基于YOLOv3神经网络的城镇建筑参数获取及震害预测

随着经济社会的发展,城镇区域建筑的数量和结构类型在更新换代,抗震性能需进一步评价,而城镇建筑信息的高效获取是震害预测及抗震性能评估的前提。为提高建筑物信息获取方式的效率,该研究采用YOLOv3神经网络从建筑图像中识别建筑物参数,包括确定YOLOv3神经网络的训练参数,选取建筑图片进行YOLOv3神经网络训练,验证识别结果与实地调研数据的一致性;在此基础上,采用震害类比预测法对城镇建筑进行震害预测获得福州市某区域群体建筑震害矩阵。结果表明：建筑图片的训练结果较好,建筑参数识别结果和实际调研数据一致,该方法可实现城镇区域建筑信息的有效提取及群体建筑震害的准确预测。     

建筑结构的震害预测方法

震害预测工作是通过一定的方法，针对城市建筑物在遭遇地震灾害时，建筑物和工程设施等的损坏程度以及经济损失等以及由此而产生的灾害做出的预测工作。震害预测工作中，需要使用正确的预测方法，针对现有的建筑物结构进行正确的分析和预测，并且对其未来的抗震能力进行全面地预测，根据该评价结果做出相应的加固对策，以此不断提高建筑物的抗震能力。当前，我国在建筑结构震害预测方面的研究已经有了一定的成绩，这些预测方法是根据一定的理论基础形成的，在实际工作中有较强的指导意义。     

建筑结构的震害预测方法

震害预测工作是通过一定的方法,针对城市建筑物在遭遇地震灾害时,建筑物和工程设施等的损坏程度以及经济损失等以及由此而产生的灾害做出的预测工作。震害预测工作中,需要使用正确的预测方法,针对现有的建筑物结构进行正确的分析和预测,并且对其未来的抗震能力进行全面地预测,根据该评价结果做出相应的加固对策,以此不断提高建筑物的抗震能力。当前,我国在建筑结构震害预测方面的研究已经有了一定的成绩,这些预测方法是根据一定的理论基础形成的,在实际工作中有较强的指导意义。     

基于改进ＰＳＯ-ＢＰ神经网络的浅埋隧道围岩变形时序预测研究

通过智能化的模式对浅埋隧道围岩变形进行时间序列预测研究，利用改进ＰＳＯ算法优化ＢＰ神经网络参数的方法，用于预测浅埋隧道围岩变形数值。采用改进ＰＳＯ-ＢＰ神经网络构建了海天堡浅埋隧道的拱顶沉降和周边收敛预测模型，使用主成分分析方法选取影响围岩变形的关键因素作为影响因子输入。通过对实验结果的比较和分析，实验结果显示改进ＰＳＯ-ＢＰＮＮ算法的优越性。     

基于ANSYS和EPANET的供水管网抗震预测模型研究

为了对管网中的抗震脆弱点(区域)进行分析以便有的放矢地开展抗震设防工作,建立了基于ANSYS与EPANET的供水管网抗震预测模型。通过ANSYS环境下建立的微观模型进行模拟试验,可以获取各种典型接头在地震波影响下的位移和应力值,并改变参数进行平行试验而得到多组数据,在EPANET环境下建立宏观管网拓扑模型,计算各个节点的位移危险值指标和应力危险值指标;然后以四川省江油市供水管网实际地震受损调研资料进行了预测方法的验证。     

基于PSO-BP的泄洪闸门液压启闭机信号预测

针对水电站泄洪闸门开启和关闭状态难以判断正常与否的问题,本文提出基于PSO-BP的启闭机关键状态信号预测方法,通过泄洪闸门运行状态分析确定输入参数。通过对某实际闸门关闭情况进行训练,构建5个输入参数,隐含层10个参数和输出1个参数的BP网络。通过PSO算法获取BP算法最佳初值,PSO收敛于0.4。然后再训练BP网络,由测试结果可知,通过PSO-BP神经网络拟合的结果能较好预测启闭机开闭情况,为泄洪闸门关键状态监测提供技术支撑。     

