一种格构式塔架结构风荷载识别方法、装置、系统及介质

    公开(公告)号:CN118913611A

    公开(公告)日:2024-11-08

    申请号:CN202411055281.0

    申请日:2024-08-02

    Inventor: 张庆 付兴 江文强

    Abstract: 本发明公开了一种格构式塔架结构风荷载识别方法、装置、系统及介质,涉及格构式塔架结构检测技术领域。具体实现方案为:在格构式塔架结构主体上沿高度方向设置多个第一测量点和多个第二测量点,分别获取应变数据ε和加速度数据a;基于应变数据ε,获取全场模态信息和全场动态位移u;基于加速度数据a和全场动态位移u,获取全场响应速度v,进而获得每个集中质量点处的模态风荷载fi;确定格构式塔架结构主体的结构信息和每个集中质量点处的高度,得到质量矩阵M;基于所述模态风荷载fi和所述质量矩阵M,得到风荷载F。该方法利用布置多个测点处的传感器所收集到的数据,间接测量格构式塔架结构主体的全场风荷载,解决了风荷载难以直接测量的问题。

    输电铁塔主材角钢次弯矩的测量方法

    公开(公告)号:CN107063530B

    公开(公告)日:2019-05-24

    申请号:CN201710228832.2

    申请日:2017-04-10

    Abstract: 本发明公开了一种输电铁塔主材角钢次弯矩的测量方法,涉及主材角钢次弯矩测量方法技术领域。所述方法包括如下步骤:1)安装应变片;2)采用半桥接线法将应变片a和应变片b接入应变仪,测量次弯矩Mz产生的弯曲应变并根据应变及应力表达式计算次弯矩Mz;3)采用半桥接线法分两次将应变片a和应变片b、应变片c和应变片d接入应变仪,测量次弯矩My产生的弯曲应变并根据应变及应力表达式计算次弯矩My。本发明基于应变片的粘贴方法以及接入应变仪的方式,实现输电铁塔主材角钢偏心受载时的次弯矩测量,具有测量方法简单、效率高等优点,可有效应用于实际结构中偏心受载角钢的次弯矩测量。

    输电铁塔主材角钢次弯矩的测量方法

    公开(公告)号:CN107063530A

    公开(公告)日:2017-08-18

    申请号:CN201710228832.2

    申请日:2017-04-10

    CPC classification number: G01L3/00

    Abstract: 本发明公开了一种输电铁塔主材角钢次弯矩的测量方法,涉及主材角钢次弯矩测量方法技术领域。所述方法包括如下步骤:1)安装应变片;2)采用半桥接线法将应变片a和应变片b接入应变仪,测量次弯矩Mz产生的弯曲应变并根据应变及应力表达式计算次弯矩Mz;3)采用半桥接线法分两次将应变片a和应变片b、应变片c和应变片d接入应变仪,测量次弯矩My产生的弯曲应变并根据应变及应力表达式计算次弯矩My。本发明基于应变片的粘贴方法以及接入应变仪的方式,实现输电铁塔主材角钢偏心受载时的次弯矩测量,具有测量方法简单、效率高等优点,可有效应用于实际结构中偏心受载角钢的次弯矩测量。

    一种基于深度学习的带材轧制过程板形预测方法

    公开(公告)号:CN117019883B

    公开(公告)日:2024-02-13

    申请号:CN202311082568.8

    申请日:2023-08-25

    Abstract: 本发明公开了一种基于深度学习的带材轧制过程板形预测方法,涉及带材轧制技术领域,包括以下步骤,S1:工业数据采集及数据集构建;S2:结合残差学习和聚合多尺度残差变换的方法,构建Inception‑ResNet模型;S3:使用AdaBound优化算法和两阶段学习率调整方法来训练网络模型;S4:根据模型评估指标,预测性能对比,选取最优模型,进行预测。本发明构建的深度全卷积网络可以直接接收带材轧制工艺参数,不需要额外的数据预处理方法,可以有效地解决轧制领域板形预测中的多输入多输出的多层级非线性问题,所提出的Inception‑ResNet网络具有较少的模型参数和较低的计算复杂性,其中Inception‑ResNet‑39网络包含39层可学习参数,实现了最先进的预测性能,此方法为模型构建及转移应用提供完整的流程。

    一种基于深度学习的带材轧制过程板形预测方法

    公开(公告)号:CN117019883A

    公开(公告)日:2023-11-10

    申请号:CN202311082568.8

    申请日:2023-08-25

    Abstract: 本发明公开了一种基于深度学习的带材轧制过程板形预测方法,涉及带材轧制技术领域,包括以下步骤,S1:工业数据采集及数据集构建;S2:结合残差学习和聚合多尺度残差变换的方法,构建Inception‑ResNet模型;S3:使用AdaBound优化算法和两阶段学习率调整方法来训练网络模型;S4:根据模型评估指标,预测性能对比,选取最优模型,进行预测。本发明构建的深度全卷积网络可以直接接收带材轧制工艺参数,不需要额外的数据预处理方法,可以有效地解决轧制领域板形预测中的多输入多输出的多层级非线性问题,所提出的Inception‑ResNet网络具有较少的模型参数和较低的计算复杂性,其中Inception‑ResNet‑39网络包含39层可学习参数,实现了最先进的预测性能,此方法为模型构建及转移应用提供完整的流程。

Patent Agency Ranking