-
公开(公告)号：CN119203683A
公开(公告)日：2024-12-27
申请号：CN202411356374.7
申请日：2024-09-27
Applicant: 哈尔滨工业大学
IPC: G06F30/23 , G06F30/27 , G06F119/02 , G06F111/08
Abstract: 一种基于蒙特卡洛dropout神经网络的结构可靠度主动学习方法，解决现有方法在处理高维强非线性问题时仍然需要大量调用耗时的有限元分析计算极限状态函数的问题，所述方法包括：利用基于MC‑dropout神经网络作为代理模型，利用其预测的均值和标准差来引导每次迭代中的主动学习过程。通过识别并选择那些靠近极限状态曲面且具有显著不确定性的新样本，用于更新代理模型，从而逐步提升模型的精度和可靠性。此外，采用MC‑dropout神经网络的集成技术来估计失效概率，进一步提高了分析的准确性。为了确保主动学习过程的有效进行，本发明还引入了两个收敛准则来判断何时终止学习过程。本发明还适用于结构可靠度分析。
-
公开(公告)号：CN119066920A
公开(公告)日：2024-12-03
申请号：CN202411134557.4
申请日：2024-08-19
Applicant: 哈尔滨工业大学
Abstract: 本发明是一种基于深度强化学习和自博弈策略的斜拉桥结构失效模式搜索方法。本发明涉及土木工程结构健康监测技术领域，本发明将结构系统失效模式搜索过程中基于失效概率的构件选择过程，转化为基于深度强化学习的序贯决策过程，使搜索过程不再需要复杂的失效概率计算与状态转化计算，减少“组合爆炸”问题对搜索过程的影响。本发明的自博弈策略可有效降低训练过程中对先验知识的依赖，充分发挥评分函数计算过程中每次有限元分析所得结果的作用，减少有限元分析的次数，使训练过程更加智能。
-
公开(公告)号：CN118862565A
公开(公告)日：2024-10-29
申请号：CN202410898702.X
申请日：2024-07-05
Applicant: 哈尔滨工业大学
IPC: G06F30/23 , G06F30/27 , G06F18/20 , G06N3/0464 , G06N3/084
Abstract: 一种基于卷积神经网络代理模型与贝叶斯模型的结构损伤识别方法及系统，本发明涉及结构工程领域，具体涉及结构损伤识别领域。为了解决现有技术无法兼顾计算精度和效率的问题，现有技术无法准确、高效地实现结构损伤识别的不确定性分析和量化的问题，本发明通过贝叶斯建模，创建损伤参数的先验、似然和后验分布。使用逆采样策略生成样本，进行有限元分析，构建数据集。设计CNN代理模型并训练，结合Metropolis‑Hasting算法形成AdaMH算法模型。利用该模型抽取后验样本，并通过误差增强模型修正偏差。更新贝叶斯模型以定位和量化结构损伤。在主流结构损伤识别中具有良好的应用前景。
-
公开(公告)号：CN117973208A
公开(公告)日：2024-05-03
申请号：CN202410162328.7
申请日：2024-02-05
Applicant: 哈尔滨工业大学
IPC: G06F30/27 , G06F30/23 , G06N20/00 , G06F17/18 , G06F17/14 , G06F17/16 , G06F18/23 , G06N3/04 , G06F17/11 , G06F111/04 , G06F119/14 , G06F111/08
Abstract: 本发明提出基于力学增强机器学习的结构模态参数识别方法。所述方法包括：得到结构时域加速度响应数据和结构响应时频域单源点输入；将数据输入设计好的力学增强模态参数神经网络，利用目标函数求解得到模态响应和振型；提取时域互相关最小化约束神经网络第六层的结果即为各阶模态响应，时域互相关最小化约束神经网络六七层之间的权重即为各阶振型系数；利用模态响应进行傅里叶变换得到结构各阶频率、利用对数衰减技术和曲线拟合得到结构各阶阻尼比。本发明在PYTHON软件平台上实现了基于机器学习的结构模态参数准确识别，实桥算例的结果表明该方法可以从环境激励下结构的响应数据中得到更多准确的模态参数结果。
-
公开(公告)号：CN116796615A
公开(公告)日：2023-09-22
申请号：CN202210230350.1
申请日：2022-03-09
Applicant: 哈尔滨工业大学
IPC: G06F30/27 , G06F30/13 , G06N3/04 , G06N3/08 , G06F119/02
Abstract: 本发明公开了一种基于随机子空间深度学习的结构模态参数识别方法。利用桥梁测点数据构造Hankel矩阵和Toeplitz矩阵；基于构造的Toeplitz矩阵，得到Toeplitz矩阵的奇异值；建立机器学习神经网络；将Toeplitz矩阵的奇异值作为建立的机器学习神经网络的输入，进而确定系统的阶次；基于构造的Hankel矩阵、Toeplitz矩阵及其建立的机器学习神经网络，得到系统矩阵和观测矩阵，并将系统矩阵和观测矩阵的求解程序自动嵌入到机器学习神经网络中；对神经网络得到的系统矩阵和观测矩阵进行求解，得到结构的模态参数。本发明用以解决现有技术中存在虚假模态的干扰和需要较多人工参数设定的问题。
