CN111241614A - 基于条件生成对抗网络模型的工程结构荷载反演方法 - Google Patents

基于条件生成对抗网络模型的工程结构荷载反演方法 Download PDF

Info

Publication number
CN111241614A
CN111241614A CN201911405538.XA CN201911405538A CN111241614A CN 111241614 A CN111241614 A CN 111241614A CN 201911405538 A CN201911405538 A CN 201911405538A CN 111241614 A CN111241614 A CN 111241614A
Authority
CN
China
Prior art keywords
load
network
structural
response information
image
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
Application number
CN201911405538.XA
Other languages
English (en)
Other versions
CN111241614B (zh
Inventor
张鹤
徐诚侃
周鹏
王莉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201911405538.XA priority Critical patent/CN111241614B/zh
Publication of CN111241614A publication Critical patent/CN111241614A/zh
Application granted granted Critical
Publication of CN111241614B publication Critical patent/CN111241614B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Control Of Positive-Displacement Air Blowers (AREA)

Abstract

本发明公开了一种基于条件生成对抗网络模型的工程结构荷载反演方法，在训练阶段，首先通过有限元计算或现场实测得到不同荷载下结构的结构响应以及对应的加载条件，并基于条件生产对抗网络模型训练两个深度神经网络G和D，训练完成之后，以现场测得的结构响应信息输入生成网络G，得到对应的加载条件。本发明可以高效地反演结构荷载，将有效解决工程运营期状态和性能监测中不明确结构状态时的荷载反演问题。

