CN114548585A - 一种基于神经网络的城市建筑震害预测方法 - Google Patents

一种基于神经网络的城市建筑震害预测方法 Download PDF

Info

Publication number
CN114548585A
CN114548585A CN202210195922.7A CN202210195922A CN114548585A CN 114548585 A CN114548585 A CN 114548585A CN 202210195922 A CN202210195922 A CN 202210195922A CN 114548585 A CN114548585 A CN 114548585A
Authority
CN
China
Prior art keywords
building
earthquake damage
detected
sample
classification
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
Application number
CN202210195922.7A
Other languages
English (en)
Inventor
颜学渊
李小林
刘璐
杨国
周福彬
汤昌环
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.)
Fuzhou University
Fujian Jiuding Construction Engineering Co Ltd
Fujian Minqing Yijian Construction Development Co Ltd
Original Assignee
Fuzhou University
Fujian Jiuding Construction Engineering Co Ltd
Fujian Minqing Yijian Construction Development Co Ltd
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 Fuzhou University, Fujian Jiuding Construction Engineering Co Ltd, Fujian Minqing Yijian Construction Development Co Ltd filed Critical Fuzhou University
Priority to CN202210195922.7A priority Critical patent/CN114548585A/zh
Publication of CN114548585A publication Critical patent/CN114548585A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Educational Administration (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于神经网络的城市建筑震害预测方法，包括：S1、选取n个震害影响因子；S2、以所述n个震害影响因子为分类依据，通过分类模型得到待测建筑物与n个震害影响因子相对应的n个分类结果；S3、基于待测建筑物的n个分类结果，确定与待测建筑物相似的样本建筑物；S4、根据所述相似的样本建筑物的震害情况，预测待测建筑物的震害情况。

