的特征,此外,金字塔卷积核拓扑结构还可以通过不同层级的卷积核来学习不同尺寸的孔隙特征,进一步提高特征提取的精度。
进一步而言,基于所述孔隙分布特征执行分布非一致性判别,生成分布非一致性系数,本申请方法包括:
根据所述孔隙分布特征,构建孔隙分布特征图;
以统一坐标系,对所述孔隙分布特征图进行定位,提取第一孔隙分布向量、第二孔隙分布向量直到第N孔隙分布向量,其中,N为整数,N≥1;
对所述第一孔隙分布向量、所述第二孔隙分布向量直到所述第N孔隙分布向量进行向量夹角计算,生成若干个孔隙分布夹角集合;
基于孔隙分布夹角阈值,对所述若干个孔隙分布夹角集合进行聚类,生成孔隙分布聚类数量;
计算所述孔隙分布聚类数量与N的比值,设为所述分布非一致性系数。
根据采集到的孔隙分布特征数据,构建孔隙分布特征图,如图3所示,孔隙分布特征图是一个二维的散点图,其中,每个条状的线代表一个孔隙的分布,可以直观地展示出孔隙在保温建筑构件中的分布情况。
在构建所述孔隙分布特征图后,需要在孔隙分布特征图上设置一个的坐标系,对孔隙进行定位,所设置的坐标系可以是笛卡尔坐标系、极坐标系或其他适合描述孔隙分布的坐标系,通过定位,可以确定每个孔隙在空间中的具体位置;根据定位,确定孔隙分布特征图中每个孔隙对应的第一孔隙分布向量、第二孔隙分布向量直到第N孔隙分布向量,第一孔隙分布向量、第二孔隙分布向量、……、第N孔隙分布向量描述了每个孔隙在坐标系中的方向和距离,第一孔隙分布向量、第二孔隙分布向量、……、第N孔隙分布向量,可以确定各个孔隙之间的相对位置和分布情况。
对每个孔隙的分布向量进行夹角计算,通过计算第一孔隙分布向量、第二孔隙分布向量、……、第N孔隙分布向量中任意两个向量之间的夹角,可以了解向量之间的方向差异,向量之间的夹角可以用来描述各个孔隙之间的相对位置关系;通过对每个孔隙的分布向量进行夹角计算,可以得到一系列的夹角值,进而整理得到若干个孔隙分布夹角集合,若干个孔隙分布夹角集合用于表征各个孔隙在空间中的分布情况以及孔隙之间的相互关系。
分析孔隙分布的非一致性,具体的,可以设定一个夹角阈值,将夹角集合中的夹角值进行聚类;如果两个夹角的差值小于阈值,则认为这两个夹角属于同一类,通过聚类,可以将具有相似分布的孔隙归为一类,从而评估孔隙之间夹角的分布一致性。
通过对夹角集合进行聚类后,可以得到孔隙分布聚类数量,所述孔隙分布聚类数量描述了不同类别的孔隙数量对应的类别数,为了评估孔隙的非一致性,可以计算孔隙分布聚类数量与总数量N的比值,一般的,如果孔隙分布聚类数量越大,即类的数量越多,所得比值越大,说明孔隙的分布的非一致性越大;孔隙分布聚类数量越小,即类的数量越少,所得比值越小,则说明孔隙的分布较为一致。
故而,可以将计算得到的比值设为分布非一致性系数,所述分布非一致性系数用来量化保温建筑构件中孔隙的分布非一致性程度。
进一步而言,激活MIV-BP温度变化预测模型,遍历所述预设环境温差列表和所述室外温度监测值列表,之前,本申请方法包括:
配置BP自循环网络,其中,所述BP自循环网络具有自循环通道,所述自循环通道和输出层并行连接,每次执行映射任务时需要执行M次循环,当不满足时,通过自循环通道将输出值返回值输入层,当满足时,通过所述输出层按照时序拟合全部输出值输出,M为整数,M≥2;
采集保温材料测试数据集,其中,所述保温材料测试数据集包括环境温差数据集、材料密度数据集、孔隙特征数据集、构件尺寸特征数据集与温度变化序列数据集,其中,所述环境温差数据集具有室外温度标识数据集;
根据所述温度变化序列数据集,结合所述室外温度标识数据集对所述环境温差数据集进行调整,生成环境温差序列数据集;
遍历所述环境温差序列数据集,结合所述材料密度数据集、所述孔隙特征数据集、所述构件尺寸特征数据集作为输出数据,以所述温度变化序列数据集为监督数据,基于MIV算法,训练BP自循环网络,生成所述MIV-BP温度变化预测模型。