Description

基于条件生成对抗网络模型的工程结构荷载反演方法
技术领域
本发明属于土木结构工程与计算机视觉的交叉领域，特别涉及一种基于条件生成对抗网络模型的工程结构荷载反演方法。
背景技术
结构所受荷载直接关系到结构的运营安全，因此工程结构荷载的实时监测具有十分重要的意义。但结构所受荷载往往无法直接测得，需要根据结构响应结合结构形式及材料性质识别得到。尤其服役期的结构，其材料性质随运营过程发生退化，基于初始的物理参数无法准确识别服役阶段荷载信息。因此利用结构响应信息识别结构服役期荷载信息，并考虑结构物理性能退化，对于结构的维护及剩余寿命预测具有重要的工程意义。
传统的荷载反演方法，需要通过建立物理模型并求解结构的控制方程，来得到结构所受的外荷载。但当结构较复杂或结构长期服役后，其内部结构与材料性质都发生了改变，假设的物理模型往往不正确，因而模拟效果也不尽如人意。同时基于物理模型的荷载反演方法，往往只能反演局部位置的荷载，随着反演荷载数量增加，计算量也成倍增加，因而并不能实时反演整个结构物所受的荷载。
随着数据分析手段的进步以及以往大量工程数据的累积，用数据驱动的方式解决工程问题已得到了广泛应用。为解决传统力学方法不能对长期服役结构进行大范围的原位实时荷载反演的问题，本发明应用深度学习实现了根据原位结构响应对服役期结构的荷载反演。
发明内容
为了解决如何高效地利用结构响应信息反演状态未知的结构的外荷载的技术问题，本发明提供一种基于条件生成对抗网络的荷载反演方法，具体步骤如下：
一种基于条件生成对抗网络的荷载反演方法，包括以下步骤：
(1)首先通过有限元计算或现场实测得到不同荷载下结构的结构响应信息，并根据颜色渐变条将结构响应信息及加载情况分别绘制成图像，并进行分类、整理、配对，建立样本库。
(2)基于条件生成对抗网络模型，通过样本库训练两个深度神经网络：生成网络G和判断网络D。
(3)将生成模型输出的荷载信息图像，并通过像素值标定其中的荷载值。
(4)测试阶段，将现场测得的结构响应信息绘制成图像，输入步骤(2)中训练好的生成网络G，得到对应的荷载信息图像，并通过荷载信息图像中的像素值标定其中的荷载值。
进一步地，在基于条件生成对抗网络的荷载反演方法中，结构响应信息具体可以是：应力场、应变场、位移场、内力场。
进一步地，所述的步骤(1)中，得到结构响应信息的方法具体为：
在不知道结构内部情况时，通过布设大量密集的应变片，测得不同荷载条件下的结构响应，通过插值法得到对应的结构响应信息；
在知道结构内部情况时，通过有限元计算得到不同荷载条件下的结构响应，得到对应的结构响应信息。
进一步地，所述的步骤(1)中，根据颜色渐变条将其绘制成图像的方法具体为：根据颜色渐变条jet，将每一个位置的结构响应信息和荷载信息转化为对应的像素值，并进行绘制成图片。
进一步地，所述的步骤(2)中，生成网络G用来根据结构响应信息生成荷载信息，判断网络D用来区分输入的荷载信息是来自生成网络G还是真实的荷载信息，所述的条件生成对抗网络以结构响应信息为条件，其目标函数为：
Figure BDA0002348523820000021
其中，x来自数据库内的结构荷载图像，y表示包含结构响应信息的图像；V(D,G)表示博弈问题中的价值函数，即需要优化的目标函数；x～pdata(x)表示x服从数据库内结构荷载图像分布pdata，
Figure BDA0002348523820000022
表示在pdata分布下求期望；x～pz(z)表示x服从先验分布pz，pz为[-1,1]内的均匀分布，即z为[-1，1]内随机采样的向量，
Figure BDA0002348523820000023
表示在pz分布下求期望；D(x|y)表示输入x在结构响应信息控制参数y的条件下经过判断网络D的输出；G(z|y)表示输入向量z在结构响应信息控制参数y的条件下经过生成网络G的输出图像；D(G(z|y))表示G(z|y)经过判断网络D的输出。
进一步地，所述的步骤(2)中，采用的生成网络G是一个U型网络，包含Encode和Decode两部分，Encode部分是一个卷积神经网络，通过八个卷积层从结构响应信息的图片中提取出特征，Decode部分是一个反卷积神经网络，通过八个反卷积层将Encode部分提取出的特征生成出结构荷载信息的图片。
进一步地，所述的步骤(2)中，采用的判断网络D中，首先将结构响应信息的图片及生成的结构荷载信息图片拼接在一起，再通过五个卷积层和一个全连接层的网络，最后得到判断网络D的输出。
进一步地，所述的步骤(3)中，标定G模型生产的结构荷载信息图像中响应信息的方法具体为：根据颜色渐变条jet，将每一个位置的像素值转化为对应的荷载值。
本发明的有益效果是：
本发明应用深度学习最新算法条件生成对抗网络cGAN，通过数据驱动的方式实现了根据原位结构响应对服役期结构的荷载反演，将有效解决长期服役后的工程结构物因结构、材料状态不确定而荷载反演不准确的问题。同时，本发明基于计算图像处理方法，通过卷积提取结构响应信息中的特征并生成荷载信息，其反演荷载的速度远远快于传统方法中通过迭代求解控制方程的方式反演荷载。此外，本发明相较于传统的荷载反演方法，不会因为反演的荷载数量变多而计算量增加，可以直接反演出整个结构的荷载，因此更符合土木工程结构实时荷载反演的需求。本发明主要从反演精度及计算速度两方面，提高了土木工程结构的荷载反演效果。