典型前馈神经网络在潮流模拟中的应用与比较

应用水动力学模型可以在典型情形条件下模拟和预测整个研究区域中潮流运动过程的各个细节，但是对于某些环境与工程问题，人们往往更加关注整个研究区域中某些局部敏感区域在任意条件下的潮流实时变化或快速反馈信息。为了探讨这类问题的解决途径，本文将典型情形下的水动力学模拟方法与前馈型神经网络方法结合，以典型条件下水动力学模拟的结果作为神经网络训练的基础，对深圳湾的潮流运动特性进行了研究。通过论证将神经网络用于二维潮流运动特征模拟的可行性，说明了人工神经网络作为一种非线性动力学系统，能够根据海湾开边界潮流特性有效地模拟研究区域中任一网格对应的水流特性，较水动力学模型更为方便迅捷。利用人工神经网络得出的模拟结果与经过实测资料验证的海湾二维潮流模型计算结果十分吻合。文中对遗传神经网络和其它两种经典的前馈网络(BP网络和RBF网络)的学习能力和模拟效率进行了比较。就三种前馈型神经网络从水动力学数值模拟结果中归纳和提取水动力学信息和数据的能力而言，基于遗传算法的神经网络综合性能最为优越。     

水工建筑物安全监控模型优化分析研究

基于神经网络算法中的LSTM算法,建立水工建筑物安全监控深度模型。从数据处理、网络结构和外延预测3个方面对监控大数据进行优化。结合某水工建筑物实例,验证模型的有效性,从不同角度对比LSTM模型与其他模型在水工建筑物安全监控预测方面的差异。结果表明,LSTM模型不仅能准确预测水工建筑物参数随时间变化的数值和趋势,也能在一定程度上反映参数的波动情况,体现出良好的预测效果。与其他模型相比,深度学习模型可以应用于不同场景,且在同一场景,深度学习预测效果更佳。SRSM、BPNN和LSTM 3个模型中,误差最小的为LSTM模型,误差结果由小到大排序为LSTM、BPNN和SRSM。     

基于ACO-BP神经网络的土石坝位移监测模型研究

建立安全监测网络模型来分析和预测大坝变形位移信息,对保障大坝安全稳定服役意义重大。针对大坝安全监测BP神经网络模型运算复杂、收敛速度慢、易陷于局部最优、不能准确反映和预测大坝运行状况的问题,引入蚁群算法(ACO)全局搜索功能搜寻BP神经网络参数最优解,并通过样本数据训练BP网络获得大坝变形位移预测值。工程实例应用表明:ACO-BP网络模型在参数优化方面较BP网络更易于收敛,误差较小、预测性能良好,可为大坝变形位移监测和安全预报提供一种新的非线性建模仿真分析方法。     

基于BP神经网络的不同时间尺度泵站前池水位预测模型

针对建筑物调控下的水位预测难题,建立基于BP神经网络的泵站前池水位预测模型,在不同时间尺度下分析时间序列、影响因子、预报因子对水位预测精度的影响.将构建模型应用于胶东调水工程东宋泵站,研究结果表明:在数据总量一定的情况下,训练期和预测期之比为7:3时,预测结果较好;数据量越大,保持一定预报精度所需要的正相关的影响因子数...     

地铁站深基坑土体力学参数反演分析

基于正交试验设计和FLAC3D建立的学习样本以及测试样本,通过工程现场获取的地铁站深基坑支护体系位移信息,在总结分析基坑变形受力特征的基础上,找出对地铁站深基坑变形起主要作用的因素,确定待反演土体力学参数,然后建立BP神经网络理论反演的参数同支护结构位移间潜在的映射关系。实例计算结果表明,利用BP神经网络的仿真预测功能实现地铁站深基坑土体力学参数反分析是较为准确可行的。     

基于BP神经网络的义乌市水资源需求量预测

针对区域水资源需求量的预测问题,由影响义乌市水资源需求量变化的三类影响因子——经济发展与水资源量不协调因素、人口因素和水环境破坏因素三类入手,运用BP神经网络模型对该区域水资源需求量进行预测,通过网络学习训练得出义乌市2010年水资源需求量为2.684103×108m3。其结果可为政府决策者制定与水资源相协调的区域发展规划提供一定的参考。     

