CN119168618A - 一种基于桥梁大数据的养护智能决策方法及系统 - Google Patents
一种基于桥梁大数据的养护智能决策方法及系统 Download PDFInfo
- Publication number
- CN119168618A CN119168618A CN202411210329.0A CN202411210329A CN119168618A CN 119168618 A CN119168618 A CN 119168618A CN 202411210329 A CN202411210329 A CN 202411210329A CN 119168618 A CN119168618 A CN 119168618A
- Authority
- CN
- China
- Prior art keywords
- bridge
- maintenance
- data
- performance
- decision
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computer Hardware Design (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Mathematical Analysis (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Game Theory and Decision Science (AREA)
- Computational Mathematics (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于桥梁大数据的养护智能决策方法及系统，属于桥梁安全技术领域。该养护智能决策方法，包括：步骤1，收集桥梁的基本信息、检测报告、维修记录以及实时状态数据；步骤2，从步骤1收集的数据中挖掘出影响桥梁性能的关键特征，对桥梁当前状态进行分析评估，并对未来一段时间内桥梁状况的变化趋势做出预测；步骤3，基于步骤2的结果，生成多种可能维修策略方案；步骤4，对步骤3生成的维修策略方案进行成本效益分析；步骤5，利用多目标优化算法，综合考虑桥梁性能提升、维修成本、施工时间和交通影响因素，从步骤4评估的维修策略方案中选择最优方案；步骤6，根据最优策略制定详细维修计划并实施。
Description
技术领域
本申请涉及桥梁安全技术领域，具体为一种基于桥梁大数据的养护智能决策方法及系统。
背景技术
在桥梁养护领域，传统的养护决策方法往往依赖于经验和人工判断，存在着效率低、成本高、准确性不足等问题。随着大数据和人工智能技术的发展，桥梁养护领域也迎来了新的机遇和挑战。桥梁作为基础设施的重要组成部分，其安全性和稳定性直接关系到公共交通和人民生活的安全与便利。因此，如何利用现代技术手段有效地对桥梁进行监测、评估和维护，成为了当前研究的热点之一。
随着传感器技术、无人机技术、机器学习算法等技术的不断进步，获取桥梁相关数据的能力得到了显著提升，大量的桥梁结构数据、检测数据和实时状态数据被积累和存储。然而，如何从这些海量数据中提取有用信息、发现潜在问题、制定科学的维护决策，仍然是当前研究亟待解决的问题。
因此，有必要提出一种基于桥梁大数据的智能养护决策方法及系统，通过整合大数据技术、机器学习算法和多目标优化技术，实现对桥梁状态的全面监测和评估，为桥梁养护决策提供科学、准确的支持。
发明内容
为了克服现有技术存在的一系列缺陷，本专利的目的在于针对上述问题，提供一种基于桥梁大数据的智能养护决策方法，包括以下步骤：
步骤1，收集桥梁的基本信息、检测报告、维修记录以及实时状态数据；