附图说明
图1是条件生成对抗网络整体结构示意图；
图2是生成网络G网络结构图；
图3是判断网络D网络结构图；
图4是包含结构响应信息的样本图片；
图5是包含结构荷载信息的样本图片；
图6是输入结构响应信息后反演荷载的效果图，其中图6(a)是结构应变云图，图6(b)是深度学习反演的荷载结果，图6(c)是真实结构所受的荷载。
具体实施方式
下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种基于条件生成对抗网络的荷载反演方法，应用了深度学习领域中的最新算法条件生成对抗网络，条件生成对抗网络被证明能高效地处理图像并生成图像。本发明应用深度学习领域中最新算法，能根据原位监测数据对反演服役期间状态未知的结构进行高效的荷载反演。
具体步骤如下：
(1)首先通过有限元计算或现场实测得到不同荷载下结构的结构响应信息，并根据颜色渐变条jet将结构响应信息和荷载信息转化为对应的像素值并进行绘制成图片，并根据案例进行分类、整理、配对，建立样本库。
得到结构响应信息的方法具体为：
在不知道结构内部情况时，通过布设大量密集的应变片，测得不同荷载条件下的结构响应，通过插值法得到对应的结构响应信息；
在知道结构内部情况时，通过有限元计算得到不同荷载条件下的结构响应，得到对应的结构响应信息。
通过有限元计算得到3000组训练样本，如图4，图5所示，并通过薄板加载实验得到含100个应变信息的验证样本50组。根据颜色渐变条jet，将每一个位置的结构响应信息及加载情况转化为对应的像素值，并进行绘制成图片，并对图片进行归一化处理。
(2)基于条件生成对抗网络模型，通过样本库训练两个深度神经网络：生成网络G和判断网络D；生成对抗网络(GAN)由G和D两个深度神经网络构成。生成网络G用来根据结构响应信息生成荷载信息，判断网络D用来区分输入的荷载信息是来自生成网络G还是真实的荷载信息，所述的条件生成对抗网络以结构响应信息为条件。两个网的优化转化为一个博弈问题，利用一个极大极小目标函数来优化两个网络。其目标函数为：
Figure BDA0002348523820000041
其中，x来自数据库内的结构荷载图像，y表示包含结构响应信息的图像；V(D,G)表示博弈问题中的价值函数，即需要优化的目标函数；x～pdata(x)表示x服从数据库内结构荷载图像分布pdata，
Figure BDA0002348523820000042
表示在pdata分布下求期望；x～pz(z)表示x服从先验分布pz，pz为[-1,1]内的均匀分布，即z为[-1，1]内随机采样的向量，
Figure BDA0002348523820000043
表示在pz分布下求期望；D(x|y)表示输入x在结构响应信息控制参数y的条件下经过判断网络D的输出；G(z|y)表示输入向量z在结构响应信息控制参数y的条件下经过生成网络G的输出图像；D(G(z|y))表示G(z|y)经过判断网络D的输出。
采用的生成网络G是一个U型网络，包含Encode和Decode两部分，Encode部分是一个卷积神经网络，通过八个卷积层从结构响应信息的图片中提取出特征，Decode部分是一个反卷积神经网络，通过八个反卷积层将Encode部分提取出的特征生成出结构荷载信息的图片。
采用的判断网络D中，首先将结构响应信息的图片及生成的结构荷载信息图片拼接在一起，再通过五个卷积层和一个全连接层的网络，最后得到判断网络D的输出。
训练整体框架结构示意图，如图1所示，本发明设计的生成网络G和判断网络D分别如图2，图3所示。训练得到的生成网络G能够根据有结构响应信息生成结构荷载信息，判断网络D用来判断生成的结构荷载信息正确与否。
(3)将生成模型输出的荷载信息图像，并通过像素值标定其中的荷载值。标定G模型生产的结构荷载信息图像中荷载信息的方法具体为：根据颜色渐变条jet，将每一个位置的像素值转化为对应的荷载值。
(4)测试阶段，将现场测得的结构响应信息绘制成图像，输入步骤(2)中训练好的生成网络G，得到对应的荷载信息图像，并通过荷载信息图像中的像素值标定其中的荷载值：将实验得到50组验证样本绘制成图像，输入步骤(2)中训练好的生成网络G，输出对应的结构荷载信息图像，并通过像素值标定其中的荷载值，效果如图6所示。其中图6(a)是结构应变云图，图6(b)是深度学习反演的荷载结果，图6(c)是真实结构所受的荷载。深度学习反演的荷载值与真实荷载值的对应关系为79.1/81.1，271.2/264.3，402.3/397.1，157.5/155.6。从图中可知，深度学习反演出的荷载位置、荷载大小都与真实损伤信息十分接近，说明该方法具有较高的识别精度。
本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。

