CN117874903A - 融合物联网与人工智能的工程质量评估诊断方法和系统 - Google Patents
融合物联网与人工智能的工程质量评估诊断方法和系统 Download PDFInfo
- Publication number
- CN117874903A CN117874903A CN202410283406.9A CN202410283406A CN117874903A CN 117874903 A CN117874903 A CN 117874903A CN 202410283406 A CN202410283406 A CN 202410283406A CN 117874903 A CN117874903 A CN 117874903A
- Authority
- CN
- China
- Prior art keywords
- building
- model
- data
- super
- evaluated
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003745 diagnosis Methods 0.000 title claims abstract description 27
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 238000001303 quality assessment method Methods 0.000 title claims description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 84
- 238000012544 monitoring process Methods 0.000 claims abstract description 74
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 33
- 230000011218 segmentation Effects 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 16
- 238000006073 displacement reaction Methods 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000035945 sensitivity Effects 0.000 claims description 6
- 239000000835 fiber Substances 0.000 claims description 5
- 230000001808 coupling effect Effects 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 2
- 230000035882 stress Effects 0.000 description 21
- 230000015556 catabolic process Effects 0.000 description 10
- 238000006731 degradation reaction Methods 0.000 description 10
- 230000036541 health Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 239000003550 marker Substances 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000036961 partial effect Effects 0.000 description 4
- 238000004873 anchoring Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000004567 concrete Substances 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004643 material aging Methods 0.000 description 1
- 238000005297 material degradation process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000029052 metamorphosis Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种融合物联网与人工智能的工程质量评估诊断方法和系统,包括判断待评估建筑是否存在超椭圆模型;若不存在,获取待评估建筑的基础数据或数字模型,并构建超椭圆模型;基于待评估建筑的超椭圆模型和传感器的类别,计算传感器的布设点或采集路径;依序布设传感器,组建传感器网络并测试,按照预设周期采集待评估建筑的监测数据并上传至云服务器;调用配置在云服务器中的智能分析单元,基于监测数据进行分析评估并对应更新超椭圆模型中的系数;分别基于更新后的超椭圆模型和监测数据,评估和诊断建筑的工程质量。本发明大大提高了诊断评估的准确性,减少了外部噪音数据对评估准确率的影响,同时结合超椭圆架构,提高了计算效率。
Description
技术领域
本发明涉及建筑质量监测技术,尤其是融合物联网与人工智能的工程质量评估诊断方法和系统。
背景技术
随着现代建筑工程日益增多,其规模和复杂程度不断提高,如何保障工程质量和安全已成为亟待解决的关键问题。传统的工程质量评估和诊断方法主要依赖人工经验和定期检测,存在效率低、准确性差、滞后性强等缺陷,难以满足当前建筑工程的质量管理需求。因此,亟需引入先进的信息化和智能化技术,革新工程质量评估诊断模式。物联网IoT技术可实现工程现场的数据自动采集和实时监测,通过在关键部位布设智能传感器、无线通信设备等,动态获取结构应力、变形、振动、温湿度等多源异构数据,为质量评估提供丰富的数据支撑。人工智能AI技术可用于海量监测数据的智能处理和分析,挖掘隐藏在数据中的质量退化规律和演化机理,实现工程质量状态的自动分类、预测和诊断,大幅提升质量管理的效率和准确性。
为此,技术人员提供了一些方案,比如:现有技术一提供了一种基于多源信息融合的混凝土结构健康评估方法,通过无线传感网络采集应变、位移等监测数据,利用支持向量机进行结构状态分类和预测,准确率较高。现有技术二基于深度学习的桥梁健康监测系统,使用CNN网络处理桥梁图像数据,对桥梁损伤进行识别和定位,取得了良好效果。现有技术三构建了基于本体和规则的隧道质量安全诊断知识库,实现了隧道质量问题的自动诊断和原因分析,诊断符合率相对较高。
