CN117648596B - 一种建筑施工的数字孪生与智能传感器融合方法与*** - Google Patents
一种建筑施工的数字孪生与智能传感器融合方法与*** Download PDFInfo
- Publication number
- CN117648596B CN117648596B CN202311596887.0A CN202311596887A CN117648596B CN 117648596 B CN117648596 B CN 117648596B CN 202311596887 A CN202311596887 A CN 202311596887A CN 117648596 B CN117648596 B CN 117648596B
- Authority
- CN
- China
- Prior art keywords
- scaffold
- node
- digital twin
- data
- strain
- 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
- 238000009435 building construction Methods 0.000 title claims abstract description 15
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 9
- 230000001133 acceleration Effects 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000013145 classification model Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 239000000463 material Substances 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000010276 construction Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000004035 construction material Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供的一种建筑施工的数字孪生与智能传感器融合方法与***，本发明涉及数据监测技术领域，该方法包括基于预设的坐标系和脚手架的拍摄图片确定脚手架信息；基于脚手架信息确定脚手架的横向稳定性、脚手架的纵向稳定性、脚手架的支撑点稳定性；基于脚手架的横向稳定性、脚手架的纵向稳定性、脚手架的支撑点稳定性、脚手架分别在多个节点的稳定性、脚手架的牢固程度使用判断模型判断脚手架是否需要进行全面检查；基于脚手架在预设时长内的加速度数字孪生传感器的数据使用加速度数字孪生传感器模型确定脚手架的牢固程度；使用判断模型判断脚手架是否需要进行全面检查，该方法能够准确的确定脚手架的安全性。
Description
技术领域
本发明涉及数据监测技术领域，具体涉及一种建筑施工的数字孪生与智能传感器融合方法与***。
背景技术
数字孪生是多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。数字孪生是一种超越现实的概念，可以被视为一个或多个重要的、彼此依赖的装备***的数字映射***；随着现代工程建设的不断发展，脚手架作为施工中的重要设备，其安全性与稳定性对整个工程的安全和质量具有至关重要的影响。然而，传统的脚手架管理方法往往依赖于人工巡检和经验判断，缺乏科学性和准确性，无法及时发现和处理潜在的安全隐患。
因此如何准确的确定脚手架的安全性是当前亟待解决的问题。
发明内容
本发明主要解决的技术问题是如何准确的确定脚手架的安全性。
第一方面，本发明提供一种建筑施工的数字孪生与智能传感器融合方法，包括：获取脚手架的拍摄图片，脚手架在预设时长内的多个节点的应变数字孪生传感器的数据，脚手架在预设时长内的加速度数字孪生传感器的数据；基于预设的坐标系和脚手架的拍摄图片确定脚手架信息，脚手架信息包括脚手架的每个主杆的位置坐标、脚手架的每个横杆的位置坐标、脚手架的每个纵杆的位置坐标、每个节点的位置坐标、脚手架的材料信息、支撑点信息、脚手架的平整度、脚手架构件的新旧程度；基于脚手架信息确定脚手架的横向稳定性、脚手架的纵向稳定性、脚手架的支撑点稳定性；基于脚手架在预设时长内的多个节点的应变数字孪生传感器数据的数据集合，使用K-Means算法对应变数字孪生传感器数据的数据集合进行聚类，得到多个簇和多个簇中的每个簇的聚类中心，并根据每个节点的应变数字孪生传感器的数据的初始节点稳定性、每个节点的应变数字孪生传感器数据与所属的簇的聚类中心的相似度，每个节点的应变数字孪生传感器的数据与所属的簇中的各个应变数字孪生传感器数据的差异性进行加权求和，确定脚手架分别在多个节点的稳定性；
所述初始节点稳定性根据算式得到；
其中，为待检测节点的应变数字孪生传感器的数据x所属状态类别 的
概率，所述状态类别包括正常状态和异常状态，所述状态类别为将节点的应变数字孪
生传感器的数据x输入到初始的分类模型后输出，所述初始的分类模型由脚手架的各个节
点的被标注有状态类别的应变数字孪生传感器的数据，输入到所述初始训练网络进行训练
得到；
所述相似度I(x)根据算式：得到；
其中，Z为所述应变数字孪生传感器数据的数据集合被聚类后的簇的个数，
代表第 个簇的聚类中心的应变数字孪生传感器数据，x为待检测的节点的应变数字孪生
传感器的数据；
所述差异性根据算式得到；
其中，为第m个节点的应变数字孪生传感器的数据，为所述应变数字孪生传
感器数据的数据集合中除所述第m个节点的应变数字孪生传感器的数据以外的第j个节点
的应变数字孪生传感器的数据，U为所述应变数字孪生传感器数据的数据集合，n为所述应
