CN117725843B - 一种基于深度学习的房屋结构变形预测方法 - Google Patents
一种基于深度学习的房屋结构变形预测方法 Download PDFInfo
- Publication number
- CN117725843B CN117725843B CN202410175648.6A CN202410175648A CN117725843B CN 117725843 B CN117725843 B CN 117725843B CN 202410175648 A CN202410175648 A CN 202410175648A CN 117725843 B CN117725843 B CN 117725843B
- Authority
- CN
- China
- Prior art keywords
- deformation
- monitoring data
- influence factors
- deformation monitoring
- dynamic influence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013135 deep learning Methods 0.000 title claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims abstract description 60
- 238000013507 mapping Methods 0.000 claims abstract description 25
- 238000005259 measurement Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims 1
- 230000001681 protective effect Effects 0.000 abstract description 2
- 238000010276 construction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004062 sedimentation Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于房屋形变监测技术领域,涉及一种基于深度学习的房屋结构变形预测方法,分析影响房屋结构变形的影响因素,确定动态影响因子,形成因子测量数据序列,使用时变模型对因子测量数据序列进行趋势值计算,通过将趋势值输入深度神经网络模型进行因子重要度计算;获取不同时间段的房屋结构的实际变形监测数据,对实际变形监测数据进行插值法处理;将插值法处理后的变形监测数据和因子重要度最高的S个动态影响因子进行关联映射;基于动态影响因子及其关联映射的变形监测数据,构建多源组合预测模型,输出所有时间段的变形预测总值,大大提高了变形预测精度,有利于帮助监管单位准确的对房屋结构变形进行预测,从而有针对性的提供保护措施。
Description
技术领域
本发明属于房屋形变监测技术领域,更具体地,涉及一种基于深度学习的房屋结构变形预测方法。
背景技术
随着我国城市化和现代化发展,各种基础设施建设的规模和数量不断增多,基坑开挖的广度和深度也逐渐扩大。由于基坑开挖过程中会破坏周边土体的原状结构,势必会引起基坑附近的地面沉降和房屋变形。房屋变形是工程安全的重要因素之一,具有出现范围广、破坏性大等特点,施工现场应该特别关注并及时预防。因此,在房屋建筑过程中对房屋变形进行准确有效的监测和预测不可或缺。
另外,高层建筑物在施工期间,随着主体荷载的增加,必然造成主体不规则下沉,而建筑物的稳定性是确保建筑结构稳定的必要条件,其局部不均匀沉降可能导致建筑物发生倾斜。高层建筑自身结构复杂,层数较大,重量亦是惊人,更容易造成地质的沉降量较大;高层建筑本身对于沉降就十分敏感,自身沉降的同时还会影响到周围的建筑;由此可见,在建筑工程施工过程以及投入运营之后对其进行形变监测,且为了确保建筑物的正常施工及安全使用,对高层建筑进行沉降监测和变形趋势预测是非常必要的。
目前常见的房屋结构监测结果通常是通过一系列数据或一些曲线图进行显示,人们还需要对这些数据或曲线图进行研究分析才能获知目前建筑结构的监测结果;通过对房屋和网状钢架建立合成BIM模型,并将监测结果数据在BIM模型上显示,监测结果不便于危险因素分析。
发明内容
为了解决上述技术问题,本发明提出了一种基于深度学习的房屋结构变形预测方法,包括如下步骤:
S1、分析影响房屋结构变形的影响因素,确定动态影响因子,形成因子测量数据序列,使用时变模型对所述因子测量数据序列进行趋势值计算,通过将所述趋势值输入深度神经网络模型进行因子重要度计算;
