-
公开(公告)号：CN114485417B
公开(公告)日：2022-12-13
申请号：CN202210016940.4
申请日：2022-01-07
申请人： 哈尔滨工业大学
摘要： 本发明提出了一种基于深度循环神经网络光流估计模型的结构振动位移识别方法及系统，所述方法包括基于土木工程结构振动数据集的深度循环神经网络光流估计模型学习、结构振动位移识别过程、结合降噪自编码器对识别结果的校正以及结构振动位移识别全过程系统化的封装。该方法能够有效解决传统位移传感器在应用背景下的稀疏布置、质量负载、人为参与以及成本昂贵等实际问题。相比于其他应用深度神经网络的结构振动位移识别方法，通过共享权重和GRU迭代更新器的网络架构设计，本发明能实现更有效率且更精准的识别效果，且具有模型参数轻量，泛化能力强的优势。系统化的流程封装也使得本发明在土木工程结构振动领域的实际应用场景下更加便捷。
-
公开(公告)号：CN115325940A
公开(公告)日：2022-11-11
申请号：CN202210949533.9
申请日：2022-08-09
申请人： 哈尔滨工业大学
摘要： 本发明是一种高层建筑地震位移监测系统及方法。本发明涉及结构健康监测工程技术领域。本发明通过将激光发射器、激光接收器和水平激光靶标进行组合，形成顶部测点、中间测点和底部测点三类测点，并通过将这些测点按照一定方式布设在高层建筑上，组成一套高层建筑结构地震位移响应监测系统，并提出了上述系统测量数据的分析方法。该系统在没有固定监测点的条件下，可以实现高层建筑地震动态位移和转角的同步测量，以及地震后高层建筑结构残余位移的测量。
-
公开(公告)号：CN114970239A
公开(公告)日：2022-08-30
申请号：CN202210469070.6
申请日：2022-04-29
申请人： 哈尔滨工业大学
IPC分类号： G06F30/23 , G06F30/27 , G06N3/04 , G06N3/08 , G06N7/00 , G06F111/04 , G06F111/08
摘要： 本发明提出一种基于贝叶斯系统识别和启发式深度强化学习的多类型监测数据测点布置方法、设备及介质。涉及结构健康监测和随机振动领域。首先，根据工程结构设计信息并依据动力学和随机振动理论建立多类型测点布置的目标函数，随后利用基于深度强化学习及启发式思想的多类型监测数据测点布置优化算法对结构监测数据测点布置进行优化得到最终布置方案。本发明结合了深度强化学习和启发式思想，用于离散的测点优化布置问题，能够较好避免陷入局部最优问题，获得良好的优化效果，可以为多类型监测数据的测点优化布置提供有效的决策支持。此外，该优化算法亦可用于其他类似组合优化问题。
-
公开(公告)号：CN113935086B
公开(公告)日：2022-08-02
申请号：CN202111091775.0
申请日：2021-09-17
申请人： 哈尔滨工业大学
摘要： 本发明提出一种基于计算机视觉和深度学习的结构智能设计方法，包括外部截面轮廓设计与内部受力配筋设计两部分，分别建立了基于计算机视觉和深度学习的截面轮廓与内部配筋智能设计模型，针对结构截面轮廓生成图像可能存在的问题，比如总高度与原始样本存在较大误差、下翼板超出腹板、上翼板存在缺陷、板中部不连通等，基于数据拟合和图像形态学运算，重新调整生成的结构截面轮廓高度，并且使用闭运算调整截面轮廓；针对智能配筋设计结果进行了承载能力极限状态验算和正常使用极限验算；本发明无需耗费大量的人力和算力进行反复试算和迭代修改，提高了桥梁和建筑结构的设计效率以及自动化和智能化程度。
-
公开(公告)号：CN110782041B
公开(公告)日：2022-08-02
申请号：CN201910994657.7
申请日：2019-10-18
申请人： 哈尔滨工业大学
摘要： 本发明提出一种基于机器学习的结构模态参数识别方法，包括以下步骤：步骤一、将振动传感器收集到的数据进行初步滤波去噪处理；步骤二、将滤波后的数据输入设计的神经网络，设计目标函数，所述目标函数用于保证神经网络第三层的输出结果具有完全的独立性，使得神经网络的训练过程变为混叠信号的分离过程；步骤三、提取神经网络第三层的结果即为各阶模态响应，神经网络三四层之间的权重即为各阶振型系数；步骤四、对提取得到的模态响应进行功率谱变换求频率，利用对数衰减技术并进行曲线拟合得到阻尼比。本发明利用机器学习的方法实现了对监测数据的自动处理，网络自动化程度较高，分离速度较快。
-
公开(公告)号：CN114742101A