变数字孪生传感器数据的数据集合中各所述节点的应变数字孪生传感器的数据的个数，为所述应变数字孪生传感器数据的数据集合中各所述节点的应变数字孪生传感器的数
据的标准差；
基于脚手架在预设时长内的加速度数字孪生传感器的数据使用加速度数字孪生传感器模型确定脚手架的牢固程度；基于脚手架的横向稳定性、脚手架的纵向稳定性、脚手架的支撑点稳定性、脚手架分别在多个节点的稳定性、脚手架的牢固程度使用判断模型，判断脚手架是否需要进行全面检查。
更进一步地，基于脚手架在预设时长内的多个节点的应变数字孪生传感器的数据使用K-Means算法进行聚类，得到多个簇和多个簇中的每个簇的聚类中心包括：
将脚手架在预设时长内的多个节点的应变数字孪生传感器的数据进行预处理得到每个节点的平均值、每个节点的标准差、每个节点的最大值、每个节点的最小值、每个节点的峰值、每个节点的谷值；
基于每个节点的平均值、每个节点的标准差、每个节点的最大值、每个节点的最小值、每个节点的峰值、每个节点的谷值使用K-Means算法进行聚类，得到多个簇和多个簇中的每个簇的聚类中心。
更进一步地，将脚手架在预设时长内的多个节点的应变数字孪生传感器的数据进行预处理得到每个节点的平均值、每个节点的标准差、每个节点的最大值、每个节点的最小值、每个节点的峰值、每个节点的谷值，进一步包括：对每个节点的应变数字孪生传感器数据进行滤波处理，去除噪声数据。
更进一步地，本申请提供的方法还包括：获取两个簇中每个节点的应变数字孪生传感器的数据与每个簇的聚类中心的距离；
计算每个节点的应变数字孪生传感器数据的特征向量分别与每个簇的聚类中心的欧氏距离，得到每个节点的应变数字孪生传感器的数据与每个簇的聚类中心的相似度。
根据第二方面，本发明提供一种建筑施工的数字孪生与智能传感器融合***，包括：第一获取模块，用于获取脚手架的拍摄图片，脚手架在预设时长内的多个节点的应变数字孪生传感器的数据，脚手架在预设时长内的加速度数字孪生传感器的数据；
脚手架信息确定模块，用于基于预设的坐标系和脚手架的拍摄图片确定脚手架信息，脚手架信息包括脚手架的每个主杆的位置坐标、脚手架的每个横杆的位置坐标、脚手架的每个纵杆的位置坐标、每个节点的位置坐标、脚手架的材料信息、支撑点信息、脚手架的平整度、脚手架构件的新旧程度；
合理程度确定模块，用于基于脚手架信息确定脚手架的横向稳定性、脚手架的纵向稳定性、脚手架的支撑点稳定性；
稳定性确定模块，用于基于脚手架在预设时长内的多个节点的应变数字孪生传感器数据的数据集合，使用K-Means算法对应变数字孪生传感器数据的数据集合进行聚类，得到多个簇和多个簇中的每个簇的聚类中心，并根据每个节点的应变数字孪生传感器的数据的初始节点稳定性、每个节点的应变数字孪生传感器数据与所属的簇的聚类中心的相似度，每个节点的应变数字孪生传感器的数据与所属的簇中的各个应变数字孪生传感器数据的差异性进行加权求和，确定脚手架分别在多个节点的稳定性；
所述初始节点稳定性根据算式得到；
其中，为待检测节点的应变数字孪生传感器的数据x所属状态类别 的
概率，所述状态类别包括正常状态和异常状态，所述状态类别为将节点的应变数字孪
生传感器的数据x输入到初始的分类模型后输出，所述初始的分类模型由脚手架的各个节
点的被标注有状态类别的应变数字孪生传感器的数据，输入到所述初始训练网络进行训练
得到；其中，初始训练网络可以采用LSTM、CNN、SVM等模型，本文对此不加以限定；
所述相似度I(x)根据算式：得到；
其中，Z为所述应变数字孪生传感器数据的数据集合被聚类后的簇的个数，
代表第 个簇的聚类中心的应变数字孪生传感器数据，x为待检测的节点的应变数字孪生
传感器的数据；
所述差异性根据算式得到；
其中，为第m个节点的应变数字孪生传感器的数据，为所述应变数字孪生传
感器数据的数据集合中除所述第m个节点的应变数字孪生传感器的数据以外的第j个节点
的应变数字孪生传感器的数据，U为所述应变数字孪生传感器数据的数据集合，n为所述应
变数字孪生传感器数据的数据集合中各所述节点的应变数字孪生传感器的数据的个数，为所述应变数字孪生传感器数据的数据集合中各所述节点的应变数字孪生传感器的数
据的标准差；
牢固程度确定模块，用于基于脚手架在预设时长内的加速度数字孪生传感器的数据使用加速度数字孪生传感器模型确定脚手架的牢固程度；
检查模块，用于基于脚手架的横向稳定性、脚手架的纵向稳定性、脚手架的支撑点稳定性、脚手架分别在多个节点的稳定性、脚手架的牢固程度使用判断模型判断脚手架是否需要进行全面检查。
更进一步地，脚手架的拍摄图片通过无人机或人工拍摄得到。
更进一步地，稳定性确定模块还用于：
将脚手架在预设时长内的多个节点的应变数字孪生传感器的数据进行预处理得到每个节点的平均值、每个节点的标准差、每个节点的最大值、每个节点的最小值、每个节点的峰值、每个节点的谷值；
基于每个节点的平均值、每个节点的标准差、每个节点的最大值、每个节点的最小值、每个节点的峰值、每个节点的谷值使用K-Means算法进行聚类，得到多个簇和多个簇中的每个簇的聚类中心。
更进一步地，稳定性确定模块还用于：对每个节点的应变数字孪生传感器数据进行滤波处理，去除噪声数据。
更进一步地，稳定性确定模块，具体用于计算每个节点的应变数字孪生传感器数据的特征向量分别与每个簇的聚类中心的欧氏距离，得到每个节点的应变数字孪生传感器的数据与每个簇的聚类中心的相似度。
本发明提供的一种建筑施工的数字孪生与智能传感器融合方法与***，该方法包
括获取脚手架的拍摄图片，脚手架在预设时长内的多个节点的应变数字孪生传感器的数
据，脚手架在预设时长内的加速度数字孪生传感器的数据；基于预设的坐标系和脚手架的
拍摄图片确定脚手架信息，脚手架信息包括脚手架的每个主杆的位置坐标、脚手架的每个
横杆的位置坐标、脚手架的每个纵杆的位置坐标、每个节点的位置坐标、脚手架的材料信
息、支撑点信息、脚手架的平整度、脚手架构件的新旧程度；基于脚手架信息确定脚手架的
横向稳定性、脚手架的纵向稳定性、脚手架的支撑点稳定性；基于脚手架在预设时长内的多
个节点的应变数字孪生传感器数据的数据集合，使用K-Means算法对应变数字孪生传感器
数据的数据集合进行聚类，得到多个簇和多个簇中的每个簇的聚类中心，并根据每个节点