S2、获取不同时间段的房屋结构的实际变形监测数据,对实际变形监测数据进行插值法处理;
S3、将插值法处理后的变形监测数据和因子重要度最高的S个动态影响因子进行关联映射;
S4、基于动态影响因子及其关联映射的变形监测数据,构建多源组合预测模型,输出所有时间段的变形预测总值。
进一步地,步骤S3中,
运用非线性映射条件将第t个动态影响因子xt映射到第j个时间段的变形监测数据Yj当中,非线性映射条件如下所示:
最小化条件:;
限制条件:
;
式中,S是动态影响因子的个数,c是距离系数,是距离变量,/>是第t个动态影响因子xt映射到第j个时间段后的特征向量,w为映射方向向量,b为位移项,T表示转置。
进一步地,为了避免边界效应的产生,为两个相邻时间段内所关联映射的动态影响因子分配权重,从而将相邻时间区间交界点附近的动态影响因子按照权重分别贡献至所述两个相邻时间段。
进一步地,步骤S4中, 设第I个时间段的变形监测数据序列为YI,针对S个动态影响因子,构建S个短时段变形预测模型,将第I个时间段的变形监测数据序列YI作为短时段变形预测模型的输入数据,输出预测值为,多源组合预测模型表示为:
;
其中,是影响第I个时间段的短时段变形预测模型中的动态影响因子的重要度值,/>是利用多源组合预测模型对所有时间段的短时段变形预测模型的变形预测总值。
进一步地,步骤S1中,针对第i个动态影响因子,形成包括M个因子测量数据的因子测量数据序列为:;第k个因子测量数据/>和第k-1个因子测量数据/>之间的时距为tk-tk-1,其中tk为/>与/>之间的总时间间隔,则经过一个间隔时间段后,第k个因子测量数据/>的一次累加数据/>为:
=/>,k=1;
=/>,k≥1;
时变模型为:
;
;
其中,为/>的趋势值,/>,u为辨识参数;
经过P个间隔时间段后,第k个因子测量数据的P次累加数据为/>,/>的趋势值为/>。
进一步地,将形成的趋势值序列作为深度神经网络模型的输入序列,进行因子重要度判断并输出,生成一次输出序列/>(P),将一次输出序列/>(P)作为深度神经网络模型二次输入序列,生成二次输出序列/>(P)。
进一步地,步骤S1中,第i个动态影响因子的重要度为:
,i=1,2,…,W;
式中,W为动态影响因子的总数为,为深度神经网络模型中第q个卷积层的连接权值,hiq为第q个卷积层的基函数,卷积层总数为Q;
;
为第q个卷积层的扩展常数,cq为第q个卷积层参数;/>(P)为二次输出序列,W个动态影响因子的重要度/>构成了因子重要度序列/>。
相比于现有技术,本发明具有如下有益技术效果:
一种基于深度学习的房屋结构变形预测方法,分析影响房屋结构变形的影响因素,确定动态影响因子,使用时变模型对因子重要度进行判断,选取重要度最高的W个动态影响因子;获取不同时间段的房屋结构的实际变形监测数据,对监测数据进行插值法处理;将插值法处理后的变形监测数据和重要度最高的W个动态影响因子进行关联映射;基于动态影响因子及其关联映射的变形监测数据,构建多源组合预测模型,大大提高了变形预测精度,有利于帮助监管单位准确的对房屋结构变形进行预测,从而有针对性的提供保护措施。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于深度学习的房屋结构变形预测方法的流程图;
图2为本发明的原始和插值后的实际变形监测数据曲线图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
在本发明的具体实施例附图中,为了更好、更清楚的描述系统中的各元件的工作原理,表现所述装置中各部分的连接关系,只是明显区分了各元件之间的相对位置关系,并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。
如图1所示,为本发明的一种基于深度学习的房屋结构变形预测方法的流程图,包括如下步骤:
S1、分析影响房屋结构变形的影响因素,确定动态影响因子,形成因子测量数据序列,使用时变模型对所述因子测量数据序列进行趋势值计算,通过将所述趋势值输入深度神经网络模型进行因子重要度计算。
影响房屋结构变形的影响因素主要包括:水文地质、空间几何、支撑结构体系、施工条件、荷载和周边环境。从影响因素中筛选出多个动态影响因子,包括:基底异常情况、支撑应力变换、降水情况、荷载情况、周边动载、周边变形。
每隔间隔时间段,分别对每个动态影响因子进行测定,形成因子测量数据序列,使用时变模型对因子测量数据序列进行趋势值的提取。
假设动态影响因子的总数为W,针对第i个动态影响因子,形成包括M个因子测量数据的因子测量数据序列为:;第k个因子测量数据和第k-1个因子测量数据/>与/>之间的时距为tk-tk-1,其中tk为/>与/>之间的总时间间隔,则经过一个间隔时间段后,第k个因子测量数据/>的一次累加数据/>为:
=/>,k=1;
=/>,k≥1;
时变模型为:
;
;
其中,为/>的趋势值,/>,u为辨识参数。
则经过P个间隔时间段后,第k个因子测量数据的P次累加数据为/>,/>的趋势值为/>。
使用提取的P个趋势值通过深度神经网络模型进行因子重要度判断并输出。
将因子测量数据序列中M个因子测量数据的趋势值序列作为深度神经网络模型输入序列,生成一次输出序列/>(P);
将一次输出序列(P)作为深度神经网络模型二次输入序列,生成二次输出序列(P)。
第i个动态影响因子的重要度为:
,i=1,2,…,W;
式中,为深度神经网络模型中第q个卷积层的连接权值,hiq为第q个卷积层的基函数,卷积层总数为Q。
;
为第q个卷积层的扩展常数,cq为第q个卷积层参数。
对W个动态影响因子分别进行上述计算,最后W个动态影响因子的重要度值构成了因子重要度序列/>,按照动态影响因子的重要度值的大小对W个动态影响因子进行排序,采用重要度值最高的S个动态影响因子作为后续映射步骤的基础。
S2、获取不同时间段的房屋结构的实际变形监测数据,对实际变形监测数据进行插值法处理。
由于不同时间间隔的房屋结构的实际变形监测数据并非等时间间隔进行监测记录,因此,需要对房屋结构的实际变形监测数据进行插值,使房屋结构的实际变形监测数据具有等时间间隔。
本实施例采取插值法对房屋结构的实际变形监测数据进行插值,以1个月为时间间距进行插值,生成新的时间序列,插值后共有N组数据,即N个月的监测数据。图2是原始和插值后的实际变形监测数据曲线图。
S3、将插值法处理后的变形监测数据和重要度值最高的S个动态影响因子进行关联映射。
根据变形监测数据时间分布状况和S个动态影响因子对房屋变形的主要影响时间分布状况的重叠性为关联映射原则,当变形监测数据的监测时间段与某个动态影响因子的影响时间段的重叠程度高于阈值,则认为该动态影响因子对该时间段的变形监测数据的起到关键影响,并将该动态影响因子与对该时间段的变形监测数据进行关联映射。
具体采用下述计算方法:
运用非线性映射条件将第t个动态影响因子xt映射到第j个时间段的变形监测数据Yj所在当中,非线性映射条件如下所示:
最小化:;
限制条件:
;
式中,S为动态影响因子的个数,c是距离系数,是距离变量,表示第t个动态影响因子xt到第j个时间段的变形监测数据Yj的距离。/>是第t个动态影响因子xt映射到第j个时间段后的特征向量,w为映射方向向量,b为位移项。
优选地,为了避免边界效应的产生,可以为两个相邻时间段内所关联映射的动态影响因子分配权重,从而在对时间段所发生的变形监测数据的异常信息进行统计时,可以将相邻时间区间交界点附近的动态影响因子按照权重分别贡献至该两个相邻时间段。
S4、基于动态影响因子及其关联映射的变形监测数据,构建多源组合预测模型,输出所有时间段的变形预测总值。
设第I个时间段的变形监测数据序列YI为{yIn,n=1,2,3,…,N},N为变形监测数据的个数,n代表第n个变形监测数据。
针对S个动态影响因子所针对的不同时间段,构建S个短时段变形预测模型,S个短时段变形预测模型分布在多个不同的时间段。设是利用多源组合预测模型对所有时间段的短时段变形预测模型的变形预测总值,/>是影响第I个时间段的短时段变形预测模型中的动态影响因子的重要度值。短时段变形预测模型采用现有技术中的变形数据预测模型,例如SVM预测模型、LSTM预测模型,该短时段变形预测模型将该时间段内的变形监测数据序列YI作为输入数据,输出预测值为/>。
则多源组合预测模型表示为:
。
是利用多源组合预测模型输出对所有时间段的变形预测总值。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如,固态硬盘(solid state disk,SSD))等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种基于深度学习的房屋结构变形预测方法,其特征在于,包括如下步骤:
S1、分析影响房屋结构变形的影响因素,确定动态影响因子,形成因子测量数据序列,使用时变模型对所述因子测量数据序列进行趋势值计算,通过将所述趋势值输入深度神经网络模型进行因子重要度计算;
S2、获取不同时间段的房屋结构的实际变形监测数据,对实际变形监测数据进行插值法处理;
S3、将插值法处理后的变形监测数据和因子重要度最高的S个动态影响因子进行关联映射;
运用非线性映射条件将第t个动态影响因子xt映射到第j个时间段的变形监测数据Yj当中,非线性映射条件如下所示:
最小化条件:;
限制条件:
;
式中,S是动态影响因子的个数,c是距离系数,是距离变量,/>是第t个动态影响因子xt映射到第j个时间段后的特征向量,w为映射方向向量,b为位移项,T表示转置;
S4、基于动态影响因子及其关联映射的变形监测数据,构建多源组合预测模型,输出所有时间段的变形预测总值;