步骤2，从步骤1收集的数据中挖掘出影响桥梁性能的关键特征，对桥梁当前状态进行分析评估，并对未来一段时间内桥梁状况的变化趋势做出预测；
步骤3，基于步骤2的结果，生成包含维修时间、范围、工艺和材料用量的多种可能维修策略方案；
步骤4，对步骤3生成的维修策略方案进行成本效益分析；
步骤5，利用多目标优化算法，综合考虑桥梁性能提升、维修成本、施工时间和交通影响因素，从步骤4评估的维修策略方案中选择最优方案；
步骤6，根据最优策略制定详细维修计划并实施，对实施效果进行评估以持续优化未来的维修决策。
进一步的，桥梁的基本信息包括设计图纸、施工记录、材料信息和荷载参数；
桥梁的检测报告为最近的检测报告，用于了解桥梁的结构健康状况、病害、裂缝和变形数据；
维修记录包括维修方案、材料使用和施工过程；
桥梁实时状态数据包括：
通过无人机航拍获取桥梁的高分辨率图像以用于病害识别和变形监测；
通过爬索机器人获取的桥梁梁面和梁底检测数据；
通过水下机器人获取的桥梁水下部分信息；
通过声呐探测装置获取的混凝土质量、裂缝和空腔数据；
通过安装于桥梁主要受力部位的应变、振动和温度传感器获取的桥梁负载大小、振动频率和温度变化数据。
进一步的，挖掘影响桥梁性能关键特征包括以下步骤：
对步骤1收集的数据进行清洗，包括处理缺失值、异常值和噪声数据；
对清洗后的数据进行标准化处理，将不同量纲的数据转换到相同的尺度；
计算各个特征与桥梁健康状态指标的相关系数；
根据相关系数大小，筛选出与桥梁状态高度相关的特征子集；
应用主成分分析法对相关特征进行主成分提取；选取能够解释大部分数据方差的主成分，作为影响桥梁性能的主要因素；
评判各特征对桥梁性能评估模型预测结果的贡献程度，根据重要性大小，选取对桥梁性能影响最大的特征作为关键特征。
进一步的，各个特征与桥梁健康状态指标的相关系数通过皮尔逊相关系数计算，具体公式为：其中，xi和yi分别是特征变量和桥梁健康状态指标的第i个观察值，和分别是它们各自的平均值；
主成分的选择通过累计方差贡献率来决定，具体公式为：
其中，λj是第j个主成分对应的特征值，p是特征子集中的特征数量，k是保留的主成分个数，θ是选取的前k个主成分能够解释相关特征子集总方差的百分比。
进一步的，对桥梁当前状态进行分析评估，并对未来一段时间内桥梁状况的变化趋势做出预测包括以下步骤：
构建三维精细有限元模型以模拟桥梁实际结构，对三维精细有限元模型进行静力和动力分析，计算应力、应变及位移响应，将分析结果与实测数据进行校核，并更新模型参数；
基于长期的结构健康监测数据，评估桥梁当前的损伤水平及性能状态；
将桥梁当前状态数据输入性能退化模型，预测未来一段时间内的退化趋势；
融合有限元分析、监测评估与退化预测结果，建立基于证据理论的不确定知识推理决策模型以综合评估桥梁的当前状态和未来趋势。
进一步的，通过以下公式预测未来一段时间内的退化趋势：
其中，S(t)表示在时间t时的结构性能状态；S0是初始状态；r(S(τ)，t-T)是随时间变化的性能退化率函数，退化率函数的参数通过对历史性能状态数据进行分析和参数估计得到，进而预测未来的性能状态；t表示当前的时间，而τ表示积分变量，代表着过去某个时间点到当前时间t之间的时间间隔；
基于证据理论的不确定知识推理决策模型用以下公式表示：
其中，A表示桥梁可能的状态；m(B)表示对于每一个可能的状态集合B，有多大的信任度认为桥梁的真实状态属于B，根据有限元分析、监测评估与退化预测结果得出m(B)的值；K表示不同证据之间的冲突程度，如果所有的证据都一致，那么K＝0；如果所有的证据都完全冲突，那么K＝1。
进一步的，步骤4包括以下步骤：
