CN117807854B - 基于物理约束神经网络的桥梁监测挠度与温度分离方法 - Google Patents
基于物理约束神经网络的桥梁监测挠度与温度分离方法 Download PDFInfo
- Publication number
- CN117807854B CN117807854B CN202410226035.0A CN202410226035A CN117807854B CN 117807854 B CN117807854 B CN 117807854B CN 202410226035 A CN202410226035 A CN 202410226035A CN 117807854 B CN117807854 B CN 117807854B
- Authority
- CN
- China
- Prior art keywords
- bridge
- temperature
- neural network
- deflection
- physical constraint
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 53
- 238000000926 separation method Methods 0.000 title claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000007613 environmental effect Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 17
- 230000009471 action Effects 0.000 claims description 4
- 230000036541 health Effects 0.000 abstract description 2
- 230000002277 temperature effect Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于物理约束神经网络的桥梁监测挠度与温度分离方法，属于桥梁健康监测领域，该方法为：实时监测桥梁的状态和环境参数数据；基于桥梁的结构特点，建立用于描述桥梁变形分别与荷载和温度分布的关系的结构有限元模型；根据结构有限元模型，基于深度神经网络结构，构建物理约束神经网络模型；对桥梁历史数据进行预处理，得到训练数据；根据训练数据，对物理约束神经网络模型进行训练，优化物理约束神经网络模型的权重参数和偏置参数；将优化后的物理约束神经网络模型集成到桥梁监测系统中，并根据桥梁的状态和环境参数数据，实现桥梁监测挠度与温度分离。本发明实现了桥梁监测中挠度和温度的分离，有效提高桥梁的安全性和可靠性。
Description
技术领域
本发明属于桥梁健康监测领域，尤其涉及一种基于物理约束神经网络的桥梁监测挠度与温度分离方法。
背景技术
随着桥梁在交通中的重要性不断提高，桥梁监测技术也在不断发展。挠度是指桥梁中部的竖向变形，是衡量桥梁承载能力和安全性的重要指标。同时，温度效应也是影响桥梁性能的重要因素之一。在桥梁监测过程中，需要将挠度和温度效应分离，以便更好地评估桥梁的性能和安全状况。然而，现有的桥梁监测技术存在以下问题：
①无法准确地分离挠度和温度效应；
②缺乏对物理模型的有效利用，导致计算效率低下；
③无法实时监测和预警。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于物理约束神经网络的桥梁监测挠度与温度分离方法实现了桥梁监测中挠度和温度的分离，有效提高桥梁的安全性和可靠性。
为了达到上述发明目的，本发明采用的技术方案为：一种基于物理约束神经网络的桥梁监测挠度与温度分离方法，包括以下步骤：
S1、在桥梁上布置温度传感器、荷载传感器和振动传感器，实时监测桥梁的状态和环境参数数据；
S2、基于桥梁的结构特点，建立用于描述桥梁变形分别与荷载和温度分布的关系的结构有限元模型；
S3、根据结构有限元模型，基于深度神经网络结构，构建物理约束神经网络模型；
S4、收集桥梁历史数据，并对桥梁历史数据进行预处理，得到训练数据；
S5、根据训练数据，对物理约束神经网络模型进行训练，优化物理约束神经网络模型的权重参数和偏置参数；
S6、将步骤S5优化后的物理约束神经网络模型集成到桥梁监测系统中，并根据桥梁的状态和环境参数数据，实现桥梁监测挠度与温度分离。