设第I个时间段的变形监测数据序列为YI,针对S个动态影响因子,构建S个短时段变形预测模型,将第I个时间段的变形监测数据序列YI作为短时段变形预测模型的输入数据,输出预测值为,多源组合预测模型表示为:
;
其中,是影响第I个时间段的短时段变形预测模型中的动态影响因子的重要度值,/>是利用多源组合预测模型对所有时间段的短时段变形预测模型的变形预测总值。
2.根据权利要求1所述的房屋结构变形预测方法,其特征在于,所述步骤S3中,为了避免边界效应的产生,为两个相邻时间段内所关联映射的动态影响因子分配权重,从而将相邻时间区间交界点附近的动态影响因子按照权重分别贡献至所述两个相邻时间段。
3.根据权利要求1所述的房屋结构变形预测方法,其特征在于,所述步骤S2中,采取插值法对房屋结构的实际变形监测数据进行插值,以1个月为时间间距进行插值,生成新的时间序列,插值后共有N组监测数据。
4.根据权利要求1所述的房屋结构变形预测方法,其特征在于,所述步骤S4中,设第I个时间段的变形监测数据序列YI为{yIn,n=1,2,3,…,N},N为变形监测数据的个数,n代表第n个变形监测数据。
5.根据权利要求4所述的房屋结构变形预测方法,其特征在于,短时段变形预测模型采用LSTM预测模型,所述短时段变形预测模型将第I个时间段内的变形监测数据序列YI作为输入数据,输出预测值为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410175648.6A CN117725843B (zh) | 2024-02-08 | 2024-02-08 | 一种基于深度学习的房屋结构变形预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410175648.6A CN117725843B (zh) | 2024-02-08 | 2024-02-08 | 一种基于深度学习的房屋结构变形预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117725843A CN117725843A (zh) | 2024-03-19 |
CN117725843B true CN117725843B (zh) | 2024-04-30 |
Family
ID=90202034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410175648.6A Active CN117725843B (zh) | 2024-02-08 | 2024-02-08 | 一种基于深度学习的房屋结构变形预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117725843B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104517020A (zh) * | 2013-09-30 | 2015-04-15 | 日电(中国)有限公司 | 用于因果效应分析的特征提取方法和装置 |
CN108564192A (zh) * | 2017-12-29 | 2018-09-21 | 河海大学 | 一种基于气象因子权重相似日的短期光伏功率预测方法 |
CN109031014A (zh) * | 2017-12-28 | 2018-12-18 | 国网湖北省电力公司宜昌供电公司 | 一种基于运行数据的变压器综合可靠性评估及预测方法 |
CN110647980A (zh) * | 2019-09-18 | 2020-01-03 | 成都理工大学 | 一种基于gru神经网络的时间序列预测方法 |
CN112800688A (zh) * | 2021-04-06 | 2021-05-14 | 浙江中海达空间信息技术有限公司 | 基于监测数据时序图自学习的降雨型滑坡位移趋势预测方法 |
CN114862725A (zh) * | 2022-07-07 | 2022-08-05 | 广州光锥元信息科技有限公司 | 基于光流法实现运动感知模糊特效的方法及装置 |
CN115062533A (zh) * | 2022-05-16 | 2022-09-16 | 国网四川省电力公司营销服务中心 | 多元回归预测模型的构建、预测方法及介质 |
CN115630582A (zh) * | 2022-11-09 | 2023-01-20 | 广西路桥工程集团有限公司 | 一种多滑窗模型融合的软岩隧道围岩变形预测方法及设备 |
CN115755835A (zh) * | 2022-11-04 | 2023-03-07 | 四川大学 | 一种机电作动器在线健康因子优化方法 |
