CN109765355A - 一种机场水泥混凝土道面裂开模式预测方法 - Google Patents
一种机场水泥混凝土道面裂开模式预测方法 Download PDFInfo
- Publication number
- CN109765355A CN109765355A CN201811572526.1A CN201811572526A CN109765355A CN 109765355 A CN109765355 A CN 109765355A CN 201811572526 A CN201811572526 A CN 201811572526A CN 109765355 A CN109765355 A CN 109765355A
- Authority
- CN
- China
- Prior art keywords
- data
- mode
- road
- splits
- prediction
- 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.)
- Pending
Links
Landscapes
- Road Paving Structures (AREA)
Abstract
本发明属于道面裂开模式预测技术领域,公开了一种机场水泥混凝土道面裂开模式预测方法,通过选取的传递函数描述道板边界约束对局部区域的效应,计算出的道板区域状态值形成道板构造状态数值模式;用最小的误差原理建立类似区域匹配准则计算基础计算道板和新道板之间的类似区域;将基础板的类似特征值投射到新板的类似区域,图构出新板的道裂模式,预测混凝土道面的裂开模式。本发明分析混凝土道面的开裂模式过程中的应用,更把它在预测混凝土路面开裂模式中优势具体化。
Description
技术领域
本本发明属于道面裂开模式预测技术领域,尤其涉及一种机场水泥混凝土道面裂开模式预测方法。
背景技术
目前,飞机大型化导致机场的道面的裂开,相当多的机场混凝土道面在未达到设计年限的时候就出现开裂,精确的预测机场混凝土道面的开裂模式成为了一项重要的壳体,也为后期的建设防治起到了一定的作用,传统的计算方法是基于理想化假设的基础上,同时包含算法累计误差,对设计土壤且变异性较强的混凝土道面而言,存在较大的误差,并且包含着的结构性质和工作特性的信息,某种意义上还没有得到特殊的利用。
综上所述,现有技术存在的问题是:
传统的预测计算方法累积误差较大并且没有得到特殊的利用。
现有技术,不能实现裂开的实时预测,而且没有考虑新板的道裂模式之间的空间相关性。不能考虑同新板的道裂模式数据的空间相关性,对于数据缺失的处理以及利用关联度判断不同时间段数据的相似性计算,没有比较同时间段数据之间的相似性,不能提高预测精度。
发明内容
针对现有技术存在的问题,本本发明提供了一种机场水泥混凝土道面裂开模式预测方法。
本本发明是这样实现的,一种机场水泥混凝土道面裂开模式预测方法,包括:
通过选取的传递函数描述道板边界约束对局部区域的效应,计算出的道板区域状态值形成道板构造状态数值模式;
用最小的误差原理建立类似区域匹配准则计算基础计算道板和新道板之间的类似区域;
将基础板的类似特征值投射到新板的类似区域,图构出新板的道裂模式,预测混凝土道面的裂开模式。
进一步,传递函数为Lsi,j=1–Li,j,Li,j=Li,j-1+n(1–Li,j), (i=1,2,3…)(j=1,2,3…N);
Rsi,j=1–Ri,j,LRi,j=Ri,j-1+n(1–LRi,j),(i=1,2,3…)(j=1,2,3…M);
Bsi,j=1–Li,j,Bi,j=Li,j-1+n(1–Bi,j),(i=M,M-1,…2)(j=1,2,3…N);
Tsi,j=1–Li,j,Ti,j=Ti,j-1+n(1–Ti,j),(i=1,2,3…..M)(j=1,2,3…N);
式中:Li0,Ri,N+1,BM+1,j,T0,j分别为Li,j,Ri,N+1,BM+1,j,Ti,j,的初始值,初始值描述各边板的约束状况,M,N是划分区域的行列数,n是传递系数,L、 R、B、T分别时传递函数LX、Rx、Bx、Tx,的过渡函数;根据每个区域的状态值Si,j取其相邻的4个细胞的状态值的平均值,Si,j=(Lsi,j+Rsi,j+Bsi,j+T si,j)/4(i=1,2,…M j=1,2,…N)。
进一步,将基础板的类似特征值投射到新板的类似区域,图构出新板的道裂模式,预测混凝土道面的裂开模式;具体包括:
S1:选择原始数据,在公开的新板的道裂模式数据集采集数据,对收集到的数据进行数据缺失检验并补充完整;
