CN116756825A - 一种中小跨径桥梁的群结构性能预测*** - Google Patents
一种中小跨径桥梁的群结构性能预测*** Download PDFInfo
- Publication number
- CN116756825A CN116756825A CN202310742152.8A CN202310742152A CN116756825A CN 116756825 A CN116756825 A CN 116756825A CN 202310742152 A CN202310742152 A CN 202310742152A CN 116756825 A CN116756825 A CN 116756825A
- Authority
- CN
- China
- Prior art keywords
- data
- bridge
- clustering
- module
- function
- 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
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000004140 cleaning Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000010276 construction Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims abstract description 5
- 230000009193 crawling Effects 0.000 claims abstract description 5
- 238000013075 data extraction Methods 0.000 claims abstract description 5
- 238000011897 real-time detection Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 37
- 238000010606 normalization Methods 0.000 claims description 15
- 238000012423 maintenance Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 28
- 238000007418 data mining Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000000105 evaporative light scattering detection Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种中小跨径桥梁的群结构性能预测***,其中数据爬取单元用于通过爬虫技术获取待测桥梁的历年检测报告;数据库构建单元用于将历年检测报告依次进行数据提取、数据清洗和数据处理,得到处理数据库;聚类单元,用于将处理数据库中的数据进行聚类,得到多个聚类中心;训练单元用于将聚类中心输入至预设的神经网络中进行训练,得到群结构性能预测模型;预测单元用于将待测桥梁的实时检测报告输入至群结构性能预测模型中,以预测桥梁群的整体结构及局部构件的性能变化趋势。本发明通过对样本数据进行数据清洗和聚类,不仅可以使神经网络的收敛加快,还可以大大提高中小跨径桥梁的群结构性能的预测精度。
Description
技术领域
本发明涉及桥梁安全技术领域,特别是涉及一种中小跨径桥梁的群结构性能预测***。
背景技术
桥梁是我国交通***中必不行少的一部分,在我国的一些山地地域中表现的尤其突出。
桥梁是交通线路中的重要组成部分,特别是现代高等级公路的修建中,桥梁建设往往是左右全线早日通车的关键。在高速公路设计中,中小跨径桥梁占沿线构筑物比例大,但长期以来,由于其结构相对简单,技术成熟,在设计时往往只是沿用原设计图纸,而没有具体情况具体分析,造成施工阶段问题频出,虽然只是小问题,但因其数量多,处理起来工程量大,对整个工程造价及工期影响大。因而做好中小跨径桥梁的结构设计意义重大。
中小跨径桥梁群的结构性能评估在工程实践中曾饱受诸多问题的困扰。例如,建立中小跨径桥梁群的评估模型需要巨大的数据量作为支持。因此需要对既有历史桥梁检测资料和各路段交通流量观测记录进行数据挖掘,提取感兴趣、有价值的信息通过数据集成、数据清洗、数据转换得到关系数据库。同时,如何基于该数据库模拟桥梁性能退化趋势和其各项基本参数间的复杂非线性及逻辑关系是一份艰巨的工作。
目前现有技术中提供了一种基于神经网络的机器学习方法,从而将将提取的数据转化为桥梁管养领域的宝贵知识,实现了中小跨径桥梁群的桥梁结构性能评估预测和管养指导。但其数据真实性不高,造成了模型预测结果并不精准。
发明内容
