CN117763213B - 一种沥青黏弹构效关系模型的可视化界面建立方法 - Google Patents
一种沥青黏弹构效关系模型的可视化界面建立方法 Download PDFInfo
- Publication number
- CN117763213B CN117763213B CN202311796309.1A CN202311796309A CN117763213B CN 117763213 B CN117763213 B CN 117763213B CN 202311796309 A CN202311796309 A CN 202311796309A CN 117763213 B CN117763213 B CN 117763213B
- Authority
- CN
- China
- Prior art keywords
- model
- data
- asphalt
- visual interface
- parameter
- 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
- 239000010426 asphalt Substances 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000000007 visual effect Effects 0.000 title claims abstract description 33
- 238000005556 structure-activity relationship Methods 0.000 title claims abstract description 27
- 230000006870 function Effects 0.000 claims abstract description 35
- 230000000694 effects Effects 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000012706 support-vector machine Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000012935 Averaging Methods 0.000 claims description 9
- 229910052799 carbon Inorganic materials 0.000 claims description 9
- 229910052739 hydrogen Inorganic materials 0.000 claims description 8
- 229910052717 sulfur Inorganic materials 0.000 claims description 5
- 238000002329 infrared spectrum Methods 0.000 claims description 4
- 229910052757 nitrogen Inorganic materials 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 230000032683 aging Effects 0.000 claims description 2
- 238000007500 overflow downdraw method Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 abstract 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 abstract 1
- 238000010801 machine learning Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000012800 visualization Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000003190 viscoelastic substance Substances 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种沥青黏弹构效关系模型的可视化界面建立方法，所述方法包括如下步骤：一：构建宏观特征参数数据集和微观特征参数数据集；二：对微观特征参数进行特征选择与提取；三：将数据集划分为训练集与测试集，基于训练集数据搭建基于混合核支持向量机的沥青黏弹构效关系模型，基于测试集数据计算模型MAPE以评估模型预测效果，保存训练好的模型文件；四：设计沥青黏弹构效关系模型可视化界面的整体架构；五：在模型可视化界面的整体架构基础上设计模型预测模块具体功能；六：在模型可视化界面的整体架构基础上设计模型优化模块具体功能。该方法实现了动态黏弹参数的快速预测和主曲线的自动绘制，有效加速了数据处理和分析的过程。