S2:对补充完整的数据依照copula函数计算其秩相关系数,根据秩相关系数的大小选择合适的输入数据的新板的道裂模式;
S3:对选定新板的道裂模式的裂开数据和目标裂开数据进行灰色绝对值关联度计算,依据灰色绝对值关联度的大小关系确定模型的最终输入数据;
S4:对选取的最终输入数据进行建模分析,依据支持向量回归机建立非线性状态空间模型的状态方程和量测方程,并通过无迹卡尔曼滤波对模型的状态进行估计预测;
S5:依据设定的选择标准,对无迹卡尔曼滤波中的尺度参数进行优化和更新,得到混凝土道面的裂开模式预测结果。
进一步,所述步骤S1的具体过程为:选择同一时间段的数据;共选择的22 组,每组192个数据,然后对所有采集到的数据进行缺失检查对于缺失数据多于30个的新板的道裂模式直接删除,剩下的利用均值法进行填充,即,假设ai为缺失数据,则填充到该位置的数据
若ai前后12个数据也有缺失时,向前向后退递推,直至得到前后12个数据;若ai为第一个数据,则此时同理,ai为最后一个数据时,若ai为数据集中前12和后12的数据时,依然选择和首尾相同的填充方法;进而得到除1号,8号,12号,13号,15号新板的道裂模式外其他新板的道裂模式的完整数据集。
进一步,所述步骤S5的详细过程如下:
指定一个尺度参数λ的可行集λ∈[0,12],更新方法如下:
(1)选择初始的λ;
取其为其中λmax=12,λmin=0
(2)在更新时,每次在原始的λj的基础上加入一个随机值ej,该值符合正态变化,期望为0,方差很小;
κj+=κj+ej ej:令j=0,1,…
(3)将上述的λj+和λj分别代入无迹卡尔曼滤波中进行预测计算;
(4)计算两者的预测误差,取误差小者进入下一步更新;
若
则取λj+1=λj+
否则λj+1=λj
(5)循环2-4步,直到预测误差达到设定的阈值或者更新次数达到设定标准时,更新停止,得到最优的尺度参数λ。
本发明的另一目的在于提供一种机场水泥混凝土道面裂开模式预测计算机程序,所述机场水泥混凝土道面裂开模式预测计算机程序实现所述的机场水泥混凝土道面裂开模式预测方法。
本发明的另一目的在于提供一种终端,所述终端搭载实现所述机场水泥混凝土道面裂开模式预测方法的处理器。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的机场水泥混凝土道面裂开模式预测方法。
本发明的另一目的在于提供一种实现所述机场水泥混凝土道面裂开模式预测方法的机场水泥混凝土道面裂开模式预测***。
本本发明的优点及积极效果为:
该本发明通过选取的传递函数来描述道板边界约束对局部区域的效应,计算出的道板区域状态值形成道板构造状态数值模式,用最小的误差原理建立起的类似区域匹配准则计算基础计算道板和新道板之间的类似区域,将基础板的类似特征值投射到新板的类似区域,图构出新板的道裂模式,可直接基于实测数据精细预测混凝土道面的裂开模式。
相对于现有技术,本发明具备以下的优点:
(1)本发明可以有效的提高预测精度相比较一般的传统预测方法。
(2)本发明不仅实现了裂开的实时预测,而且考虑了新板的道裂模式之间的空间相关性。
(3)本发明不仅考虑了同新板的道裂模式数据的空间相关性,且考虑了各裂开之间的时间相关性。对于数据缺失的处理以及利用关联度判断不同时间段数据的相似性计算,比较了同时间段数据之间的相似性,提高了预测精度。
(4)本发明在预测过程中不仅考虑了数据之间的相关性,而且建立的是非线性模型,较好的减小了由于裂开随机性、波动性造成的预测精度不足的问题。
(5)充分考虑了新板的道裂模式之间的空间相关性,更加符合实际情况。
(6)通过一个非线性的预测方法去对裂开进行预测,利用无迹卡尔曼滤波去对裂开进行预测,可以保证其预测的实时性,且更加符合裂开的实际规律,结果更为精确。
(7)对选定新板的道裂模式的裂开数据和目标新板的道裂模式裂开数据进行灰色绝对值关联度计算,能够减少裂开突变性对预测结果的影响,即采用与预测时段相似性更强的数据去进行预测,预测精度更高。
(8)对数据进行预处理可以避免在后续的步骤中由于数据方面造成的预测影响。
附图说明
图1是本本发明实施例提供的机场水泥混凝土道面裂开模式预测方法的流程图。
图2是本本发明实施例提供的机场水泥混凝土道面裂开模式预测方法的道板的细胞自动机结构模型。
具体实施方式
为能进一步了解本本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合附图对本本发明的结构作详细的描述。
