-
公开(公告)号：CN118965884A
公开(公告)日：2024-11-15
申请号：CN202411021212.8
申请日：2024-07-29
Applicant: 哈尔滨工业大学
IPC: G06F30/23 , G06F18/214 , G06F18/24 , G06F17/18 , G06N20/00 , G06F119/14
Abstract: 本发明提出基于样条插值和机器学习的建筑各层地震响应计算方法。该方法通过样条插值和等距采样的方法对各种层数建筑的详细震害结果(所有层的地震响应)进行处理，将其统一为成相同的维度，使得改进后的代理模型可以计算任意层数建筑的详细震害结果。本发明的适用范围为任意具有层结构的建筑物。所述方法兼具高精度、高效度和低成本，计算精度接近物理模型，而计算效率是物理模型的数千倍，对计算机的配置要求低，使用普通的个人计算机就能在数小时内完成代理模型的训练和优化过程。
-
公开(公告)号：CN118865261A
公开(公告)日：2024-10-29
申请号：CN202411106692.8
申请日：2024-08-13
Applicant: 哈尔滨工业大学
Abstract: 基于线匹配的模糊监控视频结构振动响应信息提取方法，涉及结构健康监测领域。本发明是为了解决在对震后结构评估时，基于加速度的测量存在低频噪声，基于视觉的测量工业相机独立于振动台外的问题。本发明通过棋盘格标定板对监控相机进行标定，获得监控相机的内参信息矩阵与畸变系数；将震时画面分割成独立帧，利用线段描述子逐级过滤的匹配算法在每一帧图像中筛选出与跟踪对象相匹配的线段，并将相交线段的交点作为特征点，提取特征点的亚像素坐标；将特征点的亚像素坐标和监控相机的内参信息矩阵输入至SQPnP算法中进行相机位姿估计，并求解层间相对位移，实现在结构振动时对模糊监控视频中响应信息的提取。
-
公开(公告)号：CN117607959B
公开(公告)日：2024-08-16
申请号：CN202311514150.X
申请日：2023-11-14
Applicant: 哈尔滨工业大学
IPC: G01V1/30
Abstract: 一种基于单目监控的医疗系统地震响应监测方法，属于结构健康监测技术领域。本发明针对现有医疗系统的地震响应监测仅针对建筑结构而无法监测医疗设备的问题。包括：对医疗系统的每个独立建筑空间，将监控摄像机与上层楼板固定连接；建立与监控摄像机相对静止的三维坐标系；由样本监测点的样本像素坐标和样本三维坐标确定摄像机投影矩阵；对当前监测点采用当前像素坐标和摄像机投影矩阵计算得到当前三维坐标；根据当前监测点的当前三维坐标和对应的初始坐标计算得到当前监测点的建筑结构双向层间位移时程或医疗设备双向滑移时程；实现医疗系统地震响应监测。本发明用于医疗系统地震响应监测。
-
公开(公告)号：CN117930355A
公开(公告)日：2024-04-26
申请号：CN202311625365.9
申请日：2023-11-30
Applicant: 哈尔滨工业大学
Abstract: 基于物理引导神经网络的一维土层模型联合反演方法，本发明为了解决目前一维土层模型联合反演方法存在高成本、对剖面的初始假设高度敏感和难以确定最佳反演次数等问题。一、收集地表地震动加速度记录和对应的井下地震动加速度记录；二、建立物理引导神经网络；三、构建网络训练数据集；四、开展物理引导神经网络训练；五、获取反演得到的土层参数。本发明利用物理引导神经网络对反演施加了明显的物理约束，此外还提出了物理限制的损失函数进一步限制了参数空间，有效降低了反演的不确定性，极大提升了反演的精度。
-
公开(公告)号：CN117272731A
公开(公告)日：2023-12-22
申请号：CN202311215116.2
申请日：2023-09-20
Applicant: 哈尔滨工业大学
IPC: G06F30/23 , G01V1/00 , G06F30/27 , G06N3/0464 , G06F17/15 , G06F119/14 , G06F119/12 , G06T17/20
Abstract: 基于卷积核分解‑Winograd快速卷积算法的地震波场模拟方法，本发明为了解决大规模地震波场模拟中卷积运算效率低的问题。地震波场高效模拟方法：一、建立空间差分和卷积的本征联系；二、建立F(3,2)卷积的Winograd加速形式；三、构建地震波场，对于任意长度的速度场或应力场p与卷积核q，先将p分解成若干子块，使得每一子块的长度能与卷积核q组成大小为F(3,j)的卷积过程；四、卷积核分块并应用F(3,2)卷积加速形式；五、对速度或应力场p的所有子块结果进行合并，得到速度或应力场的差分场。本发明推导出F(3,2)卷积过程的加速形式，能够将大尺寸的卷积核分解至F(3,2)基本单元进行加速。
-
Patent Agency Ranking
公开(公告)号：CN114966840B
公开(公告)日：2023-04-07