的应变数字孪生传感器的数据的初始节点稳定性、每个节点的应变数字孪生传感器数据与
所属的簇的聚类中心的相似度，每个节点的应变数字孪生传感器的数据与所属的簇中的各
个应变数字孪生传感器数据的差异性进行加权求和，确定脚手架分别在多个节点的稳定
性；所述初始节点稳定性根据算式得到；其中，为待检测节点的应变数字孪生传感器的数据x所属状态类别 的概率，所述状态
类别包括正常状态和异常状态，所述状态类别为将节点的应变数字孪生传感器的数据
x输入到初始的分类模型后输出，所述初始的分类模型由脚手架的各个节点的被标注有状
态类别的应变数字孪生传感器的数据，输入到所述初始训练网络进行训练得到；所述相似
度I(x)根据算式：得到；其中，Z为所述应变数字孪生传感器数
据的数据集合被聚类后的簇的个数， 代表第 个簇的聚类中心的应变数字孪生传感
器数据，x为待检测的节点的应变数字孪生传感器的数据；所述差异性根据算式得到；其中，为第m个节点的应变数字孪生传感器的数
据，为所述应变数字孪生传感器数据的数据集合中除所述第m个节点的应变数字孪生传
感器的数据以外的第j个节点的应变数字孪生传感器的数据，U为所述应变数字孪生传感器
数据的数据集合，n为所述应变数字孪生传感器数据的数据集合中各所述节点的应变数字
孪生传感器的数据的个数，为所述应变数字孪生传感器数据的数据集合中各所述节点
的应变数字孪生传感器的数据的标准差；基于脚手架在预设时长内的加速度数字孪生传感
器的数据使用加速度数字孪生传感器模型确定脚手架的牢固程度；基于脚手架的横向稳定
性、脚手架的纵向稳定性、脚手架的支撑点稳定性、脚手架分别在多个节点的稳定性、脚手
架的牢固程度使用判断模型判断脚手架是否需要进行全面检查，该方法能够准确的确定脚
手架的安全性。
附图说明
图1为本发明实施例提供的一种建筑施工的数字孪生与智能传感器融合方法的流程示意图；
图2为本发明实施例提供的一种建筑施工的数字孪生与智能传感器融合***的示意图。
具体实施方式
本发明实施例中，提供了如图1所示的一种建筑施工的数字孪生与智能传感器融合方法，建筑施工的数字孪生传感器的脚手架监控方法包括步骤S1~S7：
步骤S1，获取脚手架的拍摄图片，脚手架在预设时长内的多个节点的应变数字孪生传感器的数据，脚手架在预设时长内的加速度数字孪生传感器的数据。
脚手架的拍摄图片通过无人机或人工拍摄得到。脚手架为建筑施工中用于支撑和固定施工材料的临时结构，通常由主杆、横杆、纵杆和节点组成。本实施例中，通过如双目相机、三维扫描仪、RGB-D 相机等对脚手架进行拍摄得到脚手架的3D点云数据，通过CAD等工程制图软件（如切换工作空间菜单下的三维建模功能）将3D点云数据生成标准工程图纸，然后通过例如广联达等自动计算软件生成脚手架图示以及相关搭设参数的解释（例如支撑点位置，支撑点的支撑方式，支撑点类型，支撑面积等参数）。
应变数字孪生传感器用于测量物体应变（即变形）的传感器，安装在脚手架的节点上。其中，预设时长可以是1小时、12小时或24小时等，在此不作限定。
加速度数字孪生传感器用于测量物体加速度的传感器，安装在脚手架的关键部位。
其中，应变数字孪生传感器子采集实际的应变数字孪生传感器的数据后在虚拟空间进行映射，得到多个应变孪生数据，进而构建应变数字孪生传感器的数据的集合。进而，可以使得后续用K-Means算法对应变数字孪生传感器数据的数据集合进行聚类，可靠性更高。
加速度数字孪生传感器，采集实际的加速度数字孪生传感器的数据后在虚拟空间进行映射，得到多个加速度孪生数据，进而构建加速度数字孪生传感器的数据的集合。进而，可以使得基于脚手架在预设时长内的加速度数字孪生传感器的数据的集合，使用加速度数字孪生传感器模型确定脚手架的牢固程度的可靠性更高。
步骤S2，基于预设的坐标系和脚手架的拍摄图片确定脚手架信息，脚手架信息包括脚手架的每个主杆的位置坐标、脚手架的每个横杆的位置坐标、脚手架的每个纵杆的位置坐标、每个节点的位置坐标、脚手架的材料信息、支撑点信息、脚手架的平整度、脚手架构件的新旧程度。
具体地，基于预设的坐标系和脚手架的拍摄图片的3D点云数据输入已训练的脚手架分类模型（如Multi-Task Learning多任务/多目标分类神经网络模型，神经网络有多个输出的节点，每个节点对应一个分类任务），输出脚手架的每个主杆的位置坐标、每个横杆的位置坐标、每个纵杆的位置坐标、每个节点的位置坐标、材料信息、支撑点信息、脚手架的平整度、构件的新旧程度。
预设的坐标系为用于描述物***置和方向的参考***，通常由三个相互垂直的xyz轴组成。
节点为脚手架中主杆、横杆和纵杆的交汇点，节点用于连接和固定不同部件。
材料信息包括脚手架所使用的钢管和扣件的材质、直径、壁厚等信息。
支撑点信息为脚手架与地面接触的点。支撑点信息包括支撑点位置、支撑方式、支撑点类型、支撑面积等。
支撑点位置是指支撑脚手架的地面或结构物上的具***置。
支撑点的支撑方式包括嵌入式支撑、台式支撑、挂钩式支撑等。不同的支撑方式适用于不同类型的脚手架和不同的工作环境。
支撑点类型可以分为固定支撑点和可调节支撑点两种类型。固定支撑点一般使用在地面或者混凝土结构上，而可调节支撑点则可以根据需要进行高度调整。
支撑面积是指支撑点与地面或结构物接触的表面积。支撑面积越大，脚手架的承重能力越强，稳定性也会更好。
脚手架的平整度是脚手架表面是否平整的程度。
脚手架构件的新旧程度对其性能有很大的影响，使用时间较短的脚手架比使用时间较长的稳定性更强。
在一些实施例中，可以通过脚手架处理模型对预设的坐标系和脚手架的拍摄图片进行处理得到脚手架信息。脚手架处理模型为卷积神经网络模型。卷积神经网络（Convolutional Neural Network，CNN）是一种深度学***整度和新旧程度等属性。
通过脚手架处理模型获取脚手架的详细信息，以便后续分析脚手架的状态和安全性。