如图1-图2所示,本发明实施例提供的机场水泥混凝土道面裂开模式预测方法,包括:
通过选取的传递函数描述道板边界约束对局部区域的效应,计算出的道板区域状态值形成道板构造状态数值模式;
用最小的误差原理建立类似区域匹配准则计算基础计算道板和新道板之间的类似区域;
将基础板的类似特征值投射到新板的类似区域,图构出新板的道裂模式,预测混凝土道面的裂开模式。
传递函数为Lsi,j=1–Li,j,Li,j=Li,j-1+n(1–Li,j), (i=1,2,3…)(j=1,2,3…N);
Rsi,j=1–Ri,j,LRi,j=Ri,j-1+n(1–LRi,j),(i=1,2,3…)(j=1,2,3…M);
Bsi,j=1–Li,j,Bi,j=Li,j-1+n(1–Bi,j),(i=M,M-1,…2)(j=1,2,3…N);
Tsi,j=1–Li,j,Ti,j=Ti,j-1+n(1–Ti,j),(i=1,2,3…M)(j=1,2,3…N);
式中:Li0,Ri,N+1,BM+1,j,T0,j分别为Li,j,Ri,N+1,BM+1,j,Ti,j,的初始值,初始值描述各边板的约束状况,M,N是划分区域的行列数,n是传递系数,L、 R、B、T分别时传递函数LX、Rx、Bx、Tx,的过渡函数;根据每个区域的状态值Si,j取其相邻的4个细胞的状态值的平均值,Si,j=(Lsi,j+Rsi,j+Bsi,j+T si,j)/4(i=1,2,…M j=1,2,…N)。
下面结合具体分析对本发明作进一步描述。
本发明采用细胞自动机方法对机场混凝土道面裂开模式进行预测,以道板实验裂开模式为基础,通过道板内类似区域匹配准则和裂纹投射准则,图构出不同尺度新道板的裂开模式,进而组合成新跑道的裂开模式;包括构建细胞自动机的模型,首先实测基础板的数据与新版的边界条件与几何尺寸,然后构造基础板CA模式的状态值与新板CA模式的状态值,通过应用匹配类似区域、投射新板的开裂特征值图构出新板的开裂模式。
通过传递函数道板边界约束效应传播到道板的各个区域。
本发明对基础道板和新道板进行网格划分,利用相应的公式和计算新道板内的各个区域的道板值,从基础道板向新道板内类似区域投射开裂特征值,图构出混凝与道面的开裂模式。
将基础板的类似特征值投射到新板的类似区域,图构出新板的道裂模式,预测混凝土道面的裂开模式;具体包括:
S1:选择原始数据,在公开的新板的道裂模式数据集采集数据,对收集到的数据进行数据缺失检验并补充完整;
S2:对补充完整的数据依照copula函数计算其秩相关系数,根据秩相关系数的大小选择合适的输入数据的新板的道裂模式;
S3:对选定新板的道裂模式的裂开数据和目标裂开数据进行灰色绝对值关联度计算,依据灰色绝对值关联度的大小关系确定模型的最终输入数据;
S4:对选取的最终输入数据进行建模分析,依据支持向量回归机建立非线性状态空间模型的状态方程和量测方程,并通过无迹卡尔曼滤波对模型的状态进行估计预测;
S5:依据设定的选择标准,对无迹卡尔曼滤波中的尺度参数进行优化和更新,得到混凝土道面的裂开模式预测结果。
所述步骤S1的具体过程为:选择同一时间段的数据;共选择的22组,每组 192个数据,然后对所有采集到的数据进行缺失检查对于缺失数据多于30个的新板的道裂模式直接删除,剩下的利用均值法进行填充,即,假设ai为缺失数据,则填充到该位置的数据
若ai前后12个数据也有缺失时,向前向后退递推,直至得到前后12个数据;若ai为第一个数据,则此时同理,ai为最后一个数据时,若ai为数据集中前12和后12的数据时,依然选择和首尾相同的填充方法;进而得到除1号,8号,12号,13号,15号新板的道裂模式外其他新板的道裂模式的完整数据集。
所述步骤S5的详细过程如下:
指定一个尺度参数λ的可行集λ∈[0,12],更新方法如下:
(1)选择初始的λ;
取其为其中λmax=12,λmin=0
(2)在更新时,每次在原始的λj的基础上加入一个随机值ej,该值符合正态变化,期望为0,方差很小;
κj+=κj+ej 令j=0,1,…
(3)将上述的λj+和λj分别代入无迹卡尔曼滤波中进行预测计算;
(4)计算两者的预测误差,取误差小者进入下一步更新;
若
则取λj+1=λj+
否则λj+1=λj
(5)循环2-4步,直到预测误差达到设定的阈值或者更新次数达到设定标准时,更新停止,得到最优的尺度参数λ
Kendall秩相关系数:令(x1,y1)和(x2,y2)为独立同分布的随机变量,定义
τ≡P[(x1-x2)(y1-y2)>0]-P[(x1-x2)(y1-y2)<0]
=2P[(x1-x2)(y1-y2)>0]-1