但是现有技术目前还面临诸多问题:当前IoT设备的适用性和可靠性有待提高,难以适应建筑工程的恶劣环境,造成数据质量和稳定性难以保证,比如光照不均匀、振动等原因,造成检测图像质量差,外部振动(比如车辆经过)等因素造成振动位移数据失准。另外,建筑材料和结构在长期运营中的性能演变规律尚不明确,难以建立合理的退化预测模型。
因此,需要进行研究和创新,以解决现有技术存在的上述问题。
发明内容
发明目的,提供一种融合物联网与人工智能的工程质量评估诊断方法,以解决现有技术存在的上述问题。
技术方案,根据本申请的一个方面,提供一种融合物联网与人工智能的工程质量评估诊断方法,包括如下步骤:
步骤S1、判断待评估建筑是否存在超椭圆模型;若不存在,获取待评估建筑的基础数据或数字模型,并构建超椭圆模型;
步骤S2、基于待评估建筑的超椭圆模型和传感器的类别,计算传感器的布设点或采集路径;
步骤S3、依序布设传感器,组建传感器网络并测试,按照预设周期采集待评估建筑的监测数据并上传至云服务器;
步骤S4、调用配置在云服务器中的智能分析单元,基于监测数据进行分析评估并对应更新超椭圆模型中的系数;
步骤S5、分别基于更新后的超椭圆模型和监测数据,评估和诊断建筑的工程质量。
根据本申请的一个方面,所述步骤S1进一步为:
步骤S11、判断待评估建筑是否存在超椭圆模型,若存在,调取待评估建筑的超椭圆模型;若不存在,进入步骤S12;
步骤S12、获取待评估建筑的基础数据或者数字模型,所述基础数据包括建筑结构形式和构件参数;
步骤S13、调用模型生成器,将建筑的各个构件转换为超椭圆形式,生成超椭圆矩阵和位姿变换矩阵,再基于超椭圆矩阵的构型生成初始化的物化参数矩阵和风险系数矩阵;通过将超椭圆矩阵、位姿变换矩阵、物化参数矩阵和风险系数矩阵做哈达玛相乘运算得到超椭圆模型。
根据本申请的一个方面,所述步骤S2进一步为:
步骤S21、分析建筑的结构形式,获取待评估建筑的关键位点,所述关键位点包括梁柱节点、板件削弱点和基础节点;
步骤S22、基于超椭圆模型,采用有限元仿真分析模块对待评估建筑的结构进行仿真分析,给出应力应变的分析结果,所述分析结果至少包括关键位点周围的薄弱区域,以及建筑结构性能对不同参数变化响应灵敏度;
步骤S23、基于分析结果,并结合各类传感器的成本和可达性,构建传感器布设优化模型,并基于博弈论算法给出在局部和全局两个尺度上的传感器布设方案,输出固定式传感器的布设点和移动式传感器的采集路径。
根据本申请的一个方面,所述步骤S3进一步为:
步骤S31、根据固定式传感器的布设点,依序安装传感器;
步骤S32、根据移动式传感器的采集路径,构建采集路径标记点;
步骤S33、组件传感器网络并测试;按照预定周期获取固定式传感器和移动式传感器的监测数据并上传至云服务器。
根据本申请的一个方面,所述步骤S4进一步为:
步骤S41、获取各类传感器的监测数据并根据监测数据的类型进行数据标准化、位置标定和时间对齐,形成时空数据集;
步骤S42、将处理后的每种类型的监测数据,输入到智能分析单元的各个数据处理通道,并获得输出结果;数据处理通道包括视频图像处理通道、应变应力处理通道和介电常数处理通道;
步骤S43、为各个数据处理通道的输出结果自适应配置权重,并通过智能分析单元给出分析结果;
步骤S44、基于神经网络模块的分析结果,修正建筑构件的物化参数和风险系数,并对应更新物化参数矩阵和风险系数矩阵。
根据本申请的一个方面,所述步骤S5进一步为:
步骤S51、获取更新后的超椭圆模型,根据分析计算关键位点周围的薄弱区域并判断相邻薄弱区域是否重叠,若重叠,合并薄弱区域,形成优化后的薄弱区域集合;
步骤S52、将优化后的薄弱区域集合中的每一薄弱区域进行栅格化,并根据反比例分析法给出每一栅格的权重,计算每一薄弱区域的加权面积并与上一计算周期的加权面积求差值,给出每个薄弱区域的变化趋势;
步骤S53、根据每个薄弱区域的变化趋势,给出初步分析结果;
步骤S5、采用预配置的神经网络模块,采用监测数据作为输出,给出对比分析结果,结合初步分析结果和对比分析结果,给出最终分析评估结果并输出。
根据本申请的一个方面,在所述步骤S42中,视频图像处理通道的数据处理过程包括:
步骤S421、获取照片或视频中的图像帧;
步骤S422、构建并采用Hessian矩阵和形态学重构的对图像中的裂缝进行增强滤波;
步骤S423、分别采用Gabor小波和Frangi滤波对包含裂缝的图像进行两个尺度的纹理特征提取;
步骤S424、构建Gabor特征和传统纹理特征的特征向量,形成像素级的纹理特征数据;
步骤S425、构建并基于加权无向图,进行裂缝分割建模,采用最大流-最小割算法求解图割问题,输出裂缝分割结果图;
步骤S426、基于裂缝分割结果图,判断裂缝等级和演变趋势。
根据本申请的一个方面,在所述步骤S42中,应变应力处理通道的数据处理过程包括:
步骤S42a、获取包括光纤光栅、位移计和加速度计在内的应变应力装置的监测数据并统一时空坐标;
步骤S42b、分析各个变形模态的非线性演化规律,建立基于流形学习的模态解耦框架;利用主成分分析方法从多传感器融合数据中提取隧道变形的主要模态;
步骤S42c、建立隧道变形信号的稀疏表示字典,基于模态解耦框架利用正交匹配追踪算法在稀疏字典下重构完整的隧道变形信号;
步骤S42d、生成变形预警信号,并分析包括应力应变、温度位移和渗流应力在内的物理耦合效应。
根据本申请的一个方面,步骤S424进一步为:
步骤S424a、构建至少两个尺度、至少两个方向的Gabor小波基底函数;
步骤S424b、对裂缝增强图进行Gabor小波变换,得到每个尺度、每个方向下的Gabor系数;
步骤S424c、提取Gabor系数幅值均值和方差;
步骤S424d、对Gabor系数幅值图应用Frangi滤波,分析Hessian矩阵特征值,计算局部线状结构似然度;
步骤S424e、采用自适应阈值化的Frangi滤波响应,得到细化后的裂缝纹理图。
根据本申请的另一个方面,还提供一种融合物联网与人工智能的工程质量评估诊断系统,包括:
至少一个处理器;以及
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述任一项技术方案所述的融合物联网与人工智能的工程质量评估诊断方法。
有益效果,针对典型监测数据,设计了对应的特征提取和分析算法,形成多通道并行的数据处理流程,充分利用了数据的多样性;在决策层又进行加权集成,增强了分析结果的准确性和鲁棒性。此外,该方案还充分考虑了建筑结构的多物理场耦合效应,为复杂工况下的性态评估提供了新思路。基于超椭圆模型,考虑了结构特点、监测盲区、传感器性能等因素,构建多目标优化模型并采用先进优化算法求解,能够兼顾局部细节和整体效能,在节约成本的同时最大化监测信息的采集。
附图说明
图1是本发明的流程图。
图2是本发明步骤S1的流程图。
图3是本发明步骤S2的流程图。
图4是本发明步骤S3的流程图。
图5是本发明步骤S4的流程图。