收集历史维修项目的直接成本和间接成本以构建成本估算模型，输入维修工程量、工艺和时间参数，输出对应的估算成本；
明确桥梁维修的主要目标，确定效益评估的关键指标，并应用多准则决策分析法为每个关键指标赋予相应的权重，反映其在整体决策中的相对重要性；
基于三维精细有限元模型与性能退化模型，模拟不同维修策略实施后的桥梁性能变化；根据模拟结果对效益指标进行量化评估，构建效益评估模型，输出各策略在不同指标下的效益分数。
进一步的，步骤5包括以下步骤：
明确定义桥梁维修所需优化的关键性能指标，包括结构安全性提升、维修成本、施工时间和交通影响；
将维修时间窗口、施工工艺限制及环境保护要求作为实际约束条件纳入考虑；
构建多目标优化模型，在各项关键性能指标间权衡搜索非支配解，即能在所有目标下达到接受水平的Pareto最优解集；
对Pareto解集中的各个方案进行综合评估，根据决策者的偏好和需求，选择最合适的方案作为最优维修策略。
一种基于桥梁大数据的智能养护决策系统，包括大数据子系统、桥梁性能分析子系统和桥梁维修决策优化子系统三个模块，其中：
大数据子系统负责采集、传输、处理和存储与桥梁相关的各类数据，为整个系统提供数据支持，包括：
数据采集层，自动获取桥梁的基本信息、历史检测报告和维修记录，同时，通过安装在桥上的传感器实时监测桥梁的状态数据；
数据传输层，用于将采集数据上传至数据处理层；
数据处理层，对采集数据进行清洗、转换和标准化处理；
数据存储层，采用分布式存储架构，存储处理后的数据；
桥梁性能分析子系统负责评估桥梁当前状态并预测未来趋势，包括：
特征工程模块，用于提取影响桥梁性能的关键特征，进行特征选择和构造；
桥梁性能评估模型，基于神经网络对桥梁的当前结构性能和安全状态进行评估；
性能退化预测模型，用于预测剩余使用年限及未来一段时间内桥梁性能的退化趋势；
桥梁维修决策优化子系统负责生成最优的维修决策方案，包括：
维修策略生成模块，基于桥梁性能分析结果，结合维修方案库，生成多种可能的维修策略方案，维修策略包括维修时间、维修范围、维修工艺和材料用量；
多目标优化模块，用于建立维修决策的多目标优化模型；
方案评估模块，对优化得到的维修策略方案进行全面评估，包括经济性评估、可行性评估和风险评估；
维修方案反馈模块，记录实施的维修方案及维修效果，为未来维修决策提供反馈数据。
进一步的，多目标优化模块采用遗传算法求解多目标优化问题，获得最优维修策略。
与现有技术相比，本申请至少具有如下技术效果或优点。
本申请提出了一种基于桥梁大数据的养护智能决策方法及系统，通过收集、分析和挖掘桥梁相关数据，结合多准则决策分析和多目标优化算法，提高了桥梁养护效率、降低维护成本、提升桥梁结构安全性，并建立了智能化的养护决策系统，为决策者提供科学、准确的维护决策方案。
附图说明
图1为本申请实施例中公开的一种基于桥梁大数据的养护智能决策方法的流程图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。
基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面通过参考附图描述的实施例以及方位性的词语均是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
参照图1，一种基于桥梁大数据的智能养护决策方法，包括以下步骤：
步骤1，收集桥梁的基本信息、检测报告、维修记录以及实时状态数据；
步骤2，从步骤1收集的数据中挖掘出影响桥梁性能的关键特征，对桥梁当前状态进行分析评估，并对未来一段时间内桥梁状况的变化趋势做出预测；
步骤3，基于步骤2的结果，生成包含维修时间、范围、工艺和材料用量的多种可能维修策略方案；
步骤4，对步骤3生成的维修策略方案进行成本效益分析；