为kendall秩相关系数,记为τ。
若随机变量X,Y的边缘分布分别为F(x),G(y),相应的copula函数为C(u,v),其中u=F(x),v=G(y),u,v∈[0,1],则kendall秩相关系数τ可有相应的copula函数C(u,v) 给出
Spearman秩相关系数:令(x1,y1),(x2,y2)和(x3,y3)为独立同分布的随机变量,定义
ρ≡3{P[(x1-x2)(y1-y3)>0]-P[(x1-x2)(y1-y3)<0]}
为Spearman秩相关系数,记为ρ。
若随机变量X,Y的边缘分布分别为F(x),G(y),相应的copula函数为C(u,v),其中u=F(x),v=G(y),u,v∈[0,1],则kendall秩相关系数τ可有相应的copula函数C(u,v) 给出
注:计算这两个秩相关系数时,本发明采用的copula函数为正态分布函数和T分布函数。
步骤S4中,支持向量机是一种机器学习技术,而支持向量回归是专门利用非线性核函数和支持向量来建立的预测回归模型。在支持向量回归中,最核心的步骤是找到一个函数f∈F(F是一函数集),让对应的期望风险函数达到最小值,即:R[f]=∫l(y-f(x))dP(x,y)。其中l(g)表示损失函数,代表y和f(x)之间的偏差,常用形式为l(g)=|y-f(x)|p,其中p是某个正整数;
对于给定的训练样本{(x1,y1),(x2,y2),…,(xN,yN)}其中xi∈d,yi∈,设回归函数为F={f|f(x)=wTΦ(x)+b,w∈in}。
上述回归问题依据拉格朗日定理和KKT条件可以求得:
其中为核函数。xr,xs为辨识向量。
对无迹卡尔曼滤波的优化过程如下步骤:
步骤1、指定一个尺度参数κ的可行集,最小值为0,最大值依据文献进行选择。
步骤2、选择一个初始的κ0,本方法取
步骤3、令κj+=κj+ej 带入无迹卡尔曼滤波的步骤中计算预测结果。
步骤4、如果
则取κj+1=κj+,否则κj+1=κj。
循环步骤3-4步,直到预测误差达到设定的阈值停止。
本发明最后利用灰色关联系数再对输入数据进行进一步的优化,优化方法如下:
1:针对选择好的8个新板的道裂模式,每个新板的道裂模式选出4组数据,每组168个数据。
2:将每个新板的道裂模式的组数据与9号新板的道裂模式数据进行灰色关联度计算。
3:依据灰色关联系数的大小,选择对应输入数据。
本发明选择的是绝对关联度,该关联度的计算方式如下:
1:将原始序列X0={x0(k),k=1,2,…,n}和Xi={xi(k),k=1,2,…,n}进行初值化处理:
2计算x0与xi的绝对关联度为:
其中,
相对于现有技术,本发明具备以下的优点:
(1)本发明可以有效的提高预测精度相比较一般的传统预测方法。
(2)本发明不仅实现了裂开的实时预测,而且考虑了新板的道裂模式之间的空间相关性。
(3)本发明不仅考虑了同新板的道裂模式数据的空间相关性,且考虑了各裂开之间的时间相关性。对于数据缺失的处理以及利用关联度判断不同时间段数据的相似性计算,比较了同时间段数据之间的相似性,提高了预测精度。
(4)本发明在预测过程中不仅考虑了数据之间的相关性,而且建立的是非线性模型,较好的减小了由于裂开随机性、波动性造成的预测精度不足的问题。
(5)充分考虑了新板的道裂模式之间的空间相关性,更加符合实际情况。
(6)通过一个非线性的预测方法去对裂开进行预测,利用无迹卡尔曼滤波去对裂开进行预测,可以保证其预测的实时性,且更加符合裂开的实际规律,结果更为精确。
(7)对选定新板的道裂模式的裂开数据和目标新板的道裂模式裂开数据进行灰色绝对值关联度计算,能够减少裂开突变性对预测结果的影响,即采用与预测时段相似性更强的数据去进行预测,预测精度更高。
(8)对数据进行预处理可以避免在后续的步骤中由于数据方面造成的预测影响。
本发明的另一目的在于提供一种机场水泥混凝土道面裂开模式预测计算机程序,所述机场水泥混凝土道面裂开模式预测计算机程序实现所述的机场水泥混凝土道面裂开模式预测方法。
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。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明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,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取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SolidState Disk(SSD))等。