图6是本发明步骤S5的流程图。
具体实施方式
如图1所示,根据本申请的一个方面,提供一种融合物联网与人工智能的工程质量评估诊断方法,包括如下步骤:
步骤S1、判断待评估建筑是否存在超椭圆模型;若不存在,获取待评估建筑的基础数据或数字模型,并构建超椭圆模型;
步骤S2、基于待评估建筑的超椭圆模型和传感器的类别,计算传感器的布设点或采集路径;
步骤S3、依序布设传感器,组建传感器网络并测试,按照预设周期采集待评估建筑的监测数据并上传至云服务器;
步骤S4、调用配置在云服务器中的智能分析单元,基于监测数据进行分析评估并对应更新超椭圆模型中的系数;
步骤S5、分别基于更新后的超椭圆模型和监测数据,评估和诊断建筑的工程质量。
在本实施例中,传统的建筑结构表示多采用CAD图形或BIM模型,数据冗余量大,不利于快速分析。而超椭圆模型可用少量参数描述复杂结构,大幅精简了建筑的数字化表达,为后续高效分析奠定了基础。同时,超椭圆模型所反映的结构特征与力学性能密切相关,变形、受损等结构状态的改变可直接体现为模型系数的变化,便于开展性态评估。创新性地采用Gabor小波多尺度描述裂缝纹理,并用图割算法实现像素级分割,可精准刻画裂缝的形态和分布。对于结构变形,方案引入了变形模态解耦和稀疏重构理论,一方面从数据中自适应地提取变形特征基,另一方面可在有限传感器布设下实现变形场的高保真重建,为变形演化规律分析提供了新视角。现有方法大多只注重对监测数据的分析,缺乏与结构模型的交互更新。该方案基于监测大数据反演超椭圆模型的参数,并以此为基础开展性态评估,同时评估结果又进一步指导数据分析,形成了"模型-数据-决策"闭环迭代的智慧方案,具有较强的理论完整性和实用性。
如图2所示,根据本申请的一个方面,所述步骤S1进一步为:
步骤S11、判断待评估建筑是否存在超椭圆模型,若存在,调取待评估建筑的超椭圆模型;若不存在,进入步骤S12;
步骤S12、获取待评估建筑的基础数据或者数字模型,所述基础数据包括建筑结构形式和构件参数;
步骤S13、调用模型生成器,将建筑的各个构件转换为超椭圆形式,生成超椭圆矩阵和位姿变换矩阵,再基于超椭圆矩阵的构型生成初始化的物化参数矩阵和风险系数矩阵;通过将超椭圆矩阵、位姿变换矩阵、物化参数矩阵和风险系数矩阵做哈达玛相乘运算得到超椭圆模型。
在本实施例中,引入超椭圆模型,用少量参数高效表征建筑结构,降低了数据维度,利于后续计算分析。超椭圆参数数量远小于原始几何模型,可显著降低数据存储、传输、读取的开销。在同一模型中统一刻画结构的形状、材料、风险等,形成结构性态的综合数字孪生。参数化模型易于输入计算流程,且模型简单、变量少,可大幅提速数值分析。超椭圆参数与性态密切相关,便于实现结构状态的定量表征和评估。为后续监测、评估方案注入了新的活力,有望全面提升建筑质量安全监测的效率和精度。
如图3所示,根据本申请的一个方面,所述步骤S2进一步为:
步骤S21、分析建筑的结构形式,获取待评估建筑的关键位点,所述关键位点包括梁柱节点、板件削弱点和基础节点;
步骤S22、基于超椭圆模型,采用有限元仿真分析模块对待评估建筑的结构进行仿真分析,给出应力应变的分析结果,所述分析结果至少包括关键位点周围的薄弱区域,以及建筑结构性能对不同参数变化响应灵敏度;
步骤S23、基于分析结果,并结合各类传感器的成本和可达性,构建传感器布设优化模型,并基于博弈论算法给出在局部和全局两个尺度上的传感器布设方案,输出固定式传感器的布设点和移动式传感器的采集路径。
在本实施例中,传感器布设是结构健康监测的关键环节,布设方案的合理性直接影响监测数据的质量和分析结果的可靠性。传统布设多依赖经验,缺乏理论依据,不同传感器各自为政,难以兼顾全局和局部的监测需求。首先分析建筑结构形式,提取梁柱节点、板件削弱点、基础节点等关键位点。这些位置往往是应力应变集中、损伤容易萌生的薄弱区域,是布设传感器、开展重点监测的优选对象。基于超椭圆模型可以快速准确地定位这些关键点,为后续布设奠定了位置基础。步骤S22利用超椭圆模型,采用有限元方法模拟分析结构在不同工况下的受力变形特性。有限元法是结构仿真的主力方法,通过离散化求解控制方程,可获得结构内部和表面的精细化力学响应。超椭圆模型可无缝嵌入有限元网格,且形态简单、自由度少,非常利于网格划分和数值计算。仿真的关注重点包括:关键位点附近的应力应变分布,圈定传感器布设的薄弱区域,结构性能对不同参数的灵敏度,揭示对状态监测最敏感的控制变量。可见,在传感器布设前引入机理仿真,可从物理机制上确定布设区域和监测重点,既能聚焦薄弱部位,又能选择敏感参数,使得布设方案具有理论依据,不再完全依赖经验。步骤S23在仿真分析的基础上,考虑传感器成本、测点可达性等工程因素,构建布设优化的数学模型。该模型以监测信息最大化、监测成本最小化为目标,以仿真确定的薄弱区域为约束,将布设问题转化为多目标优化问题。将博弈论其引入传感器布设,可建立这样的博弈框架:局部薄弱区域和全局结构性能这两类監测需求作为博弈方,它们各自倾向于在对自身监测质量影响最大的位置布设传感器。通过构建局部收益和全局收益的效用函数,并寻求纳什均衡解,可获得兼顾两类需求的帕累托最优布设方案。该方案在满足关键薄弱区域重点监测的同时,也会权衡全局监测目标,形成局部与整体兼优的布设。此外还可得到包括固定式和移动式传感器在内的多样化布设,灵活适应不同工程条件。
如图4所示,根据本申请的一个方面,所述步骤S3进一步为:
步骤S31、根据固定式传感器的布设点,依序安装传感器;
步骤S32、根据移动式传感器的采集路径,构建采集路径标记点;
步骤S33、组件传感器网络并测试;按照预定周期获取固定式传感器和移动式传感器的监测数据并上传至云服务器。
在本实施例中,固定式传感器是长期监测的主力,需牢固可靠地附着在结构表面或嵌入内部。常见的固定式传感器包括应变计、加速度计、位移计等。安装时要严格依据优化确定的布设点,并采用专业的粘接、焊接工艺,确保传感器受力可靠、量测准确。同时还要做好防护,如防水、防腐蚀处理,提高传感器的生存能力。值得一提的是,布设方案中可能包含了一些创新的固定式传感器,如光纤光栅、压电导电复合材料等。这类新型传感器具有体积小、灵敏度高、耐久性强等优点,但对布设工艺有更高要求。移动传感是对固定监测的重要补充,可灵活检测难以预设或事后关注的局部区域。常见的移动传感载体有无人机、机器人等。基于布设优化得到的移动路径,还需进一步细化为一系列采集路径点,作为无人机航点或机器人运动轨迹控制的依据。生成路径点时,要综合考虑移动载体的物理约束(如转弯半径)、环境障碍(如狭窄通道)、能源续航等因素。此外,还要规划路径点的采样密度,以均衡测量精度和效率。结构监测常采用无线传感器网络(WSN)架构,面向不同传感器异构特性和数据语义,还要设计智能化的数据采集策略,包括采样率自适应调整、数据特征触发、多节点异步协同等。通过固定监测与移动监测的有机结合,实现了全面、灵活、分层级的立体感知。异构传感网络的智能协同,提升了监测效率和能源利用率,降低了数据冗余。稳定可靠的数据采集和回传,为后续数据融合分析提供了高质量的输入。