优选的,BP自循环网络与传统的循环神经网络不同,BP自循环网络通过自循环通道实现了信息的循环传递,从而节省了模型资源,并避免了多个处理层的连接需求。在BP自循环网络中,自循环通道与输出层是并行连接的。当网络执行映射任务时,需要执行M次循环(M为整数,M≥2);如果输出不满足预设条件,输出值会通过自循环通道返回输入层,进行下一轮循环;当满足条件时,输出层会按照时序拟合全部输出值并输出。
为了训练和验证MIV-BP温度变化预测模型,首先需要采集保温材料测试数据集,所述保温材料测试数据集包含以下几个部分:环境温差数据集、材料密度数据集、孔隙特征数据集、构件尺寸特征数据集和温度变化序列数据集,其中,环境温差数据集还应包含室外温度标识数据集,以便后续与环境温差进行对应和调整。
利用温度变化序列数据集和室外温度标识数据集,对环境温差数据集进行调整。具体包括,将每个温度值与对应的室外温度求差,从而得到环境温差序列,从而更准确地反映保温材料在实际环境中的温度变化。
遍历调整后的环境温差序列数据集,并结合材料密度数据集、孔隙特征数据集、构件尺寸特征数据集作为网络的输入数据。
以温度变化序列数据集作为监督数据,利用MIV(Mean Impact Value)算法对BP自循环网络进行训练,MIV算法可以帮助评估输入特征对输出结果的影响程度,从而提升模型的预测精度;通过训练,得到MIV-BP温度变化预测模型,所述MIV-BP温度变化预测模型能够根据输入的保温材料特性和环境温差,预测出保温材料的温度变化序列。
激活训练好的MIV-BP温度变化预测模型,遍历预设的环境温差列表和室外温度监测值列表;结合保温材料的材料密度、孔隙特征和构件尺寸特征,利用MIV-BP模型执行解析,生成温降变化时序信息列表,所述温降变化时序信息列表详细记录保温材料在不同环境温差和室外温度条件下的温度变化情况,为后续的保温性能评估提供支持。
进一步而言,遍历所述环境温差序列数据集,结合所述材料密度数据集、所述孔隙特征数据集、所述构件尺寸特征数据集作为输出数据,以所述温度变化序列数据集为监督数据,基于MIV算法,训练BP神经网络,生成初始MIV-BP温度变化预测模型,本申请方法包括:
构建自循环损失函数:
,其中,/>表征任意一次训练的损失值,/>表征预测偏差阈值,/>表征第一环境温差序列、第一材料密度、第一孔隙特征、第一构件尺寸特征和第一温度变化序列的第k次循环的预测温度,/>表征第k次循环的监测温度,/>为自然常数;
根据所述自循环损失函数,结合MIV算法,所述材料密度数据集、所述孔隙特征数据集、所述构件尺寸特征数据集作为输出数据,以所述温度变化序列数据集为监督数据,训练BP自循环网络,生成所述MIV-BP温度变化预测模型。
定义一个自循环损失函数,用于衡量预测温度与实际监测温度之间的差异,自循环损失函数的公式为:,其中,/>表征任意一次训练的损失值,/>表征预测偏差阈值,/>表征第一环境温差序列、第一材料密度、第一孔隙特征、第一构件尺寸特征和第一温度变化序列的第k次循环的预测温度,/>表征第k次循环的监测温度,/>为自然常数,监测温度是遍历所述温度变化序列数据集中的温度值所得;
训练BP自循环网络:从环境温差序列数据集、材料密度数据集、孔隙特征数据集、构件尺寸特征数据集与温度变化序列数据集中提取对应的数据;提取的数据包括:第一环境温差序列、第一材料密度、第一孔隙特征、第一构件尺寸特征和第一温度变化序列,所述第一环境温差序列和所述第一温度变化序列的序列数量等于M,即M是训练的轮数,其中,所述第一环境温差序列包括第一环境温差、第二环境温差直到第M环境温差;所述第一温度变化序列包括第一监测温度、第二监测温度直到第M监测温度。
以第一环境温差和第一材料密度、第一孔隙特征、第一构件尺寸特征,组合成第一次循环训练输入数据;以第一监测温度为第一次循环训练输出监督数据;记录第一次循环预测温度,结合室外温度标识,计算第二预测环境温差。