基于BP神经网络模拟闸坝下游冲刷坑空间分布

闸坝下游河床的冲刷是一个复杂的非线性系统,现有的计算方法无法得到冲刷坑的空间分布。基于BP神经网络,利用某个试验工况冲刷坑的空间坐标信息训练网络,建立其他工况闸坝下游冲刷坑的插值和预测模型,此法可精准地识别出表现优异的神经网络。将BP神经网络在特征断面的插值结果与反距离加权、克里金、局部多项式插值法的插值结果对比,分析预测值和实测值的最低点差值、均方根误差和相关系数。结果表明,BP神经网络在冲刷上游段和过渡段的插值结果明显优于其他3种插值方法且能较好地预测冲刷坑发展,可利用该方法结合BP神经网络模拟闸坝下游冲刷坑的空间分布特性。     

大岗山水电站右岸边坡开挖期位移 预测的PBM模型研究

采用ＢＰ神经网络模型从大岗山水电站右岸边坡位移监测数据中提取其变形的主要特征,获取其内在机制以实现对其变形行为的预测。在训练过程中,为了克服神经网络易于陷入局部极值和收敛速度慢的不足,保证其预测的正确性,可采用改进的粒子群算法对其初始权重和阈值矩阵进行优化,即建立ＰＳＯ－ＢＰ模型。此外,将由ＰＳＯ－ＢＰ模型预测的位移值的残差序列视为马尔科夫链,可采用马尔科夫理论对其进行进一步地修正,以减少系统评估过程中出现的随机性。最终,建立了用于边坡非线性位移时间序列分析的ＰＢＭ模型,实现了对数据的事先优化及事后修正。分析结果表明,ＰＢＭ方法能够准确预测边坡变形的趋势特征,其位移预测结果与现场监测结果能够很好地吻合也进一步说明该方法的正确性与有效性,为相似工程的坡体变形分析提供了分析工具和值得借鉴的思路。     

基于深度学习的隧道掌子面节理智能检测与分割

现有隧道掌子面节理检测方法主要以人工掌子面素描为主，存在检测效率低、主观性较强等问题，为此提出了一种基于Mask R-CNN的隧道掌子面节理图像智能识别分割算法。该算法可直接用于检测隧道掌子面图片中的节理目标并自动分割，提升了检测效率，使检测结果更加客观。此外，为解决现有图像处理方法检测准确率较低的问题，尤其是对阴暗隧道环境下复杂隧道掌子面的检测，引入了路径聚合网络(PANet)以改进Mask R-CNN对特征信息的融合能力，从而提升智能检测方法的准确率。随后对800张隧道掌子面图像开展了训练与结果评估，测试结果表明：所提出的算法能够快速检测出隧道掌子面图片中的节理位置，并对属于节理像素的区域赋予掩码，实现节理分割。在80张测试集图片中的检测框与分割平均准确率均值(mAP)分别为58.0%,49.2%,相较于原Mask R-CNN算法及其他智能识别分割算法表现更加优越。     

五强溪水电站大坝变形预测模型研究

基于逐步回归法、偏最小二乘回归法和长短期记忆(LSTM)循环神经网络，构建了五强溪水电站大坝变形预测模型。采用拉伊特准则确定可靠的监测数据，基于可靠的监测数据，构建考虑水压、温度、时效因素的混凝土重力坝变形预测逐步回归和偏最小二乘回归模型，根据五强溪大坝坝顶J23测点2006年～2020年的监测资料获得该测点的沉陷曲线逐步回归和偏最小二乘回归预测模型。根据数值试验，选定的LSTM模型包括2个LSTM层，激活函数采用整流线性单元函数，输入序列长度为20。训练集数据取2006年～2017年的监测值，2018年～2020年的监测数据作为测试集数据。采用随机搜索对LSTM循环神经网络的超参数进行优化。比较3种模型结果可知：3种模型在沉降曲线的预测效果均较好；偏最小二乘回归法能合理地解释各分量；训练数据足够时，LSTM循环神经网络的预测精度非常高；采用偏最小二乘法回归模型或LSTM模型预测J23测点变形更为妥当。     