步骤一，构建脚手架数字孪生模型，指针对脚手架对象，构建其基本单元的模型，可从多领域模型构建以及“几何—脚手架—行为—规则”多维模型构建两方面进行数字孪生模型的构建。“几何—脚手架—行为—规则”模型可刻画脚手架对象的几何特征、脚手架特性、行为耦合关系以及演化规律等；多领域模型通过分别构建脚手架对象涉及的各领域模型，从而全面地刻画脚手架对象的热学、力学等各领域特征。通过多维度模型构建和多领域模型构建，实现对数字孪生模型的精准构建；
步骤二，组装脚手架数字孪生模型，首先，需构建模型的层级关系并明确模型的组装顺序，以避免出现难以组装的情况；其次，在组装过程中需要添加合适的空间约束条件，不同层级的模型需关注和添加的空间约束关系存在一定的差异，例如需构建与添加脚手架之间的角度约束、接触约束、偏移约束等约束关系，从设备到产线到车间的模型组装过程，基于构建的约束关系与模型组装顺序实现模型的组装；
步骤三，融合脚手架数字孪生模型，不同***之间存在着耦合关系，因此要实现脚手架数字孪生模型的构建，要将外墙—电—液等多领域模型进行融合；
步骤四，验证脚手架数字孪生模型，具体包括验证脚手架的特征以及校正对象、校正参数、校正结果等信息，将有助于脚手架数字孪生模型应用于不同建筑物群构建。更进一步地，脚手架的拍摄图片通过无人机或人工拍摄得到。
步骤S3，基于脚手架信息确定脚手架的横向稳定性、脚手架的纵向稳定性、脚手架的支撑点稳定性。
脚手架的横向稳定性指脚手架在水平方向上的稳定性，反映脚手架抵抗水平荷载的能力。
脚手架的纵向稳定性为脚手架在垂直方向上的稳定性，反映脚手架抵抗垂直荷载的能力。
脚手架的支撑点稳定性表示脚手架支撑点的牢固程度和稳定性，直接影响整体脚手架的稳定性。
在一些实施例中，可以通过稳定性处理模型对脚手架信息进行处理得到脚手架的横向稳定性、脚手架的纵向稳定性、脚手架的支撑点稳定性。稳定性处理模型为深度神经网络模型。深度神经网络包括卷积神经网络（Convolutional Neural Network，CNN）、循环神经网络（Recurrent Neural Network，RNN）和变换器（Transformer）等。稳定性处理模型基于步骤S2得到的脚手架信息，通过分析主杆、横杆、纵杆和节点的位置坐标和连接关系，以及支撑点的数量和位置等信息，综合评估后可以得到脚手架的横向稳定性、纵向稳定性和支撑点稳定性。
步骤S4，基于脚手架在预设时长内的多个节点的应变数字孪生传感器数据的数据集合，使用K-Means算法对应变数字孪生传感器数据的数据集合进行聚类，得到多个簇和多个簇中的每个簇的聚类中心。
K-Means算法为一种聚类分析算法，K-Means算法通过迭代将数据分为K个簇，使得每个数据点到其所属簇的聚类中心的距离之和最小。
在一些实施例中，基于脚手架在预设时长内的多个节点的应变数字孪生传感器的数据使用K-Means算法进行聚类，得到多个簇和多个簇中的每个簇的聚类中心包括：
将脚手架在预设时长内的多个节点的应变数字孪生传感器的数据进行预处理得到每个节点的平均值、每个节点的标准差、每个节点的最大值、每个节点的最小值、每个节点的峰值、每个节点的谷值；
在一些实施例中，可以对每个节点的应变数字孪生传感器数据进行滤波处理，去除噪声数据后再确定每个节点的平均值、每个节点的标准差、每个节点的最大值、每个节点的最小值、每个节点的峰值、每个节点的谷值。
基于每个节点的平均值、每个节点的标准差、每个节点的最大值、每个节点的最小值、每个节点的峰值、每个节点的谷值使用K-Means算法进行聚类，得到多个簇和多个簇中的每个簇的聚类中心。
步骤S5，根据每个节点的应变数字孪生传感器的数据的初始节点稳定性、每个节点的应变数字孪生传感器数据与所属的簇的聚类中心的相似度，每个节点的应变数字孪生传感器的数据与所属的簇中的各个应变数字孪生传感器数据的差异性进行加权求和，确定脚手架分别在多个节点的稳定性。
其中，初始节点稳定性根据算式得到，其
中，为待检测节点的应变数字孪生传感器的数据x所属状态类别 的概率，状态类
别包括正常状态和异常状态，状态类别为将节点的应变数字孪生传感器的数据x输入
到初始的分类模型后输出的。初始的分类模型由脚手架的各个节点的被标注有状态类别的
应变数字孪生传感器的数据，输入到初始训练网络进行训练得到的。可以理解地，通过上述
的方式得到的初始节点稳定性的可靠性高。
相似度得到，其中，Z为应变数字孪
生传感器数据的数据集合被聚类后的簇的个数， 代表第 个簇的聚类中心的应变数
字孪生传感器数据，x为待检测的节点的应变数字孪生传感器的数据。可以理解地，通过上
述的方式得到的相似度的可靠性高。
另外，脚手架从上到下的同一层（即同一高度）中的节点的应变数字孪生传感器的数据的相似度高，即是说，高度相同的同一层上应变数字孪生传感器的数据会被聚类成一簇。若待检测的节点的应变数字孪生传感器的数据与对应的聚类中心的相似度低，则说明该待检测的节点的应变数字孪生传感器的数据出现异常。进而，可以通过各层中的节点的应变数字孪生传感器的数据的相似度，表征脚手架的稳定性。
差异性根据算式得到，其中，为第m个节
点的应变数字孪生传感器的数据，为应变数字孪生传感器数据的数据集合中除第m个节
点的应变数字孪生传感器的数据以外的第j个节点的应变数字孪生传感器的数据，U为应变
数字孪生传感器数据的数据集合，n为应变数字孪生传感器数据的数据集合中各节点的应
变数字孪生传感器的数据的个数，为应变数字孪生传感器数据的数据集合中各节点的
应变数字孪生传感器的数据的标准差。可以理解地，通过上述的方式得到的差异性的可靠
性高。
另外，脚手架从上到下的各层中的节点的应变数字孪生传感器的数据的差异性小（即相似度高）。若待检测的节点的应变数字孪生传感器的数据与同一簇中的其他待检测的节点的应变数字孪生传感器的数据的差异性大，则说明该待检测的节点的应变数字孪生传感器的数据出现异常。进而，可以通过各层中的节点的应变数字孪生传感器的数据的差异性，表征脚手架的稳定性。
综上，可以理解地，根据每个节点的应变数字孪生传感器的数据的初始节点稳定性、每个节点的应变数字孪生传感器数据与所属的簇的聚类中心的相似度，每个节点的应变数字孪生传感器的数据与所属的簇中的各个应变数字孪生传感器数据的差异性进行加权求和，确定脚手架分别在多个节点的稳定性的精确度很高。
