公开(公告)号：CN113465732B

公开(公告)日：2022-04-05

申请号：CN202110927658.7

申请日：2021-08-13

Applicant: 重庆大学

Inventor： 陈增顺 ,  张利凯 ,  付军 ,  袁晨峰 ,  王思宇 ,  高霖

IPC: G01H17/00 ,  G01M7/02 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于EMD‑DNN的振动台结构位移响应预测方法及装置，采集振动台加速度时程记录，并将该加速度时程记录分为训练集和测试集；对训练集中的加速度时程记录依次进行二次数值积分和经验模态分解，获得训练样本集；将训练样本集输入预先构建的深度神经网络模型中，进行迭代训练，优化模型参数，得到优化后的深度神经网络模型；将测试集输入优化后的深度神经网络模型中，预测得到振动台的位移时程曲线，进而还原振动台真实的结构位移响应；本发明基于经验模态分解和深度神经网络模型，整个过程具有自适应性，适用范围广，预测精度高。

公开(公告)号：CN113465732A

公开(公告)日：2021-10-01

申请号：CN202110927658.7

申请日：2021-08-13

Applicant: 重庆大学

Inventor： 陈增顺 ,  张利凯 ,  付军 ,  袁晨峰 ,  王思宇 ,  高霖

IPC: G01H17/00 ,  G01M7/02 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于EMD‑DNN的振动台结构位移响应预测方法及装置，采集振动台加速度时程记录，并将该加速度时程记录分为训练集和测试集；对训练集中的加速度时程记录依次进行二次数值积分和经验模态分解，获得训练样本集；将训练样本集输入预先构建的深度神经网络模型中，进行迭代训练，优化模型参数，得到优化后的深度神经网络模型；将测试集输入优化后的深度神经网络模型中，预测得到振动台的位移时程曲线，进而还原振动台真实的结构位移响应；本发明基于经验模态分解和深度神经网络模型，整个过程具有自适应性，适用范围广，预测精度高。

公开(公告)号：CN113743297A

公开(公告)日：2021-12-03

申请号：CN202111030338.8

申请日：2021-09-03

Applicant: 重庆大学

Inventor： 陈增顺 ,  张利凯 ,  付军 ,  高霖 ,  徐振钢 ,  闫磊

IPC: G06K9/00 ,  G06N3/04 ,  G06N3/08 ,  G01B21/02

Abstract: 本发明涉及一种基于深度学习的储罐穹顶位移数据修复方法，属于位移数据修复技术领域，所述修复方法包括：获取待修复测点和周围关联测点的历史位移数据，通过集合经验模态分解算法分解为多个本征模态函数分量对1DCNN‑LSTM模型进行训练得到EEMD‑1DCNN‑LSTM模型，并通过EEMD‑1DCNN‑LSTM模型预测出缺失的位移数据，完成数据修复。本发明中，将EEMD、1DCNN和LSTM组合成一个新的模型，非常适合处理有空间关联的复杂长期时序动态信息，能够大大提高预测精度，非常适合用于CNG储罐穹顶缺失位移数据的修复。

公开(公告)号：CN113688773A

公开(公告)日：2021-11-23

申请号：CN202111030325.0

申请日：2021-09-03

Applicant: 重庆大学

Inventor： 陈增顺 ,  华建民 ,  黄乐鹏 ,  薛暄译 ,  高霖 ,  王思宇

IPC: G06K9/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于深度学习的储罐穹顶位移数据修复方法，属于位移数据修复技术领域，所述修复方法包括：获取待修复测点和周围关联测点的历史位移数据，通过集合经验模态分解算法分解为多个本征模态函数分量对1DCNN‑BiLSTM模型进行训练得到EEMD‑1DCNN‑BiLSTM模型，并通过EEMD‑1DCNN‑BiLSTM模型预测出缺失的位移数据，完成数据修复。本发明中，将EEMD、1DCNN和BiLSTM组合成一个新的模型，非常适合处理有空间关联的复杂长期时序动态信息，能够大大提高预测精度，非常适合用于LNG储罐穹顶缺失位移数据的修复。

公开(公告)号：CN113743297B

公开(公告)日：2024-08-06

申请号：CN202111030338.8

申请日：2021-09-03

Applicant: 重庆大学

Inventor： 陈增顺 ,  张利凯 ,  付军 ,  高霖 ,  徐振钢 ,  闫磊

IPC: G06F18/15 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/08 ,  G01B21/02

Abstract: 本发明涉及一种基于深度学习的储罐穹顶位移数据修复方法，属于位移数据修复技术领域，所述修复方法包括：获取待修复测点和周围关联测点的历史位移数据，通过集合经验模态分解算法分解为多个本征模态函数分量对1DCNN‑LSTM模型进行训练得到EEMD‑1DCNN‑LSTM模型，并通过EEMD‑1DCNN‑LSTM模型预测出缺失的位移数据，完成数据修复。本发明中，将EEMD、1DCNN和LSTM组合成一个新的模型，非常适合处理有空间关联的复杂长期时序动态信息，能够大大提高预测精度，非常适合用于CNG储罐穹顶缺失位移数据的修复。

公开(公告)号：CN113688773B

公开(公告)日：2023-09-26

申请号：CN202111030325.0

申请日：2021-09-03

Applicant: 重庆大学

Inventor： 陈增顺 ,  华建民 ,  黄乐鹏 ,  薛暄译 ,  高霖 ,  王思宇

IPC: G06F18/10 ,  G06F18/213 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/08

Abstract: 本发明涉及一种基于深度学习的储罐穹顶位移数据修复方法，属于位移数据修复技术领域，所述修复方法包括：获取待修复测点和周围关联测点的历史位移数据，通过集合经验模态分解算法分解为多个本征模态函数分量对1DCNN‑BiLSTM模型进行训练得到EEMD‑1DCNN‑BiLSTM模型，并通过EEMD‑1DCNN‑BiLSTM模型预测出缺失的位移数据，完成数据修复。本发明中，将EEMD、1DCNN和BiLSTM组合成一个新的模型，非常适合处理有空间关联的复杂长期时序动态信息，能够大大提高预测精度，非常适合用于LNG储罐穹顶缺失位移数据的修复。