-
公开(公告)号:CN112668774B
公开(公告)日:2024-04-05
申请号:CN202011561682.5
申请日:2020-12-25
Applicant: 浙江大学 , 浙江海峡创新科技有限公司 , 海峡创新互联网股份有限公司
IPC: G06Q10/04 , G06Q10/047 , G06Q10/0631 , G06Q50/26 , G08G1/01 , H04L41/0823
Abstract: 本发明公开了一种桥梁网络灾后修复过程中的资源动态优化配置方法,包括:S1、数据初始化;S2、根据桥梁的初始损伤状态及修复进度,对所在路段的通行容量进行折减,然后建立用户均衡模型来计算交通流分布,并基于总通行时间计算当前的路网通行功能;S3、根据桥梁网络的修复进度和施工队的调度定义状态空间和动作空间;考虑施工队工作效率的随机性,将每座桥梁完全修复的时刻作为决策点,建立优化施工队调度策略的半马尔科夫决策过程模型;S4、求解半马尔科夫决策过程模型,获得施工队的最优调度策略。本发明基于半马尔科夫决策过程理论,考虑了施工队数量的约束条件及施工队工作效率的随机性,以根据实际修复进度动态优化后续的施工队调度方案。
-
公开(公告)号:CN118014227A
公开(公告)日:2024-05-10
申请号:CN202211356395.X
申请日:2022-11-01
Applicant: 浙江大学
IPC: G06Q10/0631 , G06Q50/08 , G06Q50/26 , G06N7/08
Abstract: 本发明公开了一种洪涝灾害下建筑经济动态损失评估及减灾决策系统,该系统基于精细的物理模型并考虑了建筑构件在应对洪涝灾害时抗力分布的不确定性,当应用于灾前模拟场景时能够获得整个洪涝过程中时变的灾害经济损失,为相关救灾物资的调度提供依据;当应用于实时监测场景时,与现有方法相比可较为准确的获得当前时刻监控区内各建筑的经济损失情况。
-
公开(公告)号:CN117494586B
公开(公告)日:2024-04-30
申请号:CN202311856553.2
申请日:2023-12-29
Applicant: 浙江大学
IPC: G06F30/27 , G06F30/28 , G06F119/14 , G06F113/08
Abstract: 本发明公开了一种基于深度学习的山洪时空预测方法,包括:通过栅格式SCS水文模型模拟目标区域的山洪产流过程;通过LISFLOOD‑FP水动力模型模拟山洪淹没过程;创建物理模拟的降雨‑山洪数据集;基于Pytorch深度学习框架构建山洪时空预测代理模型;通过降雨‑山洪数据集,对山洪时空预测代理模型进行训练和测试。本发明基于深度学习方法构建了山洪时空预测代理模型,通过在水文和水动力模型模拟的大量降雨和对应山洪淹没数据样本中训练学习,拟合降雨到山洪之间的复杂非线性关系,完成针对山洪时空预测任务的物理模型代理,可根据降雨时间序列,快速并精确地预测山洪淹没的时空变化过程,服务于山洪灾害的短时临近预报任务。
-
公开(公告)号:CN117494586A
公开(公告)日:2024-02-02
申请号:CN202311856553.2
申请日:2023-12-29
Applicant: 浙江大学
IPC: G06F30/27 , G06F30/28 , G06F119/14 , G06F113/08
Abstract: 本发明公开了一种基于深度学习的山洪时空预测方法,包括:通过栅格式SCS水文模型模拟目标区域的山洪产流过程;通过LISFLOOD‑FP水动力模型模拟山洪淹没过程;创建物理模拟的降雨‑山洪数据集;基于Pytorch深度学习框架构建山洪时空预测代理模型;通过降雨‑山洪数据集,对山洪时空预测代理模型进行训练和测试。本发明基于深度学习方法构建了山洪时空预测代理模型,通过在水文和水动力模型模拟的大量降雨和对应山洪淹没数据样本中训练学习,拟合降雨到山洪之间的复杂非线性关系,完成针对山洪时空预测任务的物理模型代理,可根据降雨时间序列,快速并精确地预测山洪淹没的时空变化过程,服务于山洪灾害的短时临近预报任务。
-
公开(公告)号:CN112632677B
公开(公告)日:2022-05-10
申请号:CN202011561626.1
申请日:2020-12-25
Applicant: 浙江大学 , 浙江海峡创新科技有限公司 , 海峡创新互联网股份有限公司
IPC: G06F30/13 , G06F30/23 , G06F30/27 , G06Q10/00 , G06Q10/04 , G06Q10/06 , G06Q50/08 , G06F111/06 , G06F111/08 , G06F119/02 , G06F119/04
Abstract: 本发明公开了一种基于半马尔科夫决策过程的桥梁全寿命维护策略优化方法,包括:S1、确定桥梁的年失效概率及对应的可靠度指标,并根据可靠度指标定义桥梁状态;S2、仅考虑锈蚀引起的可靠度指标退化,且设定退化过程符合伽马过程;S3、计算决策区间内桥梁的失效概率;S4、每年对桥梁进行一次健康检测,判断桥梁保护层的退化情况并确定桥梁状态,根据桥梁状态确定采取的决策,该决策问题采用半马尔科夫决策过程模型;S5、求解半马尔科夫决策过程模型,获得桥梁最优全寿命维护策略。该方法基于桥梁的可靠度指标对预防性维护策略和必要性维护策略进行统一优化,同时考虑了桥梁性能退化过程中的随机性及决策区间内桥梁的时变可靠度。
-
-
-
-