步骤5，利用多目标优化算法，综合考虑桥梁性能提升、维修成本、施工时间和交通影响因素，从步骤4评估的维修策略方案中选择最优方案；
步骤6，根据最优策略制定详细维修计划并实施，对实施效果进行评估以持续优化未来的维修决策。
步骤1中，通过收集桥梁相关数据，可以建立桥梁的全面档案，包括基本信息、历次检测报告、维修记录和实时状态数据。这为后续的分析和决策提供了必要的数据支持，有助于全面了解桥梁的状况和变化趋势。
步骤2中，通过对桥梁数据进行挖掘和分析，可以识别出影响桥梁性能的关键特征，及时评估桥梁的当前状态，并预测未来的变化趋势。这有助于及时发现潜在问题和风险，为制定有效的维护策略提供科学依据。
步骤3中，根据分析结果，制定多种可能的维修策略方案，有助于提高维护决策的灵活性和针对性。这样可以在不同情况下选择最合适的维护方案，最大程度地提高桥梁的性能和使用寿命。
步骤4中，通过成本效益分析，可以评估每种维修策略方案的经济效益，确定最合适的维护方案。这有助于在有限的资源下，实现维护成本最小化和桥梁性能最大化的平衡。
步骤5中，通过多目标优化算法，综合考虑各种因素的权衡，选择最优的维护方案。这可以确保在提高桥梁性能的同时，最大限度地减少维护成本和对交通的影响，实现整体最优化。
步骤6中，通过制定详细的维修计划并实施，可以有效地管理和监控维护工作的进展。同时，对实施效果进行评估，有助于及时发现问题和改进措施，持续优化未来的维护决策，保障桥梁的安全和可靠运营。
进一步的，桥梁的基本信息包括设计图纸、施工记录、材料信息和荷载参数；
桥梁的检测报告为最近的检测报告，用于了解桥梁的结构健康状况、病害、裂缝和变形数据；
维修记录包括维修方案、材料使用和施工过程；
桥梁实时状态数据包括：
通过无人机航拍获取桥梁的高分辨率图像以用于病害识别和变形监测；
通过爬索机器人获取的桥梁梁面和梁底检测数据；
通过水下机器人获取的桥梁水下部分信息；
通过声呐探测装置获取的混凝土质量、裂缝和空腔数据；
通过安装于桥梁主要受力部位的应变、振动和温度传感器获取的桥梁负载大小、振动频率和温度变化数据。
桥梁作为交通要道的重要组成部分，对于其安全性的监控与维护至关重要。为了确保桥梁的安全运营，需要获取并掌握桥梁的详细信息和实时状态数据。这些信息不仅能够帮助了解桥梁的结构健康状况，还能为维修和加固工作提供有力的支持。
首先，桥梁的基本信息是了解桥梁的起点。设计图纸详细记录了桥梁的结构设计和施工要求，提供了桥梁的理论基础。施工记录则详细记录了桥梁建设过程中的关键节点和质量控制情况，提供了桥梁建设的历史背景。材料信息则包括桥梁所使用的各种材料的规格和性能，这是评估桥梁承载能力的重要依据。荷载参数则反映了桥梁在不同条件下的承载能力，提供了桥梁使用的安全标准。
除了基本信息外，桥梁的检测报告也是了解桥梁状态的重要途径。最近的检测报告能够为提供桥梁结构健康状况的最新数据，包括病害、裂缝和变形情况。这些数据是评估桥梁安全性的重要依据，也是制定维修和加固方案的基础。
维修记录则是桥梁维护工作的重要组成部分。维修方案详细记录了针对不同病害和损伤的维修方法和步骤，材料使用则记录了维修过程中所使用的各种材料和数量，施工过程则详细描述了维修工作的实施过程。这些记录提供了桥梁维修工作的全面信息，有助于总结经验教训，提高维修工作的效率和质量。
无人机航拍技术能够为我们提供高分辨率的桥梁图像，帮助发现病害和变形情况。爬索机器人则能够在桥梁梁面和梁底进行检测，获取更为详细的数据。水下机器人则能够为我们提供桥梁水下部分的信息，包括桩基、桥墩等部位的状况。声呐探测装置则能够检测混凝土质量、裂缝和空腔情况，提供更为准确的桥梁结构信息。此外，安装于桥梁主要受力部位的应变、振动和温度传感器则能够实时监测桥梁的负载大小、振动频率和温度变化数据，提供桥梁实时状态的重要信息。