-
Patent Agency Ranking
公开(公告)号：CN113378967B
公开(公告)日：2022-11-08
申请号：CN202110720189.1
申请日：2021-06-28
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法，将某大型结构A的多元监测数据由时间序列分段数据可视化处理，转换为时域响应图像，根据数据段对应的时域响应图像数据进行人工标记，选取带有人工标记的各种异常类型的样本组成数据集A；将数据集A输入至用于异常检测的卷积神经网络模型A中，训练好模型A；将某大型结构B的多元监测数据可视化，人工标记，组成数据集B；在模型A的基础上加入数据集B，进行迁移学习训练，提升分类模型的泛化性能，使卷积神经网络模型能够适应不同分布的数据，迁移学习训练好的模型作为多元数据异常检测器；本发明能够解决目前结构健康监测多元数据无检测方法等问题。
-
公开(公告)号：CN109978138A
公开(公告)日：2019-07-05
申请号：CN201910212148.4
申请日：2019-03-20
Applicant: 哈尔滨工业大学
Abstract: 本发明是基于深度强化学习的结构可靠度抽样方法。本发明针对现有技术在结构可靠度抽样算法方面的不足，利用深度强化学习算法，提出基于深度强化学习的结构可靠度抽样方法，该方法融合的计算机视觉和深度强化学习等技术，可实现抽样空间的智能观察，以及在结构失效面附近的重要区域智能选取样本，作为结构可靠度代理模型的训练样本。为了实现强化学习的结构可靠度抽样，采用深度神经网络作为强化学习中的机器。通过定义一个合适的奖赏，在训练更新机器的同时，可以实现在结构失效面附近的重要区域智能抽样。本发明具有很好的智能结构可靠度采样能力，具有高效性。
-
公开(公告)号：CN108520277A
公开(公告)日：2018-09-11
申请号：CN201810312137.9
申请日：2018-04-09
Applicant: 哈尔滨工业大学
Abstract: 本发明涉及一种基于计算机视觉的钢筋混凝土结构地震损伤自动识别与智能定位方法，是为了解决现有的钢筋混凝土结构地震损伤识别方法需要提供图像拍摄的相机内外参数或者需要额外的专业测量设备及相应智能算法的缺点而提出的，包括：对输入的图像进行降采样，根据预设的损伤类型使用矩形框对降采样后的图像的损伤区域进行标记，获得用于表示矩形框位置和大小的数据，并根据损伤类型对损伤区域打标签；将训练集输入至深度卷积神经网络中进行训练；训练过程中使用的损失函数为多目标优化函数，优化算法为带动量的随机梯度下降算法；将待识别图像重采样后输入至经过训练的深度卷积神经网络，得到识别结果。本发明适用于土木工程健康监测以及防灾减灾。
-
公开(公告)号：CN107121253A
公开(公告)日：2017-09-01
申请号：CN201710549361.5
申请日：2017-07-07
Applicant: 哈尔滨工业大学
IPC: G01M7/02
CPC classification number: G01M7/025
Abstract: 本发明提出一种用于桥梁结构在不中断交通情况下快速振动检测的方法，可以在不中断交通情况下实现桥梁结构的振动测试。采用的设备有多个无线加速度传感器、多个传感器无线采集节点和车载移动无线基站，多个无线加速度传感器分别固定安装在桥上，每个传感器无线采集节点分别与多个无线加速度传感器无线电信号连接，车辆快速通过桥面，车载移动无线基站在快速移动状态下接收传感器无线采集节点采集到的无线加速度传感器的数据。采集得到桥梁振动数据之后，可采用模态参数识别方法识别出桥梁结构的模态参数。本发明有利于解决城市区域桥梁的快速检测难题，为保障桥梁结构的安全提供技术支撑。
-
公开(公告)号：CN104931584B
公开(公告)日：2017-08-15
申请号：CN201510244284.3
申请日：2015-05-08
Applicant: 哈尔滨工业大学
Abstract: 本发明专利涉及一种基于压缩采样理论的超声CT检测方法，该方法采用压缩采样方法进行优化，改进了传统的超声CT检测方法，可减少数据的采集量。其实施方法为：首先用计算机生成一个随机的测量矩阵，根据测量矩阵确定测量路径，并将发射探头和接收探头分别放置在试件两侧，一端发射一端接收，得到各路径的传播时间，将各个路径的传播时间按照对应的顺序带入到l1优化算法中，最终对混凝土试件内部损伤情况进行重构。本发明所设计的基于压缩采样的超声CT方法，只需要少量的测量就可以高精度地重构出试件内部的结构，找到损伤位置并且确定损伤的大小，能够大大地加快损伤定位的速度，提高了监测效率，减少了工作量，具有良好的应用前景。
-
-
-
-
-
-
-
-
-
Search Results
59
records
(took 0.025 seconds)