CN117268332A (zh) * | 2023-11-21 | 2023-12-22 | 天津风霖物联网科技有限公司 | 一种建筑物不均匀沉降的监测方法及系统 |
CN117370813A (zh) * | 2023-10-11 | 2024-01-09 | 桂林电子科技大学 | 一种基于k线模式匹配算法的大气污染深度学习预测方法 |
-
2024
- 2024-02-08 CN CN202410175648.6A patent/CN117725843B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104517020A (zh) * | 2013-09-30 | 2015-04-15 | 日电(中国)有限公司 | 用于因果效应分析的特征提取方法和装置 |
CN109031014A (zh) * | 2017-12-28 | 2018-12-18 | 国网湖北省电力公司宜昌供电公司 | 一种基于运行数据的变压器综合可靠性评估及预测方法 |
CN108564192A (zh) * | 2017-12-29 | 2018-09-21 | 河海大学 | 一种基于气象因子权重相似日的短期光伏功率预测方法 |
CN110647980A (zh) * | 2019-09-18 | 2020-01-03 | 成都理工大学 | 一种基于gru神经网络的时间序列预测方法 |
CN112800688A (zh) * | 2021-04-06 | 2021-05-14 | 浙江中海达空间信息技术有限公司 | 基于监测数据时序图自学习的降雨型滑坡位移趋势预测方法 |
CN115062533A (zh) * | 2022-05-16 | 2022-09-16 | 国网四川省电力公司营销服务中心 | 多元回归预测模型的构建、预测方法及介质 |
CN114862725A (zh) * | 2022-07-07 | 2022-08-05 | 广州光锥元信息科技有限公司 | 基于光流法实现运动感知模糊特效的方法及装置 |
CN115755835A (zh) * | 2022-11-04 | 2023-03-07 | 四川大学 | 一种机电作动器在线健康因子优化方法 |
CN115630582A (zh) * | 2022-11-09 | 2023-01-20 | 广西路桥工程集团有限公司 | 一种多滑窗模型融合的软岩隧道围岩变形预测方法及设备 |
CN117370813A (zh) * | 2023-10-11 | 2024-01-09 | 桂林电子科技大学 | 一种基于k线模式匹配算法的大气污染深度学习预测方法 |
CN117268332A (zh) * | 2023-11-21 | 2023-12-22 | 天津风霖物联网科技有限公司 | 一种建筑物不均匀沉降的监测方法及系统 |
Non-Patent Citations (6)
Title |
---|
基于GA-SVM的基坑施工地面沉降时间序列预测研究;石祥锋;王丽芬;沈阳;刘俊娥;郭章林;;施工技术;20170425(第08期);全文 * |
基于PSO-SVM非线性时序模型的隧洞围岩变形预报;姜谙男;;岩土力学;20070615(第06期);全文 * |
基于小波理论的混凝土坝变形 PCA-IPSO-SVM 预测模型;柳志坤等;《中国农村水利水电》;20200731;第185-190页 * |
基于权重因子模型的建筑荷载作用下地面沉降危险性评价;伊尧国;刘慧平;刘湘平;张洋华;齐建超;;地球与环境;20170810(第04期);全文 * |
基于灰色―进化支持向量机的围岩变形预测;徐飞;徐卫亚;刘大文;蔡德文;;人民长江;20080805(第15期);全文 * |
小波神经网络在软基沉降组合预测中的应用;田其煌;;工程勘察;20080501(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117725843A (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Du et al. | Prediction model oriented for landslide displacement with step-like curve by applying ensemble empirical mode decomposition and the PSO-ELM method | |
Yesilnacar et al. | Landslide susceptibility mapping: a comparison of logistic regression and neural networks methods in a medium scale study, Hendek region (Turkey) | |