调整模型参数并重新训练:当第二预测环境温差和第二环境温差的偏差小于温差偏差阈值时,以第二预测环境温差和第一材料密度、第一孔隙特征、第一构件尺寸特征,组合成第一次循环训练输入数据,以第二监测温度为第一次循环训练输出监督数据;当第二预测环境温差和第二环境温差的偏差大于或等于温差偏差阈值时,则调整模型参数后,再重新训练;当第二预测环境温差和第二环境温差的偏差小于温差偏差阈值时,进行所述第二预测环境温差的记录,之后,重复上述步骤,直至M个监测温度预测全部训练完,即记录得到M个预测环境温差;
统计损失并判断收敛:以上M个监测温度预测全部训练完,视为模型的一次训练;代入损失函数统计当次训练损失;在训练过程中,不断调整BP自循环网络的权重和偏置,多次训练过程中对应的损失值会不断向阈值靠近,当Q次训练有95以上损失值小于阈值,则视为收敛,模型达到停止条件,得到MIV-BP温度变化预测模型。
利用MIV算法和BP自循环网络进行模型训练,从而得到基于保温材料特性和环境温差的初始MIV-BP温度变化预测模型,初始MIV-BP温度变化预测模型能够根据输入的保温材料特性和环境温差,预测出保温材料的温度变化序列,为后续的保温性能评估提供模型支持。
进一步而言,根据所述期望温降速度列表和所述温降特征速度列表进行偏差分析,生成保温偏差系数,本申请方法包括:
比对所述期望温降速度列表和所述温降特征速度列表,获得温降速度偏差集合;
提取所述温降速度偏差集合中大于或等于温降速度偏差阈值的占比,设为所述保温偏差系数。
比对期望温降速度列表与温降特征速度列表,所述期望温降速度列表与温降特征速度列表分别代表了预测的温降速度和实际的温降速度,对于每一个时间点或者时间段,需要比较这两个速度值,得到一个相对偏差;得到了每个时间点或时间段的偏差。每个时间点或时间段的偏差整合起来,形成一个新的列表,即温降速度偏差集合。
提取大于或等于温降速度偏差阈值的占比,具体的,在所述温降速度偏差集合中,找出那些大于或等于温降速度偏差阈值的元素,将大于或等于温降速度偏差阈值的元素数量与所述温降速度偏差集合中的元素总数量的占比为保温偏差系数,保温偏差系数是一个衡量预测的温降速度与实际的温降速度之间差异的指标;如果保温偏差系数接近1,说明预测值与实际值之间存在较大偏差;如果保温偏差系数接近0,说明预测值与实际值之间几乎没有偏差。根据期望与实际温降速度进行偏差分析,生成保温偏差系数,进一步验证了保温建筑构件的保温性能,保证保温性能检测可靠性。
综上所述,本申请实施例所提供的一种基于MIV-BP模型的保温建筑构件的检测方法具有如下技术效果:
1.实现自动化、高效的检测,缩短测量时间,提高检测效率。
2.深度分析保温建筑构件的内部结构和材料特性信息,提高检测结果的准确性和稳定性。
3.综合考虑多种因素,如材料密度、孔隙特征、构件尺寸特征等,实现对保温建筑构件的全面、完整检测。
4.由于采用了比对期望温降速度列表和温降特征速度列表,获得温降速度偏差集合;提取温降速度偏差集合中大于或等于温降速度偏差阈值的占比,设为保温偏差系数,进一步验证了保温建筑构件的保温性能,保证保温性能检测可靠性。
实施例二
基于与前述实施例中一种基于MIV-BP模型的保温建筑构件的检测方法相同的发明构思,如图4所示,本申请实施例提供了一种基于MIV-BP模型的保温建筑构件的检测系统,其中,所述系统包括:
基础信息加载模块100,用于加载保温建筑构件基础信息,其中,所述保温建筑构件基础信息包括材料密度、孔隙特征和构件尺寸特征,所述孔隙特征包括孔隙尺寸特征和孔隙分布特征;
一致性判别模块200,用于基于所述孔隙分布特征执行分布非一致性判别,生成分布非一致性系数;
列表配置模块300,用于当所述分布非一致性系数大于或等于分布非一致性系数阈值,配置预设环境温差列表和期望温降速度列表,其中,所述预设环境温差列表具有室外温度监测值列表;
特征解析模块400,用于激活MIV-BP温度变化预测模型,遍历所述预设环境温差列表和所述室外温度监测值列表,结合所述材料密度、所述孔隙特征和所述构件尺寸特征执行解析,生成温降变化时序信息列表;