Description

一种基于神经网络的城市建筑震害预测方法
技术领域
本发明涉及一种基于神经网络的城市建筑震害预测方法，属于震害预测领域。
背景技术
城市人口、建筑和基础设施呈密集化发展，城市中一旦发生地震灾害将导致严重的后果，城市群体建筑的震害预测对减轻地震灾害风险有重要意义。目前针对城市群体建筑的震害预测方法大多通过实地调研或对往年群体建筑的震害历史数据进行统计，缺点在于：城镇建筑数据无法及时更新且需要花费大量的人力、物力。
故，需要一种高效准确的城市建筑震害自动预测方法。
申请号为CN201611226153.3的发明专利《一种民居震害矩阵动态预测方法》公开了：一、确定计算区域的西部农村民居震害因子及其个数N；二、确定农村民居震害因子中符合第j项分类的第i个震害因子dij、ωij及对应第i个震害因子的取值分类的类别数T；三、计算每类震害因子；四、计算总的震害因子；五、计算λ；六、计算D；七、确定西部农村单个民居或村庄的破坏等级；八、计算所有需要计算的西部农村单个民房或村庄的破坏等级,已经计算的不需计算；九、结合计算机软件动态给出相应的震害矩阵。该方法仅是针对民居建筑进行震害预测，无法扩展应用至城市建筑的震害预测领域，且该方法中震害因子、权重值的具体取值仍需要人工确定。
发明内容
为了克服现有技术中存在的问题，本发明设计了一种基于神经网络的城市建筑震害预测方法，利用无人机和分类模型自动获取待测建筑物的建筑信息(本发明中建筑信息体现为分类结果)，降低建筑信息获取成本，且能够及时更新建筑信息。且基于所述分类结果，确定相似样本建筑物，并根据相似样本建筑物的震害情况预测待测建筑物的震害情况，快速高效地预测大量建筑物的震害情况，从而帮助工作人员宏观把控某一区域的建筑震害情况，人力、物力消耗小，有利于编制该区域的防震减灾规划。
为了实现上述目的，本发明采用如下技术方案：
一种基于神经网络的城市建筑震害预测方法，包括以下步骤：
S1、选取n个震害影响因子；
S2、以所述n个震害影响因子为分类依据，通过分类模型得到待测建筑物与n个震害影响因子相对应的n个分类结果；
S3、基于待测建筑物的n个分类结果，确定与待测建筑物相似的样本建筑物；
S4、根据所述相似的样本建筑物的震害情况，预测待测建筑物的震害情况。
进一步地，所述步骤S2具体为：
获取待处理图像，所述待处理图像包括待测建筑物；
分别以n个震害影响因子为分类依据，构建并训练n个分类模型；将所述待处理图像分别输入至n个分类模型，得到待测建筑物的n个分类结果。
进一步地，所述步骤S3具体为：
获取若干个样本数据，每一样本数据包括一样本建筑物的震害情况及该样本建筑物的n个分类结果；
根据待测建筑物的n个分类结果和样本建筑物的n个分类结果，分别计算待测建筑物与样本建筑物的相似度；
根据所述相似度，确定与待测建筑物相似的样本建筑物。
进一步地，所述计算待测建筑物与样本建筑物的相似度，以公式表达为：
Figure BDA0003525636720000021
式中，d(X,Y)为海明距离，X表示待测建筑物；Y表示样本建筑物；xi表示待测建筑物的第i个震害影响因子对应的分类结果；yi表示样本建筑物的第i个震害影响因子对应的分类结果；wi(i＝1,2,3,…,n)表示各震害影响因子的权重，表示各分类结果的重要程度。
进一步地，所述各震害影响因子的权重通过熵值法确定。
进一步地，所述步骤S4具体为：
所述相似的样本建筑物的震害指数即为待测建筑物的震害指数，根据待测建筑物的震害指数确定待测建筑物的震害等级。
进一步地，还包括，对相似的样本建筑物的震害指数进行修正，将修正后的震害指数作为待测建筑物的震害指数。
进一步地，所述n个震害影响因子包括：场地类别、建筑年代、现状质量、高度、用途、墙体材料。
与现有技术相比本发明有以下特点和有益效果：
1、本发明利用无人机和分类模型自动获取待测建筑物的建筑信息(本发明中建筑信息体现为分类结果)，降低建筑信息获取成本，且能够及时更新建筑信息。
2、本发明基于所述分类结果，确定相似样本建筑物，并根据相似样本建筑物的震害情况预测待测建筑物的震害情况，可以快速高效地预测大量建筑物的震害情况，从而帮助工作人员宏观把控某一区域的建筑震害情况，人力、物力消耗小，有利于编制该区域的防震减灾规划。
3、本发明利用分类结果和加权海明距离公式计算样本建筑物与待测建筑物的相似度，充分衡量了样本建筑物与待测建筑物之间的共通点，将已有的样本建筑物震害情况迁移至待测建筑物，所需计算量小、预测精度高。
4、本发明利用熵值法确定各分类结果的权重，消除确定各震害影响因子重要性时的主观性，使得到的相似度更加客观更符实际情况。
5、本发明以修正后的震害指数作为待测建筑物的震害指数判定待测建筑物的震害等级，进一步提高预测精度，并进一步适用样本建筑物数据量较小的情况。
附图说明
图1是本发明流程图；
图2至图4是待处理图像示意图。
具体实施方式
下面结合实施例对本发明进行更详细的描述。
实施例一
如图1所示，一种基于神经网络的城市建筑震害预测方法，包括以下步骤：
利用无人机拍摄待测建筑，得到待处理图像(如图2至图4所示)；