申请号：CN202210571505.8
申请日：2022-05-24
Applicant: 哈尔滨工业大学
Abstract: 基于通解神经网络的三维地震波场的模型建立方法，它为了解决传统物理信息神经网络无法求解三维波动方程的问题。三维地震波场建模方法：一、建立各向同性介质中三维地震波动方程；二、推导方程通解；三、确定求解域与数据点数量；四、建立包含4个子网络的全连接层神经网络分别表征f，g1，g2，g3，每个子网络包含10个隐藏层；五、损失函数设计；六、以损失函数为目标函数进行网络的训练，采用Adam自适应优化函数算法进行训练。本发明推导了三维波动方程的通解形式，以方程通解的宗量为输入建立神经网络，提出一种基于通解神经网络的三维地震波场建模，使得网络输出自动满足三维波动方程，大大减小了网络对于残差点的依赖。
-
公开(公告)号：CN111651814B
公开(公告)日：2022-08-05
申请号：CN202010420683.1
申请日：2020-05-18
Applicant: 哈尔滨工业大学
IPC: G06F30/13 , G06F111/10
Abstract: 一种近场区域结构的抗震设计方法，它属于地震工程领域。本发明解决了目前仅仅是通过修正抗震设计谱来考虑近场脉冲效应，使得近场区域的倒塌储备小于远场区域结构，导致近场区域结构的安全度差的问题。本发明是通过控制结构基本周期来实现倒塌储备等效的近场区域结构抗震设计方法。采用本发明方法能够保证近场脉冲型地震动作用下近场区域结构的倒塌储备，使近场区域结构的倒塌储备与远场地震动作用下远场区域结构的倒塌储备等效，从而保证了近场区域结构的安全度，有利于保障我国近场区域的城市地震安全和推动抗震韧性城市的建设。本发明可以应用于地震工程领域。
-
公开(公告)号：CN114282294B
公开(公告)日：2022-06-21
申请号：CN202111602341.2
申请日：2021-12-24
Applicant: 哈尔滨工业大学
IPC: G06F30/13 , G06F30/23 , G06F30/27 , G06V20/52 , G06V10/82 , G06V10/80 , G06K9/62 , G06N3/08 , G06F119/14
Abstract: 一种基于数字孪生的医院建筑震害预测方法及系统，涉及震害预测技术领域，针对现有技术中缺少用于震后对建筑物震损情况进行判断的方法的问题，本申请可以快速预测地震响应结果：基于Opensees软件建立医院有限元模型，输入地震动得到地震响应数据，结合深度神经网络将该部分数据90％作为训练集，10％作为验证集，对智能预测地震响应模型进行训练和验证，当对智能预测地震响应模型输入新的地震动时，将会快速给出该地震下医院建筑的响应结果。
-
公开(公告)号：CN114117617B
公开(公告)日：2022-05-31
申请号：CN202111494759.6
申请日：2021-12-08
Applicant: 哈尔滨工业大学
IPC: G06F30/13 , G06F30/23 , G06F30/27 , G06N3/04 , G06N3/08 , G06F111/04 , G06F119/14
Abstract: 一种三跨内廊式RC框架建筑地震响应的快速预测方法，涉及土木工程技术领域，针对现有技术中地震响应预测速度慢的问题，本申请预测模型的输入同时考虑了目标建筑结构参数的多样性和地震动的变异性，能够适用于一大类具有相同受力特征的三跨内廊式框架结构，并且训练好的StruNet模型能够应用于不同目标区域的相同受力特征的结构。基于深度学习方法建立的模型能够明显缩短结构响应预测时间，能够在震后为建筑损伤估计提供快速支撑、在震前评估建筑抗震性能上缩短工作时间减低计算成本。相较于耗时长、建模复杂的传统方法，本申请的准确度良好，并且本申请预测地震响应的速度快。
-
公开(公告)号：CN113568043B
公开(公告)日：2022-05-24
申请号：CN202110837608.X
申请日：2021-07-23
Applicant: 哈尔滨工业大学
Abstract: 基于深度卷积神经网络的三阶段震相拾取方法，它为了解决目前震相拾取方法依赖于初始时窗选取、无法直接应用于连续地震动记录的问题。拾取方法：建立第一阶段的数据集；二、建立第一阶段的时窗检测网络，包括9层卷积层和1层全连接层；三、时窗检测网络训练；四、提取包含P波的时窗；五、建立第二阶段的数据集；六、建立第二阶段的P波震相拾取网络；七、P波震相拾取网络训练；八、P波到时预测；九、提取包含S波的时窗；十、建立第三阶段的数据集；十一、建立第三阶段的S波震相拾取网络；十二、S波震相拾取网络训练；十三、S波到时预测。本发明采用三阶段的方式，在每个阶段内单独训练深度卷积网络模型，提高了震相拾取的精度。
-
-
-
-
-
-
-
-
-
Search Results
139
records
(took 0.034 seconds)
