CN112784336A - 一种基于深度学习lstm网络的桥梁静态位移预测技术 - Google Patents
一种基于深度学习lstm网络的桥梁静态位移预测技术 Download PDFInfo
- Publication number
- CN112784336A CN112784336A CN202011628545.9A CN202011628545A CN112784336A CN 112784336 A CN112784336 A CN 112784336A CN 202011628545 A CN202011628545 A CN 202011628545A CN 112784336 A CN112784336 A CN 112784336A
- Authority
- CN
- China
- Prior art keywords
- bridge
- data
- deflection
- deep learning
- lstm
- 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
- 230000003068 static effect Effects 0.000 title claims abstract description 20
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 17
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000005516 engineering process Methods 0.000 title claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000004044 response Effects 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 125000004122 cyclic group Chemical group 0.000 abstract description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于深度学习LSTM网络的桥梁静态位移预测技术，包括以下步骤：采集桥梁挠度静态响应监测数据；通过桥梁挠度数据进行预处理；建立LSTM神经网络进行训练；使用训练好的LSTM神经网络模型对桥梁挠度进行预测。上述技术方案基于深度学习人工智能算法LSTM RNN，长短期记忆循环神经网络，从桥梁的挠度监测数据中获得样本数据进行神经网络模型训练，从过去的桥梁挠度信息训练的神经网络模型进行对桥梁挠度预测，最终达到对桥梁挠度进行预测预警的目的，实现对桥梁工作性能的评估和结构安全的准确判断。
Description
技术领域
本发明涉及桥梁结构安全技术领域，尤其涉及一种基于深度学习LSTM网络的桥梁静态位移预测技术。
背景技术
桥梁静态位移是桥梁结构安全监测的重要监测内容，桥梁挠度的变化最能直接反映出桥梁整体的竖向刚度、承载能力的变化。对桥梁结构变形趋势的预测，能够有助于桥梁工作性能评估和结构安全的预警。
有资料显示，常用的预测模型都存在某方面的缺陷，不能较好的满足精度要求，必然会引起误差偏大，而导致预测结果不可信。目前，桥梁挠度的监测数据由于环境干扰的异常值较多，对预测结果会产生较大影响，最终会导致预测结果与实际情况差别较大。
中国专利文献CN102635059B公开了一种“桥梁勘察方法”。采用了以下步骤：1)获取三维地面、地质数据，生成DGSM；2)生成DGESM；3)生成DBSM；4)形成桥梁全局三维实体曲面模型；5)对桥梁全局三维实体曲面模型进行桥梁构造物实体力学分析，进行路线线形方案和桥梁方案选择；6)建立地质实体截面预测模型，优化路线、桥梁方案；7)由桥梁全局三维实体曲面模型生成桥梁构造物的三维钢筋图；8)生成桥梁上部、桥梁下部结构的构造图；9)生成分施工阶段的桥梁下部、上部构造物实体；10)建成后的三维桥梁实体模型，与建成之前的桥梁全局三维实体曲面模型做比较，得到位移、沉降、变形等参数，进行桥梁检测。上述技术方案仅对桥梁现状进行勘察，缺乏对桥梁的预测，难以满足对桥梁安全的预期判断。
发明内容
本发明主要解决原有的技术方案受环境干扰的异常值较多，预测结果偏差较大的技术问题，提供一种基于深度学习LSTM网络的桥梁静态位移预测技术，基于深度学习人工智能算法LSTM RNN，长短期记忆循环神经网络，从桥梁的挠度监测数据中获得样本数据进行神经网络模型训练，从过去的桥梁挠度信息训练的神经网络模型进行对桥梁挠度预测，最终达到对桥梁挠度进行预测预警的目的，实现对桥梁工作性能的评估和结构安全的准确判断。
本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：
(1)采集桥梁挠度静态响应监测数据；
(2)通过桥梁挠度数据进行预处理；
(3)建立LSTM神经网络进行训练；
(4)使用训练好的LSTM神经网络模型对桥梁挠度进行预测。
作为优选，所述的步骤2的预处理采用零均值归一化方法，具体公式如下：
其中，x′i为第i个时刻归一化的预测数据；xi为第i个时刻的预测数据，σ为数据标准差，u为数据平均值。
作为优选，所述的步骤3中的LSTM神经网络为改进的RNN网络，通过增加输入门、输出门、遗忘门和单元状态，改变自循环的权重参数。模型参数固定的情况下，可以有效地避免梯度“消失”或者“***”的问题。其中，输入门和输出门控制信息流的流入和流出，遗忘门用来选择上一时刻的单元状态有多少保存到这一时刻
作为优选，所述的遗忘门的输出ft由上一时刻的隐藏层状态ht-1和当前时刻的输入xt共同决定：
ft＝σ(Wfht-1+Ufxt+bf)
其中，Wf、Uf和bf为遗忘门相关的权重和偏置矩阵，σ为sigmod函数。
作为优选，所述的输入门控制当前时刻的输入，由两部分组成：
it＝σ(Wiht-1+Uixt+bi)