根据该城市建筑的震害历史，选取n个震害影响因子。本实施例中，选取震害影响因子：场地类别、建筑年代、现状质量、高度、用途、墙体材料。
根据选取的n个震害影响因子，相应地构建n个分类模型，本实施例中各分类模型结构采用神经网络YOLOv-3。分别以n个震害影响因子为分类依据，训练该n个分类模型。最终将待处理图像分别输入至训练好的n个分类模型，得到n个分类结果。本实施例中，震害影响因子及相应的分类结果如下表所示：
Figure BDA0003525636720000041
Figure BDA0003525636720000051
获取多个样本建筑物在各地震烈度下的震害情况(本实施例中为各地震烈度下的震害指数)及该样本建筑物的n个分类结果作为样本数据集。
利用加权海明距离公式分别计算待测建筑与各样本建筑物的相似度。加权海明距离公式，如下：
Figure BDA0003525636720000052
式中，d(X,Y)表示海明距离值，X表示待测建筑物；Y表示样本建筑物；xi表示待测建筑物的第i个震害影响因子对应的分类结果；yi表示样本建筑物的第i个影响因子的分类结果；wi(i＝1,2,3,…,n)表示各震害影响因子的权重。
海明距离最小，相似度越高。将海明距离值最小的样本建筑物，确定为与待测建筑物相似的样本建筑物。视两者的震害情况一致，待测建筑物在各地震烈度下的震害指数即为样本建筑物在各地震烈度下的震害指数。
根据待测建筑物的震害指数，确定待测建筑物的震害等级。
本实施例的有益效果在于：
1、利用无人机和分类模型自动获取待测建筑物的建筑信息(本发明中建筑信息体现为分类结果)，降低建筑信息获取成本，且能够及时更新建筑信息。
2、基于所述分类结果，确定相似样本建筑物，并根据相似样本建筑物的震害情况预测待测建筑物的震害情况，可以快速高效地预测大量建筑物的震害情况，从而帮助工作人员宏观把控某一区域的建筑震害情况，人力、物力消耗小，有利于编制该区域的防震减灾规划。
3、利用分类结果和加权海明距离公式计算样本建筑物与待测建筑物的相似度，充分衡量了样本建筑物与待测建筑物之间的共通点，将已有的样本建筑物震害情况迁移至待测建筑物，所需计算量小、预测精度高。
实施例二
在本实施例中，利用熵值法确定各分类结果的权重
样本数据集中包含5个样本建筑物。构建6个震害影响因子的判断矩阵，并对判断矩阵进行线性比例变换标准化处理，得到标准化矩阵Y＝(yij)5*6
其中，
Figure BDA0003525636720000061
xij表示第i个样本建筑物的第j个震害影响因子对应的分类结果；max xij表示i*j个分类结果中的最大值；
对标准化矩阵进行归一化处理得到
Figure BDA0003525636720000062
计算第j个震害影响因子的熵值
Figure BDA0003525636720000063
k＝(ln5)-1
利用熵值法对各震害影响因子赋权，得到震害影响因子的权重向量βj
Figure BDA0003525636720000071
hj＝1-ej 1≤j≤6
各震害影响因子的权重如下
βj＝(0.07，0.03，0.06，0.06，0.5，0.8)
本实施例的有益效果在于，利用熵值法确定各分类结果的权重，消除确定各震害影响因子重要性时的主观性，使得到的相似度更加客观更符实际情况。
实施例三
相似样本建筑物在各地震烈度下的震害指数即为待测建筑物在各地震烈度下的震害指数。不同结构类型的建筑物适用的震害指数不同，如钢筋混凝土的震害指数为延伸率，砖混结构的震害指数为其本身的抵抗地震作用的程度。本实施例中，待测建筑物的结构类型为钢筋混凝土，则取震害指数为结构延伸率μ。相似样本建筑物在某一地震烈度下的结构延伸率μ＝1.5，根据震害指数和震害等级的对应关系，得到震害等级为轻微损坏，从而完成对待测建筑物的震害预测。某一地震烈度下震害指数和震害等级的对应关系如下表所示。
Figure BDA0003525636720000072
利用本发明所述预测方法对某一区域内所有建筑进行震害预测，其结果下表所示，包含不同地震烈度下，不同震害等级建筑物占该区域内所有建筑的数量百分比。
6度 7度 8度 9度
基本完好 90.16％ 73.88％ 12.72％ 8.15％
轻微破坏 4.81％ 9.65％ 35.74％ 11.49％
中等破坏 0.97％ 10.07％ 25.95％ 22.49％
严重破坏 1.37％ 1.71％ 15.40％ 31.56％
毁坏 2.69％ 4.68％ 10.19％ 26.30％
实施例四
依据震害影响因子的修正系数，对相似样本建筑物的震害指数进行修正。本实施例中具体为，将建筑高度修正系数乘相似样本建筑物的震害指数，得到修正后的震害指数。将修正后的震害指数作为待测建筑物的震害指数。
本实施例的有益效果在于，以修正后的震害指数作为待测建筑物的震害指数判定待测建筑物的震害等级，进一步提高预测精度，并进一步适用样本建筑物数据量较小的情况。
显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