集中趋势分析模块500,用于遍历所述温降变化时序信息列表进行集中趋势分析,生成温降特征速度列表;
偏差分析模块600,用于根据所述期望温降速度列表和所述温降特征速度列表进行偏差分析,生成保温偏差系数;
检测标识模块700,用于当所述保温偏差系数大于或等于保温偏差系数阈值,对保温建筑构件标识保温性能检测合格。
进一步的,所述系统包括:
加载保温建筑构件材料类型,匹配所述材料密度;
对保温建筑构件样品进行切割图像识别,采集所述孔隙尺寸特征和所述孔隙分布特征;
基于保温建筑构件预安装方案,提取所述构件尺寸特征,其中,所述构件尺寸特征包括构件厚度特征、构件宽度特征和构件长度特征。
进一步的,所述系统包括:
激活孔隙特征解析装置,其中,所述孔隙特征解析装置包括样品切割刀、样品固定装置和孔隙特征提取组件,所述孔隙特征提取组件包括图像采集器和内嵌于所述图像采集器的孔隙特征提取器;
将所述保温建筑构件样品通过所述样品固定装置进行固定,启动所述样品切割刀沿着第一平面切割,激活所述图像采集器采集第一截面图像;
将所述保温建筑构件样品通过所述样品固定装置进行固定,启动所述样品切割刀沿着第二平面切割,激活所述图像采集器采集第二截面图像,第一平面和第二平面互相垂直;
通过所述孔隙特征提取器,对所述第一截面图像和所述第二截面图像执行图像识别,生成所述孔隙尺寸特征和所述孔隙分布特征;
其中,所述孔隙特征提取器基于保温建筑构件截面图像集、孔隙尺寸标识数据集与孔隙分布向量数据集对卷积神经网络配置得到,所述卷积神经网络具有金字塔卷积核拓扑。
进一步的,所述系统包括:
根据所述孔隙分布特征,构建孔隙分布特征图;
以统一坐标系,对所述孔隙分布特征图进行定位,提取第一孔隙分布向量、第二孔隙分布向量直到第N孔隙分布向量,其中,N为整数,N≥1;
对所述第一孔隙分布向量、所述第二孔隙分布向量直到所述第N孔隙分布向量进行向量夹角计算,生成若干个孔隙分布夹角集合;
基于孔隙分布夹角阈值,对所述若干个孔隙分布夹角集合进行聚类,生成孔隙分布聚类数量;
计算所述孔隙分布聚类数量与N的比值,设为所述分布非一致性系数。
进一步的,所述系统包括:
配置BP自循环网络,其中,所述BP自循环网络具有自循环通道,所述自循环通道和输出层并行连接,每次执行映射任务时需要执行M次循环,当不满足时,通过自循环通道将输出值返回值输入层,当满足时,通过所述输出层按照时序拟合全部输出值输出,M为整数,M≥2;
采集保温材料测试数据集,其中,所述保温材料测试数据集包括环境温差数据集、材料密度数据集、孔隙特征数据集、构件尺寸特征数据集与温度变化序列数据集,其中,所述环境温差数据集具有室外温度标识数据集;
根据所述温度变化序列数据集,结合所述室外温度标识数据集对所述环境温差数据集进行调整,生成环境温差序列数据集;
遍历所述环境温差序列数据集,结合所述材料密度数据集、所述孔隙特征数据集、所述构件尺寸特征数据集作为输出数据,以所述温度变化序列数据集为监督数据,基于MIV算法,训练BP自循环网络,生成所述MIV-BP温度变化预测模型。
进一步的,所述系统包括:
构建自循环损失函数:
,其中,/>表征任意一次训练的损失值,/>表征预测偏差阈值,/>表征第一环境温差序列、第一材料密度、第一孔隙特征、第一构件尺寸特征和第一温度变化序列的第k次循环的预测温度,/>表征第k次循环的监测温度,/>为自然常数;
根据所述自循环损失函数,结合MIV算法,所述材料密度数据集、所述孔隙特征数据集、所述构件尺寸特征数据集作为输出数据,以所述温度变化序列数据集为监督数据,训练BP自循环网络,生成所述MIV-BP温度变化预测模型。
进一步的,所述系统包括:
比对所述期望温降速度列表和所述温降特征速度列表,获得温降速度偏差集合;