本发明的有益效果为：通过建立与桥梁变形分别与荷载和温度分布相关的结构有限元模型，可以更准确地分离挠度和温度效应，克服了传统方法无法准确区分挠度和温度效应的不足，提高了桥梁监测的精度和可靠性；利用PINN物理约束神经网络模型实现结构有限元模型的自动学习和推理，提高了解释性和计算效率；PINN物理约束神经网络模型通过逼近物理模型和非线性关系，可以快速准确地预测挠度值和温度效应，避免了传统方法中复杂的数值计算和模拟过程，提高了计算效率和应用灵活性；通过定义物理约束损失项，可以确保网络输出满足物理方程的约束条件，使得模型的预测结果更加准确和可靠，并能够满足实际监测中所需的物理约束条件；实时监测功能使得本发明能够及时发现桥梁监测中的异常情况，并采取相应的应对措施，有助于提高桥梁的安全性和可靠性，避免潜在的安全风险和不必要的损失。
进一步地，所述步骤S2中结构有限元模型包括结构力学模型和热传导模型；所述结构力学模型用于描述桥梁在荷载作用下的变形行为；所述热传导模型用于描述温度分布以及温度分布对桥梁变形的影响。
上述进一步方案的有益效果为：通过建立与桥梁变形分别与荷载和温度分布相关的结构有限元模型，可以更准确地分离挠度和温度效应，克服了传统方法无法准确区分挠度和温度效应的不足，提高了桥梁监测的精度和可靠性。
进一步地，所述结构力学模型的表达式为：
其中，为梯度运算符；/>为应力张量；/>为荷载；/>为关系符号，表示在/>内；/>为桥梁的空间域。
上述进一步方案的有益效果为：通过建立与桥梁变形与荷载相关的结构力学模型，可以更准确地分离挠度和温度效应，克服了传统方法无法准确区分挠度和温度效应的不足，提高了桥梁监测的精度和可靠性。
进一步地，所述热传导模型的表达式为：
其中，为密度；/>为比热容；/>为偏导数符号；/>为温度；/>为时间；/>为热导率；为热源项；/>为梯度运算符；/>为关系符号，表示在/>内；/>为桥梁的空间域。
上述进一步方案的有益效果为：通过建立与桥梁变形与温度分布相关的热传导模型，可以更准确地分离挠度和温度效应，克服了传统方法无法准确区分挠度和温度效应的不足，提高了桥梁监测的精度和可靠性。
进一步地，所述步骤S3中物理约束神经网络模型的损失函数为：
其中，为损失函数；/>为用于确保网络的输出与实际数据匹配的数据拟合损失项；/>为用于控制数据拟合损失项和物理约束损失项之间的权衡的正则化参数；/>为用于确保网络输出满足结构力学模型和热传导模型的约束条件的物理约束损失项。
上述进一步方案的有益效果为：利用PINN物理约束神经网络模型实现结构有限元模型的自动学习和推理，提高了解释性和计算效率；PINN物理约束神经网络模型通过逼近物理模型和非线性关系，可以快速准确地预测挠度值和温度效应，避免了传统方法中复杂的数值计算和模拟过程，提高了计算效率和应用灵活性；通过定义物理约束损失项，可以确保网络输出满足物理方程的约束条件，使得模型的预测结果更加准确和可靠，并能够满足实际监测中所需的物理约束条件。
进一步地，所述物理约束损失项的表达式为：
其中，为应力的散度；/>为梯度运算符；/>为应力张量；/>为荷载；/>为关系符号，表示在/>内；/>为桥梁的空间域；/>为温度的时间导数；/>为密度；/>为比热容；/>为偏导数符号；/>为温度；/>为时间；/>为热传导方程中的散度；/>为热导率；/>为热源项；/>为微分符号；/>为空间域体积元。
上述进一步方案的有益效果为：通过定义物理约束损失项，可以确保网络输出满足物理方程的约束条件，使得模型的预测结果更加准确和可靠，并能够满足实际监测中所需的物理约束条件。
进一步地，所述步骤S6具体为：
S601、将步骤S5优化后的物理约束神经网络模型集成到桥梁监测系统中；
S602、根据桥梁的状态和环境参数数据，利用物理约束神经网络模型，得到桥梁的非温度挠度；
S603、获取桥梁的总挠度；
S604、根据桥梁的总挠度和桥梁的非温度挠度，得到桥梁的温度挠度，完成桥梁监测挠度与温度分离：
其中，为桥梁的温度挠度；/>为桥梁的总挠度；/>为桥梁的非温度挠度。
上述进一步方案的有益效果为：实时监测功能使得本发明能够及时发现桥梁监测中的异常情况，并采取相应的应对措施，有助于提高桥梁的安全性和可靠性，避免潜在的安全风险和不必要的损失。
附图说明
图1为本发明的方法流程图。