Claims (8)

1.一种基于神经网络的城市建筑震害预测方法，其特征在于，包括以下步骤：
S1、选取n个震害影响因子；
S2、以所述n个震害影响因子为分类依据，通过分类模型得到待测建筑物与n个震害影响因子相对应的n个分类结果；
S3、基于待测建筑物的n个分类结果，确定与待测建筑物相似的样本建筑物；
S4、根据所述相似的样本建筑物的震害情况，预测待测建筑物的震害情况。
2.根据权利要求1所述的一种基于神经网络的城市建筑震害预测方法，其特征在于，所述步骤S2具体为：
获取待处理图像，所述待处理图像包括待测建筑物；
分别以n个震害影响因子为分类依据，构建并训练n个分类模型；将所述待处理图像分别输入至n个分类模型，得到待测建筑物的n个分类结果。
3.根据权利要求1所述的一种基于神经网络的城市建筑震害预测方法，其特征在于，所述步骤S3具体为：
获取若干个样本数据，每一样本数据包括一样本建筑物的震害情况及该样本建筑物的n个分类结果；
根据待测建筑物的n个分类结果和样本建筑物的n个分类结果，分别计算待测建筑物与样本建筑物的相似度；
根据所述相似度，确定与待测建筑物相似的样本建筑物。
4.根据权利要求3所述的一种基于神经网络的城市建筑震害预测方法，其特征在于，所述计算待测建筑物与样本建筑物的相似度，以公式表达为：
Figure FDA0003525636710000011
式中，d(X,Y)为海明距离，X表示待测建筑物；Y表示样本建筑物；xi表示待测建筑物的第i个震害影响因子对应的分类结果；yi表示样本建筑物的第i个震害影响因子对应的分类结果；wi(i＝1,2,3,…,n)表示各震害影响因子的权重，表示各分类结果的重要程度。
5.根据权利要求4所述的一种基于神经网络的城市建筑震害预测方法，其特征在于，所述各震害影响因子的权重通过熵值法确定。
6.根据权利要求1所述的一种基于神经网络的城市建筑震害预测方法，其特征在于，所述步骤S4具体为：
所述相似的样本建筑物的震害指数即为待测建筑物的震害指数，根据待测建筑物的震害指数确定待测建筑物的震害等级。
7.根据权利要求6所述的一种基于神经网络的城市建筑震害预测方法，其特征在于，还包括：对所述相似的样本建筑物的震害指数进行修正，将修正后的震害指数作为待测建筑物的震害指数。
8.根据权利要求1所述的一种基于神经网络的城市建筑震害预测方法，其特征在于，所述n个震害影响因子包括：场地类别、建筑年代、现状质量、高度、用途、墙体材料。
CN202210195922.7A 2022-03-01 2022-03-01 一种基于神经网络的城市建筑震害预测方法 Pending CN114548585A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210195922.7A CN114548585A (zh) 2022-03-01 2022-03-01 一种基于神经网络的城市建筑震害预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210195922.7A CN114548585A (zh) 2022-03-01 2022-03-01 一种基于神经网络的城市建筑震害预测方法

Publications (1)

Publication Number Publication Date
CN114548585A true CN114548585A (zh) 2022-05-27

Family

ID=81662240

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210195922.7A Pending CN114548585A (zh) 2022-03-01 2022-03-01 一种基于神经网络的城市建筑震害预测方法

Country Status (1)

Country Link
CN (1) CN114548585A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117972437A (zh) * 2024-03-29 2024-05-03 四川省建筑设计研究院有限公司 针对复杂地形地质条件下的区域建筑震害预测方法及***

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117972437A (zh) * 2024-03-29 2024-05-03 四川省建筑设计研究院有限公司 针对复杂地形地质条件下的区域建筑震害预测方法及***

Similar Documents

Publication Publication Date Title
CN108876027B (zh) 一种基于gis的农村居民点集中居住区选址和优化方法
CN104346538B (zh) 基于三种灾情因子控制的地震灾害评估方法
CN114254561A (zh) 一种内涝预测方法、***及存储介质
CN112200358B (zh) 一种滑坡等级预测方法、装置、设备和存储介质
CN112131731B (zh) 一种基于空间特征向量滤波的城市生长元胞模拟方法
CN112329262A (zh) 一种居住建筑燃气碳排放量预测方法
CN109933901B (zh) 一种生态***服务价值最优化的mcr城市扩张模拟方法
US20230140289A1 (en) Traffic accident prediction systems and methods
CN115017591A (zh) 建筑结构群抗震性能评估方法
CN115271373A (zh) 城市群弹性开发边界划定方法及***
CN115564114A (zh) 一种基于图神经网络的空域碳排放短期预测方法及***
CN115994685A (zh) 一种国土空间规划现状评估方法
CN114548585A (zh) 一种基于神经网络的城市建筑震害预测方法
JP7224133B2 (ja) インフラ設備点検支援システム、インフラ設備点検支援方法及びプログラム
CN115859765B (zh) 城市扩张的预测方法、装置、设备及存储介质
CN114254250B (zh) 一种考虑时空非平稳性的网约车出行需求预测方法
CN115936264A (zh) 单日工程量计算方法、阶段性工程量预测方法及预测装置
CN115587694A (zh) 用于房屋租金批量评估的数据处理方法、装置及设备
CN115271221A (zh) 一种城市扩展预测方法、装置、介质及设备
CN106384205B (zh) 用于采集作业投入时长的建模方法和装置
CN114863272A (zh) 一种确定城市植被对城市综合活力影响强度的方法和***
CN113689048A (zh) 一种预测未来人口精细化空间分布的方法、***及计算机可读存储介质
Ruggieri et al. Using transfer learning technique to define seismic vulnerability of existing buildings through mechanical models
CN110414785A (zh) 深基坑开挖施工的风险识别方法
CN116957414B (zh) 基于人工智能的村庄规划分析方法及装置

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