Description
技术领域
本发明属于沥青材料性能自动化预测领域，涉及一种，具体涉及一种沥青黏弹构效关系模型的可视化界面建立方法。
背景技术
沥青是一种典型的黏弹性材料，其黏弹性能与路面车辙、开裂等病害密切相关。因此，沥青材料黏弹性研究受到了公路工程领域学者的广泛关注。沥青的微观组成对黏弹性能有显著的影响，建立沥青微观组成与黏弹性之间的关系模型，即沥青黏弹构效关系模型，对选择合适的沥青种类、优化道路结构、提高道路耐久性、实现沥青智能设计等具有重要意义。
近年来，大数据与人工智能的结合催生了材料研究中的数据驱动科学，使得机器学习在材料科学中的应用成为一个热门的话题。与依赖特定物理机制和数学公式的传统模型不同，机器学习方法可以通过使用特征工程技术和算法从现有材料数据中提取隐藏的知识和模式，并具有预测精度高、运算速度快等特点。因此，利用机器学习方法建立沥青黏弹构效关系模型是目前最有效的途径。
可视化是将抽象的数据图像化，便于用户更加直观地观察、了解或传递信息的一种操作。数字化的今天，可视化方法已经成为人们应对抽象问题高效而有用的工具，广泛应用于医疗、教育、金融、建筑、交通、材料等多个研究领域的诸多方面。沥青黏弹构效关系模型建立的最终目的是应用于实际生产，方便快捷的实现沥青的性能预测。但是直接使用模型需要使用者对机器学习、编程语言都有一定的了解，对于工程应用而言较为不便。因此，不仅要建立准确的预测模型，而且要在预测模型的基础上设计出友好的可视化界面。
发明内容
本发明针对现有机器学习模型需要专业人员操作使用，难以推广应用，预测新数据时无法实现自动化特征选择与提取耗时耗力，动态黏弹特性参数预测结果以数字形式展现不够直观生动等问题，提供了一种沥青黏弹构效关系模型的可视化界面建立方法。该方法建立了沥青黏弹构效关系模型的可视化界面，实现了动态黏弹参数的快速预测和主曲线的自动绘制，有效加速了数据处理和分析的过程。
本发明的目的是通过以下技术方案实现的：
一种沥青黏弹构效关系模型的可视化界面建立方法，包括如下步骤：
步骤一：选择不同沥青样本的移位因子参数C1、C2，动态模量主曲线拟合参数k、me、Gg、fc及相位角主曲线拟合参数fd、δm、Rd、md构建宏观特征参数数据集；选择C、H、N、S、O元素含量，C/H与C/N及红外光谱特征峰峰高与峰面积构建微观特征参数数据集；
步骤二：对微观特征参数进行特征选择与提取，确定最终的模型输入变量，具体包括如下步骤：
步骤二一：利用均值化方法消除量纲影响；
步骤二二：计算微观特征参数的Pearson相关系数；
步骤二三：基于主成分分析对选取的具有较大Pearson相关系数的微观特征参数进行降维；
步骤二四：计算步骤一选取的主曲线拟合参数与步骤二三处理后的微观特征参数间的距离相关系数；
步骤二五：基于距离相关系数量值选取微观特征参数为模型输入变量，并以此组建一一对应的新的宏微观数据集；
步骤三：基于数据分割工具将步骤二中的宏微观数据集按照9:1的比例划分为训练集与测试集，基于训练集数据搭建基于混合核支持向量机的沥青黏弹构效关系模型，基于测试集数据计算模型平均绝对百分比误差(MAPE)以评估模型预测效果，保存训练好的模型文件；
步骤四：基于PyQT5工具设计沥青黏弹构效关系模型可视化界面的整体架构，界面功能主要分为模型预测模块和模型优化模块，两个模块在一个界面显示；
步骤五：在步骤四模型可视化界面的整体架构基础上设计模型预测模块具体功能，功能包含：读取新样本微观特征参数数据，界面自动调用步骤四中训练好的模型文件，基于已训练模型实现沥青动态黏弹特性参数结果的预测及输出，并基于参数预测结果自动绘制动态模量主曲线和相位角主曲线；
步骤六：在步骤四模型可视化界面的整体架构基础上设计模型优化模块具体功能，功能包含：读取新样本微观特征参数及宏观特征参数数据并自动与原样本数据融合，基于融合数据重新训练模型并评估预测效果，基于预测效果自主选择是否保存新模型文件以更新步骤五中界面预测功能所调用模型文件。
相比于现有技术，本发明具有如下优点：
本发明实现了自动读取沥青微观特征参数，快速、便捷输出动态黏弹特性参数，并基于预测的动态黏弹特性参数自动绘制主曲线的功能，此外，还可对沥青黏弹构效关系模型进行优化和替换，有效加速了沥青宏微观数据处理和分析的过程，推动了沥青黏弹构效关系模型的实际应用进程。
附图说明
图1为本发明沥青黏弹构效关系模型可视化界面建立方法的流程图；
图2为本发明沥青黏弹构效关系模型可视化界面的整体架构图；
图3为本发明沥青黏弹构效关系模型可视化界面模型预测模块的功能实现图；
图4为本发明沥青黏弹构效关系模型可视化界面模型优化模块的功能实现图。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。