图2为本发明实施例中的桥梁荷载挠度图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，在本发明的一个实施例中，一种基于物理约束神经网络的桥梁监测挠度与温度分离方法，包括以下步骤：
S1、在桥梁上布置温度传感器、荷载传感器和振动传感器，实时监测桥梁的状态和环境参数数据；
S2、基于桥梁的结构特点，建立用于描述桥梁变形分别与荷载和温度分布的关系的结构有限元模型；
S3、根据结构有限元模型，基于深度神经网络结构，构建物理约束神经网络模型；
S4、收集桥梁历史数据，并对桥梁历史数据进行预处理，得到训练数据；
S5、根据训练数据，对物理约束神经网络模型进行训练，优化物理约束神经网络模型的权重参数和偏置参数；
S6、将步骤S5优化后的物理约束神经网络模型集成到桥梁监测系统中，并根据桥梁的状态和环境参数数据，实现桥梁监测挠度与温度分离。
本实施例中，本发明通过建立与桥梁变形和温度分布相关的物理模型，设计并训练一个PINN网络（物理约束神经网络模型），从而实现桥梁监测中挠度和温度的分离。
本实施例中，在桥梁上布置温度传感器、荷载传感器和振动传感器，实时监测桥梁的状态和环境参数，并将采集到的数据进行处理和存储。数据包括但不限于：温度数据、挠度数据、荷载信息等。
所述步骤S2中结构有限元模型包括结构力学模型和热传导模型；所述结构力学模型用于描述桥梁在荷载作用下的变形行为；所述热传导模型用于描述温度分布以及温度分布对桥梁变形的影响。
所述结构力学模型的表达式为：
其中，为梯度运算符；/>为应力张量；/>为荷载；/>为关系符号，表示在/>内；/>为桥梁的空间域。
所述热传导模型的表达式为：
其中，为密度；/>为比热容；/>为偏导数符号；/>为温度；/>为时间；/>为热导率；为热源项；/>为梯度运算符；/>为关系符号，表示在/>内；/>为桥梁的空间域。
本实施例中，根据桥梁的结构特点和监测需求，建立结构有限元模型（结构力学模型和热传导模型），用于描述桥梁变形和温度分布之间的关系。结构力学模型描述桥梁在荷载作用下的变形行为，热传导模型描述温度分布及其对桥梁变形的影响。
所述步骤S3中物理约束神经网络模型的损失函数为：
其中，为损失函数；/>为用于确保网络的输出与实际数据匹配的数据拟合损失项；/>为用于控制数据拟合损失项和物理约束损失项之间的权衡的正则化参数；/>为用于确保网络输出满足结构力学模型和热传导模型的约束条件的物理约束损失项。
所述物理约束损失项的表达式为：
其中，为应力的散度；/>为梯度运算符；/>为应力张量；/>为荷载；/>为关系符号，表示在/>内；/>为桥梁的空间域；/>为温度的时间导数；/>为密度；/>为比热容；/>为偏导数符号；/>为温度；/>为时间；/>为热传导方程中的散度；/>为热导率；/>为热源项；/>为微分符号；/>为空间域体积元。
所述步骤S3中物理约束神经网络模型用于实现复杂非线性关系的逼近和预测；所述物理约束神经网络模型的输入数据为温度分布、荷载信息、桥梁的几何和材料属性；所述物理约束神经网络模型的输出数据为挠度的预测值。
本实施例中，根据物理模型和监测需求，设计一个PINN网络。该网络的输入包括温度分布、荷载信息以及桥梁的几何和材料属性，输出为挠度的预测值。PINN网络结构采用深度神经网络，包括多个隐藏层和激活函数，以实现复杂非线性关系的逼近和预测。
所述步骤S4中对桥梁历史数据进行预处理具体为对桥梁历史数据进行去除异常值、降噪和归一化的操作。
本实施例中，对采集到的数据进行预处理，包括数据清洗、去噪和归一化等操作，以提高数据的质量和可用性。数据预处理可以消除数据中的异常值和冗余信息，提高网络模型的训练效率和稳定性。去除异常值可通过设定数据阈值或统计方法来实现，降噪可以采用滤波技术或信号处理方法，归一化可以将数据缩放到特定的范围或标准化为均值为零、方差为一的形式。
所述步骤S5中对物理约束神经网络模型进行训练的目标为损失函数最小化。
本实施例中，损失函数包括数据拟合损失项和物理约束损失项。数据拟合损失项用于确保网络的输出与实际监测数据匹配，物理约束损失项用于确保网络输出满足物理方程。损失函数的设计需要考虑实际监测数据的特性和物理方程的约束条件，以确保模型预测的准确性和可靠性。使用采集到的数据对PINN网络进行训练，优化网络的权重和偏置，以最小化损失函数。在训练过程中，可以采用随机梯度下降（SGD）或Adam等优化算法进行迭代更新。训练过程中需要合理设置学习率和迭代次数，以实现模型性能的优化和提升。
所述步骤S6具体为：
S601、将步骤S5优化后的物理约束神经网络模型集成到桥梁监测系统中；