at＝tanh(Waht-1+Uaxt+ba)
其中，Wi、Wa、Ui、Ua、bi和ba为输入门相关的权重和偏置矩阵。
作为优选，在t时刻LSTM网络向前传播隐藏层的状态ht和单元状态Ct，单元状态Ct的更新由输入门和遗忘门两部分结果组成：
Ct＝Ct-1⊙ft+it⊙at
其中，⊙为哈达玛积。
作为优选，所述的LSTM神经网络中输入门的输出为：
ot＝σ(Woht-1+Uoxt+bo)
隐藏层ht的更新为：
ht＝ot⊙tanh(Ct)。
作为优选，所述的步骤4输入数据得出预测的经过预处理的数据，对数据进行反归一化得到预测的桥梁挠度数据，从而预测桥梁静态位移。
本发明的有益效果是：基于深度学习人工智能算法LSTM RNN，长短期记忆循环神经网络，从桥梁的挠度监测数据中获得样本数据进行神经网络模型训练，从过去的桥梁挠度信息训练的神经网络模型进行对桥梁挠度预测，最终达到对桥梁挠度进行预测预警的目的，实现对桥梁工作性能的评估和结构安全的准确判断。
附图说明
图1是本发明的一种流程图。
图2是本发明的一种LSTM神经网络结构图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：本实施例的一种基于深度学习LSTM网络的桥梁静态位移预测技术，如图1所示，包括以下步骤：
(1)采集桥梁挠度静态响应监测数据；
(2)通过桥梁挠度数据进行预处理；
(3)建立LSTM神经网络进行训练；
(4)使用训练好的LSTM神经网络模型对桥梁挠度进行预测。
步骤2中的桥梁挠度数据进行预处理，是通过零均值归一化方法对其进行预处理。具体公式如下。
式中：x′i为第i个时刻归一化的预测数据；xi为第i个时刻的预测数据，σ为数据标准差，u为数据平均值。
步骤3中的LSTM神经网络，是改进之后的RNN网络，通过增加输入门、输出门、遗忘门和单元状态(cell state)，改变自循环的权重参数，在模型参数固定的情况下，可以有效地避免梯度“消失”或者“***”的问题。其中，输入门和输出门控制信息流的流入和流出，遗忘门用来选择上一时刻的单元状态有多少保存到这一时刻。LSTM的网络结构如图2所示。
其传播过程与传统的RNN网络相比，在t时刻LSTM网络向前传播的除了隐藏层的状态ht，还多了单元状态Ct。遗忘门的作用是以一定的概率矩阵控制上一时刻的隐藏层状态。遗忘门的输出ft由上一时刻的隐藏层状态ht-1和当前时刻的输入xt共同决定：
ft＝σ(Wfht-1+Ufxt+bf)
其中，Wf、Uf和bf为遗忘门相关的权重和偏置矩阵，σ为sigmod函数。输入门的作用是控制当前时刻的输入。由两部分组成：
it＝σ(Wiht-1+Uixt+bi)
at＝tanh(Waht-1+Uaxt+ba)
其中，Wi、Wa、Ui、Ua、bi和ba为输入门相关的权重和偏置矩阵。LSTM中单元状态Ct的更新由输入门和遗忘门两部分结果组成：
Ct＝Ct-1⊙ft+it⊙at
其中，⊙为哈达玛积。
最后，LSTM中输入门的输出为：
ot＝σ(Woht-1+Uoxt+bo)
隐藏层ht的更新为：
ht＝ot⊙tanh(Ct)
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了桥梁挠度、LSTM神经网络等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。
Claims (8)
1.一种基于深度学习LSTM网络的桥梁静态位移预测技术，其特征在于，包括以下步骤：
(1)采集桥梁挠度静态响应监测数据；
(2)通过桥梁挠度数据进行预处理；
(3)建立LSTM神经网络进行训练；
(4)使用训练好的LSTM神经网络模型对桥梁挠度进行预测。
2.根据权利要求1所述的一种基于深度学习LSTM网络的桥梁静态位移预测技术，其特征在于，所述步骤2的预处理采用零均值归一化方法，具体公式如下：
其中，x′i为第i个时刻归一化的预测数据；xi为第i个时刻的预测数据，σ为数据标准差，u为数据平均值。
3.根据权利要求1所述的一种基于深度学习LSTM网络的桥梁静态位移预测技术，其特征在于，所述步骤3中的LSTM神经网络为改进的RNN网络，通过增加输入门、输出门、遗忘门和单元状态，改变自循环的权重参数。
4.根据权利要求3所述的一种基于深度学习LSTM网络的桥梁静态位移预测技术，其特征在于，所述遗忘门的输出ft由上一时刻的隐藏层状态ht-1和当前时刻的输入xt共同决定：
ft＝σ(Wfht-1+Ufxt+bf)
其中，Wf、Uf和bf为遗忘门相关的权重和偏置矩阵，σ为sigmod函数。
5.根据权利要求3所述的一种基于深度学习LSTM网络的桥梁静态位移预测技术，其特征在于，所述输入门控制当前时刻的输入，由两部分组成：
it＝σ(Wiht-1+Uixt+bi)
at＝tanh(Waht-1+Uaxt+ba)
其中，Wi、Wa、Ui、Ua、bi和ba为输入门相关的权重和偏置矩阵。
6.根据权利要求3所述的一种基于深度学习LSTM网络的桥梁静态位移预测技术，其特征在于，在t时刻LSTM网络向前传播隐藏层的状态ht和单元状态Ct，单元状态Ct的更新由输入门和遗忘门两部分结果组成：
Ct＝Ct-1⊙ft+it⊙at
其中，⊙为哈达玛积。
7.根据权利要求6所述的一种基于深度学习LSTM网络的桥梁静态位移预测技术，其特征在于，所述LSTM神经网络中输入门的输出为：
ot＝σ(Woht-1+Uoxt+bo)
隐藏层ht的更新为：
ht＝ot⊙tanh(Ct)。