本发明提供了一种沥青黏弹构效关系模型的可视化界面建立方法，所述方法基于不同沥青样本构建了沥青宏微观特性数据集；对微观特征参数进行特征选择与提取确定了模型的输入参数；采用混合核支持向量机建立了沥青的黏弹构效关系模型；基于PyQT5工具设计了沥青黏弹构效关系模型可视化界面的整体架构，包含模型预测模块和模型优化模块；完成了模型预测模块及优化模块的具体功能设计。如图1所述，具体包括如下步骤：
步骤一：选择不同沥青样本的移位因子参数C1、C2，动态模量主曲线拟合参数k、me、Gg、fc及相位角主曲线拟合参数fd、δm、Rd、md构建宏观特征参数数据集；选择C、H、N、S、O元素含量，C/H与C/N及红外光谱特征峰峰高与峰面积构建微观特征参数数据集。
本步骤中，所选择的不同沥青样本包括：不同标号大小的沥青、不同油源的沥青、是否经过短期老化的沥青等。
步骤二：对微观特征参数进行特征选择与提取，确定最终的模型输入变量，具体包括如下步骤：
步骤二一：利用均值化方法消除量纲影响；
步骤二二：计算微观特征参数的Pearson相关系数；
步骤二三：基于主成分分析对选取的具有较大Pearson相关系数的微观特征参数进行降维；
步骤二四：计算步骤一选取的主曲线拟合参数与步骤二三处理后的微观特征参数间的距离相关系数；
步骤二五：基于距离相关系数量值选取微观特征参数为模型输入变量，并以此组建一一对应的新的宏微观数据集。
本步骤中，特征选择与提取的目的是为了确定模型的最终输入参数，因微观特征参数数量众多，若将微观特征参数均作为模型输入参数将会造成模型过度复杂并且会影响模型预测精度。
步骤三：基于数据分割工具将步骤二中的宏微观数据集按照9:1的比例划分为训练集与测试集，基于训练集数据搭建基于混合核支持向量机的沥青黏弹构效关系模型，基于测试集数据计算模型平均绝对百分比误差(MAPE)以评估模型预测效果，保存训练好的模型文件。
本步骤中，混合核支持向量机是将局部性核函数和全局性核函数混合，局部性核函数学习能力强、泛化性能较弱，而全局性核函数泛化性能强、学习能力较弱，二者结合可提高混合核支持向量机的学习能力和泛化能力。
步骤四：基于PyQT5工具设计沥青黏弹构效关系模型可视化界面的整体架构，界面功能主要分为模型预测模块和模型优化模块，两个模块在一个界面显示。
步骤五：在步骤四模型可视化界面的整体架构基础上设计模型预测模块具体功能，功能包含：读取新样本微观特征参数数据，界面自动调用步骤四中训练好的模型文件，基于已训练模型实现沥青动态黏弹特性参数结果的预测及输出，并基于参数预测结果自动绘制动态模量主曲线和相位角主曲线。
本步骤中，新样本微观特征参数数据为原始真实数据，界面可自动实现数据的均值化处理以消除量纲影响，所述均值化方法的公式如下：
其中，xi'为特征参数去量纲后的值，xi为特征参数原始值，为特征参数对应所有样本下的均值。
步骤六：在步骤四模型可视化界面的整体架构基础上设计模型优化模块具体功能，功能包含：读取新样本微观特征参数及宏观特征参数数据并自动与原样本数据融合，基于融合数据重新训练模型并评估预测效果，基于预测效果自主选择是否保存新模型文件以更新步骤五中界面预测功能所调用模型文件。
本步骤中，首先对读取的新数据集自动进行无量纲化处理；然后自动进行主成分分析，即重复步骤二的特征提取操作；最后将特征提取后新样本微观特征参数及宏观特征参数数据与原样本数据融合，基于融合数据重新训练模型并评估预测效果。
实施例：
本实施例提供了一种基于python的沥青黏弹构效关系模型可视化界面建立方法的确定方法，具体操作过程如下：
步骤一：选择80种沥青样本的移位因子参数C1、C2，动态模量主曲线拟合参数k、me、Gg、fc及相位角主曲线拟合参数fd、δm、Rd、md构建沥青宏观特征参数数据集，如表1所示；选择C、H、N、S、O元素含量，C/H与C/N及红外光谱特征峰峰高与峰面积构建沥青微观特征参数数据集，如表2所示。
表1沥青宏观特征参数数据集
表2沥青微观特征参数数据集
步骤二：由于微观特征参数较多，对微观特征参数进行特征选择与提取，确定最终的模型输入变量，具体包括：利用均值化方法消除量纲影响、计算微观特征参数的Pearson相关系数、基于主成分分析对选取的具有较大Pearson相关系数的微观特征参数进行降维、计算步骤一选取的主曲线拟合参数与该步骤处理后的微观特征参数间的距离相关系数，基于距离相关系数量值选取微观特征参数为模型输入变量。经上述步骤后，确定的模型输入变量具体参数为：A1700、A1600、A870、A810、A760、A720、I1600、I745、N、S、C/N、I1700、I810、I720、V2、O。将动态黏弹参数与确定的模型输入变量重新组合建立一一对应的新数据集。
步骤三：基于Python平台Sklearn库中的数据分割工具将步骤二中得到的数据集按照9:1比例划分为训练集与测试集，通过训练集数据搭建基于混合核支持向量机的沥青黏弹构效关系模型，基于测试集数据计算模型平均绝对百分比误差(MAPE)，如表3所示，保存训练好的模型文件。
表3基于混合核函数支持向量机的构效关系模型评估结果表