S602、根据桥梁的状态和环境参数数据，利用物理约束神经网络模型，得到桥梁的非温度挠度；
S603、获取桥梁的总挠度；
S604、根据桥梁的总挠度和桥梁的非温度挠度，得到桥梁的温度挠度，完成桥梁监测挠度与温度分离：
其中，为桥梁的温度挠度；/>为桥梁的总挠度；/>为桥梁的非温度挠度。
本实施例中，首先使用传感器获取桥梁的总挠度，其中可能包括了温度引起的挠度，如图2所示，其中，mm为毫米，KN为千牛，℃为摄氏度。然后，使用物理约束神经网络模型（PINN网络）来估算出非温度引起的挠度。最后，通过对总挠度和估算出的非温度挠度进行相应的计算，可以得到温度引起的挠度，从而实现挠度和温度的分离。
本实施例中，将PINN网络集成到桥梁监测系统中，以连续地计算桥梁的挠度和温度挠度，并在必要时触发警报。根据实际需求，可以在桥梁监测系统中设置阈值或报警机制，当监测到的桥梁的挠度或温度挠度超过预定范围时，触发报警提示或采取其他应对措施，以确保桥梁的安全性和可靠性。
Claims (4)
1.一种基于物理约束神经网络的桥梁监测挠度与温度分离方法，其特征在于，包括以下步骤：
S1、在桥梁上布置温度传感器、荷载传感器和振动传感器，实时监测桥梁的状态和环境参数数据；
S2、基于桥梁的结构特点，建立用于描述桥梁变形分别与荷载和温度分布的关系的结构有限元模型；
S3、根据结构有限元模型，基于深度神经网络结构，构建物理约束神经网络模型；所述步骤S3中物理约束神经网络模型的损失函数为：
其中，为损失函数；/>为用于确保网络的输出与实际数据匹配的数据拟合损失项；/>为用于控制数据拟合损失项和物理约束损失项之间的权衡的正则化参数；/>为用于确保网络输出满足结构力学模型和热传导模型的约束条件的物理约束损失项；
所述物理约束损失项的表达式为：
其中，为应力的散度；/>为梯度运算符；/>为应力张量；/>为荷载；/>为关系符号，表示在/>内；/>为桥梁的空间域；/>为温度的时间导数；/>为密度；/>为比热容；/>为偏导数符号；/>为温度；/>为时间；/>为热传导方程中的散度；/>为热导率；/>为热源项；/>为微分符号；/>为空间域体积元；
S4、收集桥梁历史数据，并对桥梁历史数据进行预处理，得到训练数据；
S5、根据训练数据，对物理约束神经网络模型进行训练，优化物理约束神经网络模型的权重参数和偏置参数；
S6、将步骤S5优化后的物理约束神经网络模型集成到桥梁监测系统中，并根据桥梁的状态和环境参数数据，实现桥梁监测挠度与温度分离；所述步骤S6具体为：
S601、将步骤S5优化后的物理约束神经网络模型集成到桥梁监测系统中；
S602、根据桥梁的状态和环境参数数据，利用物理约束神经网络模型，得到桥梁的非温度挠度；
S603、获取桥梁的总挠度；
S604、根据桥梁的总挠度和桥梁的非温度挠度，得到桥梁的温度挠度，完成桥梁监测挠度与温度分离：
其中，为桥梁的温度挠度；/>为桥梁的总挠度；/>为桥梁的非温度挠度。
2.根据权利要求1所述基于物理约束神经网络的桥梁监测挠度与温度分离方法，其特征在于，所述步骤S2中结构有限元模型包括结构力学模型和热传导模型；所述结构力学模型用于描述桥梁在荷载作用下的变形行为；所述热传导模型用于描述温度分布以及温度分布对桥梁变形的影响。
3.根据权利要求2所述基于物理约束神经网络的桥梁监测挠度与温度分离方法，其特征在于，所述结构力学模型的表达式为：
其中，为梯度运算符；/>为应力张量；/>为荷载；/>为关系符号，表示在/>内；/>为桥梁的空间域。
4.根据权利要求2所述基于物理约束神经网络的桥梁监测挠度与温度分离方法，其特征在于，所述热传导模型的表达式为：
其中，为密度；/>为比热容；/>为偏导数符号；/>为温度；/>为时间；/>为热导率；/>为热源项；/>为梯度运算符；/>为关系符号，表示在/>内；/>为桥梁的空间域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410226035.0A CN117807854B (zh) | 2024-02-29 | 2024-02-29 | 基于物理约束神经网络的桥梁监测挠度与温度分离方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410226035.0A CN117807854B (zh) | 2024-02-29 | 2024-02-29 | 基于物理约束神经网络的桥梁监测挠度与温度分离方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117807854A CN117807854A (zh) | 2024-04-02 |