提取所述温降速度偏差集合中大于或等于温降速度偏差阈值的占比,设为所述保温偏差系数。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不止代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (4)
1.一种基于MIV-BP模型的保温建筑构件的检测方法,其特征在于,包括:
加载保温建筑构件基础信息,其中,所述保温建筑构件基础信息包括材料密度、孔隙特征和构件尺寸特征,所述孔隙特征包括孔隙尺寸特征和孔隙分布特征,包括:
加载保温建筑构件材料类型,匹配所述材料密度;
对保温建筑构件样品进行切割图像识别,采集所述孔隙尺寸特征和所述孔隙分布特征;
基于保温建筑构件预安装方案,提取所述构件尺寸特征,其中,所述构件尺寸特征包括构件厚度特征、构件宽度特征和构件长度特征;
基于所述孔隙分布特征执行分布非一致性判别,生成分布非一致性系数,包括:
根据所述孔隙分布特征,构建孔隙分布特征图;
以统一坐标系,对所述孔隙分布特征图进行定位,提取第一孔隙分布向量、第二孔隙分布向量直到第N孔隙分布向量,其中,N为整数,N≥1;
对所述第一孔隙分布向量、所述第二孔隙分布向量直到所述第N孔隙分布向量进行向量夹角计算,生成若干个孔隙分布夹角集合;
基于孔隙分布夹角阈值,对所述若干个孔隙分布夹角集合进行聚类,生成孔隙分布聚类数量;
计算所述孔隙分布聚类数量与N的比值,设为所述分布非一致性系数;
当所述分布非一致性系数大于或等于分布非一致性系数阈值,配置预设环境温差列表和期望温降速度列表,其中,所述预设环境温差列表具有室外温度监测值列表;
激活MIV-BP温度变化预测模型,遍历所述预设环境温差列表和所述室外温度监测值列表,结合所述材料密度、所述孔隙特征和所述构件尺寸特征执行解析,生成温降变化时序信息列表,之前包括:
配置BP自循环网络,其中,所述BP自循环网络具有自循环通道,所述自循环通道和输出层并行连接,每次执行映射任务时需要执行M次循环,当不满足时,通过自循环通道将输出值返回值输入层,当满足时,通过所述输出层按照时序拟合全部输出值输出,M为整数,M≥2;
采集保温材料测试数据集,其中,所述保温材料测试数据集包括环境温差数据集、材料密度数据集、孔隙特征数据集、构件尺寸特征数据集与温度变化序列数据集,其中,所述环境温差数据集具有室外温度标识数据集;
根据所述温度变化序列数据集,结合所述室外温度标识数据集对所述环境温差数据集进行调整,生成环境温差序列数据集;
遍历所述环境温差序列数据集,结合所述材料密度数据集、所述孔隙特征数据集、所述构件尺寸特征数据集作为输出数据,以所述温度变化序列数据集为监督数据,基于MIV算法,训练BP自循环网络,生成所述MIV-BP温度变化预测模型,包括:
构建自循环损失函数:
,
其中,表征任意一次训练的损失值,/>表征预测偏差阈值,/>表征第一环境温差序列、第一材料密度、第一孔隙特征、第一构件尺寸特征和第一温度变化序列的第k次循环的预测温度,/>表征第k次循环的监测温度,/>为自然常数;
根据所述自循环损失函数,结合MIV算法,所述材料密度数据集、所述孔隙特征数据集、所述构件尺寸特征数据集作为输出数据,以所述温度变化序列数据集为监督数据,训练BP自循环网络,生成所述MIV-BP温度变化预测模型;
遍历所述温降变化时序信息列表进行集中趋势分析,生成温降特征速度列表;
根据所述期望温降速度列表和所述温降特征速度列表进行偏差分析,生成保温偏差系数;
当所述保温偏差系数大于或等于保温偏差系数阈值,对保温建筑构件标识保温性能检测合格。
2.如权利要求1所述的方法,其特征在于,对保温建筑构件样品进行切割图像识别,采集所述孔隙尺寸特征和所述孔隙分布特征,包括:
激活孔隙特征解析装置,其中,所述孔隙特征解析装置包括样品切割刀、样品固定装置和孔隙特征提取组件,所述孔隙特征提取组件包括图像采集器和内嵌于所述图像采集器的孔隙特征提取器;
将所述保温建筑构件样品通过所述样品固定装置进行固定,启动所述样品切割刀沿着第一平面切割,激活所述图像采集器采集第一截面图像;