为了克服现有技术的不足,本发明的目的是提供一种中小跨径桥梁的群结构性能预测***。
为实现上述目的,本发明提供了如下方案:
一种中小跨径桥梁的群结构性能预测***,包括:
数据爬取单元,用于通过爬虫技术获取待测桥梁的历年检测报告;
数据库构建单元,用于将所述历年检测报告依次进行数据提取、数据清洗和数据处理,得到处理数据库;
聚类单元,用于将所述处理数据库中的数据进行聚类,得到多个聚类中心;
训练单元,用于将所述聚类中心输入至预设的神经网络中进行训练,得到群结构性能预测模型;
预测单元,用于将所述待测桥梁的实时检测报告输入至所述群结构性能预测模型中,以预测桥梁群的整体结构及局部构件的性能变化趋势。
优选地,所述数据库构建单元包括:
提取模块,用于从所述历年检测报告中提取出每个所述待测桥梁的原始评估数据;
清洗规则存储模块,用于存储对所述原始评估数据进行清洗的数据清洗规则;
数据清洗模块,用于根据所述数据清洗规则对所述原始评估数据进行清洗,得到预测评估数据;
归一化模块,用于对所述预测评估数据进行归一化处理,得到训练样本数据;
数据处理单元,对所述训练样本数据进行处理,并构建为一个基于所述预测评估数据为属性集的所述处理数据库;所述属性集包括所述待测桥梁的维修行为属性、结构类型属性、桥龄属性、交通量属性以及技术状况评分属性。
优选地,所述数据清洗模块包括:
排列子模块,用于按照所述待测桥梁的技术状况评分属性依次递增的方式对各个待测桥梁的原始评估数据进行排列,得到桥梁参数序列;
计算子模块,用于依次计算当前桥梁参数序列与前一组桥梁参数序列的相关系数;
判断子模块,用于判断相关系数的值是否在预设的范围内;若相关系数的值不在预设的范围内,则将相应的桥梁参数序列去除;若相关系数的值在预设的范围内,则将相应的桥梁参数序列保留,直到遍历完所有的桥梁参数序列,得到所述预测评估数据。
优选地,所述相关系数计算公式为:
其中,pX,Y为相关系数,cov(X,Y)表示当前土桥梁参数序列X与前一组桥梁参数序列Y之间的协方差,σX表示当前桥梁参数序列X的方差,σY表示前一组桥梁参数序列Y的方差。
优选地,所述聚类单元包括:
函数构建模块,用于根据数据点到聚类中心的距离构建聚类函数;
求解模块,用于对所述聚类函数进行迭代求解得到更新函数;
聚类模块,用于根据所述更新函数对所述处理数据库中的数据进行聚类,得到多个聚类中心。
优选地,所述函数构建模块包括:
函数确定子模块,用于利用数据点到聚类中心的矢量距离构建聚类函数;其中,所述聚类函数为:
其中,vi表示第i个聚类中心,m表示模糊阈值,表示数据点xj隶属第i个聚类中心的隶属度,/>表示数据点xj与第i个聚类中心之间的矢量距离。
优选地,所述求解模块包括:
更新函数子模块,用于利用拉格朗日乘子法对所述聚类函数进行迭代求解得到更新函数;其中,所述更新函数为:
其中,dkj表示数据点xj到第k个聚类中心的矢量距离。
优选地,所述归一化模块包括:
归一化子模块,用于采用公式对预测评估数据进行归一化处理得到训练样本数据;其中,x′pi为第p个样本的第i个变量的归一化后的数据,xpi为第p个样本的第i个变量的原始数据,min{X}为预测评估数据中的最小值,max{X}为预测评估数据中的最大值。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种中小跨径桥梁的群结构性能预测***,包括:数据爬取单元,用于通过爬虫技术获取待测桥梁的历年检测报告;数据库构建单元,用于将所述历年检测报告依次进行数据提取、数据清洗和数据处理,得到处理数据库;聚类单元,用于将所述处理数据库中的数据进行聚类,得到多个聚类中心;训练单元,用于将所述聚类中心输入至预设的神经网络中进行训练,得到群结构性能预测模型;预测单元,用于将所述待测桥梁的实时检测报告输入至所述群结构性能预测模型中,以预测桥梁群的整体结构及局部构件的性能变化趋势。本发明综合了数据挖掘技术,对长年桥梁巡检工作积累下的海量检测资料进行了有效、充分的利用,并通过对样本数据进行数据清洗和聚类,不仅可以使神经网络的收敛加快,还可以大大提高中小跨径桥梁的群结构性能的预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤,而是可选地还包括没有列出的步骤,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。
本发明的目的是提供一种中小跨径桥梁的群结构性能预测***,综合了数据挖掘技术,对长年桥梁巡检工作积累下的海量检测资料进行了有效、充分的利用,并通过对样本数据进行数据清洗和聚类,不仅可以使神经网络的收敛加快,还可以大大提高中小跨径桥梁的群结构性能的预测精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的方法流程图,如图1所示,本发明提供了一种中小跨径桥梁的群结构性能预测***,包括:
数据爬取单元,用于通过爬虫技术获取待测桥梁的历年检测报告;
数据库构建单元,用于将所述历年检测报告依次进行数据提取、数据清洗和数据处理,得到处理数据库;