以上所述仅是对本本发明的较佳实施例而已,并非对本本发明作任何形式上的限制,凡是依据本本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本本发明技术方案的范围内。
Claims (9)
1.一种机场水泥混凝土道面裂开模式预测方法,其特征在于,所述机场水泥混凝土道面裂开模式预测方法包括:
通过选取的传递函数描述道板边界约束对局部区域的效应,计算出的道板区域状态值形成道板构造状态数值模式;
用最小的误差原理建立类似区域匹配准则计算基础计算道板和新道板之间的类似区域;
将基础板的类似特征值投射到新板的类似区域,图构出新板的道裂模式,预测混凝土道面的裂开模式。
2.如权利要求1所述的机场水泥混凝土道面裂开模式预测方法,其特征在于,传递函数为Lsi,j=1–Li,j,Li,j=Li,j-1+n(1–Li,j),
(i=1,2,3…)(j=1,2,3…N);
Rsi,j=1–Ri,j,LRi,j=Ri,j-1+n(1–LRi,j),(i=1,2,3…)(j=1,2,3…M);
Bsi,j=1–Li,j,Bi,j=Li,j-1+n(1–Bi,j),(i=M,M-1,…2)(j=1,2,3…N);
Tsi,j=1–Li,j,Ti,j=Ti,j-1+n(1–Ti,j),(i=1,2,3…M)(j=1,2,3…N);式中:Li0,Ri,N+1,BM+1,j,T0,j分别为Li,j,Ri,N+1,BM+1,j,Ti,j,的初始值,初始值描述各边板的约束状况,M,N是划分区域的行列数,n是传递系数,L、R、B、T分别时传递函数LX、Rx、Bx、Tx,的过渡函数;根据每个区域的状态值Si,j取其相邻的4个细胞的状态值的平均值,Si,j=(Lsi,j+Rsi,j+Bsi,j+Tsi,j)/4(i=1,2,…M j=1,2,…N)。
3.如权利要求1所述的机场水泥混凝土道面裂开模式预测方法,其特征在于,将基础板的类似特征值投射到新板的类似区域,图构出新板的道裂模式,预测混凝土道面的裂开模式;具体包括:
S1:选择原始数据,在公开的新板的道裂模式数据集采集数据,对收集到的数据进行数据缺失检验并补充完整;
S2:对补充完整的数据依照copula函数计算其秩相关系数,根据秩相关系数的大小选择合适的输入数据的新板的道裂模式;
S3:对选定新板的道裂模式的裂开数据和目标裂开数据进行灰色绝对值关联度计算,依据灰色绝对值关联度的大小关系确定模型的最终输入数据;
S4:对选取的最终输入数据进行建模分析,依据支持向量回归机建立非线性状态空间模型的状态方程和量测方程,并通过无迹卡尔曼滤波对模型的状态进行估计预测;
S5:依据设定的选择标准,对无迹卡尔曼滤波中的尺度参数进行优化和更新,得到混凝土道面的裂开模式预测结果。
4.如权利要求3所述的机场水泥混凝土道面裂开模式预测方法,其特征在于,所述步骤S1的具体过程为:选择同一时间段的数据;共选择的22组,每组192个数据,然后对所有采集到的数据进行缺失检查对于缺失数据多于30个的新板的道裂模式直接删除,剩下的利用均值法进行填充,即,假设ai为缺失数据,则填充到该位置的数据
若ai前后12个数据也有缺失时,向前向后退递推,直至得到前后12个数据;若ai为第一个数据,则此时同理,ai为最后一个数据时,若ai为数据集中前12和后12的数据时,依然选择和首尾相同的填充方法;进而得到除1号,8号,12号,13号,15号新板的道裂模式外其他新板的道裂模式的完整数据集。
5.如权利要求3所述的机场水泥混凝土道面裂开模式预测方法,其特征在于,所述步骤S5的详细过程如下:
指定一个尺度参数λ的可行集λ∈[0,12],更新方法如下:
(1)选择初始的λ;
取其为其中λmax=12,λmin=0
(2)在更新时,每次在原始的λj的基础上加入一个随机值ej,该值符合正态变化,期望为0,方差很小;
令j=0,1,…
(3)将上述的λj+和λj分别代入无迹卡尔曼滤波中进行预测计算;
(4)计算两者的预测误差,取误差小者进入下一步更新;
若
则取λj+1=λj+
否则λj+1=λj
(5)循环2-4步,直到预测误差达到设定的阈值或者更新次数达到设定标准时,更新停止,得到最优的尺度参数λ。
6.一种机场水泥混凝土道面裂开模式预测计算机程序,其特征在于,所述机场水泥混凝土道面裂开模式预测计算机程序实现权利要求1~5任意一项所述的机场水泥混凝土道面裂开模式预测方法。