通过表3可知，基于混合核函数支持向量机的构效关系模型在预测移位因子C1、C2、主曲线拟合参数Gg、fc、me、k、δm、Rd、md预测效果良好，平均绝对百分比误差均在10％以内；参数fd预测效果不佳，MAPE大于50％,是因为该参数本身就存在较大波动性，但是该参数对主曲线绘制效果影响不大，预测误差也在可接受范围内。
步骤四：基于PyQT5工具设计沥青黏弹构效关系模型可视化界面的整体架构(如图2所示)，界面功能主要分为两个模块，分别是模型预测模块和模型优化模块，为便于操作，两个功能模块在一个界面显示。
步骤五：在步骤四模型可视化界面的整体架构基础上设计模型预测模块具体功能(如图3所示)，功能包含：点击选择数据按钮，读取新样本微观特征参数数据并自动进行均值化处理；点击预测按钮，界面自动调用步骤四中训练好的模型文件，基于已训练模型实现沥青动态黏弹特性参数结果的预测及输出，并基于参数预测结果自动绘制动态模量主曲线和相位角主曲线；点击确定按钮，可对不同样本的预测结果进行预览；点击结果导出按钮，可将全部样本的预测结果以xlsx格式导出。
步骤六：在步骤四模型可视化界面的整体架构基础上设计模型优化模块具体功能(如图4所示)，功能包含：点击选择文件按钮，读取新样本微观特征参数及宏观特征参数数据；点击数据处理按钮，自动对新样本数据进行特征选择与处理并与原样本数据融合，融合后的数据以文本形式显示在窗口框内，可上下滑动查看；点击训练模型按钮，基于融合数据重新训练模型并评估预测效果，将原始MAPE与新模型的MAPE作差，大于0则说明预测误差减小；点击保存模型按钮，保存新模型文件以更新步骤五中界面预测功能所调用模型文件。
综上所述，基于本发明的沥青黏弹构效关系模型可视化界面建立方法实现了机器学习模型的自动化预测，可自动读取沥青微观特征参数，快速、便捷的输出动态黏弹特性参数并绘制主曲线，同时也可追加新数据对模型进行优化和替换。这种先进行机器学习建模再进行模型可视化的方法极大的加快了沥青宏微观数据的处理分析过程，有效推动了沥青黏弹构效关系模型的实际应用。
Claims (4)
1.一种沥青黏弹构效关系模型的可视化界面建立方法，其特征在于所述方法包括如下步骤：
步骤一：选择不同沥青样本的移位因子参数C1、C2，动态模量主曲线拟合参数k、me、Gg、fc及相位角主曲线拟合参数fd、δm、Rd、md构建宏观特征参数数据集；选择C、H、N、S、O元素含量，C/H与C/N及红外光谱特征峰峰高与峰面积构建微观特征参数数据集；
步骤二：对微观特征参数进行特征选择与提取，确定最终的模型输入变量，具体包括如下步骤：
步骤二一：利用均值化方法消除量纲影响；
步骤二二：计算微观特征参数的Pearson相关系数；
步骤二三：基于主成分分析对选取的具有较大Pearson相关系数的微观特征参数进行降维；
步骤二四：计算步骤一选取的主曲线拟合参数与步骤二三处理后的微观特征参数间的距离相关系数；
步骤二五：基于距离相关系数量值选取微观特征参数为模型输入变量，并以此组建一一对应的新的宏微观数据集；
步骤三：基于数据分割工具将步骤二中的宏微观数据集划分为训练集与测试集，基于训练集数据搭建基于混合核支持向量机的沥青黏弹构效关系模型，基于测试集数据计算模型平均绝对百分比误差以评估模型预测效果，保存训练好的模型文件；
步骤四：基于PyQT5工具设计沥青黏弹构效关系模型可视化界面的整体架构，界面功能主要分为模型预测模块和模型优化模块，两个模块在一个界面显示；
步骤五：在步骤四模型可视化界面的整体架构基础上设计模型预测模块具体功能，功能包含：读取新样本微观特征参数数据，界面自动调用步骤四中训练好的模型文件，基于已训练模型实现沥青动态黏弹特性参数结果的预测及输出，并基于参数预测结果自动绘制动态模量主曲线和相位角主曲线；
步骤六：在步骤四模型可视化界面的整体架构基础上设计模型优化模块具体功能，功能包含：读取新样本微观特征参数及宏观特征参数数据并自动与原样本数据融合，基于融合数据重新训练模型并评估预测效果，基于预测效果自主选择是否保存新模型文件以更新步骤五中界面预测功能所调用模型文件，具体融合方法如下：首先对读取的新数据集自动进行无量纲化处理；然后自动进行主成分分析，即重复步骤二的特征提取操作；最后将特征提取后新样本微观特征参数及宏观特征参数数据与原样本数据融合。
2.根据权利要求1所述的沥青黏弹构效关系模型的可视化界面建立方法，其特征在于所述步骤一中，选择的不同沥青样本包括：不同标号大小的沥青、不同油源的沥青、是否经过短期老化的沥青。
3.根据权利要求1所述的沥青黏弹构效关系模型的可视化界面建立方法，其特征在于所述步骤五中，新样本微观特征参数数据为原始真实数据，界面可自动实现数据的均值化处理以消除量纲影响。
4.根据权利要求3所述的沥青黏弹构效关系模型的可视化界面建立方法，其特征在于所述所述均值化方法的公式如下：