步骤S6，基于脚手架在预设时长内的加速度数字孪生传感器的数据使用加速度数字孪生传感器模型确定脚手架的牢固程度。
加速度数字孪生传感器模型为Transformer模型。Transformer模型可以处理序列数据。Transformer模型的输入为脚手架在预设时长内的加速度数字孪生传感器的数据，Transformer模型的输出为脚手架的牢固程度。Transformer模型由编码器（Encoder）和解码器（Decoder）组成，每个部分都由多个层堆叠而成。编码器负责将输入的序列信息进行编码，解码器负责根据编码器的输出生成目标序列。加速度数字孪生传感器模型可以根据加速度数字孪生传感器采集到的数据，得到脚手架在不同方向上的加速度和振动情况，从而评估脚手架的牢固程度。
步骤S7，基于脚手架的横向稳定性、脚手架的纵向稳定性、脚手架的支撑点稳定性、两个簇中每个节点的应变数字孪生传感器的数据距离每个簇的聚类中心的距离、脚手架的牢固程度使用判断模型判断脚手架是否需要进行全面检查。
判断模型为深度神经网络模型。判断模型可以综合考虑脚手架的横向稳定性、脚手架的纵向稳定性、脚手架的支撑点稳定性、脚手架分别在多个节点的稳定性、脚手架的牢固程度后判断脚手架是否需要进行全面检查。判断模型的输入为脚手架的横向稳定性、脚手架的纵向稳定性、脚手架的支撑点稳定性、脚手架分别在多个节点的稳定性、脚手架的牢固程度，判断模型的输出为需要全面检查或不需要全面检查。
基于同一发明构思，图2为本发明的实施例提供的一种建筑施工的数字孪生与智能传感器融合***示意图，该***包括：
第一获取模块21，用于获取脚手架的拍摄图片，脚手架在预设时长内的多个节点的应变数字孪生传感器的数据，脚手架在预设时长内的加速度数字孪生传感器的数据；
脚手架信息确定模块22，用于基于预设的坐标系和脚手架的拍摄图片确定脚手架信息，脚手架信息包括脚手架的每个主杆的位置坐标、脚手架的每个横杆的位置坐标、脚手架的每个纵杆的位置坐标、每个节点的位置坐标、脚手架的材料信息、支撑点信息、脚手架的平整度、脚手架构件的新旧程度；
合理程度确定模块23，用于基于脚手架信息确定脚手架的横向稳定性、脚手架的纵向稳定性、脚手架的支撑点稳定性；
稳定性确定模块24，用于基于脚手架在预设时长内的多个节点的应变数字孪生传
感器数据的数据集合，使用K-Means算法对应变数字孪生传感器数据的数据集合进行聚类，
得到多个簇和多个簇中的每个簇的聚类中心，并根据每个节点的应变数字孪生传感器的数
据的初始节点稳定性、每个节点的应变数字孪生传感器数据与所属的簇的聚类中心的相似
度，每个节点的应变数字孪生传感器的数据与所属的簇中的各个应变数字孪生传感器数据
的差异性进行加权求和，确定脚手架分别在多个节点的稳定性；其中，初始节点稳定性根据算式得到，其中，为待检测节点的应
变数字孪生传感器的数据x所属状态类别 的概率，状态类别包括正常状态和异常状
态，状态类别为将节点的应变数字孪生传感器的数据x输入到初始的分类模型后输出的，
初始的分类模型是脚手架的各个节点的被标注有状态类别的应变数字孪生传感器的数据，
输入到初始训练网络进行训练得到的；相似度得到，其中，Z为应变数字孪生传感器数据的
数据集合被聚类后的簇的个数， 代表第 个簇的聚类中心的应变数字孪生传感器数
据，x为待检测的节点的应变数字孪生传感器的数据；差异性根据算式得到，其中，为第m个节点的应变数字孪生传感器的数
据，为应变数字孪生传感器数据的数据集合中除第m个节点的应变数字孪生传感器的数
据以外的第j个节点的应变数字孪生传感器的数据，U为应变数字孪生传感器数据的数据集
合，n为应变数字孪生传感器数据的数据集合中各节点的应变数字孪生传感器的数据的个
数，为应变数字孪生传感器数据的数据集合中各节点的应变数字孪生传感器的数据的
标准差；
牢固程度确定模块25，用于基于脚手架在预设时长内的加速度数字孪生传感器的数据使用加速度数字孪生传感器模型确定脚手架的牢固程度；
检查模块26，用于基于脚手架的横向稳定性、脚手架的纵向稳定性、脚手架的支撑点稳定性、脚手架分别在多个节点的稳定性、脚手架的牢固程度使用判断模型判断脚手架是否需要进行全面检查。
更进一步地，脚手架的拍摄图片通过无人机或人工拍摄得到。
更进一步地，稳定性确定模块还用于：
将脚手架在预设时长内的多个节点的应变数字孪生传感器的数据进行预处理得到每个节点的平均值、每个节点的标准差、每个节点的最大值、每个节点的最小值、每个节点的峰值、每个节点的谷值；
基于每个节点的平均值、每个节点的标准差、每个节点的最大值、每个节点的最小值、每个节点的峰值、每个节点的谷值使用K-Means算法进行聚类，得到多个簇和多个簇中的每个簇的聚类中心。
更进一步地，稳定性确定模块还用于：对每个节点的应变数字孪生传感器数据进行滤波处理，去除噪声数据。
更进一步地，稳定性确定模块，具体用于计算每个节点的应变数字孪生传感器数据的特征向量分别与每个簇的聚类中心的欧氏距离，得到每个节点的应变数字孪生传感器的数据与每个簇的聚类中心的相似度。
Claims (10)
1.一种建筑施工的数字孪生与智能传感器融合方法，其特征在于，包括：
获取脚手架的拍摄图片，脚手架在预设时长内的多个节点的应变数字孪生传感器的数据，脚手架在预设时长内的加速度数字孪生传感器的数据；
基于预设的坐标系和所述脚手架的拍摄图片确定脚手架信息，所述脚手架信息包括脚手架的每个主杆的位置坐标、脚手架的每个横杆的位置坐标、脚手架的每个纵杆的位置坐标、每个节点的位置坐标、脚手架的材料信息、支撑点信息、脚手架的平整度、脚手架构件的新旧程度；
基于所述脚手架信息确定所述脚手架的横向稳定性、所述脚手架的纵向稳定性、所述脚手架的支撑点稳定性；
基于所述脚手架在预设时长内的多个节点的应变数字孪生传感器数据的数据集合，使用K-Means算法对所述应变数字孪生传感器数据的数据集合进行聚类，得到多个簇和多个簇中的每个簇的聚类中心，并根据每个所述节点的应变数字孪生传感器的数据的初始节点稳定性、每个所述节点的应变数字孪生传感器数据与所属的簇的聚类中心的相似度，每个所述节点的应变数字孪生传感器的数据与所属的簇中的各个应变数字孪生传感器数据的差异性进行加权求和，确定所述脚手架分别在多个节点的稳定性；