如图5所示,根据本申请的一个方面,所述步骤S4进一步为:
步骤S41、获取各类传感器的监测数据并根据监测数据的类型进行数据标准化、位置标定和时间对齐,形成时空数据集;
步骤S42、将处理后的每种类型的监测数据,输入到智能分析单元的各个数据处理通道,并获得输出结果;数据处理通道包括视频图像处理通道、应变应力处理通道和介电常数处理通道;
步骤S43、为各个数据处理通道的输出结果自适应配置权重,并通过智能分析单元给出分析结果;
步骤S44、基于神经网络模块的分析结果,修正建筑构件的物化参数和风险系数,并对应更新物化参数矩阵和风险系数矩阵。
在本实施例中,首先对采集的监测数据进行预处理。这包括数据清洗、标准化、时空配准等,旨在提高数据质量和可比性。其中,数据标准化使不同物理量具有可比的量纲和尺度,位置标定和时间对齐则实现了不同传感器在时空上的同步。本实施例设计了面向典型监测量的多通道并行处理框架,并配以自适应权重的集成策略,可望在信息融合广度和深度上实现新突破;每个通道根据数据特点各司其职,最大限度提取隐含的状态信息。多通道并行不仅效率高,还能从不同侧面对结构性能形成多元理解。需要对不同通道的结论进行加权集成。本方案创新性地提出自适应权重调整机制,根据数据质量、工况特点等实时调节各通道权重,既发挥了多源数据的互补优势,又能抑制局部异常带来的误判。通过持续用分析结果修正物化参数、风险系数等,超椭圆模型能够自适应地向监测数据所揭示的实际结构状态逼近。同时更新的结构模型又为下一时段的监测分析提供了先验。如此形成"模型-数据-决策"的动态闭环,使结构评估日臻精准。总之,通道分析从变形、受力、材料等多角度刻画结构特性,评估更立体。适应融合机制和数据驱动更新使分析模型能主动顺应结构状态变化。
如图6所示,根据本申请的一个方面,所述步骤S5进一步为:
步骤S51、获取更新后的超椭圆模型,根据分析计算关键位点周围的薄弱区域并判断相邻薄弱区域是否重叠,若重叠,合并薄弱区域,形成优化后的薄弱区域集合;
步骤S52、将优化后的薄弱区域集合中的每一薄弱区域进行栅格化,并根据反比例分析法给出每一栅格的权重,计算每一薄弱区域的加权面积并与上一计算周期的加权面积求差值,给出每个薄弱区域的变化趋势;
步骤S53、根据每个薄弱区域的变化趋势,给出初步分析结果;
步骤S5、采用预配置的神经网络模块,采用监测数据作为输出,给出对比分析结果,结合初步分析结果和对比分析结果,给出最终分析评估结果并输出。
在本实施例中,结构在长期服役过程中,由于材料老化、疲劳累积、环境侵蚀等因素,局部脆弱区域会不断萌生、扩展,成为结构失效的诱因。及时发现和评估这些雷区,对工程安全预警和运维决策至关重要。本实施例融合了多尺度薄弱区分析、基于退化的栅格加权、融合诊断等策略,形成了一套精细、动态、实时的结构健康评估方案。
先基于S4中更新的超椭圆模型,结合受力分析和响应模拟,计算得到关键位置周围的应力应变集中区,作为潜在薄弱区。由于实际结构的复杂性,这些区域在空间上可能相互重叠。为优化计算资源配置,该步骤设计了薄弱区动态合并算法,可自适应地调整分析网格,既降低了计算复杂度,又能保证评估的精细程度。此外,该方案支持薄弱区随结构性态演化的动态更新,可及时反映裂纹扩展、材料退化等引起的薄弱区变迁,确保诊断始终针对最危险区域。这是对传统"一次性"或"静态"脆弱分析的重要改进。步骤S52对每个薄弱区进行栅格划分和加权分析。与常用的均质网格不同,该方案根据薄弱程度差异,对栅格赋予不同权重。靠近高应力、大变形区的单元权重更高,而远离危险源的单元权重较低。权重的定量计算采用反比例分析法,即性态参数相对变化率越大,退化风险越高,权重越大。在此基础上,该步骤计算了薄弱区加权面积的动态变化,反映了薄弱区范围的演化趋势。相比传统的面积度量,加权面积更能敏锐捕捉局部退化的影响,并量化表征退化的不均匀性。这一指标的引入,使结构性态评估更加细致入微、动态敏感。步骤S53和S54实现了基于薄弱区分析和监测大数据的融合诊断。S53根据加权面积变化,初步推断结构的健康等级和退化趋势。但单一诊断难免片面。为提高诊断可信度,S54引入了数据驱动的校核。它利用训练好的神经网络,将多源监测序列作为输入,独立给出当前性态评估。这一做法与S4中模型驱动诊断形成互补,可从数据相关性中发现结构响应的小概率事件。最后,方案对不同证据进行融合决策,得出兼顾分析和数据支撑的综合诊断结果。这种双论证、交叉验证策略,大大提升了评估的可靠性和说服力。总的来看,步骤S5针对结构薄弱区分析中的行业痛点和理论瓶颈,进行了系统的创新。超椭圆细化模型和自适应网格可实现薄弱区的精细描述和高效分析。加权面积指标可量化刻画退化的动态过程和空间分异特征。模型驱动和数据驱动诊断的融合,可显著提升评估的准确性和可靠性。实时更新的诊断闭环,支持对结构健康状态的动态跟踪和趋势研判。
总之,从静态分析到动态评估的跨越。诊断从离线、事后的查验转变为在线、实时的监控,对结构的性态把控更加及时、主动。从粗放管理到精细养护的提升。薄弱区域的定量分异评估,使运维决策更加针对性和精准性,避免过度或不足,节约成本。从经验判断到智慧决策的蜕变。融合分析从专家经验和数理逻辑两方面强化诊断可信度。从被动应对到主动防控的进步。灵敏捕捉退化征兆,提前进行可靠度预测。
根据本申请的一个方面,在所述步骤S42中,视频图像处理通道的数据处理过程包括:
步骤S421、获取照片或视频中的图像帧;
步骤S422、构建并采用Hessian矩阵和形态学重构的对图像中的裂缝进行增强滤波;
步骤S423、分别采用Gabor小波和Frangi滤波对包含裂缝的图像进行两个尺度的纹理特征提取;
步骤S424、构建Gabor特征和传统纹理特征的特征向量,形成像素级的纹理特征数据;
步骤S425、构建并基于加权无向图,进行裂缝分割建模,采用最大流-最小割算法求解图割问题,输出裂缝分割结果图;
步骤S426、基于裂缝分割结果图,判断裂缝等级和演变趋势。
在进一步的实施例中,进一步采用如下过程:
S41. 基于Hessian矩阵和形态学的裂缝增强滤波
S411. 计算图像的二阶导数(Hessian矩阵):使用Sobel、Prewitt等算子,计算图像在x、y方向上的二阶偏导数。对二阶偏导数进行高斯平滑,抑制噪声干扰。根据平滑后的二阶偏导数,构建图像每个像素位置的Hessian矩阵。
S412. Hessian矩阵特征值分析:对Hessian矩阵进行特征值分解,得到两个特征值λ1和λ2(|λ1|≤|λ2|)。计算特征值的比值r=|λ1|/|λ2|,r越接近0,表明局部区域呈现线状结构,可能是裂缝。自适应阈值化r,得到候选裂缝像素的初始marker。
S413. 形态学重构增强裂缝区域:以S412步得到的裂缝marker为种子,原图像为掩模,进行形态学重构运算。重构结果与原图像相减,得到裂缝增强图,凸显裂缝与背景的差异。小尺度形态学开运算,移除细小噪点,完成裂缝区域的初步增强。