聚类单元,用于将所述处理数据库中的数据进行聚类,得到多个聚类中心;
训练单元,用于将所述聚类中心输入至预设的神经网络中进行训练,得到群结构性能预测模型;
预测单元,用于将所述待测桥梁的实时检测报告输入至所述群结构性能预测模型中,以预测桥梁群的整体结构及局部构件的性能变化趋势。
优选地,所述数据库构建单元包括:
提取模块,用于从所述历年检测报告中提取出每个所述待测桥梁的原始评估数据;
清洗规则存储模块,用于存储对所述原始评估数据进行清洗的数据清洗规则;
数据清洗模块,用于根据所述数据清洗规则对所述原始评估数据进行清洗,得到预测评估数据;
归一化模块,用于对所述预测评估数据进行归一化处理,得到训练样本数据;
数据处理单元,对所述训练样本数据进行处理,并构建为一个基于所述预测评估数据为属性集的所述处理数据库;所述属性集包括所述待测桥梁的维修行为属性、结构类型属性、桥龄属性、交通量属性以及技术状况评分属性。
具体的,本实施例中原始评估数据包括每个桥梁的技术状况评分、桥龄、结构类型、交通量以及维修行为。即进行特征选择,筛选桥梁的桥龄、结构类型、年平均日交通量、维修行为、每年的技术状况评分字段作为关系数据库的属性集,据此对每份报告进行数据提取和集成。
优选地,所述数据清洗模块包括:
排列子模块,用于按照所述待测桥梁的技术状况评分属性依次递增的方式对各个待测桥梁的原始评估数据进行排列,得到桥梁参数序列;
计算子模块,用于依次计算当前桥梁参数序列与前一组桥梁参数序列的相关系数;
判断子模块,用于判断相关系数的值是否在预设的范围内;若相关系数的值不在预设的范围内,则将相应的桥梁参数序列去除;若相关系数的值在预设的范围内,则将相应的桥梁参数序列保留,直到遍历完所有的桥梁参数序列,得到所述预测评估数据。
优选地,所述相关系数计算公式为:
其中,pX,Y为相关系数,cov(X,Y)表示当前土桥梁参数序列X与前一组桥梁参数序列Y之间的协方差,σX表示当前桥梁参数序列X的方差,σY表示前一组桥梁参数序列Y的方差。
可选地,本实施例中通过协方差构建相关系数计算公式,然后基于此将不符合要求的土地参数序列去除,可以保证数据的真实性。在网络的训练过程中,由于数据属性差异较大,容易导致较大输入抑制较小输入,这样不仅会导致网络的训练速度变慢,甚至还会导致网络无法收敛。为了避免出现以上问题,保持模型的稳定性,使模型达到更好的效果,因此本发明在使用样本进行训练之前,需要对其进行归一化和聚类处理,以加快收敛。
进一步地,本实施例还通过数据清洗模块,根据数据清洗规则对原始评估数据进行清洗从而得到预测评估数据。即将存在缺失、错误现象的数据进行删除。具体为根据数据清洗规则,对于数据库中的某一条记录,若其任一属性值存在缺失、错误现象,则将其删除,确保数据的有效性及可用性。例如,一条记录的桥龄属性值为-1或空白,则将整条记录删去。
更进一步地,数据处理单元中包括维修行为处理模块、结构类型处理模块、桥龄处理模块、交通量处理模块、技术状况评分处理模块。维修行为处理模块用于对维修行为属性进行二值变换,若桥梁进行了维修,则将相对应的维修行为属性的值设定为1,反之则为0。结构类型处理模块用于对结构类型属性进行矢量化处理,将关系数据库中所有桥梁划分为三类,即板梁桥、箱梁桥、其他,分别转换为(1,0,0),(0,1,0),(0,0,1)。桥龄处理模块用于对桥龄属性进行归一变换。交通量处理模块用于对交通量属性进行归一变换。技术状况评分处理模块用于对技术状况评分属性进行归一变换。
优选地,所述聚类单元包括:
函数构建模块,用于根据数据点到聚类中心的距离构建聚类函数;
求解模块,用于对所述聚类函数进行迭代求解得到更新函数;
聚类模块,用于根据所述更新函数对所述处理数据库中的数据进行聚类,得到多个聚类中心。
优选地,所述函数构建模块包括:
函数确定子模块,用于利用数据点到聚类中心的矢量距离构建聚类函数;其中,所述聚类函数为:
其中,vi表示第i个聚类中心,m表示模糊阈值,表示数据点xj隶属第i个聚类中心的隶属度,/>表示数据点xj与第i个聚类中心之间的矢量距离。
优选地,所述求解模块包括:
更新函数子模块,用于利用拉格朗日乘子法对所述聚类函数进行迭代求解得到更新函数;其中,所述更新函数为:
其中,dkj表示数据点xj到第k个聚类中心的矢量距离。
由于传统的聚类函数由于是基于欧氏距离构建的,因此在衡量各个样本之间的差异时,仅仅只能通过不同样本之间的欧氏距离来确定。而本发明通过数据点与聚类中心之间的矢量距离构建聚类函数,可以从两个方面扩大各个聚类样本间的差异,使得聚类结果更加可靠。
优选地,所述归一化模块包括:
归一化子模块,用于采用公式对预测评估数据进行归一化处理得到训练样本数据;其中,x′pi为第p个样本的第i个变量的归一化后的数据,xpi为第p个样本的第i个变量的原始数据,min{X}为预测评估数据中的最小值,max{X}为预测评估数据中的最大值。
本发明的有益效果如下:
本发明综合了数据挖掘技术,对长年桥梁巡检工作积累下的海量检测资料进行了有效、充分的利用,并通过对样本数据进行数据清洗和聚类,不仅可以使神经网络的收敛加快,还可以大大提高中小跨径桥梁的群结构性能的预测精度。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种中小跨径桥梁的群结构性能预测***,其特征在于,包括:
数据爬取单元,用于通过爬虫技术获取待测桥梁的历年检测报告;
数据库构建单元,用于将所述历年检测报告依次进行数据提取、数据清洗和数据处理,得到处理数据库;
聚类单元,用于将所述处理数据库中的数据进行聚类,得到多个聚类中心;
训练单元,用于将所述聚类中心输入至预设的神经网络中进行训练,得到群结构性能预测模型;
预测单元,用于将所述待测桥梁的实时检测报告输入至所述群结构性能预测模型中,以预测桥梁群的整体结构及局部构件的性能变化趋势。
2.根据权利要求1所述的中小跨径桥梁的群结构性能预测***,其特征在于,所述数据库构建单元包括:
提取模块,用于从所述历年检测报告中提取出每个所述待测桥梁的原始评估数据;
清洗规则存储模块,用于存储对所述原始评估数据进行清洗的数据清洗规则;
数据清洗模块,用于根据所述数据清洗规则对所述原始评估数据进行清洗,得到预测评估数据;
归一化模块,用于对所述预测评估数据进行归一化处理,得到训练样本数据;
数据处理单元,对所述训练样本数据进行处理,并构建为一个基于所述预测评估数据为属性集的所述处理数据库;所述属性集包括所述待测桥梁的维修行为属性、结构类型属性、桥龄属性、交通量属性以及技术状况评分属性。
3.根据权利要求2所述的中小跨径桥梁的群结构性能预测***,其特征在于,所述数据清洗模块包括:
排列子模块,用于按照所述待测桥梁的技术状况评分属性依次递增的方式对各个待测桥梁的原始评估数据进行排列,得到桥梁参数序列;
计算子模块,用于依次计算当前桥梁参数序列与前一组桥梁参数序列的相关系数;
判断子模块,用于判断相关系数的值是否在预设的范围内;若相关系数的值不在预设的范围内,则将相应的桥梁参数序列去除;若相关系数的值在预设的范围内,则将相应的桥梁参数序列保留,直到遍历完所有的桥梁参数序列,得到所述预测评估数据。
4.根据权利要求3所述的中小跨径桥梁的群结构性能预测***,其特征在于,所述相关系数计算公式为:
其中,pX,Y为相关系数,cov(X,Y)表示当前土桥梁参数序列X与前一组桥梁参数序列Y之间的协方差,σX表示当前桥梁参数序列X的方差,σY表示前一组桥梁参数序列Y的方差。
5.根据权利要求3所述的中小跨径桥梁的群结构性能预测***,其特征在于,其特征在于,所述聚类单元包括:
函数构建模块,用于根据数据点到聚类中心的距离构建聚类函数;
求解模块,用于对所述聚类函数进行迭代求解得到更新函数;
聚类模块,用于根据所述更新函数对所述处理数据库中的数据进行聚类,得到多个聚类中心。
6.根据权利要求5所述的中小跨径桥梁的群结构性能预测***,其特征在于,所述函数构建模块包括:
函数确定子模块,用于利用数据点到聚类中心的矢量距离构建聚类函数;其中,所述聚类函数为:
其中,vi表示第i个聚类中心,m表示模糊阈值,表示数据点xj隶属第i个聚类中心的隶属度,/>表示数据点xj与第i个聚类中心之间的矢量距离。
7.根据权利要求6所述的中小跨径桥梁的群结构性能预测***,其特征在于,所述求解模块包括:
更新函数子模块,用于利用拉格朗日乘子法对所述聚类函数进行迭代求解得到更新函数;其中,所述更新函数为:
其中,dkj表示数据点xj到第k个聚类中心的矢量距离。
8.根据权利要求2所述的中小跨径桥梁的群结构性能预测***,其特征在于,所述归一化模块包括:
归一化子模块,用于采用公式对预测评估数据进行归一化处理得到训练样本数据;其中,x′pi为第p个样本的第i个变量的归一化后的数据,xpi为第p个样本的第i个变量的原始数据,min{X}为预测评估数据中的最小值,max{X}为预测评估数据中的最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310742152.8A CN116756825A (zh) | 2023-06-21 | 2023-06-21 | 一种中小跨径桥梁的群结构性能预测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310742152.8A CN116756825A (zh) | 2023-06-21 | 2023-06-21 | 一种中小跨径桥梁的群结构性能预测*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116756825A true CN116756825A (zh) | 2023-09-15 |
Family