8.根据权利要求2所述的一种基于深度学习LSTM网络的桥梁静态位移预测技术，其特征在于，所述步骤4输入数据得出预测的经过预处理的数据，对数据进行反归一化得到预测的桥梁挠度数据，从而预测桥梁静态位移。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011628545.9A CN112784336A (zh) | 2020-12-31 | 2020-12-31 | 一种基于深度学习lstm网络的桥梁静态位移预测技术 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011628545.9A CN112784336A (zh) | 2020-12-31 | 2020-12-31 | 一种基于深度学习lstm网络的桥梁静态位移预测技术 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112784336A true CN112784336A (zh) | 2021-05-11 |
Family
ID=75754607
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011628545.9A Pending CN112784336A (zh) | 2020-12-31 | 2020-12-31 | 一种基于深度学习lstm网络的桥梁静态位移预测技术 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112784336A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113656859A (zh) * | 2021-07-05 | 2021-11-16 | 哈尔滨工业大学 | 一种基于深度学习的不同外形桥梁自激振动预测建模方法 |
| 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 |
| CN114548375A (zh) * | 2022-02-23 | 2022-05-27 | 合肥工业大学 | 基于双向长短期记忆神经网络的斜拉桥主梁动挠度监测方法 |
| CN114741976A (zh) * | 2022-06-13 | 2022-07-12 | 西南交通大学 | 一种位移预测方法、装置、设备及可读存储介质 |
| CN115114842A (zh) * | 2022-04-27 | 2022-09-27 | 中国水利水电科学研究院 | 一种基于小样本迁移学习算法的暴雨内涝事件预测方法 |
| CN115392142A (zh) * | 2022-10-31 | 2022-11-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 沿海环境简支梁弹性模量预测方法、电子设备及存储介质 |
| CN116011125A (zh) * | 2023-03-23 | 2023-04-25 | 成都理工大学 | 一种不确定车桥耦合***响应预测的方法 |
| CN116046303A (zh) * | 2023-03-30 | 2023-05-02 | 辽宁省交通规划设计院有限责任公司 | 一种挠度智能检测***、方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018000561A1 (zh) * | 2016-06-30 | 2018-01-04 | 东南大学 | 一种基于冲击振动的桥梁检测评估方法与设备 |
| CN110470259A (zh) * | 2019-07-09 | 2019-11-19 | 西安工程大学 | 基于lstm的滑坡位移动态预测方法 |
| CN110598958A (zh) * | 2019-10-10 | 2019-12-20 | 武汉科技大学 | 一种钢包分级管理分析方法及*** |
-
2020
- 2020-12-31 CN CN202011628545.9A patent/CN112784336A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018000561A1 (zh) * | 2016-06-30 | 2018-01-04 | 东南大学 | 一种基于冲击振动的桥梁检测评估方法与设备 |
| CN110470259A (zh) * | 2019-07-09 | 2019-11-19 | 西安工程大学 | 基于lstm的滑坡位移动态预测方法 |
| CN110598958A (zh) * | 2019-10-10 | 2019-12-20 | 武汉科技大学 | 一种钢包分级管理分析方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| 甘文娟;陈永红;韩静;王亚飞;: "基于正交参数优化的LSTM结构变形预测模型", 计算机***应用, no. 09, 15 September 2020 (2020-09-15), pages 212 - 218 * |
| 郭挺;严万双;: "BP神经网络在连续梁桥线型控制中的应用", 工程与建设, no. 03, 15 June 2020 (2020-06-15), pages 560 - 562 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113656859A (zh) * | 2021-07-05 | 2021-11-16 | 哈尔滨工业大学 | 一种基于深度学习的不同外形桥梁自激振动预测建模方法 |
| 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 |
| CN113836783B (zh) * | 2021-07-16 | 2022-11-18 | 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 |
| CN114548375A (zh) * | 2022-02-23 | 2022-05-27 | 合肥工业大学 | 基于双向长短期记忆神经网络的斜拉桥主梁动挠度监测方法 |
| CN114548375B (zh) * | 2022-02-23 | 2024-02-13 | 合肥工业大学 | 基于双向长短期记忆神经网络的斜拉桥主梁动挠度监测方法 |
