-
公开(公告)号：CN113642068A
公开(公告)日：2021-11-12
申请号：CN202110765670.2
申请日：2021-07-07
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于决策树和循环神经网络的桥梁涡激振动响应幅值预测方法。该方法首先基于现场实测的桥梁涡激振动数据，采用决策树方法，建立了涡激振动模态预测模型，实现仅通过监测风速条件即可预测涡振模态；其次基于原型桥梁涡振位移幅值微分方程一般表达式和监测数据，设计了一种适用于表征桥梁结构振动动力系统的循环神经网络算法，直接建立风速和风向与各阶模态涡振响应幅值之间的映射关系，其优点在于可实现时变、不均匀自然风，超高雷诺数下原型桥梁涡振幅值机器学习预测，解决了传统基于风洞试验的半理论半经验模型无法准确预测自然风作用下原型桥梁涡振响应的难题，为桥梁涡振预警、预报，安全评估提供重要的支撑。
-
公开(公告)号：CN119809351A
公开(公告)日：2025-04-11
申请号：CN202510246806.7
申请日：2025-03-04
Applicant: 宁波东方理工大学(暂名) , 哈尔滨工业大学
IPC: G06Q10/0635 , G01V1/30 , G01V1/01 , G06Q50/26 , G06N3/0464 , G06N3/0475 , G06N3/045 , G06N3/094
Abstract: 本发明提供一种基于深度学习代理模型的区域地震风险评估方法，包括步骤：准备A份训练地震数据和B份验证地震数据，A份训练地震数据均输入深度学习框架的图像生成器进行迭代生成对应的预测地震动强度分布图及区域地震风险分布图；之后与真实值对比，为评估二者的差异，构建特征损失函数和对抗损失函数；基于特征损失函数和对抗损失函数持续调整生成器参数，直到所构建的损失函数值趋于平稳，所构建的模型训练完成；验证数据输入所构建的模型验证模型的性能，向训练后模型输入待测地震数据后输出待测地震风险分布图并判定损害等级，本发明方法降低了计算二阶段分析产生的误差，提升了区域地震评估效率和准确性。
-
公开(公告)号：CN119475000A
公开(公告)日：2025-02-18
申请号：CN202510066741.8
申请日：2025-01-16
Applicant: 宁波东方理工大学(暂名) , 哈尔滨工业大学
IPC: G06F18/24 , G06F18/21 , G06N3/0455 , G06N3/08
Abstract: 本发明提供一种基于物理融合深度学习的非线性模态数据驱动识别方法，该方法利用深度学习技术，仅依赖于非线性系统的响应数据即可识别出非线性模态。这一过程严格遵循非线性正则模态的定义，确保了识别过程的物理可解释性，并适用于各类非线性系统。相较于传统的非线性模态识别方法，本发明有效解决非线性模态识别计算复杂性高、非线性行为的先验知识依赖以及识别方法缺乏物理解释等问题。
-
公开(公告)号：CN110688963A
公开(公告)日：2020-01-14
申请号：CN201910939086.7
申请日：2019-09-30
Applicant: 哈尔滨工业大学
Abstract: 本发明公开一种基于聚类算法的大跨度桥梁涡激振动识别方法，通过构建涡激振动识别特征空间，以主梁振动加速度时程数据为输入，经过特征提取和聚类分析，输出得到各振动样本类别，进而实现涡激振动样本的识别，最终通过连接时间相邻的样本实现完整涡激振动事件的识别。本发明针对大跨度桥梁涡激振动识别问题，构建了桥梁涡激振动识别特征空间，实现了对原型桥梁在复杂环境激励下振动的特征提取、涡激振动样本识别、涡激振动事件识别及结果展示的全过程自动化处理。本发明提高了大跨度桥梁涡激振动识别的自动化、智能化、准确性和鲁棒性，为土木工程桥梁涡激振动的自动识别提供了解决方案。
-
-
-
Search Results
4
records
(took 0.086 seconds)