基于全景展开图像的隧道围岩节理识别方法

为了解决目前节理信息识别方法仅适用于局部岩体图像的问题,采用全景展开图像方法,将采集到的局部洞壁围岩图像进行特征点提取、点云模型重建、矫正拼接处理,获得高分辨率的隧道洞壁围岩全景展开图像。通过图像预处理、小尺寸特征图片的smaAt-Unet神经网络识别、小尺寸图片识别结果的融合拼接,对洞壁围岩全景展开图像的节理信息进行了区域粗略分割识别。采用Zhang-Suen算法和8邻域连通域分析方法,从骨架化与骨架线分离、毛刺剔除、骨架线连接方面进行了算法分析计算,完成了节理信息的细化提取。对体积节理数和节理空间产状信息进行了量化分析,最终建立了一种基于全景展开图像的隧道洞壁围岩节理信息识别方法。工程应用结果表明,洞壁围岩全景展开图像识别后,节理面空间方程的平均拟合误差为0.90,说明该识别方法能够较好地识别全景展开图像中的节理信息。另外,洞壁围岩图像采集具有时间短、易操作、灵活性较高的优点,对现场施工影响较小,该识别方法能够较为快速地完成节理信息识别,给现场施工与动态设计提供参考。     

基于模态分解和云粒子网络的大坝基岩地震动输入研究

在大坝抗震安全评价中基岩地震动输入多采用实测数据或人工生成等方式,而当坝址仪器损坏或历史震害资料不足时,确定基岩地震动就变得尤为困难。本文提出对大坝基岩地震动进行反演的研究思路,并开发了基于经验模态分解和云粒子网络的分解—训练—反演混合模型,在不依赖场地历史震害资料的情况下,仅用少量周边测站数据即可确定大坝的基岩地震动。首先,选取坝址周边地表及基岩的地震动实测记录,采用经验模态分解法将地震加速度序列分解;其次,通过粒子群算法建立与神经网络连接权值的映射,采用云理论优化粒子群算法的全局寻优能力,建立反演模型,将分解后的加速度序列作为训练集进行反演训练;然后,选取与大坝处于相似地质情况的地表实测地震动信息,结合反演模型对大坝基岩输入地震动进行反演;最后,以紫坪铺大坝为研究实例,通过对比传统输入方法,验证该模型的适用性。结果表明：本文所提的混合模型综合性能稳定,能较好地反演地震加速度序列,模型决定系数均大于0.9,平均绝对百分比误差均在11%左右;采用本文反演得到的基岩地震动进行计算,较已有研究成果计算误差降低0.79%~17.28%,与工程实际动力响应更为吻合。本文方法可为解决大坝基岩输入地震动的获取提供一条新途径。     

基于遗传2神经网络的实时水质预测模型

基于高频水质在线监测数据, 结合遗传算法和神经网络模型, 建立基于遗传-神经网络( Improved Genetic Algorithm-Back Propagation Neural Network, IGA2BPNN) 的河流水质预测模型, 实现对河流水质的实时预测预警。 将该方法应用于美国波托马克河流中, 对其水质参数浊度( TURB) 和电导率( SC) 进行实时预测, 并对预测结果进行 性能分析, 以验证基于 IGA2BPNN 的河流水质预测模型的准确性与可靠性。与 BPNN 模型的水质预测结果进行对 比分析, 结果表明: IGA2BPNN 模型对水质参数 TURB 和 SC 有更准确的预测效果。同时, IGA2BPNN 模型对正常 平稳条件下的水质参数 TURB 和 SC 预测结果的区间覆盖率 PICP 分别为 99.81% 和 100% , 预测结果具有一定的 可靠性。IGA2BPNN 水质预测模型可以有效地识别长时间的水质异常或瞬时显著的水质变化情况, 可实现对河流 水质的风险预警, 最终可为河流突发水污染的应急处置措施的制定提供科学依据。     

摩擦－椭圆形截面软钢棒复合阻尼器参数优化分析

近年来，椭圆形截面构件开始被应用于工程领域以满足特定结构的抗震性能要求。为了提高结构整体的抗震和耗能能力，提出一种摩擦－椭圆形截面软钢棒复合阻尼器（ＦＯＳＲＣＤ）并阐明其工作原理；在此基础上，对其主要分体软钢棒阻尼器进行有限元分析和参数优化。结果表明:软钢棒阻尼器的性能与软钢棒参数和数量有关。在软钢棒参数选择上，为获得合适的刚度和更大的耗能能力，短长径比应较大，以2／3～5／6为最优；颈缩比应较小，取1／3～1／2为最优；高径比应适中，取5～6为最优。不同位移幅值下，软钢棒阻尼器性能良好，在两个方向均能提供稳定的耗能能力，耗能系数均超过2．2，等效阻尼比均超过0．36。当软钢棒阻尼器使用在ＦＯＳＲＣＤ中时，能够提供稳定的阻尼和良好的耗能能力。