7.一种终端,其特征在于,所述终端搭载实现权利要求1~5任意一项所述机场水泥混凝土道面裂开模式预测方法的处理器。
8.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-5任意一项所述的机场水泥混凝土道面裂开模式预测方法。
9.一种实现权利要求1~5任意一项所述机场水泥混凝土道面裂开模式预测方法的机场水泥混凝土道面裂开模式预测***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811572526.1A CN109765355A (zh) | 2018-12-21 | 2018-12-21 | 一种机场水泥混凝土道面裂开模式预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811572526.1A CN109765355A (zh) | 2018-12-21 | 2018-12-21 | 一种机场水泥混凝土道面裂开模式预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109765355A true CN109765355A (zh) | 2019-05-17 |
Family
ID=66450852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811572526.1A Pending CN109765355A (zh) | 2018-12-21 | 2018-12-21 | 一种机场水泥混凝土道面裂开模式预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109765355A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111013120A (zh) * | 2019-12-23 | 2020-04-17 | 重庆工商大学 | 一种雪场娱乐用滑行跷跷板控制***及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183626A (zh) * | 2011-03-04 | 2011-09-14 | 同济大学 | 一种预测水泥砂浆材料塑性收缩开裂方法 |
CN102628861A (zh) * | 2012-04-11 | 2012-08-08 | 武汉大学 | 一种大体积混凝土温度开裂数值模拟方法 |
-
2018
- 2018-12-21 CN CN201811572526.1A patent/CN109765355A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183626A (zh) * | 2011-03-04 | 2011-09-14 | 同济大学 | 一种预测水泥砂浆材料塑性收缩开裂方法 |
CN102628861A (zh) * | 2012-04-11 | 2012-08-08 | 武汉大学 | 一种大体积混凝土温度开裂数值模拟方法 |
Non-Patent Citations (5)
Title |
---|
G.C.ZHOU等: "A CELLULAR AUTOMATA MODEL FOR PREDICTING THE FAILURE PATTERN OF LATERALLY LOADED MASONRY WALL PANELS", 《ASCE JOURNAL OF COMPUTING IN CIVIL ENGINEERING》 * |
YU ZHANG等: "Techniques for Predicting Cracking Pattern of Masonry Wallet Using Artificial Neural Networks and Cellular Automata", 《JOURNAL OF COMPUTING IN CIVIL ENGINEERING》 * |
尹福成等: "基于支持向量机预测面外均布荷载下砌体墙板的破坏荷载", 《内江师范学院学报》 * |
尹福成等: "预测混凝土跑道开裂模式的细胞自动机方法", 《哈尔滨工程大学学报》 * |