公开(公告)日：2022-07-12
申请号：CN202210316548.1
申请日：2022-03-29
申请人： 哈尔滨工业大学
摘要： 本发明提出了一种基于机器学习的自适应稀疏模态分解方法，首先待分析离散时间序列以向量形式作为输入；构建傅里叶变换矩阵作为额外已知输入；然后定义一组可变峰值中心与带宽的自适应滤波器组；再采用一个四层神经网络作为非凸最小二乘目标函数的求解器；最终通过定义一个损失函数作为目标函数，训练网络权重，由权重计算得到自适应滤波器组的波峰中心值和带宽以及滤波器权重系数，得到最稀疏本征模函数，完成信号模态的分解；本发明结合了机器学习中神经网络和信号分解方法，实现待分析时间序列的自适应稀疏分解为本征模函数，在此过程中自动学习和优化求解非凸最小二乘问题，对于非线性非平稳时间序列的自适应稀疏分解尤为重要。
-
公开(公告)号：CN114485417A
公开(公告)日：2022-05-13
申请号：CN202210016940.4
申请日：2022-01-07
申请人： 哈尔滨工业大学
摘要： 本发明提出了一种基于深度循环神经网络光流估计模型的结构振动位移识别方法及系统，所述方法包括基于土木工程结构振动数据集的深度循环神经网络光流估计模型学习、结构振动位移识别过程、结合降噪自编码器对识别结果的校正以及结构振动位移识别全过程系统化的封装。该方法能够有效解决传统位移传感器在应用背景下的稀疏布置、质量负载、人为参与以及成本昂贵等实际问题。相比于其他应用深度神经网络的结构振动位移识别方法，通过共享权重和GRU迭代更新器的网络架构设计，本发明能实现更有效率且更精准的识别效果，且具有模型参数轻量，泛化能力强的优势。系统化的流程封装也使得本发明在土木工程结构振动领域的实际应用场景下更加便捷。
-
公开(公告)号：CN113627096B
公开(公告)日：2022-04-29
申请号：CN202110797822.7
申请日：2021-07-14
申请人： 哈尔滨工业大学
IPC分类号： G06F30/28 , G06F30/15 , G06F111/10 , G06F113/08
摘要： 本发明公开一种基于空间相关性和监测数据的精细风场模拟方法。步骤1：获得空间相关性系数场，其通过不结合观测资料的WRF模拟获得；步骤2：获得传统观测及非传统观测得到的观测资料；步骤3：结合步骤2的观测资料的数值模拟模块考虑流体力学控制方程和多物理过程，通过运行步骤1的WRF核心模块ARW进而求得准确的空间场资料。本发明对现有方法中忽略地形、风向和大气环流等因素的影响的表述，其精度不准确的问题。
-
公开(公告)号：CN113837007B
公开(公告)日：2022-04-12
申请号：CN202110971025.6
申请日：2021-08-23
申请人： 哈尔滨工业大学
摘要： 本发明提出了一种基于桥梁监控视频中车辆匹配深度学习的桥梁荷载分布识别方法，所述方法首先进行目标车辆图像的获得及车辆荷载信息关联，然后利用基于HardNet深度学习描述符的图像匹配方法实现不同监控视频图像中的车辆识别，最后对给定时刻的所有位置监控视野中的车辆进行识别，结合目标车辆图像附加的车辆荷载信息，实现桥梁上的车辆荷载识别。本发明的图像匹配过程在各种监控场景下都能很好地建立车辆图像间的点特征对应关系，对于不同监控视频图像间存在的亮度、视角以及尺度变化都有着很好的鲁棒性，从而使得本方法能够有效应对复杂多变的实际监控场景的挑战，稳定识别桥上的车辆荷载。
-
公开(公告)号：CN114120129A
公开(公告)日：2022-03-01
申请号：CN202111451203.9
申请日：2021-11-30
申请人： 哈尔滨工业大学
摘要： 基于无人机图像和深度学习的滑坡滑移面的三维识别方法，涉及灾害监测技术领域。本发明是为了解决现有对山体滑坡进行检测的方法对滑移面的具体定位不准确的问题。本发明利用无人机采集被测区域至少5个不同角度的图像作为检测图像，利用语义分割网络对检测图像中所有像素点的类型进行区分，获得语义分割结果，其中像素点的类型包括背景像素点和滑坡滑移面像素点，利用三维重构算法对检测图像进行重构，获得包含滑坡滑移面的三维点云，计算三维点云中任一像素点A在二维平面中的二维坐标，将像素点A在二维平面中的二维坐标带入步骤二获得的语义分割结果中，获得像素点A的类型，将像素点A的类型及像素点A的三维坐标作为滑坡滑移面的三维识别结果。
-
-
-
-
-
-
-
-
-
搜索结果
362 条记录 (耗时 0.111 秒)