Claims (8)

1.一种基于条件生成对抗网络模型的工程结构荷载反演方法，其特征在于，包括以下步骤：
(1)首先通过有限元计算或现场实测得到不同荷载下结构的结构响应信息，根据颜色渐变条将结构响应信息及加载情况分别绘制成图像，并进行分类、整理、配对，建立样本库。
(2)基于条件生成对抗网络模型，通过样本库训练两个深度神经网络：生成网络G和判断网络D；
(3)将生成模型输出的荷载信息图像，并通过像素值标定其中的荷载值。
(4)测试阶段，将现场测得的结构响应信息绘制成图像，输入步骤2中训练好的生成网络G，得到对应的荷载信息图像，并通过荷载信息图像中的像素值标定其中的荷载值。
2.根据权利要求1所述的基于条件生成对抗网络模型的工程结构荷载反演方法，结构响应信息具体可以是：应力场、应变场、位移场、内力场。
3.根据权利要求1所述的基于条件生成对抗网络模型的工程结构荷载反演方法，其特征在于，所述的步骤(1)中，得到结构响应信息的方法具体为：
在不知道结构内部情况时，通过布设大量密集的应变片，测得不同荷载条件下的结构响应，通过插值法得到对应的完整结构响应信息；
在知道结构内部情况时，通过有限元计算得到不同荷载条件下的结构响应，得到对应的完整结构响应信息。
4.根据权利要求1所述的基于条件生成对抗网络模型的工程结构荷载反演方法，其特征在于，所述的步骤(1)中，根据颜色渐变条将其绘制成图像的方法具体为：根据颜色渐变条jet，将每一个位置的结构响应信息或荷载大小转化为对应的像素值，并进行绘制成图片。
5.根据权利要求1所述的基于条件生成对抗网络模型的工程结构荷载反演方法，其特征在于，所述的步骤(2)中，生成网络G用来根据结构响应信息反演结构荷载，判断网络D用来区分输入的荷载信息是来自生成网络G还是真实的荷载信息，所述的条件生成对抗网络以结构响应信息为条件，其目标函数为：
Figure FDA0002348523810000011
其中，x来自数据库内的结构荷载图像，y表示包含结构响应信息地图像；V(D,G)表示博弈问题中的价值函数，即需要优化的目标函数；x～pdata(x)表示x服从数据库内结构荷载图像分布pdata，
Figure FDA0002348523810000012
表示在pdata分布下求期望；x～pz(z)表示x服从先验分布pz，pz为[-1,1]内的均匀分布，即z为[-1，1]内随机采样的向量，
Figure FDA0002348523810000021
表示在pz分布下求期望；D(x|y)表示输入x在结构响应信息控制参数y的条件下经过判断网络D的输出；G(z|y)表示输入向量z在结构响应信息控制参数y的条件下经过生成网络G的输出图像；D(G(z|y))表示G(z|y)经过判断网络D的输出。
6.根据权利要求1所述的基于条件生成对抗网络模型的工程结构荷载反演方法，其特征在于，所述的步骤(2)中，采用的生成网络G是一个U型网络，包含Encode和Decode两部分，Encode部分是一个卷积神经网络，通过八个卷积层从结构响应信息的图片中提取出特征，Decode部分是一个反卷积神经网络，通过八个反卷积层将Encode部分提取出的特征生成出结构荷载信息的图片。
7.根据权利要求1所述的基于条件生成对抗网络模型的工程结构荷载反演方法，其特征在于，所述的步骤(2)中，采用的判断网络D中，首先将结构响应信息的图片及生成的结构荷载信息图片拼接在一起，再通过五个卷积层和一个全连接层的网络，最后得到判断网络D的输出。
8.根据权利要求1所述的基于条件生成对抗网络模型的工程结构荷载反演方法，其特征在于，所述的步骤(3)中，标定G模型生产的结构荷载信息图像中响应信息的方法具体为：根据颜色渐变条jet，将每一个位置的像素值转化为对应的结构荷载信息。
CN201911405538.XA 2019-12-30 2019-12-30 基于条件生成对抗网络模型的工程结构荷载反演方法 Active CN111241614B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911405538.XA CN111241614B (zh) 2019-12-30 2019-12-30 基于条件生成对抗网络模型的工程结构荷载反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911405538.XA CN111241614B (zh) 2019-12-30 2019-12-30 基于条件生成对抗网络模型的工程结构荷载反演方法

Publications (2)

Publication Number Publication Date
CN111241614A true CN111241614A (zh) 2020-06-05
CN111241614B CN111241614B (zh) 2022-08-23

Family

ID=70879476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911405538.XA Active CN111241614B (zh) 2019-12-30 2019-12-30 基于条件生成对抗网络模型的工程结构荷载反演方法

Country Status (1)

