CN113255151B - 基于复合神经网络的隧道施工变形预测方法及*** - Google Patents
基于复合神经网络的隧道施工变形预测方法及*** Download PDFInfo
- Publication number
- CN113255151B CN113255151B CN202110639207.3A CN202110639207A CN113255151B CN 113255151 B CN113255151 B CN 113255151B CN 202110639207 A CN202110639207 A CN 202110639207A CN 113255151 B CN113255151 B CN 113255151B
- Authority
- CN
- China
- Prior art keywords
- tunnel
- deformation
- tunnel construction
- neural network
- state information
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 239000002131 composite material Substances 0.000 title claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 41
- 230000015654 memory Effects 0.000 claims abstract description 32
- 238000012937 correction Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 21
- 238000012544 monitoring process Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 238000009412 basement excavation Methods 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- 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
-
- 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
- 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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Architecture (AREA)
- Computational Mathematics (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明公开的一种基于复合神经网络的隧道施工变形预测方法及***,它主要基于三种神经网络来保证预测结果的可靠性和精度,即卷积神经网络(CNN)、长短期记忆网络(LSTM)与多层感知机(MLP)。卷积神经网络(CNN)能识别与输出隧道施工的状态信息,长短期记忆网络(LSTM)能结合现有的检测数据对隧道变形值进行预测,多层感知机(MLP)能将隧道内施工状态信息与隧道施工变形预测值进行组合修正,综合三种神经网络来对隧道变形进行精准预测,满足实际工程中的安全需求。
Description
技术领域
本发明用于城市地下大空间隧道变形监测技术领域,具体涉及一种基于复合神经网络的隧道施工变形预测方法及***。
背景技术
近年来,城市地下工程建设中的大空间工程数量和规模正迅速增长,隧道作为地下大空间的重要组成部分,一旦变形过大引起塌方等事故,不仅会对邻近建筑物和地下管线的安全产生连锁反应,而且会对人们的日常出行造成巨大影响。因此,对隧道的变形进行高效准确的监控预测,提早发现问题再采取有效的控制措施能对整个城市生态环境尤其是交通安全提供重要保障。
目前,基于卷积神经网络的变形预测方法已经成为检测领域的热门,这些方法广泛应用于光线较好的土建工程中,如桥梁变形,路面沉降等。然而在隧道施工中,环境过于复杂,光线过于昏暗,检测目标不明显等问题突出,仅基于图像处理的方法容易受噪声干扰,很难挖掘全面复杂环境下检测目标的所有信息,导致检测结果精度较低。
发明内容
针对现有技术中存在的问题,本发明提供一种基于复合神经网络的隧道施工变形预测方法及***,综合卷积神经网络(CNN)、多层感知机(MLP)与长短期记忆网络(LSTM),建立了城市地下大空间中隧道施工状态信息处理方法和变形预测机制,对隧道的变形进行精准预测,满足实际工程中的安全需求。
本发明是通过以下技术方案来实现:
一种基于复合神经网络的隧道施工变形预测方法,包括以下步骤:
步骤1,采用卷积神经网络对获取的隧道施工状态图像进行分析,得到隧道施工状态信息;
步骤2,基于长短期记忆网络对1~t时刻的隧道变形监测数据进行分析,得到隧道t~t+n时刻的预测变形值;
