-
公开(公告)号：CN117930355B
公开(公告)日：2025-02-25
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：CN119578251A
公开(公告)日：2025-03-07
申请号：CN202411772677.7
申请日：2024-12-04
Applicant: 哈尔滨工业大学
IPC: G06F30/27 , G06F30/13 , G06F17/16 , G06F17/18 , G06F17/11 , G06F18/214 , G06N3/048 , G06N3/08 , G06F111/04 , G06F119/14
Abstract: 本发明涉及一种基于物理一致神经网络的结构损伤系统识别方法，解决了当前基于物理的系统识别方法存在的泛化性能有限以及对局部损失不敏感的困境。步骤包括：一、收集目标建筑信息以及监测数据；二、建立物理一致神经网络；三、构建网络训练数据集；四、开展物理一致神经网络训练；五、获取反演的结构参数。本发明利用了Timoshenko梁理论和神经网络原理之间的相似性，搭建了物理一致神经网络，网络中每个参数均具有严格的物理意义，极大地增强了网络的可解释性和泛化性能；同时在损失函数中添加了先验知识约束，明显降低了反演的不确定性和难度。
-
Patent Agency Ranking
公开(公告)号：CN119378615A
公开(公告)日：2025-01-28
申请号：CN202411397192.4
申请日：2024-10-09
Applicant: 哈尔滨工业大学
Abstract: 本发明涉及地震工程技术领域，尤其是一种用于求解地震波方程的新型物理信息神经网络(gs‑PINN)，包括步骤一、建立新型物理信息神经网络；步骤二、划分网络训练所需的配置点；步骤三、确定入射波的形式；步骤四、开展网络训练：步骤五、获取一维地震波波动方程的解；本发明由两个子网络组成，每个子网络的第一层隐藏层的参数为不可训练参数，且数值由地震波传播方向决定，其余参数设置为可训练参数，保证网络本身自动满足一维地震波波动方程，有效避免网络陷入局部最优，大幅度降低了训练难度，为一维地震波波动方程求解提供了有力的技术支撑。
-
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：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。
-
公开(公告)号：CN113568043A
公开(公告)日：2021-10-29
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。
-
公开(公告)号：CN115310488A
公开(公告)日：2022-11-08
申请号：CN202210981249.X
申请日：2022-08-16
Applicant: 哈尔滨工业大学
Abstract: 基于生成式对抗神经网络的地震动记录滤波方法，本发明的目的是为了解决目前地震动信号滤波方法没有确定滤波参数的统一方法以及不能做到干净信号和噪声信号的完全分离的技术问题。滤波方法：一、收集高信噪比地震动和噪声地震动，建立地震动数据集；二、建立包含生成器和鉴别器的滤波处理网络，生成器采用了U‑Net结构；三、对滤波处理网络进行训练，使用Adam自适应优化算法进行对抗学习；四、对含噪信号进行除噪，得到干净信号。与传统的滤波方法比较，本发明基于生成式对抗神经网络的地震动记录滤波方法建立了统一的降噪模型，使用更加便捷，适用性更好，同时最大程度地保留了真实信号特征。
-
-
-
-
-
-
Search Results
7
records
(took 0.02 seconds)