S42. 基于Gabor小波和Frangi滤波的多尺度纹理特征提取:
S421. Gabor小波变换:构建多尺度、多方向的Gabor小波基底函数。对裂缝增强图进行Gabor小波变换,得到不同尺度、方向下的Gabor系数。提取Gabor系数幅值均值、方差等统计量,刻画裂缝的方向性、周期性纹理特征。
S422. Frangi滤波增强:对Gabor系数幅值图应用Frangi滤波,进一步增强线状结构。Frangi滤波通过分析Hessian矩阵特征值,计算局部线状结构似然度。自适应阈值化Frangi滤波响应,得到细化后的裂缝纹理图。
S423. 纹理特征描述:以裂缝纹理图为输入,提取局部二值模式(LBP)、灰度共生矩阵(GLCM)等经典纹理特征。构建Gabor特征和传统纹理特征的特征向量,形成像素级的纹理特征描述。
S43. 基于加权无向图的裂缝分割建模
S431. 图像节点与边的构建:将图像划分为均匀网格,每个网格作为图的一个节点,节点的属性为对应网格的纹理特征向量。在相邻网格节点之间建立无向边,边的权重由节点属性的相似度决定,相似度越高,权重越大。
S432. 图割能量函数构建:将裂缝分割定义为图的最小割问题,割边的能量之和即为分割的损失函数。能量函数包括数据项和平滑项,数据项衡量节点属性与标签的吻合度,平滑项鼓励相邻节点标签一致。根据裂缝先验知识,合理设置能量函数的参数权重,突出裂缝区域的分割偏好。
S44. 最大流-最小割算法求解图割问题
S441. 图割问题的等价转化:在图中引入源点(代表裂缝标签)和汇点(代表背景标签),构建源点、汇点与图节点的有向边。根据图割能量函数,设置源边、汇边的容量,将最小割问题转化为最大流问题。
S442. 最大流算法求解
采用Ford-Fulkerson增广路径算法,寻找从源点到汇点的可行流。不断增加可行流,直到图中不存在增广路径,得到网络的最大流。最大流对应的割边集即为最小割,完成图像在裂缝和背景两类的划分。
S443. 裂缝分割结果生成:根据最小割对应的节点标签,生成二值化的裂缝分割结果图。对分割结果进行形态学后处理,优化裂缝边界,得到最终的裂缝区域。
以某隧道衬砌裂缝图像为例,图像尺寸为1024×1024像素,灰度图。
预处理:对原始图像进行直方图均衡化,增强图像对比度。
裂缝增强滤波:计算图像x、y方向的二阶偏导数,高斯平滑后构建Hessian矩阵。
对Hessian矩阵特征值进行阈值化,得到裂缝初始marker。以裂缝marker为种子,原图为mask,进行形态学重构,得到裂缝增强图。
纹理特征提取:使用6个尺度、8个方向的Gabor小波基,对裂缝增强图进行Gabor变换,得到48个Gabor系数幅值图。对Gabor幅值图进行Frangi滤波,细化裂缝纹理。提取Gabor特征和GLCM特征,构建384维纹理特征向量。
图割分割建模:将图像划分为32×32的网格,每个网格节点对应一个384维纹理特征向量。相邻网格节点间建立无向边,边权重为节点纹理特征向量的余弦相似度。构建图割能量函数,平滑项权重设为1.5,促进裂缝区域标签一致性。
最小割求解:以裂缝marker对应的节点为源点,背景节点为汇点,构建源汇边。采用Edmonds-Karp最大流算法,求解图割最小割。根据割边对应的节点标签,生成裂缝分割二值图。
后处理:对分割结果进行形态学闭运算,填补裂缝断裂区域,得到最终裂缝分割图。
通过上述步骤,实现了隧道衬砌裂缝区域的精准分割,为后续裂缝定量分析奠定了基础
根据本申请的一个方面,在所述步骤S42中,应变应力处理通道的数据处理过程包括:
步骤S42a、获取包括光纤光栅、位移计和加速度计在内的应变应力装置的监测数据并统一时空坐标;
步骤S42b、分析各个变形模态的非线性演化规律,建立基于流形学习的模态解耦框架;利用主成分分析方法从多传感器融合数据中提取隧道变形的主要模态;
步骤S42c、建立隧道变形信号的稀疏表示字典,基于模态解耦框架利用正交匹配追踪算法在稀疏字典下重构完整的隧道变形信号;
步骤S42d、生成变形预警信号,并分析包括应力应变、温度位移和渗流应力在内的物理耦合效应。
在本实施例中,利用主成分分析(PCA)方法,从多传感器融合数据中提取隧道变形的主要模态。创新性地研究变形模态的非线性演化规律,建立基于流形学习的模态解耦框架。自适应更新模态基,实现变形模态的在线递推解耦。在压缩感知理论指导下,建立隧道变形信号的稀疏表示字典。利用正交匹配追踪等算法,在稀疏字典下重构完整的隧道变形信号。探索低秩表示、字典学习等机器学习方法,进一步提高变形信号恢复质量。构建三维隧道变形场可视化引擎,对接BIM系统。采用AR/VR等新型显示技术,全景展示隧道变形的空间分布和动态演化。生成变形预警信号直观、易解读的可视化标识,辅助运维人员快速判断处置。
根据本申请的一个方面,步骤S424进一步为:
步骤S424a、构建至少两个尺度、至少两个方向的Gabor小波基底函数;
步骤S424b、对裂缝增强图进行Gabor小波变换,得到每个尺度、每个方向下的Gabor系数;
步骤S424c、提取Gabor系数幅值均值和方差;
步骤S424d、对Gabor系数幅值图应用Frangi滤波,分析Hessian矩阵特征值,计算局部线状结构似然度;
步骤S424e、采用自适应阈值化的Frangi滤波响应,得到细化后的裂缝纹理图。
在本申请的另一实施例中,给出一个工程案例,当然也可以用于博物馆和重要建筑中。
查阅档案,发现该桥梁尚无超椭圆模型。从设计图纸中提取主梁、桥墩等关键构件的尺寸参数,并通过激光扫描获取外部几何信息,形成桥梁的数字几何模型。将主梁等构件转化为超椭圆参数方程形式,提取超椭圆矩阵。根据构件材料和受力特点,赋予初始物化参数和风险系数。通过矩阵Hadamard乘积,生成桥梁超椭圆模型。S21:分析得出桥梁关键位置为主梁跨中、支座和桥墩墩身等。
在超椭圆模型上进行有限元仿真,获知跨中吊带锚固区、主梁腹板开孔区等薄弱部位,以及桥面系位移和主缆索力的敏感影响。考虑敏感性和工程约束,建立博弈模型。求解后确定光纤光栅应变计布设于主梁1/4跨、跨中和支座,激光位移计布设于桥面系关键点,无人机搭载可见光相机巡检主梁和桥面。依据优化方案,在主梁和桥面布设应变、位移传感器。规划无人机飞行路径,并设置桥面和主梁的巡检障碍物标记点。搭建传感器无线组网,测试数据传输性能。设置每2小时自动采集一次静态数据,无人机每月巡检一次,采集动态影像数据并回传至数据中心。对应变、位移和图像等异构数据进行清洗、对齐、标准化,生成统一的时空序列数据集。将应变位移数据输入应变应力通道。提取主梁的垂直弯曲、扭转等变形模态,建立稀疏字典并重构高精度应变云图,生成应变预警信号。将裂缝图像输入视频图像通道。通过Hessian矩阵、Gabor和Frangi滤波提取裂缝的多尺度纹理特征,构建图割模型实现裂缝精准分割,评估裂缝的发展趋势。根据数据质量和收敛性动态配置各通道权重,融合得到主梁健康状态综合评估结果。结合主梁混凝土强度、预应力筋锚固性能等退化规律,修正超椭圆模型中构件的物化参数,并根据裂缝等病害的扩展速率更新风险系数。基于更新的超椭圆模型,分析主梁跨中吊带锚固区和腹板开孔区的应力云图,圈定薄弱区域并判断临近区域是否连通。对主梁跨中段进行危险性栅格划分,根据裂缝分布密集程度赋予栅格权重。计算该区域加权面积较上月增加了5%,提示该段病害扩展趋势加剧。依据多个薄弱区的加权面积变化,初步诊断该桥梁健康状态为三级。利用预训练的神经网络模型,以近三个月的应变、位移和图像特征为输入,独立评估桥梁状态也为三级,与上述结论相吻合。据此给出综合诊断意见:加强主梁跨中和支座区段的监测频次,优化交通限载措施,适时开展局部加固。