所述初始节点稳定性根据算式/>得到；
其中，为待检测节点的应变数字孪生传感器的数据x所属状态类别/> 的概率，所述状态类别/>包括正常状态和异常状态，所述状态类别/>为将节点的应变数字孪生传感器的数据x输入到初始的分类模型后输出，所述初始的分类模型由脚手架的各个节点的被标注有状态类别的应变数字孪生传感器的数据，输入到初始训练网络进行训练得到；
所述相似度I(x)根据算式：得到；
其中，Z为所述应变数字孪生传感器数据的数据集合被聚类后的簇的个数， 代表第 个簇的聚类中心的应变数字孪生传感器数据，x为待检测的节点的应变数字孪生传感器的数据；
所述差异性根据算式/>得到；
其中，为第m个节点的应变数字孪生传感器的数据，/>为所述应变数字孪生传感器数据的数据集合中除所述第m个节点的应变数字孪生传感器的数据以外的第j个节点的应变数字孪生传感器的数据，U为所述应变数字孪生传感器数据的数据集合，n为所述应变数字孪生传感器数据的数据集合中各所述节点的应变数字孪生传感器的数据的个数，/>为所述应变数字孪生传感器数据的数据集合中各所述节点的应变数字孪生传感器的数据的标准差；
基于所述脚手架在预设时长内的加速度数字孪生传感器的数据使用加速度数字孪生传感器模型确定脚手架的牢固程度；
基于所述脚手架的横向稳定性、所述脚手架的纵向稳定性、所述脚手架的支撑点稳定性、所述脚手架分别在多个节点的稳定性、所述脚手架的牢固程度使用判断模型，判断脚手架是否需要进行全面检查。
2.如权利要求1所述的方法，其特征在于，所述脚手架的拍摄图片通过无人机或人工拍摄得到。
3.如权利要求1所述的方法，其特征在于，基于所述脚手架在预设时长内的多个节点的应变数字孪生传感器的数据使用K-Means算法进行聚类，得到多个簇和多个簇中的每个簇的聚类中心包括：
将所述脚手架在预设时长内的多个节点的应变数字孪生传感器的数据进行预处理得到每个节点的平均值、每个节点的标准差、每个节点的最大值、每个节点的最小值、每个节点的峰值、每个节点的谷值；
基于所述每个节点的平均值、所述每个节点的标准差、所述每个节点的最大值、所述每个节点的最小值、所述每个节点的峰值、所述每个节点的谷值使用K-Means算法进行聚类，得到多个簇和多个簇中的每个簇的聚类中心。
4.如权利要求3所述的方法，其特征在于，所述将所述脚手架在预设时长内的多个节点的应变数字孪生传感器的数据进行预处理得到每个节点的平均值、每个节点的标准差、每个节点的最大值、每个节点的最小值、每个节点的峰值、每个节点的谷值，进一步包括：对每个节点的应变数字孪生传感器数据进行滤波处理，去除噪声数据。
5.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取两个簇中每个节点的应变数字孪生传感器的数据与每个簇的聚类中心的距离；
计算每个节点的应变数字孪生传感器数据的特征向量分别与每个簇的聚类中心的欧氏距离，得到每个节点的应变数字孪生传感器的数据与每个簇的聚类中心的相似度。
6.一种建筑施工的数字孪生与智能传感器融合***，所述***基于权利要求1-5任一项所述的方法，其特征在于，包括：
第一获取模块，用于获取脚手架的拍摄图片，脚手架在预设时长内的多个节点的应变数字孪生传感器的数据，脚手架在预设时长内的加速度数字孪生传感器的数据；
脚手架信息确定模块，用于基于预设的坐标系和所述脚手架的拍摄图片确定脚手架信息，所述脚手架信息包括脚手架的每个主杆的位置坐标、脚手架的每个横杆的位置坐标、脚手架的每个纵杆的位置坐标、每个节点的位置坐标、脚手架的材料信息、支撑点信息、脚手架的平整度、脚手架构件的新旧程度；
合理程度确定模块，用于基于所述脚手架信息确定所述脚手架的横向稳定性、所述脚手架的纵向稳定性、所述脚手架的支撑点稳定性；
稳定性确定模块，用于基于所述脚手架在预设时长内的多个节点的应变数字孪生传感器数据的数据集合，使用K-Means算法对所述应变数字孪生传感器数据的数据集合进行聚类，得到多个簇和多个簇中的每个簇的聚类中心，并根据每个所述节点的应变数字孪生传感器的数据的初始节点稳定性、每个所述节点的应变数字孪生传感器数据与所属的簇的聚类中心的相似度，每个所述节点的应变数字孪生传感器的数据与所属的簇中的各个应变数字孪生传感器数据的差异性进行加权求和，确定所述脚手架分别在多个节点的稳定性；
所述初始节点稳定性根据算式/>得到；
其中，为待检测节点的应变数字孪生传感器的数据x所属状态类别/> 的概率，所述状态类别/>包括正常状态和异常状态，所述状态类别/>为将节点的应变数字孪生传感器的数据x输入到初始的分类模型后输出，所述初始的分类模型由脚手架的各个节点的被标注有状态类别的应变数字孪生传感器的数据，输入到初始训练网络进行训练得到；
所述相似度I(x)根据算式：得到；
其中，Z为所述应变数字孪生传感器数据的数据集合被聚类后的簇的个数， 代表第 个簇的聚类中心的应变数字孪生传感器数据，x为待检测的节点的应变数字孪生传感器的数据；
所述差异性根据算式/>得到；
其中，为第m个节点的应变数字孪生传感器的数据，/>为所述应变数字孪生传感器数据的数据集合中除所述第m个节点的应变数字孪生传感器的数据以外的第j个节点的应变数字孪生传感器的数据，U为所述应变数字孪生传感器数据的数据集合，n为所述应变数字孪生传感器数据的数据集合中各所述节点的应变数字孪生传感器的数据的个数，/>为所述应变数字孪生传感器数据的数据集合中各所述节点的应变数字孪生传感器的数据的标准差；
牢固程度确定模块，用于基于所述脚手架在预设时长内的加速度数字孪生传感器的数据使用加速度数字孪生传感器模型确定脚手架的牢固程度；
检查模块，用于基于所述脚手架的横向稳定性、所述脚手架的纵向稳定性、所述脚手架的支撑点稳定性、脚手架分别在多个节点的稳定性、所述脚手架的牢固程度使用判断模型判断脚手架是否需要进行全面检查。
7.如权利要求6所述的***，其特征在于，所述脚手架的拍摄图片通过无人机或人工拍摄得到。