Country Link
CN (1) CN111241614B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112528562A (zh) * 2020-12-07 2021-03-19 北京理工大学 用于结构健康监测的智能触觉***和监测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292813A (zh) * 2017-05-17 2017-10-24 浙江大学 一种基于生成对抗网络的多姿态人脸生成方法
CN108171320A (zh) * 2017-12-06 2018-06-15 西安工业大学 一种基于生成式对抗网络的图像域转换网络和转换方法
US10049308B1 (en) * 2017-02-21 2018-08-14 A9.Com, Inc. Synthesizing training data
CN108959794A (zh) * 2018-07-13 2018-12-07 北京航空航天大学 一种基于深度学习的结构频响动力学模型修正方法
CN109559287A (zh) * 2018-11-20 2019-04-02 北京工业大学 一种基于DenseNet生成对抗网络的语义图像修复方法
CN109992827A (zh) * 2019-02-20 2019-07-09 深圳高速工程顾问有限公司 桥梁结构预警方法、装置、计算机设备和存储介质
CN110059384A (zh) * 2019-04-09 2019-07-26 同济大学 基于生成式对抗网络模拟人群跳跃荷载的方法
WO2019201178A1 (zh) * 2018-04-17 2019-10-24 江苏必得科技股份有限公司 基于Lamb波成像的列车部件裂纹损伤检测方法和***
WO2019237846A1 (zh) * 2018-06-11 2019-12-19 腾讯科技（深圳）有限公司 图像处理方法、人脸识别方法、装置和计算机设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10049308B1 (en) * 2017-02-21 2018-08-14 A9.Com, Inc. Synthesizing training data
CN107292813A (zh) * 2017-05-17 2017-10-24 浙江大学 一种基于生成对抗网络的多姿态人脸生成方法
CN108171320A (zh) * 2017-12-06 2018-06-15 西安工业大学 一种基于生成式对抗网络的图像域转换网络和转换方法
WO2019201178A1 (zh) * 2018-04-17 2019-10-24 江苏必得科技股份有限公司 基于Lamb波成像的列车部件裂纹损伤检测方法和***
WO2019237846A1 (zh) * 2018-06-11 2019-12-19 腾讯科技（深圳）有限公司 图像处理方法、人脸识别方法、装置和计算机设备
CN108959794A (zh) * 2018-07-13 2018-12-07 北京航空航天大学 一种基于深度学习的结构频响动力学模型修正方法
CN109559287A (zh) * 2018-11-20 2019-04-02 北京工业大学 一种基于DenseNet生成对抗网络的语义图像修复方法
CN109992827A (zh) * 2019-02-20 2019-07-09 深圳高速工程顾问有限公司 桥梁结构预警方法、装置、计算机设备和存储介质
CN110059384A (zh) * 2019-04-09 2019-07-26 同济大学 基于生成式对抗网络模拟人群跳跃荷载的方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
YI WANG 等: "Notice of Retraction: Moving train loads identification on simply supported bridge by using immune complex method", 《2010 INTERNATIONAL CONFERENCE ON COMPUTER APPLICATION AND SYSTEM MODELING (ICCASM 2010)》 *
周威 等: "含张力柔性管道的涡激振动计算方法", 《科技通报》 *
张可赞: "基于不同神经网络对已加固刚架拱桥静力有限元模型的参数识别及修正", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
淡丹辉 等: "基于神经计算的智能桥梁结构载荷识别", 《工程设计CAD与智能建筑》 *
白金泽 等: "基于神经网络方法的鸟撞飞机风挡冲击载荷反演", 《固体力学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112528562A (zh) * 2020-12-07 2021-03-19 北京理工大学 用于结构健康监测的智能触觉***和监测方法
CN112528562B (zh) * 2020-12-07 2022-11-15 北京理工大学 用于结构健康监测的智能触觉***和监测方法

Also Published As

Publication number Publication date
CN111241614B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN111209620B (zh) 含裂纹结构剩余承载力及裂纹扩展路径的预测方法
CN110780164B (zh) 基于yolo的绝缘子红外故障定位诊断方法及装置
WO2020232874A1 (zh) 基于迁移学习的建模方法、装置、计算机设备和存储介质
CN107832789B (zh) 基于平均影响值数据变换的特征加权k近邻故障诊断方法
CN115618269B (zh) 基于工业传感器生产的大数据分析方法及***
TWI683262B (zh) 工業影像檢測方法、系統與電腦可讀取記錄媒體
CN116089870A (zh) 基于元学习的小样本条件下工业设备故障预测方法及装置
CN111241614B (zh) 基于条件生成对抗网络模型的工程结构荷载反演方法
CN115310343A (zh) 样本数据库***、训练及检验打印参数的方法、计算机
CN113486580B (zh) 在役风电机组高精度数值建模方法、服务端及存储介质
CN111210409B (zh) 一种基于条件生成对抗网络的结构损伤识别方法
CN112565593B (zh) 一种针对空间调焦机构的动态可靠性分析方法
CN111241725B (zh) 基于条件生成对抗网络的结构响应重构方法
CN112712181A (zh) 模型构建优化方法、装置、设备和可读存储介质
CN117217020A (zh) 一种基于数字孪生的工业模型构建方法及***
CN111238927A (zh) 疲劳耐久性评测方法、装置、电子设备和计算机可读介质
CN109886923A (zh) 一种用于互联网检测中基于机器学习的测量检测***及办法
CN112818455B (zh) 一种桥梁结构响应监测方法及***
CN116030292A (zh) 基于改进ResNext的混凝土表面粗糙度检测方法
CN112836433B (zh) 高温合金晶粒尺寸识别模型的构建方法及尺寸识别方法
Li et al. A comprehensive framework for model validation and reliability assessment of container crane structures
CN108921278B (zh) 一种水表检定装置的台位差计算方法
CN113344915B (zh) 一种输电线路关键部件缺陷检测方法及***
Zhang Development and Experimental Validation of Dynamic Bayesian Networks for System Reliability Prediction
CN117128862B (zh) 一种汽车部件的扫描检测分析方法

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