根据本申请的另一个方面,还提供一种融合物联网与人工智能的工程质量评估诊断系统,包括:
至少一个处理器;以及
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述任一项技术方案所述的融合物联网与人工智能的工程质量评估诊断方法。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换,这些等同变换均属于本发明的保护范围。
Claims (10)
1.融合物联网与人工智能的工程质量评估诊断方法,其特征在于,包括如下步骤:
步骤S1、判断待评估建筑是否存在超椭圆模型;若不存在,获取待评估建筑的基础数据或数字模型,并构建超椭圆模型;
步骤S2、基于待评估建筑的超椭圆模型和传感器的类别,计算传感器的布设点或采集路径;
步骤S3、依序布设传感器,组建传感器网络并测试,按照预设周期采集待评估建筑的监测数据并上传至云服务器;
步骤S4、调用配置在云服务器中的智能分析单元,基于监测数据进行分析评估并对应更新超椭圆模型中的系数;
步骤S5、分别基于更新后的超椭圆模型和监测数据,评估和诊断建筑的工程质量。
2.如权利要求1所述的融合物联网与人工智能的工程质量评估诊断方法,其特征在于,所述步骤S1进一步为:
步骤S11、判断待评估建筑是否存在超椭圆模型,若存在,调取待评估建筑的超椭圆模型;若不存在,进入步骤S12;
步骤S12、获取待评估建筑的基础数据或者数字模型,所述基础数据包括建筑结构形式和构件参数;
步骤S13、调用模型生成器,将建筑的各个构件转换为超椭圆形式,生成超椭圆矩阵和位姿变换矩阵,再基于超椭圆矩阵的构型生成初始化的物化参数矩阵和风险系数矩阵;通过将超椭圆矩阵、位姿变换矩阵、物化参数矩阵和风险系数矩阵做哈达玛相乘运算得到超椭圆模型。
3.如权利要求2所述的融合物联网与人工智能的工程质量评估诊断方法,其特征在于,所述步骤S2进一步为:
步骤S21、分析建筑的结构形式,获取待评估建筑的关键位点,所述关键位点包括梁柱节点、板件削弱点和基础节点;
步骤S22、基于超椭圆模型,采用有限元仿真分析模块对待评估建筑的结构进行仿真分析,给出应力应变的分析结果,所述分析结果至少包括关键位点周围的薄弱区域,以及建筑结构性能对不同参数变化响应灵敏度;
步骤S23、基于分析结果,并结合各类传感器的成本和可达性,构建传感器布设优化模型,并基于博弈论算法给出在局部和全局两个尺度上的传感器布设方案,输出固定式传感器的布设点和移动式传感器的采集路径。
4.如权利要求3所述的融合物联网与人工智能的工程质量评估诊断方法,其特征在于,所述步骤S3进一步为:
步骤S31、根据固定式传感器的布设点,依序安装传感器;
步骤S32、根据移动式传感器的采集路径,构建采集路径标记点;
步骤S33、组件传感器网络并测试;按照预定周期获取固定式传感器和移动式传感器的监测数据并上传至云服务器。
5.如权利要求4所述的融合物联网与人工智能的工程质量评估诊断方法,其特征在于,所述步骤S4进一步为:
步骤S41、获取各类传感器的监测数据并根据监测数据的类型进行数据标准化、位置标定和时间对齐,形成时空数据集;
步骤S42、将处理后的每种类型的监测数据,输入到智能分析单元的各个数据处理通道,并获得输出结果;数据处理通道包括视频图像处理通道、应变应力处理通道和介电常数处理通道;
步骤S43、为各个数据处理通道的输出结果自适应配置权重,并通过智能分析单元给出分析结果;
步骤S44、基于神经网络模块的分析结果,修正建筑构件的物化参数和风险系数,并对应更新物化参数矩阵和风险系数矩阵。
6.如权利要求5所述的融合物联网与人工智能的工程质量评估诊断方法,其特征在于,所述步骤S5进一步为:
步骤S51、获取更新后的超椭圆模型,根据分析计算关键位点周围的薄弱区域并判断相邻薄弱区域是否重叠,若重叠,合并薄弱区域,形成优化后的薄弱区域集合;
步骤S52、将优化后的薄弱区域集合中的每一薄弱区域进行栅格化,并根据反比例分析法给出每一栅格的权重,计算每一薄弱区域的加权面积并与上一计算周期的加权面积求差值,给出每个薄弱区域的变化趋势;
步骤S53、根据每个薄弱区域的变化趋势,给出初步分析结果;
步骤S54、采用预配置的神经网络模块,采用监测数据作为输出,给出对比分析结果,结合初步分析结果和对比分析结果,给出最终分析评估结果并输出。
7.如权利要求6所述的融合物联网与人工智能的工程质量评估诊断方法,其特征在于,在所述步骤S42中,视频图像处理通道的数据处理过程包括:
步骤S421、获取照片或视频中的图像帧;
步骤S422、构建并采用Hessian矩阵和形态学重构的对图像中的裂缝进行增强滤波;
步骤S423、分别采用Gabor小波和Frangi滤波对包含裂缝的图像进行两个尺度的纹理特征提取;
步骤S424、构建Gabor特征和传统纹理特征的特征向量,形成像素级的纹理特征数据;
步骤S425、构建并基于加权无向图,进行裂缝分割建模,采用最大流-最小割算法求解图割问题,输出裂缝分割结果图;
步骤S426、基于裂缝分割结果图,判断裂缝等级和演变趋势。
8.如权利要求6所述的融合物联网与人工智能的工程质量评估诊断方法,其特征在于,在所述步骤S42中,应变应力处理通道的数据处理过程包括:
步骤S42a、获取包括光纤光栅、位移计和加速度计在内的应变应力装置的监测数据并统一时空坐标;
步骤S42b、分析各个变形模态的非线性演化规律,建立基于流形学习的模态解耦框架;利用主成分分析方法从多传感器融合数据中提取隧道变形的主要模态;
步骤S42c、建立隧道变形信号的稀疏表示字典,基于模态解耦框架利用正交匹配追踪算法在稀疏字典下重构完整的隧道变形信号;
步骤S42d、生成变形预警信号,并分析包括应力应变、温度位移和渗流应力在内的物理耦合效应。
9.如权利要求7所述的融合物联网与人工智能的工程质量评估诊断方法,其特征在于,步骤S424进一步为:
步骤S424a、构建至少两个尺度、至少两个方向的Gabor小波基底函数;
步骤S424b、对裂缝增强图进行Gabor小波变换,得到每个尺度、每个方向下的Gabor系数;
步骤S424c、提取Gabor系数幅值均值和方差;