综上所述，通过获取和掌握桥梁的基本信息、检测报告、维修记录和实时状态数据，能够全面了解桥梁的结构健康状况和安全性能。这些信息不仅有助于及时发现和处理桥梁病害和损伤，还能为维修和加固工作提供有力的支持。在未来的工作中，应该继续加强桥梁信息管理和维护工作，确保桥梁的安全运营，为人们的出行提供更为可靠和便捷的交通条件。
进一步的，挖掘影响桥梁性能关键特征包括以下步骤：
对步骤1收集的数据进行清洗，包括处理缺失值、异常值和噪声数据；
对清洗后的数据进行标准化处理，将不同量纲的数据转换到相同的尺度；
计算各个特征与桥梁健康状态指标的相关系数；
根据相关系数大小，筛选出与桥梁状态高度相关的特征子集；
应用主成分分析法对相关特征进行主成分提取；选取能够解释大部分数据方差的主成分，作为影响桥梁性能的主要因素；
评判各特征对桥梁性能评估模型预测结果的贡献程度，根据重要性大小，选取对桥梁性能影响最大的特征作为关键特征。
在深入探索桥梁性能的关键特征时，需要遵循一系列严谨的步骤。这些步骤不仅涉及数据的收集和处理，还涵盖了数据的分析、筛选和评估，从而确保我们能够准确识别出影响桥梁性能的主要因素。
首先，对收集到的数据进行清洗。这一环节至关重要，因为它直接关系到后续分析的准确性和可靠性。在数据清洗过程中，需要处理缺失值、异常值和噪声数据，以确保数据的质量和一致性。这可以通过填充缺失值、剔除异常值或采用平滑技术来去除噪声数据等方式实现。
接下来，需要对清洗后的数据进行标准化处理。由于不同特征的量纲和取值范围可能存在差异，直接进行分析可能会导致偏差。因此，需要将这些数据转换到相同的尺度，以便进行公平的比较和分析。标准化处理可以通过归一化、标准化或其他适当的方法来完成。
在完成数据清洗和标准化后，可以计算各个特征与桥梁健康状态指标的相关系数。这一步骤的目的是了解特征与桥梁性能之间的关联程度。通过计算相关系数，可以量化每个特征对桥梁性能的影响，并为后续的特征筛选提供依据。
根据相关系数的大小，可以筛选出与桥梁状态高度相关的特征子集。这些特征子集代表了影响桥梁性能的主要因素，对于后续的分析和建模至关重要。筛选过程可以采用阈值法、相关性排序等方法进行。
为了进一步简化特征集并提取主要信息，应用主成分分析法对相关特征进行主成分提取。PCA是一种常用的降维技术，它可以将多个相关特征转换为少数几个不相关的主成分。通过选取能够解释大部分数据方差的主成分，可以将复杂的特征集简化为一个更具代表性的特征子集。
最后，需要评判各特征对桥梁性能评估模型预测结果的贡献程度。这可以通过计算特征的重要性得分、分析模型的预测性能等方式实现。根据重要性大小，可以选取对桥梁性能影响最大的特征作为关键特征。这些关键特征将为我们的桥梁性能评估和模型建立提供有力的支持。
综上所述，挖掘影响桥梁性能的关键特征是一个复杂而严谨的过程。通过数据清洗、标准化、特征筛选、主成分提取和特征评估等步骤，可以逐步深入了解桥梁性能的影响因素，为桥梁的安全运营和维护提供科学依据。
进一步的，各个特征与桥梁健康状态指标的相关系数通过皮尔逊相关系数计算，具体公式为：其中，xi和yi分别是特征变量和桥梁健康状态指标的第i个观察值，和分别是它们各自的平均值；
主成分的选择通过累计方差贡献率来决定，具体公式为：
其中，λj是第j个主成分对应的特征值，p是特征子集中的特征数量，k是保留的主成分个数，θ是选取的前k个主成分能够解释相关特征子集总方差的百分比。