| CN117807854B true CN117807854B (zh) | 2024-05-28 |
Family
ID=90434916
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410226035.0A Active CN117807854B (zh) | 2024-02-29 | 2024-02-29 | 基于物理约束神经网络的桥梁监测挠度与温度分离方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117807854B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118463840B (zh) * | 2024-07-15 | 2024-09-24 | 江西通慧科技集团股份有限公司 | 一种桥梁结构健康监测方法、系统、存储介质及电子设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102979307A (zh) * | 2012-12-12 | 2013-03-20 | 新疆生产建设兵团金来建设工程技术研发有限责任公司 | 一种混凝土结构温控防裂施工方法 |
| CN109101745A (zh) * | 2018-08-28 | 2018-12-28 | 北京科技大学 | 一种斜拉桥跨中挠度随温度变化的估算方法 |
| CN113836783A (zh) * | 2021-07-16 | 2021-12-24 | 东南大学 | 斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法 |
| CN115358136A (zh) * | 2022-07-08 | 2022-11-18 | 中国人民解放军军事科学院国防科技创新研究院 | 基于神经网络的结构刚度优化设计方法 |
| CN116562131A (zh) * | 2023-04-23 | 2023-08-08 | 硒钼科技(北京)有限公司 | 一种物理信息神经网络模型的训练方法 |
| CN116663126A (zh) * | 2023-06-27 | 2023-08-29 | 东南大学 | 一种基于通道注意力BiLSTM模型的桥梁温度效应预测方法 |
| CN116956428A (zh) * | 2023-08-01 | 2023-10-27 | 合肥工业大学 | 基于物理信息神经网络的移动荷载下桥梁响应计算方法 |
| CN117490948A (zh) * | 2023-09-21 | 2024-02-02 | 武汉理工大学 | 一种基于动态阈值的斜拉桥健康监测方法及系统 |
-
2024
- 2024-02-29 CN CN202410226035.0A patent/CN117807854B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102979307A (zh) * | 2012-12-12 | 2013-03-20 | 新疆生产建设兵团金来建设工程技术研发有限责任公司 | 一种混凝土结构温控防裂施工方法 |
| CN109101745A (zh) * | 2018-08-28 | 2018-12-28 | 北京科技大学 | 一种斜拉桥跨中挠度随温度变化的估算方法 |
| CN113836783A (zh) * | 2021-07-16 | 2021-12-24 | 东南大学 | 斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法 |
| CN115358136A (zh) * | 2022-07-08 | 2022-11-18 | 中国人民解放军军事科学院国防科技创新研究院 | 基于神经网络的结构刚度优化设计方法 |
| CN116562131A (zh) * | 2023-04-23 | 2023-08-08 | 硒钼科技(北京)有限公司 | 一种物理信息神经网络模型的训练方法 |