8.如权利要求6所述的***，其特征在于，所述稳定性确定模块还用于：
将所述脚手架在预设时长内的多个节点的应变数字孪生传感器的数据进行预处理得到每个节点的平均值、每个节点的标准差、每个节点的最大值、每个节点的最小值、每个节点的峰值、每个节点的谷值；
基于所述每个节点的平均值、所述每个节点的标准差、所述每个节点的最大值、所述每个节点的最小值、所述每个节点的峰值、所述每个节点的谷值使用K-Means算法进行聚类，得到多个簇和多个簇中的每个簇的聚类中心。
9.如权利要求8所述的***，其特征在于，所述稳定性确定模块还用于：对每个节点的应变数字孪生传感器数据进行滤波处理，去除噪声数据。
10.如权利要求6所述的***，其特征在于，所述稳定性确定模块，具体用于计算每个节点的应变数字孪生传感器数据的特征向量分别与每个簇的聚类中心的欧氏距离，得到每个节点的应变数字孪生传感器的数据与每个簇的聚类中心的相似度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311596887.0A CN117648596B (zh) | 2023-11-28 | 2023-11-28 | 一种建筑施工的数字孪生与智能传感器融合方法与*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311596887.0A CN117648596B (zh) | 2023-11-28 | 2023-11-28 | 一种建筑施工的数字孪生与智能传感器融合方法与*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117648596A CN117648596A (zh) | 2024-03-05 |
| CN117648596B true CN117648596B (zh) | 2024-04-30 |
Family
ID=90048872
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311596887.0A Active CN117648596B (zh) | 2023-11-28 | 2023-11-28 | 一种建筑施工的数字孪生与智能传感器融合方法与*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117648596B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112647590A (zh) * | 2020-12-01 | 2021-04-13 | 河北建工集团有限责任公司 | 预制装配式钢筋混凝土梁柱钢节点预制组合柱的施工方法 |
| CN114332741A (zh) * | 2022-03-08 | 2022-04-12 | 盈嘉互联（北京）科技有限公司 | 一种面向建筑数字孪生的视频检测方法及*** |
| CN115424155A (zh) * | 2022-11-04 | 2022-12-02 | 浙江大华技术股份有限公司 | 违建检测方法、违建检测装置以及计算机存储介质 |
| CN115857447A (zh) * | 2022-11-28 | 2023-03-28 | 安徽宝信信息科技有限公司 | 基于数字孪生的复杂工业***运行监测方法及*** |
| CN116214542A (zh) * | 2023-03-23 | 2023-06-06 | 广东省特种设备检测研究院东莞检测院 | 一种球罐内壁爬壁机器人数字孪生*** |
| CN116449771A (zh) * | 2023-05-10 | 2023-07-18 | 中国标准化研究院 | 一种数控机床的数字孪生建模方法 |
| CN116498061A (zh) * | 2023-04-13 | 2023-07-28 | 中建二局第二建筑工程有限公司 | 弧形结构高支模施工方法 |
| WO2023159810A1 (zh) * | 2022-02-25 | 2023-08-31 | 山东大学 | 一种基于数字孪生的钢管混凝土拱桥施工监控方法及*** |
| KR20230129137A (ko) * | 2022-02-28 | 2023-09-06 | 주식회사 한국산업기술원 | 공사, 안전, 진단, 감리, 계측, 작업, 모니터링의 시스템, 관리시스템, 자동시스템 |
| CN117036999A (zh) * | 2023-08-15 | 2023-11-10 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于数字孪生的变电设备建模方法 |
| CN117094660A (zh) * | 2023-07-14 | 2023-11-21 | 中建三局上海有限公司 | 一种基于数字孪生技术的施工监控方法及*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4010766A1 (de) * | 2019-09-24 | 2022-06-15 | Siemens Aktiengesellschaft | Verfahren zur erstellung eines digitalen zwillings einer anlage oder vorrichtung |
-
2023
- 2023-11-28 CN CN202311596887.0A patent/CN117648596B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112647590A (zh) * | 2020-12-01 | 2021-04-13 | 河北建工集团有限责任公司 | 预制装配式钢筋混凝土梁柱钢节点预制组合柱的施工方法 |
| WO2023159810A1 (zh) * | 2022-02-25 | 2023-08-31 | 山东大学 | 一种基于数字孪生的钢管混凝土拱桥施工监控方法及*** |