将所述保温建筑构件样品通过所述样品固定装置进行固定,启动所述样品切割刀沿着第二平面切割,激活所述图像采集器采集第二截面图像,第一平面和第二平面互相垂直;
通过所述孔隙特征提取器,对所述第一截面图像和所述第二截面图像执行图像识别,生成所述孔隙尺寸特征和所述孔隙分布特征;
其中,所述孔隙特征提取器基于保温建筑构件截面图像集、孔隙尺寸标识数据集与孔隙分布向量数据集对卷积神经网络配置得到,所述卷积神经网络具有金字塔卷积核拓扑。
3.如权利要求1所述的方法,其特征在于,根据所述期望温降速度列表和所述温降特征速度列表进行偏差分析,生成保温偏差系数,包括:
比对所述期望温降速度列表和所述温降特征速度列表,获得温降速度偏差集合;
提取所述温降速度偏差集合中大于或等于温降速度偏差阈值的占比,设为所述保温偏差系数。
4.一种基于MIV-BP模型的保温建筑构件的检测系统,其特征在于,用于实施权利要求1-3任意一项所述的一种基于MIV-BP模型的保温建筑构件的检测方法,包括:
基础信息加载模块,用于加载保温建筑构件基础信息,其中,所述保温建筑构件基础信息包括材料密度、孔隙特征和构件尺寸特征,所述孔隙特征包括孔隙尺寸特征和孔隙分布特征,包括:
加载保温建筑构件材料类型,匹配所述材料密度;
对保温建筑构件样品进行切割图像识别,采集所述孔隙尺寸特征和所述孔隙分布特征;
基于保温建筑构件预安装方案,提取所述构件尺寸特征,其中,所述构件尺寸特征包括构件厚度特征、构件宽度特征和构件长度特征
一致性判别模块,用于基于所述孔隙分布特征执行分布非一致性判别,生成分布非一致性系数,包括:
根据所述孔隙分布特征,构建孔隙分布特征图;
以统一坐标系,对所述孔隙分布特征图进行定位,提取第一孔隙分布向量、第二孔隙分布向量直到第N孔隙分布向量,其中,N为整数,N≥1;
对所述第一孔隙分布向量、所述第二孔隙分布向量直到所述第N孔隙分布向量进行向量夹角计算,生成若干个孔隙分布夹角集合;
基于孔隙分布夹角阈值,对所述若干个孔隙分布夹角集合进行聚类,生成孔隙分布聚类数量;
计算所述孔隙分布聚类数量与N的比值,设为所述分布非一致性系数;
列表配置模块,用于当所述分布非一致性系数大于或等于分布非一致性系数阈值,配置预设环境温差列表和期望温降速度列表,其中,所述预设环境温差列表具有室外温度监测值列表;
特征解析模块,用于激活MIV-BP温度变化预测模型,遍历所述预设环境温差列表和所述室外温度监测值列表,结合所述材料密度、所述孔隙特征和所述构件尺寸特征执行解析,生成温降变化时序信息列表,之前包括:
配置BP自循环网络,其中,所述BP自循环网络具有自循环通道,所述自循环通道和输出层并行连接,每次执行映射任务时需要执行M次循环,当不满足时,通过自循环通道将输出值返回值输入层,当满足时,通过所述输出层按照时序拟合全部输出值输出,M为整数,M≥2;
采集保温材料测试数据集,其中,所述保温材料测试数据集包括环境温差数据集、材料密度数据集、孔隙特征数据集、构件尺寸特征数据集与温度变化序列数据集,其中,所述环境温差数据集具有室外温度标识数据集;
根据所述温度变化序列数据集,结合所述室外温度标识数据集对所述环境温差数据集进行调整,生成环境温差序列数据集;
遍历所述环境温差序列数据集,结合所述材料密度数据集、所述孔隙特征数据集、所述构件尺寸特征数据集作为输出数据,以所述温度变化序列数据集为监督数据,基于MIV算法,训练BP自循环网络,生成所述MIV-BP温度变化预测模型,包括:
构建自循环损失函数:
,
其中,表征任意一次训练的损失值,/>表征预测偏差阈值,/>表征第一环境温差序列、第一材料密度、第一孔隙特征、第一构件尺寸特征和第一温度变化序列的第k次循环的预测温度,/>表征第k次循环的监测温度,/>为自然常数;
根据所述自循环损失函数,结合MIV算法,所述材料密度数据集、所述孔隙特征数据集、所述构件尺寸特征数据集作为输出数据,以所述温度变化序列数据集为监督数据,训练BP自循环网络,生成所述MIV-BP温度变化预测模型;