Shi | Reducing prediction error by transforming input data for neural networks | |
CN110008301B (zh) | 基于机器学习的区域性地质灾害易发性预测方法及装置 | |
Mahmoodzadeh et al. | Optimized machine learning modelling for predicting the construction cost and duration of tunnelling projects | |
CN111666529B (zh) | 一种海浪数据处理及波浪谱生成方法 | |
Vantas et al. | Rainfall erosivity and its estimation: Conventional and machine learning methods | |
CN111539904B (zh) | 一种基于降雨量的灾害易发性预测方法 | |
CN112364422A (zh) | 基于mic-lstm的盾构施工地表变形动态预测方法 | |
Chen et al. | A combination model for evaluating deformation regional characteristics of arch dams using time series clustering and residual correction | |
CN117725843B (zh) | 一种基于深度学习的房屋结构变形预测方法 | |
CN117557100A (zh) | 基于深度学习的深基坑开挖诱发邻近建筑风险评估方法 | |
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 | |
Ye et al. | Confining pressure forecasting of shield tunnel lining during construction based on LSTM-PSO models combined with the multi-output recursive strategy | |
Taşçı et al. | Monitoring of deformations in open-pit mines and prediction of deformations with the grey prediction model | |
Liu et al. | Joint probability analysis of marine environmental elements | |
CN116402347A (zh) | 用于高地应力隧道施工的岩爆动态风险评估方法及系统 | |
Bannayan et al. | Predicting realizations of daily weather data for climate forecasts using the non‐parametric nearest‐neighbour re‐sampling technique | |
CN115688046A (zh) | 一种岩爆预测方法、装置及计算机设备 | |
CN115482882A (zh) | 管道腐蚀数据获取及管道腐蚀速率预测模型构建方法 | |
Zheng et al. | Tunnel displacement prediction under spatial effect based on Gaussian process regression optimized by differential evolution | |
CN115062839A (zh) | 极震区烈度评估方法、系统、电子设备及可读存储介质 | |
CN113808370A (zh) | 一种面向滑坡的多指标耦合监测预警方法 | |
Turarbek et al. | 2-d deep convolutional neural network for predicting the intensity of seismic events | |
Ozerdem et al. | Self-organized maps based neural networks for detection of possible earthquake precursory electric field patterns |
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 |