步骤S424d、对Gabor系数幅值图应用Frangi滤波,分析Hessian矩阵特征值,计算局部线状结构似然度;
步骤S424e、采用自适应阈值化的Frangi滤波响应,得到细化后的裂缝纹理图。
10. 一种融合物联网与人工智能的工程质量评估诊断系统,其特征在于,包括:
至少一个处理器;以及
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现权利要求1至9任一项所述的融合物联网与人工智能的工程质量评估诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410283406.9A CN117874903B (zh) | 2024-03-13 | 2024-03-13 | 融合物联网与人工智能的工程质量评估诊断方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410283406.9A CN117874903B (zh) | 2024-03-13 | 2024-03-13 | 融合物联网与人工智能的工程质量评估诊断方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117874903A true CN117874903A (zh) | 2024-04-12 |
CN117874903B CN117874903B (zh) | 2024-05-28 |
Family
ID=90590402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410283406.9A Active CN117874903B (zh) | 2024-03-13 | 2024-03-13 | 融合物联网与人工智能的工程质量评估诊断方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117874903B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118094205A (zh) * | 2024-04-28 | 2024-05-28 | 中建铁路投资建设集团有限公司 | 一种基于深度学习的智能化隧道结构健康监测系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060173319A1 (en) * | 2005-01-21 | 2006-08-03 | Chikayoshi Sumi | Clinical apparatuses |
WO2009139949A1 (en) * | 2008-05-13 | 2009-11-19 | Exxonmobil Upstream Research Company | Modeling of hydrocarbon reservoirs using design of experiments methods |
EP2506039A2 (en) * | 2011-03-28 | 2012-10-03 | Conocophillips Company | Methods for Seismic Fracture Parameter Estimation and Gas Filled Fracture Identification From Vertical Well Log Data |
CN111008418A (zh) * | 2019-11-18 | 2020-04-14 | 天津大学 | 一种基于数值模拟与物理模型试验相结合的建筑群消能防冲优化设计方法 |
CN115455706A (zh) * | 2022-09-19 | 2022-12-09 | 四川大学 | 考虑卸荷破裂效应的区域岩体质量评估方法及相关组件 |
CN116596321A (zh) * | 2023-07-13 | 2023-08-15 | 江苏省建筑工程质量检测中心有限公司 | 基于神经网络的建筑风险监测与评估方法和系统 |
CN117057110A (zh) * | 2023-07-27 | 2023-11-14 | 四川大学 | P波诱发椭圆形隧道围岩动应力集中系数计算模型构建方法 |
CN117540174A (zh) * | 2024-01-09 | 2024-02-09 | 江苏省建筑工程质量检测中心有限公司 | 基于神经网络的建筑结构多源异构数据智能分析系统及方法 |
-
2024
- 2024-03-13 CN CN202410283406.9A patent/CN117874903B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060173319A1 (en) * | 2005-01-21 | 2006-08-03 | Chikayoshi Sumi | Clinical apparatuses |
WO2009139949A1 (en) * | 2008-05-13 | 2009-11-19 | Exxonmobil Upstream Research Company | Modeling of hydrocarbon reservoirs using design of experiments methods |
EP2506039A2 (en) * | 2011-03-28 | 2012-10-03 | Conocophillips Company | Methods for Seismic Fracture Parameter Estimation and Gas Filled Fracture Identification From Vertical Well Log Data |
CN111008418A (zh) * | 2019-11-18 | 2020-04-14 | 天津大学 | 一种基于数值模拟与物理模型试验相结合的建筑群消能防冲优化设计方法 |
CN115455706A (zh) * | 2022-09-19 | 2022-12-09 | 四川大学 | 考虑卸荷破裂效应的区域岩体质量评估方法及相关组件 |
CN116596321A (zh) * | 2023-07-13 | 2023-08-15 | 江苏省建筑工程质量检测中心有限公司 | 基于神经网络的建筑风险监测与评估方法和系统 |
CN117057110A (zh) * | 2023-07-27 | 2023-11-14 | 四川大学 | P波诱发椭圆形隧道围岩动应力集中系数计算模型构建方法 |
CN117540174A (zh) * | 2024-01-09 | 2024-02-09 | 江苏省建筑工程质量检测中心有限公司 | 基于神经网络的建筑结构多源异构数据智能分析系统及方法 |