朱雷等: "预测砌体墙板开裂模式的支持向量机方法", 《哈尔滨工业大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111013120A (zh) * | 2019-12-23 | 2020-04-17 | 重庆工商大学 | 一种雪场娱乐用滑行跷跷板控制***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Drezner et al. | A leader–follower model for discrete competitive facility location | |
Srivastava et al. | Software test effort estimation: a model based on cuckoo search | |
CN104408518B (zh) | 基于粒子群优化算法的神经网络学习优化方法 | |
CN108922628A (zh) | 一种基于动态Cox模型的乳腺癌预后生存率预测方法 | |
CN107402381A (zh) | 一种迭代自适应的多机动目标跟踪方法 | |
CN107239846B (zh) | 停车场泊位预测处理方法及装置 | |
CN104023394A (zh) | 基于自适应惯性权重的wsn定位方法 | |
Dumont et al. | Simultaneous localization and mapping in wireless sensor networks | |
JP2020525872A (ja) | インフルエンザ予測モデルの生成方法、装置及びコンピュータ可読記憶媒体 | |
Tang et al. | Nash equilibrium and multi criterion aerodynamic optimization | |
CN108809709A (zh) | 一种基于节点亲密性与标签传播的社区发现方法 | |
WO2017071369A1 (zh) | 一种预测用户离网的方法和设备 | |
Da Silva et al. | Application of particle filters to regional-scale wildfire spread | |
CN106296434B (zh) | 一种基于pso-lssvm算法的粮食产量预测方法 | |
CN109765355A (zh) | 一种机场水泥混凝土道面裂开模式预测方法 | |
Xing et al. | Elite levy spreading differential evolution via ABC shrink-wrap for multi-threshold segmentation of breast cancer images | |
Letham et al. | Bayesian inference of arrival rate and substitution behavior from sales transaction data with stockouts | |
Zhao et al. | Identification of node centrality based on Laplacian energy of networks | |
Hogewind et al. | Safe reinforcement learning from pixels using a stochastic latent representation | |
Lisic et al. | Optimal stratification and allocation for the june agricultural survey | |
CN112512267B (zh) | 基于移动机器人的温度监控方法、***、设备和存储介质 | |
Trushkowsky et al. | Answering enumeration queries with the crowd | |
JP6677040B2 (ja) | 軌跡データ処理方法、軌跡データ処理プログラム及び軌跡データ処理装置 | |
Luts | Real-time semiparametric regression for distributed data sets | |
van den Burg et al. | SparseStep: Approximating the counting norm for sparse regularization |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190517 |