-
公开(公告)号：CN119578269A
公开(公告)日：2025-03-07
申请号：CN202510141793.7
申请日：2025-02-08
Applicant: 浙江嘉绍跨江大桥投资发展有限公司 , 哈尔滨工业大学 , 中交公路规划设计院有限公司
IPC: G06F30/27 , G06F30/23 , G06N3/042 , G06N3/0464 , G06N3/098 , G06F119/08 , G06F119/14
Abstract: 本发明公开了一种基于GNN与GRU的桥梁结构时变火灾响应预测方法及系统，方法包括：建立待测桥梁结构FEM模型并随机生成火灾曲线，两者结合生成数据集；根据FEM模型建立图结构，在图结构节点中嵌入用于温度、应力以及位移预测的静态和动态特征；构建消息传递层，GNN负责空间信息传递，GRU负责时间信息传递；利用两者结合的消息传递公式模拟热传导公式；接收来自图结构的包括温度、应力、位移预测特征的节点输入向量；确定损失函数并对温度、应力、位移预测的GNN+GRU网络分开训练；待测桥梁结构遭遇火情时，通过训练好的模型获取待测桥梁结构的火灾响应情况。解决了传统的GNN模型只能预测非时变边界火灾响应的问题。
-
公开(公告)号：CN119648922A
公开(公告)日：2025-03-18
申请号：CN202510141794.1
申请日：2025-02-08
Applicant: 浙江嘉绍跨江大桥投资发展有限公司 , 哈尔滨工业大学 , 中交公路规划设计院有限公司
Abstract: 本发明公开了一种融合三维可变形模型的结构位移视觉识别方法及系统，方法包括：通过消费级单目相机采集工程结构振动视频数据，建立三维可变形网格模型并生成位姿渲染图像以及位移值数据；去除环境噪声干扰；通过光流模型估计渲染图像中的稠密光流数据，构建包含位姿信息的光流特征数据集；输入两组数据序列整体结构图像序列和局部结构图像序列，经过卷积层的多层卷积操作后，分别生成对应的整体特征与局部特征；再经过线性变换生成其特征查询向量、键向量和值向量，并根据这些向量在两种特征之间建立动态权重，得到两种融合特征后进行全局平均池化，通过多层感知器输出位姿估计值。实现了仅通过单目消费级相机即可精确识别三维结构的位移。
-
公开(公告)号：CN119578268A
公开(公告)日：2025-03-07
申请号：CN202510141576.8
申请日：2025-02-08
Applicant: 浙江嘉绍跨江大桥投资发展有限公司 , 哈尔滨工业大学 , 中交公路规划设计院有限公司
IPC: G06F30/27 , G06F30/23 , G06N5/04 , G06N3/0455 , G06N3/082 , G06N3/09 , G06F111/10 , G06F119/14
Abstract: 本发明公开了一种基于编码器‑解码器的桥梁车辆荷载感知方法及系统，方法包括：建立基于编码器‑解码器的变分推断模型，约束编码器‑解码器中间隐藏特征空间形状为桥面的离散形式，将自编码器中的编码器部分视为桥面荷载的变分推断模型，解码器部分视为训练编码器网络的约束部分；搭建有限元模型并加载实测车辆荷载序列得到车辆荷载与结构动态变形的响应数据集，作为有监督数据集；并收集桥梁真实运行的结构变形数据，以此为微调数据集，对接预训练阶段成果，用于后续微调阶段；开展网络模型的预训练和微调；输入实时的桥梁结构变形进行特征空间内车辆荷载的推断。解决了传统方法无法获取桥面车辆荷载实时分布，且本模型可以快速部署。
-
公开(公告)号：CN119203683A
公开(公告)日：2024-12-27
申请号：CN202411356374.7
申请日：2024-09-27
Applicant: 哈尔滨工业大学
IPC: G06F30/23 , G06F30/27 , G06F119/02 , G06F111/08
Abstract: 一种基于蒙特卡洛dropout神经网络的结构可靠度主动学习方法，解决现有方法在处理高维强非线性问题时仍然需要大量调用耗时的有限元分析计算极限状态函数的问题，所述方法包括：利用基于MC‑dropout神经网络作为代理模型，利用其预测的均值和标准差来引导每次迭代中的主动学习过程。通过识别并选择那些靠近极限状态曲面且具有显著不确定性的新样本，用于更新代理模型，从而逐步提升模型的精度和可靠性。此外，采用MC‑dropout神经网络的集成技术来估计失效概率，进一步提高了分析的准确性。为了确保主动学习过程的有效进行，本发明还引入了两个收敛准则来判断何时终止学习过程。本发明还适用于结构可靠度分析。
-
公开(公告)号：CN119066920A
公开(公告)日：2024-12-03
申请号：CN202411134557.4
申请日：2024-08-19
Applicant: 哈尔滨工业大学
Abstract: 本发明是一种基于深度强化学习和自博弈策略的斜拉桥结构失效模式搜索方法。本发明涉及土木工程结构健康监测技术领域，本发明将结构系统失效模式搜索过程中基于失效概率的构件选择过程，转化为基于深度强化学习的序贯决策过程，使搜索过程不再需要复杂的失效概率计算与状态转化计算，减少“组合爆炸”问题对搜索过程的影响。本发明的自博弈策略可有效降低训练过程中对先验知识的依赖，充分发挥评分函数计算过程中每次有限元分析所得结果的作用，减少有限元分析的次数，使训练过程更加智能。
-