Non-Patent Citations (2)
Title |
---|
李楠;: "桥梁健康监测系统的动态评定方法研究", 交通世界, no. 32, 15 November 2016 (2016-11-15) * |
董帅: "椭圆形截面超高层建筑等效静力风荷载三个方向分量组合机理及方法研究", 中国优秀硕士论文电子期刊库, 21 March 2018 (2018-03-21) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118094205A (zh) * | 2024-04-28 | 2024-05-28 | 中建铁路投资建设集团有限公司 | 一种基于深度学习的智能化隧道结构健康监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117874903B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117874903B (zh) | 融合物联网与人工智能的工程质量评估诊断方法和系统 | |
Nhat-Duc et al. | Automatic recognition of asphalt pavement cracks using metaheuristic optimized edge detection algorithms and convolution neural network | |
Cano-Ortiz et al. | Machine learning algorithms for monitoring pavement performance | |
Dang et al. | Structural damage detection framework based on graph convolutional network directly using vibration data | |
Figueiredo et al. | Machine learning algorithms for damage detection | |
Liu et al. | Automatic interpretation of strain distributions measured from distributed fiber optic sensors for crack monitoring | |
Liao et al. | A channel-spatial-temporal attention-based network for vibration-based damage detection | |
Tang et al. | Autoregressive model-based structural damage identification and localization using convolutional neural networks | |
Chou et al. | Identifying deflections of reinforced concrete beams under seismic loads by bio‐inspired optimization of deep residual learning | |
CN114463932B (zh) | 非接触式施工安全距离主动动态识别预警系统及方法 | |
Yessoufou et al. | One-class convolutional neural network (OC-CNN) model for rapid bridge damage detection using bridge response data | |
CN117076928A (zh) | 一种桥梁健康状态监测方法、装置、系统及电子设备 | |
Zhang et al. | MCHA-Net: A multi-end composite higher-order attention network guided with hierarchical supervised signal for high-resolution remote sensing image change detection | |
Zhao et al. | Pose estimation method for construction machine based on improved AlphaPose model | |
Lin et al. | Optimal CNN-based semantic segmentation model of cutting slope images | |
Abedi et al. | Infrastructure damage assessment via machine learning approaches: a systematic review | |
Daneshvari et al. | Efficient LBP-GLCM texture analysis for asphalt pavement raveling detection using eXtreme Gradient Boost | |
Shan et al. | Rapid full-field deformation measurements of tall buildings using UAV videos and deep learning | |
Wang et al. | Vision-based model updating and evaluation of miter gates on inland waterways | |
CN116630268A (zh) | 一种道路病害检测方法、系统、设备及介质 | |
CN113642529B (zh) | 基于ga-bp神经网络的障碍物尺寸预测系统及方法 | |
CN115542362A (zh) | 电力作业现场的高精度空间定位方法、系统、设备及介质 | |
Wang et al. | Optimized lightweight CA-transformer: Using transformer for fine-grained visual categorization | |
Kirthiga et al. | A survey on crack detection in concrete surface using image processing and machine learning | |
CN117436033B (zh) | 智能建筑垂直偏差监测系统及方法 |
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 |