集中趋势分析模块,用于遍历所述温降变化时序信息列表进行集中趋势分析,生成温降特征速度列表;
偏差分析模块,用于根据所述期望温降速度列表和所述温降特征速度列表进行偏差分析,生成保温偏差系数;
检测标识模块,用于当所述保温偏差系数大于或等于保温偏差系数阈值,对保温建筑构件标识保温性能检测合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410178423.6A CN117723594B (zh) | 2024-02-09 | 2024-02-09 | 一种基于miv-bp模型的保温建筑构件的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410178423.6A CN117723594B (zh) | 2024-02-09 | 2024-02-09 | 一种基于miv-bp模型的保温建筑构件的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117723594A CN117723594A (zh) | 2024-03-19 |
CN117723594B true CN117723594B (zh) | 2024-05-24 |
Family
ID=90207398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410178423.6A Active CN117723594B (zh) | 2024-02-09 | 2024-02-09 | 一种基于miv-bp模型的保温建筑构件的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117723594B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363344A (zh) * | 2019-07-11 | 2019-10-22 | 安徽理工大学 | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 |
CN116128165A (zh) * | 2023-04-13 | 2023-05-16 | 深圳大学 | 一种基于miv-bp的建筑构件质量预测方法及系统 |
CN117092006A (zh) * | 2023-08-03 | 2023-11-21 | 广东省科学院新材料研究所 | 一种热障涂层不规则柱状结构孔隙率测量方法 |
CN117496309A (zh) * | 2024-01-03 | 2024-02-02 | 华中科技大学 | 建筑场景点云分割不确定性评估方法、系统及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7899655B2 (en) * | 2007-03-27 | 2011-03-01 | Johns Manville | Method of predicting and communicating the performance of an installed building component based on the transient hygrothermal behavior of the component |
-
2024
- 2024-02-09 CN CN202410178423.6A patent/CN117723594B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363344A (zh) * | 2019-07-11 | 2019-10-22 | 安徽理工大学 | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 |