其中，xi'为特征参数去量纲后的值，xi为特征参数原始值，x为特征参数对应所有样本下的均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311796309.1A CN117763213B (zh) | 2023-12-25 | 2023-12-25 | 一种沥青黏弹构效关系模型的可视化界面建立方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311796309.1A CN117763213B (zh) | 2023-12-25 | 2023-12-25 | 一种沥青黏弹构效关系模型的可视化界面建立方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117763213A CN117763213A (zh) | 2024-03-26 |
| CN117763213B true CN117763213B (zh) | 2024-07-09 |
Family
ID=90325211
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311796309.1A Active CN117763213B (zh) | 2023-12-25 | 2023-12-25 | 一种沥青黏弹构效关系模型的可视化界面建立方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117763213B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480835A (zh) * | 2017-09-12 | 2017-12-15 | 南通大学 | 一种纤维沥青混凝土黏弹性预测模型的构建方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7490071B2 (en) * | 2003-08-29 | 2009-02-10 | Oracle Corporation | Support vector machines processing system |
| AU2022274234A1 (en) * | 2021-05-11 | 2023-12-07 | Strong Force Vcn Portfolio 2019, Llc | Systems, methods, kits, and apparatuses for edge-distributed storage and querying in value chain networks |
| CN113533133B (zh) * | 2021-08-24 | 2022-02-15 | 哈尔滨工业大学 | 一种基于机器学习的沥青动态黏弹特性预测方法 |
| CN114970276B (zh) * | 2022-06-06 | 2024-05-24 | 邢台路桥建设集团有限公司 | 一种基于bp神经网络的沥青路面潜在破坏参数计算方法 |
| CN115829049A (zh) * | 2022-10-13 | 2023-03-21 | 中国第一汽车股份有限公司 | 一种电子电器台架实验数据分析平台及数据分析方法 |
| CN116206710A (zh) * | 2023-02-27 | 2023-06-02 | 东南大学 | 基于胶粉溶胀-溶解状态的胶粉沥青路面性能预警方法 |
| CN116884537A (zh) * | 2023-06-02 | 2023-10-13 | 中国石油大学(华东) | 一种页岩油与孔隙壁面相互作用能的数据库智能构建方法 |
| CN116629013A (zh) * | 2023-06-06 | 2023-08-22 | 长沙理工大学 | 一种改性沥青与集料黏附性能的预测方法 |
| CN117147420A (zh) * | 2023-08-31 | 2023-12-01 | 重庆交通大学 | 一种沥青路面老化特征分析方法和模型 |
| CN117252107A (zh) * | 2023-11-03 | 2023-12-19 | 哈尔滨工业大学 | 可解释机器学习模型赋能的沥青混合料体积指标预测及设计优化方法 |
-
2023
- 2023-12-25 CN CN202311796309.1A patent/CN117763213B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480835A (zh) * | 2017-09-12 | 2017-12-15 | 南通大学 | 一种纤维沥青混凝土黏弹性预测模型的构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117763213A (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112950606B (zh) | 一种基于小样本的手机屏幕缺陷分割方法 | |