| KR20230129137A (ko) * | 2022-02-28 | 2023-09-06 | 주식회사 한국산업기술원 | 공사, 안전, 진단, 감리, 계측, 작업, 모니터링의 시스템, 관리시스템, 자동시스템 |
| CN114332741A (zh) * | 2022-03-08 | 2022-04-12 | 盈嘉互联（北京）科技有限公司 | 一种面向建筑数字孪生的视频检测方法及*** |
| CN115424155A (zh) * | 2022-11-04 | 2022-12-02 | 浙江大华技术股份有限公司 | 违建检测方法、违建检测装置以及计算机存储介质 |
| CN115857447A (zh) * | 2022-11-28 | 2023-03-28 | 安徽宝信信息科技有限公司 | 基于数字孪生的复杂工业***运行监测方法及*** |
| CN116214542A (zh) * | 2023-03-23 | 2023-06-06 | 广东省特种设备检测研究院东莞检测院 | 一种球罐内壁爬壁机器人数字孪生*** |
| CN116498061A (zh) * | 2023-04-13 | 2023-07-28 | 中建二局第二建筑工程有限公司 | 弧形结构高支模施工方法 |
| CN116449771A (zh) * | 2023-05-10 | 2023-07-18 | 中国标准化研究院 | 一种数控机床的数字孪生建模方法 |
| CN117094660A (zh) * | 2023-07-14 | 2023-11-21 | 中建三局上海有限公司 | 一种基于数字孪生技术的施工监控方法及*** |
| CN117036999A (zh) * | 2023-08-15 | 2023-11-10 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于数字孪生的变电设备建模方法 |
Non-Patent Citations (1)
| Title |
|---|
| 智慧建造在建筑工程安全施工管理中的应用;何小勇 等;《智能建筑与智慧城市》;20210930(第9期);86-87 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117648596A (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113792453A (zh) | 基于数字孪生的局部放电监测***、方法和装置 | |
| CN102788572B (zh) | 一种工程机械吊钩姿态的测量方法、装置及*** | |
| CN113916130B (zh) | 一种基于最小二乘法的建筑物位置测量方法 | |
| CN117252863B (zh) | 一种地理信息异常数据快速检测分析方法 | |
| CN112967312B (zh) | 一种面向野外刚体目标的实时鲁棒位移监测方法及*** | |
| CN111709988A (zh) | 一种物体的特征信息的确定方法、装置、电子设备及存储介质 | |
| CN113408034A (zh) | 一种基于bim建筑三维模型技术的工程施工智能云管理平台 | |
| CN108830317B (zh) | 基于数字摄影测量的露天矿山边坡岩体节理产状快速精细取值方法 | |
| Barrile et al. | Structural modeling of a historic castle using close range photogrammetry | |
| CN116518864A (zh) | 一种基于三维点云对比分析的工程结构全场变形检测方法 | |
| CN117076928A (zh) | 一种桥梁健康状态监测方法、装置、***及电子设备 | |
| CN117648596B (zh) | 一种建筑施工的数字孪生与智能传感器融合方法与*** | |
| CN116433755B (zh) | 基于可变形三维模型和光流表示学习的结构稠密位移识别方法及*** | |
| CN115311574B (zh) | 一种建筑物监测方法、设备及介质 | |
| TWI636276B (zh) | 人工智能地震判斷方法及地震偵測系統 | |
| CN115713548A (zh) | 一种多期实景三维模型自动配准方法 | |
| CN114299421A (zh) | 检测螺栓松动的方法、卷积神经网络、训练方法及*** | |
| Ostrowski et al. | A framework for computer vision-based health monitoring of a truss structure subjected to unknown excitations | |
| CN107358655B (zh) | 基于离散平稳小波变换的半球面和圆锥面模型的辨识方法 | |
| CN117058152B (zh) | 基于点云数据的装配式建筑构建质量智能检测方法 | |
| CN110909067A (zh) | 一种面向海洋多维数据的可视分析***及方法 | |
| CN116681698B (zh) | 一种弹簧自动装配质量检测方法及*** | |
| CN117952565B (zh) | 基于bim模型的装配式建筑智能管理方法及*** | |
| CN117114782B (zh) | 建筑工程造价分析方法 | |
| Chen et al. | Characterizing point cloud data density for spatial change-based maintenance planning of civil infrastructure systems |
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 |