步骤3、将步骤1输出的t时刻的隧道施工状态信息输入至多层感知机,多层感知机对步骤2长短期记忆网络输出的t~t+n时刻隧道变形值进行修正,得到t~t+n时刻修正后的隧道变形值。
优选的,步骤1中获取隧道施工状态信息的方法如下:
建立隧道施工状态的图像数据样本集,建卷积神经网络并采用图像数据样本集进行训练,将隧道施工的图像作为训练后的卷积神经网络的输入,卷积神经网络输出隧道施工状态信息。
优选的,所述卷积神经网络包括输入层、卷积层、池化层、激活函数以及全连接层,全连接层后使用softmax分类器,对卷积特征进行分类,激活函数选择ReLU函数。
优选的,所述隧道施工状态信息包括隧道未开挖状态、掌子面开挖状态、喷混施工状态和二衬浇筑状态。
优选的,步骤2中得到隧道t~t+n时刻的预测变形值的具体方法如下:
获取隧道施工起始时刻至t时刻的隧道施工变形数据作为隧道施工变形数据样本;
构建长短期记忆网络并采用隧道施工变形数据样本进行训练,直至长短期记忆网络的平均相对误差和相关系数满足设定要求后,得到训练好的长短期记忆网络;
将1~t时刻的隧道变形监测数据输入至训练后的长短期记忆网络,其输出t~t+n时刻的隧道预测变形值。
优选的,步骤3中多层感知机的训练方法如下:
获取隧道的施工状态信息以及对应状态的变形监测数据,对多层感知机的最大训练次数、学习误差、学习速率、隐藏函数进行初始化设置,将t时刻的隧道施工状态信息和t~t+n时刻的隧道施工变形预测值作为多层感知机的输入层,训练后的多层感知机输出最终变形预测值。
一种基于复合神经网络的隧道施工变形预测方法的***,包括,
卷积神经网络模块,用于对获取的隧道施工状态图像进行分析,得到隧道施工状态信息;
长短期记忆网络模块,用于对1~t时刻的隧道变形监测数据进行分析,得到隧道t~t+n时刻的预测变形值;
多层感知机模块,用于根据步骤1输出的施工状态信息,对步骤2输出的t~t+n时刻隧道变形值进行修正,得到t~t+n时刻修正后的隧道变形值。
一种终端***,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现基于复合神经网络的隧道施工变形预测方法的步骤。
与现有技术相比,本发明具有以下有益的技术效果:
一种基于复合神经网络的隧道施工变形预测方法,它主要基于三种神经网络来保证预测结果的可靠性和精度,即卷积神经网络(CNN)、长短期记忆网络(LSTM)与多层感知机(MLP)。与传统卷积神经网络(CNN)相比,增加了卷积核的数量确保精度,相较于传统长短期记忆网络(LSTM)和多层感知机(MLP)仅用隧道监测数据进行预测,本方法在传统LSTM模型和MLP模型的输入层增加了CNN模型钟隧道施工状态信息值,能将隧道内施工状态信息与隧道施工变形预测值进行组合修正,综合三种神经网络来对隧道变形进行精准预测,满足实际工程中的安全需求。
附图说明
图1为本发明基于复合神经网络的隧道施工变形预测方法流程图。
图2为本发明实施例中卷积神经网络的结构图。
图3为本发明施例中长短期记忆网络的结构图。
图4为本发明施例中多层感知机的结构图。
图中:1 3×3卷积层,2池化层,3激活函数,4inception模块,5 7×7卷积层,6线性全连接层,7分类器,8隧道变形监测数据,9输入层,10LSTM模型单元,11输出层,12施工变形预测值,13MLP输入层,15施工状态信息,16MLP隐藏层,17最终变形预测值。
具体实施方式
下面结合附图对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
参阅图1-4,一种基于复合神经网络的隧道施工变形预测方法,包括以下步骤:
步骤1,利用卷积神经网络(CNN)对获取的隧道施工状态信息进行处理,得到现有隧道施工状态信息,包括以下步骤:
S101:采集隧道施工状态的影像资料,建立隧道施工状态的图像数据样本集。
S102:基于获取的隧道施工状态的图像数据样本集,将图像数据样本集处理成统一的标准尺寸210×210,并以9:1的比例把样本分为训练集以及测试集。
隧道施工状态分为:未开挖状态、掌子面开挖状态、喷混施工状态和二衬浇筑状态。
S103:基于GoogLeNet模型的inception模块4构建卷积神经网络(CNN),包括输入层、卷积层、池化层2、激活函数3以及全连接层6;卷积层尺寸选择为3×3卷积层1和7×7卷积层5,池化层尺寸选择为2×2,激活函数选择ReLU函数,最后一层使用softmax分类器7,对卷积特征进行分类。
S104:基于深度学习框架Tensorflow中的Keras库,采用图像数据样本集中的训练集来对卷积神经网络进行训练,再采用测试集对训练的卷积神经网络进行验证,调整卷积层和池化层参数,直至训练后的卷积神经网络的准确度达规范预定精度后停止训练。
S105:训练好的卷积神经网络(CNN)用于隧道施工状态信息处理,将隧道的施工图像作为卷积神经网络的输入,卷积神经网络输出隧道施工状态信息。
步骤2,基于长短期记忆网络(LSTM)对1~t时刻的隧道变形监测数据8进行分析,得到隧道t~t+n时刻的预测变形值。具体包括以下步骤:
S201:使用应变计对隧道进行自动化监测,得到起始时刻至现在t时刻的隧道施工变形数据样本,并按9:1的比例分为训练样本以及测试样本。
S202:基于深度学***均相对误差(MRE)和相关系数(R2)满足规范精度要求后停止训练,得到训练好的长短期记忆网络。
S203:将训练好的长短期记忆网络(LSTM)用于隧道施工变形预测,输出隧道施工变形预测值12。
步骤3、将步骤1输出的t时刻的隧道施工状态信息输入至多层感知机,多层感知机对步骤2长短期记忆网络输出的t~t+n时刻隧道变形值进行修正,得到t~t+n时刻修正后的隧道变形值,包括以下步骤:
S301:将隧道施工状态信息数据与变形数据作为隧道施工变形综合数据样本,并按9:1的比例分为训练样本及测试样本,将t时刻的隧道施工状态信息和t~t+n时刻的隧道施工变形预测值作为输入层,同时对其进行归一化处理。
S302:基于深度学习框架Tensorflow中的Keras库搭建多层感知机(MLP),包括MLP输入层13、MLP隐藏层16以及MLP输出层;对神经网络最大训练次数、学习误差、学习速率、隐藏函数等进行初始化设置。
S303:输入训练样本数据对多层感知机进行训练,将训练好的多层感知机(MLP)用于测试样本,直至平均相对误差(MRE)和相关系数(R2)满足规范精度要求后停止训练。
S304、将步骤1卷积神经网络输出的t时刻隧道施工状态信息15,以及步骤2长短期记忆网络输出的t~t+n时刻隧道变形值输入至多层感知机,多层感知机输出t~t+n隧道施工最终变形预测值17。
一种复合神经网络的隧道施工变形预测方法的***,包括卷积神经网络模块、长短期记忆网络模块和多层感知机模块;
卷积神经网络模块,用于对获取的隧道施工状态图像进行分析,得到隧道施工状态信息;
长短期记忆网络模块,用于对1~t时刻的隧道变形监测数据进行分析,得到隧道t~t+n时刻的预测变形值;
多层感知机模块,用于根据步骤1输出的施工状态信息,对步骤2输出的t~t+n时刻隧道变形值进行修正,得到t~t+n时刻修正后的隧道变形值。
本发明将训练好的卷积神经网络(CNN)、长短期记忆网络(LSTM)和多层感知机(MLP)复合神经网络模型用于隧道施工变形综合预测,对输出结果采用反归一化和网络预测方法,输出隧道施工最终变形预测值。建立了城市地下大空间中隧道施工状态信息处理方法和变形预测机制,对隧道的变形进行精准预测,满足实际工程中的安全需求。
在示例性实施例中,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述基于复合神经网络的隧道施工变形预测方法的步骤。其中,所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
在示例性实施例中,还提供了一种纠终端***,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述基于复合神经网络的隧道施工变形预测方法的步骤。处理器可能是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (7)
1.一种基于复合神经网络的隧道施工变形预测方法,其特征在于,包括以下步骤:
步骤1,采用卷积神经网络对获取的隧道施工状态图像进行分析,得到隧道施工状态信息;
步骤2,基于长短期记忆网络对1~t时刻的隧道变形监测数据进行分析,得到隧道t~t+n时刻的预测变形值;
所述得到隧道t~t+n时刻的预测变形值的具体方法如下:
获取隧道施工起始时刻至t时刻的隧道施工变形数据作为隧道施工变形数据样本;
构建长短期记忆网络并采用隧道施工变形数据样本进行训练,直至长短期记忆网络的平均相对误差和相关系数满足设定要求后,得到训练好的长短期记忆网络;
将1~t时刻的隧道变形监测数据输入至训练后的长短期记忆网络,其输出t~t+n时刻的隧道预测变形值;
步骤3、将步骤1输出的t时刻的隧道施工状态信息输入至多层感知机,多层感知机对步骤2长短期记忆网络输出的t~t+n时刻隧道变形值进行修正,得到t~t+n时刻修正后的隧道变形值。
2.根据权利要求1所述的一种基于复合神经网络的隧道施工变形预测方法,其特征在于,步骤1中获取隧道施工状态信息的方法如下:
建立隧道施工状态的图像数据样本集,建卷积神经网络并采用图像数据样本集进行训练,将隧道施工的图像作为训练后的卷积神经网络的输入,卷积神经网络输出隧道施工状态信息。
3.根据权利要求2所述的一种基于复合神经网络的隧道施工变形预测方法,其特征在于,所述卷积神经网络包括输入层、卷积层、池化层、激活函数以及全连接层,全连接层后使用softmax分类器,对卷积特征进行分类,激活函数选择ReLU函数。
4.根据权利要求2所述的一种基于复合神经网络的隧道施工变形预测方法,其特征在于,所述隧道施工状态信息包括隧道未开挖状态、掌子面开挖状态、喷混施工状态和二衬浇筑状态。
5.根据权利要求1所述的一种基于复合神经网络的隧道施工变形预测方法,其特征在于,步骤3中多层感知机的训练方法如下:
获取隧道的施工状态信息以及对应状态的变形监测数据,对多层感知机的最大训练次数、学习误差、学习速率、隐藏函数进行初始化设置,将t时刻的隧道施工状态信息和t~t+n时刻的隧道施工变形预测值作为多层感知机的输入层,训练后的多层感知机输出最终变形预测值。
6.一种权利要求1-5任一项所述的基于复合神经网络的隧道施工变形预测方法的***,其特征在于,包括,
卷积神经网络模块,用于对获取的隧道施工状态图像进行分析,得到隧道施工状态信息;
长短期记忆网络模块,用于对1~t时刻的隧道变形监测数据进行分析,得到隧道t~t+n时刻的预测变形值;
多层感知机模块,用于根据步骤1输出的施工状态信息,对步骤2输出的t~t+n时刻隧道变形值进行修正,得到t~t+n时刻修正后的隧道变形值。
7.一种终端***,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110639207.3A CN113255151B (zh) | 2021-06-08 | 2021-06-08 | 基于复合神经网络的隧道施工变形预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110639207.3A CN113255151B (zh) | 2021-06-08 | 2021-06-08 | 基于复合神经网络的隧道施工变形预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255151A CN113255151A (zh) | 2021-08-13 |
CN113255151B true CN113255151B (zh) | 2024-03-12 |
Family
ID=77187069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110639207.3A Active CN113255151B (zh) | 2021-06-08 | 2021-06-08 | 基于复合神经网络的隧道施工变形预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255151B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117238420A (zh) * | 2023-11-14 | 2023-12-15 | 太原理工大学 | 一种极薄带力学性能预测方法及装置 |
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*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006266866A (ja) * | 2005-03-24 | 2006-10-05 | Chikyu Kagaku Sogo Kenkyusho:Kk | 地中内観測システムおよび地中内観測方法 |
CN102678178A (zh) * | 2012-04-27 | 2012-09-19 | 华中科技大学 | 一种隧道联络通道冻结施工安全预警分析仪及其工作方法 |
CN107858883A (zh) * | 2017-11-29 | 2018-03-30 | 北京交通大学 | 一种轨道***安全状态综合监测及智能分析方法 |
CN207552827U (zh) * | 2017-11-29 | 2018-06-29 | 北京交通大学 | 一种轨道***安全状态综合监测及智能分析*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050192727A1 (en) * | 1994-05-09 | 2005-09-01 | Automotive Technologies International Inc. | Sensor Assemblies |
-
2021
- 2021-06-08 CN CN202110639207.3A patent/CN113255151B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006266866A (ja) * | 2005-03-24 | 2006-10-05 | Chikyu Kagaku Sogo Kenkyusho:Kk | 地中内観測システムおよび地中内観測方法 |
CN102678178A (zh) * | 2012-04-27 | 2012-09-19 | 华中科技大学 | 一种隧道联络通道冻结施工安全预警分析仪及其工作方法 |
CN107858883A (zh) * | 2017-11-29 | 2018-03-30 | 北京交通大学 | 一种轨道***安全状态综合监测及智能分析方法 |
CN207552827U (zh) * | 2017-11-29 | 2018-06-29 | 北京交通大学 | 一种轨道***安全状态综合监测及智能分析*** |
Non-Patent Citations (5)
Title |
---|