CN116128165A (zh) * | 2023-04-13 | 2023-05-16 | 深圳大学 | 一种基于miv-bp的建筑构件质量预测方法及系统 |
CN117092006A (zh) * | 2023-08-03 | 2023-11-21 | 广东省科学院新材料研究所 | 一种热障涂层不规则柱状结构孔隙率测量方法 |
CN117496309A (zh) * | 2024-01-03 | 2024-02-02 | 华中科技大学 | 建筑场景点云分割不确定性评估方法、系统及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117723594A (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1750021A (zh) | 用于管理及预测自动分类器性能的方法和装置 | |
CN106649919A (zh) | 燃煤电站锅炉飞灰含碳量预测模型构建方法及系统 | |
CN1749987A (zh) | 用于管理及预测自动分类器性能的方法和装置 | |
CN113484813B (zh) | 多环境应力下的智能电表故障率预估方法及系统 | |
CN113065223B (zh) | 一种塔桅集群数字孪生模型多等级概率修正方法 | |
CN116431975A (zh) | 一种数据中心的环境监测方法及系统 | |
CN114169254A (zh) | 基于短期建筑能耗预测模型的异常能耗诊断方法及系统 | |
CN117111544B (zh) | 一种自动适配的楼宇物联网监控方法及系统 | |
CN110555235A (zh) | 基于向量自回归模型的结构局部缺陷检测方法 | |
Frank et al. | Extracting operating modes from building electrical load data | |
CN117572837B (zh) | 一种智慧电厂ai主动运维方法及系统 | |
CN117723594B (zh) | 一种基于miv-bp模型的保温建筑构件的检测方法 | |
CN113742248A (zh) | 一种基于项目测量数据进行组织过程预测的方法及系统 | |
CN1749988A (zh) | 用于管理及预测自动分类器性能的方法和装置 | |
CN117556366A (zh) | 基于数据筛选的数据异常检测系统及方法 | |
CN112949735A (zh) | 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法 | |
CN1750020A (zh) | 用于管理及预测自动分类器性能的方法和装置 | |
CN112365082A (zh) | 一种基于机器学习的公共能源消耗预测方法 | |
CN116930423A (zh) | 一种空气质量模型模拟效果的自动验证评估方法及系统 | |
CN116663126A (zh) | 一种基于通道注意力BiLSTM模型的桥梁温度效应预测方法 | |
CN115099493B (zh) | 一种基于cnn的林火向任意方向蔓延速率预测方法 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
CN115471122A (zh) | 基于元数据模型的能耗评估方法及系统 | |
CN114004138A (zh) | 基于大数据人工智能的建筑监测方法、系统及存储介质 | |
CN113468805B (zh) | 传感器极寒环境可靠性评估方法、电子设备及存储介质 |
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 |