| CN101738402B (zh) | 一种岩样二维ct图像分析系统 | |
| CN107833183A (zh) | 一种基于多任务深度神经网络的卫星图像同时超分辨和着色的方法 | |
| Wang et al. | A computer vision based machine learning approach for fatigue crack initiation sites recognition | |
| CN107622276B (zh) | 一种基于机器人仿真与物理采样结合的深度学习训练方法 | |
| Wardah et al. | Design process and strategic thinking in architecture | |
| CN110837703A (zh) | 基于Pro/E的液压缸快速设计系统及方法 | |
| CN111626358A (zh) | 一种基于bim图片识别的隧道围岩分级方法 | |
| CN117763213B (zh) | 一种沥青黏弹构效关系模型的可视化界面建立方法 | |
| CN113139511B (zh) | 水土保持生产建设项目扰动图斑提取方法、介质和设备 | |
| Sun | Wood quality defect detection based on deep learning and multicriteria framework | |
| CN113533133B (zh) | 一种基于机器学习的沥青动态黏弹特性预测方法 | |
| CN110389734A (zh) | 显示控制装置、存储介质以及显示控制方法 | |
| Mateo Sanguino et al. | Making image and vision effortless: Learning methodology through the quick and easy design of short case studies | |
| Otto et al. | Surface model deficiency identification to support learning outcomes assessment in CAD education | |
| van Helden et al. | The arch-i-scan project: Artificial intelligence and 3d simulation for developing new approaches to roman foodways | |
| CN113112515B (zh) | 一种纹样图像分割算法评价方法 | |
| Tang | Research on interior design strategy based on optimization of computer renderings production process | |
| Wu et al. | A Benchmark for Homework Tidiness Assessment | |
| Ţurcanu-Caruțiu et al. | Chapter Automation of the Expertise of the Roman Mosaic Arts in Constanta: Analytical and Statistical Models for a Fuzzy Inference-Based System | |
| Klein et al. | AutArch: An AI-assisted workflow for object detection and automated recording in archaeological catalogues | |
| Gao et al. | Application of BP Neural Network Algorithm in Classification of Red Wine Grades | |
| Handayani et al. | Fresh Concrete Image Data Set Development Using Data Augmentation Algorithm as Building Concrete Compression Identification Reference | |
| Luo et al. | Research on glass products classification based on machine learning | |
| Jiaxin | AI Integration for Advancing Jewelry Education Productivity |
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 |