LSTM网络在地铁隧道沉降预测中的应用研究;曾学宏;赵义花;;甘肃科学学报(06);全文 * |
光纤光栅传感器的铁路隧道围岩变形实时识别;朱铁栓;;激光杂志(04);全文 * |
基于物联网技术的隧道自动化变形监测***设计;黄富禹;刘春;;科学技术创新(26);全文 * |
基于遗传算法-BP神经网络的深基坑变形预测;李彦杰;薛亚东;岳磊;陈斌;;地下空间与工程学报(S2);全文 * |
基于重标极差法和神经网络的隧道变形趋势判断;任庆国;;人民长江(16);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113255151A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255151B (zh) | 基于复合神经网络的隧道施工变形预测方法及*** | |
US8694292B2 (en) | Method and system for estimating building performance | |
CA2390895C (en) | Data sensor validation system and method | |
US10229369B2 (en) | Creating predictive damage models by transductive transfer learning | |
CN105095617A (zh) | 构建对象的目标运动轨迹的缺失部分的方法和设备 | |
US11603740B2 (en) | Method for real-time interpretation of pressure transient test | |
CN112257263B (zh) | 基于自注意力机制的设备剩余寿命预测*** | |
CN113516820B (zh) | 一种火灾预警方法和预警*** | |
US20220221826A1 (en) | System and method for managing wellsite event detection | |
CN115184993A (zh) | 基于多层主动传递熵的微震数据的分析与判识方法 | |
CN104142628A (zh) | 空间辐射环境可靠性指标的设计方法 | |
CN103593587A (zh) | 基于组件式带假结长链rna二级结构的识别方法及装置 | |
KR102557151B1 (ko) | 시계열 데이터의 품질을 개선하는 장치 및 방법 | |
US10778774B2 (en) | Method and apparatus for managing urban infrastructures using internet of things | |
WO2015039693A1 (en) | Method and system for data quality assessment | |
CN112561171B (zh) | 一种滑坡的预测方法、装置、设备及存储介质 | |
CN113917263B (zh) | 一种基于预测数据的异常能耗二次监测的方法及*** | |
Zhu et al. | An optimized long short-term memory (LSTM)-based approach applied to early warning and forecasting of ponding in the urban drainage system | |
KR102520158B1 (ko) | IoT를 이용한 도시 인프라 관리 방법 및 장치 | |
JP7251048B2 (ja) | 渋滞予測装置 | |
US11403544B1 (en) | System, method, and computer program for validating artificial intelligence models | |
Cronin et al. | Identifying damage-sensitive spatial vibration characteristics of bridges from widespread smartphone data | |
US10921167B1 (en) | Methods and apparatus for validating event scenarios using reference readings from sensors associated with predefined event scenarios | |
Jain et al. | Probabilistic Assessment of Stress Corrosion Cracking of Pipelines | |
CN117765737B (zh) | 交通异常检测方法、装置、设备、介质及程序产品 |
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 |