| CN116663126A (zh) * | 2023-06-27 | 2023-08-29 | 东南大学 | 一种基于通道注意力BiLSTM模型的桥梁温度效应预测方法 |
| CN116956428A (zh) * | 2023-08-01 | 2023-10-27 | 合肥工业大学 | 基于物理信息神经网络的移动荷载下桥梁响应计算方法 |
| CN117490948A (zh) * | 2023-09-21 | 2024-02-02 | 武汉理工大学 | 一种基于动态阈值的斜拉桥健康监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117807854A (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117807854B (zh) | 基于物理约束神经网络的桥梁监测挠度与温度分离方法 | |
| CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
| CN105139585B (zh) | 一种土质边坡险情智能预警预报方法 | |
| CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
| CN110738349A (zh) | 基于多模型融合的电网故障抢修时长预测方法 | |
| CN110782067B (zh) | 一种基于模糊信息粒化的烧结终点波动范围预测方法 | |
| CN113325721B (zh) | 一种工业系统无模型自适应控制方法及系统 | |
| CN112462734B (zh) | 一种工业生产设备故障预测分析方法及模型 | |
| CN116205544B (zh) | 基于深度神经网络和迁移学习的非侵入式负荷识别系统 | |
| CN117372165A (zh) | 一种基于金融风控业务的数据监管方法及系统 | |
| CN111648992A (zh) | 燃气轮机压气机故障识别预警方法 | |
| Tian et al. | Alarm clustering analysis and ACO based multi-variable alarms thresholds optimization in chemical processes | |
| CN117471346A (zh) | 用于确定退役电池模组剩余寿命和健康状态的方法及系统 | |
| Zhang et al. | Remaining useful life prediction for rolling bearings with a novel entropy-based health indicator and improved particle filter algorithm | |
| CN118154174A (zh) | 一种工业设备智慧运维云平台 | |
| CN117072891A (zh) | 一种无异常样本下的输氢管网实时智能泄漏监测定位方法 | |
| CN117436318B (zh) | 基于物联网的智慧楼宇管理方法及系统 | |
| Ma et al. | Traffic flow forecasting research based on Bayesian normalized Elman neural network | |
| CN109255730A (zh) | 一种天然气时负荷预测方法 | |
| CN118411161B (zh) | 一种基于数据分析的机电设备运维方法及系统 | |
| CN118313694B (zh) | 智慧高速公路协同管控方法、系统及装置 | |
| CN118410723B (zh) | 一种可解释旋转机械全寿命周期服役性能退化评估方法 | |
| Zheng et al. | Research on predicting remaining useful life of equipment based on health index | |
| CN118626808B (zh) | 喷嘴堵塞检测方法、装置、存储介质和计算机设备 | |
| CN117522371B (zh) | 一种核电厂缺陷自动判定执行专业方法及系统 |
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 |