| CN115114842A (zh) * | 2022-04-27 | 2022-09-27 | 中国水利水电科学研究院 | 一种基于小样本迁移学习算法的暴雨内涝事件预测方法 |
| CN114741976A (zh) * | 2022-06-13 | 2022-07-12 | 西南交通大学 | 一种位移预测方法、装置、设备及可读存储介质 |
| CN114741976B (zh) * | 2022-06-13 | 2022-09-23 | 西南交通大学 | 一种位移预测方法、装置、设备及可读存储介质 |
| CN115392142A (zh) * | 2022-10-31 | 2022-11-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 沿海环境简支梁弹性模量预测方法、电子设备及存储介质 |
| CN116011125A (zh) * | 2023-03-23 | 2023-04-25 | 成都理工大学 | 一种不确定车桥耦合***响应预测的方法 |
| CN116011125B (zh) * | 2023-03-23 | 2023-06-06 | 成都理工大学 | 一种不确定车桥耦合***响应预测的方法 |
| CN116046303A (zh) * | 2023-03-30 | 2023-05-02 | 辽宁省交通规划设计院有限责任公司 | 一种挠度智能检测***、方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112784336A (zh) | 一种基于深度学习lstm网络的桥梁静态位移预测技术 | |
| CN113378939B (zh) | 基于物理驱动神经网络的结构数字孪生建模与参数识别法 | |
| Luo et al. | A deep learning prediction model for structural deformation based on temporal convolutional networks | |
| CN112182954B (zh) | 一种基于lstm的流体仿真数据预测模型 | |
| CN111723523B (zh) | 一种基于级联神经网络的河口余水位预测方法 | |
| CN112000015A (zh) | 一种基于lstm和生物激励神经网络的重型燃机控制***控制器模块智能bit设计方法 | |
| Asadi et al. | Development of optimal fuzzy models for predicting the strength of intact rocks | |
| US20040019469A1 (en) | Method of generating a multifidelity model of a system | |
| CN116451556A (zh) | 一种混凝土坝变形观测量统计模型构建方法 | |
| CN113328908A (zh) | 异常数据的检测方法、装置、计算机设备和存储介质 | |
| CN114548482A (zh) | 一种基于蠕变型滑坡动能变化率临滑预警方法 | |
| CN114692963A (zh) | 一种基于长短期记忆神经网络的滑坡位移预测方法 | |
| Aloisio et al. | Damage classification after the 2009 L’Aquila earthquake using multinomial logistic regression and neural networks | |
| Zhang et al. | Seismic response prediction of a damped structure based on data-driven machine learning methods | |
| CN117932516A (zh) | 一种基于改进耳廓狐算法的lstm滑坡位移预测方法 | |
| CN113408190A (zh) | 基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法 | |
| Zhao et al. | Determining geomechanical parameters and a deformation uncertainty analysis of the Longtan Hydropower Station slope, China | |
| Jafari | System identification of a soil tunnel based on a hybrid artificial neural network–numerical model approach | |
| CN116628444A (zh) | 一种基于改进元学习的水质预警方法 | |
| CN115563475A (zh) | 一种挖掘机液压***的压力软传感器 | |
| CN116303786A (zh) | 一种基于多维数据融合算法的区块链金融大数据管理*** | |
| Xu et al. | Dam settlement prediction based on random error extraction and multi-input LSTM network | |
| CN115544891A (zh) | 一种承压原始导高带高度的预测方法及*** | |
| CN115221520A (zh) | 一种基于开集识别的工控网络未知攻击检测方法 | |
| CN108960406B (zh) | 一种基于bfo小波神经网络的mems陀螺随机误差预测方法 |
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 |