Patent Agency Ranking
公开(公告)号：CN118862565A
公开(公告)日：2024-10-29
申请号：CN202410898702.X
申请日：2024-07-05
Applicant: 哈尔滨工业大学
IPC: G06F30/23 , G06F30/27 , G06F18/20 , G06N3/0464 , G06N3/084
Abstract: 一种基于卷积神经网络代理模型与贝叶斯模型的结构损伤识别方法及系统，本发明涉及结构工程领域，具体涉及结构损伤识别领域。为了解决现有技术无法兼顾计算精度和效率的问题，现有技术无法准确、高效地实现结构损伤识别的不确定性分析和量化的问题，本发明通过贝叶斯建模，创建损伤参数的先验、似然和后验分布。使用逆采样策略生成样本，进行有限元分析，构建数据集。设计CNN代理模型并训练，结合Metropolis‑Hasting算法形成AdaMH算法模型。利用该模型抽取后验样本，并通过误差增强模型修正偏差。更新贝叶斯模型以定位和量化结构损伤。在主流结构损伤识别中具有良好的应用前景。
-
公开(公告)号：CN117973208A
公开(公告)日：2024-05-03
申请号：CN202410162328.7
申请日：2024-02-05
Applicant: 哈尔滨工业大学
IPC: G06F30/27 , G06F30/23 , G06N20/00 , G06F17/18 , G06F17/14 , G06F17/16 , G06F18/23 , G06N3/04 , G06F17/11 , G06F111/04 , G06F119/14 , G06F111/08
Abstract: 本发明提出基于力学增强机器学习的结构模态参数识别方法。所述方法包括：得到结构时域加速度响应数据和结构响应时频域单源点输入；将数据输入设计好的力学增强模态参数神经网络，利用目标函数求解得到模态响应和振型；提取时域互相关最小化约束神经网络第六层的结果即为各阶模态响应，时域互相关最小化约束神经网络六七层之间的权重即为各阶振型系数；利用模态响应进行傅里叶变换得到结构各阶频率、利用对数衰减技术和曲线拟合得到结构各阶阻尼比。本发明在PYTHON软件平台上实现了基于机器学习的结构模态参数准确识别，实桥算例的结果表明该方法可以从环境激励下结构的响应数据中得到更多准确的模态参数结果。
-
公开(公告)号：CN116796615A
公开(公告)日：2023-09-22
申请号：CN202210230350.1
申请日：2022-03-09
Applicant: 哈尔滨工业大学
IPC: G06F30/27 , G06F30/13 , G06N3/04 , G06N3/08 , G06F119/02
Abstract: 本发明公开了一种基于随机子空间深度学习的结构模态参数识别方法。利用桥梁测点数据构造Hankel矩阵和Toeplitz矩阵；基于构造的Toeplitz矩阵，得到Toeplitz矩阵的奇异值；建立机器学习神经网络；将Toeplitz矩阵的奇异值作为建立的机器学习神经网络的输入，进而确定系统的阶次；基于构造的Hankel矩阵、Toeplitz矩阵及其建立的机器学习神经网络，得到系统矩阵和观测矩阵，并将系统矩阵和观测矩阵的求解程序自动嵌入到机器学习神经网络中；对神经网络得到的系统矩阵和观测矩阵进行求解，得到结构的模态参数。本发明用以解决现有技术中存在虚假模态的干扰和需要较多人工参数设定的问题。
-
公开(公告)号：CN113378967B
公开(公告)日：2022-11-08
申请号：CN202110720189.1
申请日：2021-06-28
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法，将某大型结构A的多元监测数据由时间序列分段数据可视化处理，转换为时域响应图像，根据数据段对应的时域响应图像数据进行人工标记，选取带有人工标记的各种异常类型的样本组成数据集A；将数据集A输入至用于异常检测的卷积神经网络模型A中，训练好模型A；将某大型结构B的多元监测数据可视化，人工标记，组成数据集B；在模型A的基础上加入数据集B，进行迁移学习训练，提升分类模型的泛化性能，使卷积神经网络模型能够适应不同分布的数据，迁移学习训练好的模型作为多元数据异常检测器；本发明能够解决目前结构健康监测多元数据无检测方法等问题。
-
公开(公告)号：CN109978138A
公开(公告)日：2019-07-05
申请号：CN201910212148.4
申请日：2019-03-20
Applicant: 哈尔滨工业大学
Abstract: 本发明是基于深度强化学习的结构可靠度抽样方法。本发明针对现有技术在结构可靠度抽样算法方面的不足，利用深度强化学习算法，提出基于深度强化学习的结构可靠度抽样方法，该方法融合的计算机视觉和深度强化学习等技术，可实现抽样空间的智能观察，以及在结构失效面附近的重要区域智能选取样本，作为结构可靠度代理模型的训练样本。为了实现强化学习的结构可靠度抽样，采用深度神经网络作为强化学习中的机器。通过定义一个合适的奖赏，在训练更新机器的同时，可以实现在结构失效面附近的重要区域智能抽样。本发明具有很好的智能结构可靠度采样能力，具有高效性。
-
-
-
-
-
-
-
-
-
Search Results
57
records
(took 0.077 seconds)
