基于变分自编码器潜变量语义提炼的样本生成方法

人工智能的逐步应用对行业的生产效率和技术变革影响显著, 传统行业因样本收集难度大、成本高、涉及个人隐私等原因, 进行深度学习时, 面临着小样本和不平衡数据问题. 现有的样本扩充方法存在着生成效果不能兼顾广泛性和合理性等问题. 为此, 提出一种基于变分自编码器潜变量语义提炼的样本扩充算法, 利用神经网络的权重作为输入特征...     

基于神经网络的建筑结构安全评估模型研究

为实现建筑结构安全的快速评估,提出基于神经网络的建筑结构安全评估方法。基于《民用建筑可靠性鉴定标准》的调查与检测要求并考虑数据易获取性,选择45个涵盖承载力、耐久性、历史记录和环境情况等变量作为输入参数,以《民用建筑可靠性鉴定标准》中的安全等级作为输出参数,采用深度置信网络学习输入参数与输出参数间的非线性映射关系。对输入参数的选择、样本缺值问题、小样本问题和神经网络评估的可靠性进行探讨和验证。结果表明:在无法准确判断输入参数与输出参数相关性的前提下,采用全部输入参数的评估模型具有更高的鲁棒性; 迷失森林算法相较其他常用的缺值插补算法有更好的插补性能; 采用变分自编码器扩充训练样本集能有效提高神经网络的泛化能力和分类精度; 对深度置信网络引入加权交叉熵损失函数加以改进可增加训练时对不安全类别的敏感性,牺牲少量不安全类别的查准率可以大幅提高其查全率; 基于神经网络的结构安全评估模型能较好地预测结构的安全等级,具有快速且大批量运算的优势,是实现大范围建筑群结构安全监测的有效手段。     

高层结构不规则项判别条件的探讨及建议

随着复杂工程实践经验增加,以及结构力学模型愈加精细、计算软件功能显著提升,有必要对高层结构不规则判别条件进一步完善。针对《抗规》第3.4.3条定义的6个不规则类型,探讨了其力学概念以及当前执行上存在的一些问题,提出了相应的修订建议以供探讨。具体建议包括:采用考虑与不考虑偶然偏心下竖向构件剪力增大系数来判别扭转不规则;增加凸出部位宽度的限值用于凹凸不规则判别;增加楼层数的限值用于楼板局部不连续判别;增加楼层侧向刚度比的上限值用于侧向刚度不规则判别;增加不落地墙的截面面积占比或被托换柱的等效剪切刚度占比限值用于竖向抗侧力构件不连续判别;增加层间抗剪承载力比的上限值用于楼层承载力突变判别。根据所建议的不规则判别条件,对31个超限高层结构进行判别,相比根据《抗规》判别的结果,平面不规则数量明显减少,竖向不规则数量总体变化不大。     

基于贝叶斯网络的建筑结构安全评估模型

基于贝叶斯网络概率图思想提出适用于建筑结构的安全风险评价模型,采用机器学习算法进行参数训练,并结合专家经验编制了结构安全评估专家系统,仅需通过获取少量特征信息便可高效识别风险源,快速诊断风险因素安全状态,迅速给出结构安全风险评估结果,以概率分布的形式表达结构安全风险状态,可适用于大范围的城乡建筑群安全风险评估.采用该模型应用于数个实际鉴定加固工程案例,该模型评估结果与鉴定结论吻合较好.