ID=87949342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310742152.8A Pending CN116756825A (zh) | 2023-06-21 | 2023-06-21 | 一种中小跨径桥梁的群结构性能预测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116756825A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117669394A (zh) * | 2024-02-02 | 2024-03-08 | 贵州交通建设集团有限公司 | 一种山区峡谷桥梁长期性能综合评估方法及*** |
CN117992810A (zh) * | 2024-04-02 | 2024-05-07 | 洛阳鹏飞建设工程有限公司 | 一种道路桥梁强度检测装置 |
-
2023
- 2023-06-21 CN CN202310742152.8A patent/CN116756825A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117669394A (zh) * | 2024-02-02 | 2024-03-08 | 贵州交通建设集团有限公司 | 一种山区峡谷桥梁长期性能综合评估方法及*** |
CN117669394B (zh) * | 2024-02-02 | 2024-04-12 | 贵州交通建设集团有限公司 | 一种山区峡谷桥梁长期性能综合评估方法及*** |
CN117992810A (zh) * | 2024-04-02 | 2024-05-07 | 洛阳鹏飞建设工程有限公司 | 一种道路桥梁强度检测装置 |
CN117992810B (zh) * | 2024-04-02 | 2024-06-04 | 洛阳鹏飞建设工程有限公司 | 一种道路桥梁强度检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108417033B (zh) | 基于多维因素的高速路交通事故分析预测方法 | |
CN116756825A (zh) | 一种中小跨径桥梁的群结构性能预测*** | |
CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
CN113096388B (zh) | 一种基于梯度提升决策树的短时交通流量预测方法 | |
CN113723010A (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
CN112506990A (zh) | 一种基于时空信息的水文数据异常检测方法 | |
CN110782658A (zh) | 一种基于LightGBM算法的交通量预测方法 | |
CN113609770B (zh) | 基于分段线性拟合hi及lstm的滚动轴承rul预测方法 | |
CN116631186B (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、*** | |
CN110555565A (zh) | 基于决策树模型的高速路出口匝道事故严重程度预测方法 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN113361690A (zh) | 水质预测模型训练、水质预测方法、装置、设备及介质 | |
CN108681717B (zh) | 城市级交通视频检测设备质量检测方法 | |
CN114882069A (zh) | 基于lstm网络和注意力机制的出租车轨迹异常检测方法 | |
CN116739376A (zh) | 一种基于数据挖掘的公路路面预防性养护决策方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及*** | |
CN114037140A (zh) | 预测模型训练、数据预测方法、装置、设备及存储介质 | |
CN112149922A (zh) | 高速公路隧道下行线出入口区域事故严重程度预测方法 | |
CN116933946A (zh) | 一种基于客流去向结构的轨道交通od客流预测方法及*** | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析*** | |
CN113869569A (zh) | 一种基于决策树的学习成绩预测及个性化干预的方法 | |
CN111737993B (zh) | 一种配电网设备的故障缺陷文本提取设备健康状态方法 | |
CN115691140B (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
CN111626508B (zh) | 基于xgboost模型的轨道交通车载数据预测方法 | |
CN115330460A (zh) | 一种基于arima模型和gbdt算法的销售预测方法 |
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 |