在探讨桥梁健康状态的评估时，不仅要考虑桥梁的整体状况，还要深入分析各个特征与桥梁健康状态指标之间的关联程度。这种关联程度可以通过数学统计方法来量化，其中最常用的是皮尔逊相关系数。皮尔逊相关系数是衡量两个变量之间线性关系强度和方向的一种指标，其值范围在-1到1之间。当相关系数为1时，表示两个变量完全正相关；当相关系数为-1时，表示两个变量完全负相关；当相关系数为0时，表示两个变量之间没有线性关系。
在桥梁健康评估中，假设有一组特征变量，如桥梁的材质、使用年限、车流量等，以及一个桥梁健康状态指标，如桥梁的承载能力。为了量化这些特征与桥梁健康状态指标之间的关联程度，可以使用皮尔逊相关系数进行计算。通过计算得到的相关系数值，可以了解各特征与桥梁健康状态指标之间的关联强度及方向。
此外，为了更好地理解和分析这些特征变量，还可以采用主成分分析方法进行降维处理。主成分分析是一种常用的统计方法，它可以通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，即主成分。这些主成分能够保留原始数据的大部分信息，同时减少变量的维度，简化数据分析过程。主成分的选择通常通过累计方差贡献率来决定。通过设定一个合适的θ值，可以选择出最能代表原始数据的主成分，从而实现对特征变量的有效降维和桥梁健康状态的准确评估。
综上所述，通过皮尔逊相关系数和主成分分析方法，可以深入了解桥梁特征与健康状态指标之间的关联程度，并实现对桥梁健康状态的全面评估。这不仅有助于及时发现桥梁存在的问题，还可以为桥梁的维护和管理提供科学依据，确保桥梁的安全运行。
进一步的，对桥梁当前状态进行分析评估，并对未来一段时间内桥梁状况的变化趋势做出预测包括以下步骤：
构建三维精细有限元模型以模拟桥梁实际结构，对三维精细有限元模型进行静力和动力分析，计算应力、应变及位移响应，将分析结果与实测数据进行校核，并更新模型参数；
基于长期的结构健康监测数据，评估桥梁当前的损伤水平及性能状态；
将桥梁当前状态数据输入性能退化模型，预测未来一段时间内的退化趋势；
融合有限元分析、监测评估与退化预测结果，建立基于证据理论的不确定知识推理决策模型以综合评估桥梁的当前状态和未来趋势。
对于桥梁当前状态的分析评估，需要采取一系列科学、系统的步骤。其中，构建三维精细有限元模型是至关重要的第一步。通过利用先进的建模软件和技术，可以精确地模拟桥梁的实际结构，为后续的分析评估提供坚实的基础。在此基础上，对模型进行静力和动力分析，可以计算出桥梁在各种工况下的应力、应变及位移响应，从而全面了解桥梁的受力状态和变形情况。
为了验证模型的准确性，需要将分析结果与实测数据进行校核。这一过程可以通过对比模型计算结果与桥梁上安装的传感器所采集的实测数据来完成。如果发现存在较大的差异，就需要对模型参数进行调整，以提高模型的精度。这样，就能够得到一个能够准确反映桥梁当前状态的有限元模型。
接下来，可以基于长期的结构健康监测数据，对桥梁当前的损伤水平及性能状态进行评估。结构健康监测是一种通过对桥梁进行实时监测，获取桥梁结构状态信息的方法。通过对监测数据的分析，可以了解桥梁在不同时间、不同工况下的受力情况、变形情况以及损伤发展情况，从而全面评估桥梁的当前状态。
在得到桥梁当前状态数据后，可以将这些数据输入性能退化模型，预测未来一段时间内的退化趋势。性能退化模型是一种基于历史数据和统计方法建立的模型，可以预测桥梁在未来一段时间内的性能退化情况。通过输入桥梁当前状态数据，可以得到未来一段时间内桥梁的应力、应变及位移响应的预测值，从而了解桥梁的未来发展趋势。
最后，为了综合评估桥梁的当前状态和未来趋势，需要融合有限元分析、监测评估与退化预测的结果。这可以通过建立基于证据理论的不确定知识推理决策模型来实现。该模型可以综合考虑各种信息来源的不确定性，将有限元分析结果、监测评估结果和退化预测结果进行综合处理，从而得出一个全面、客观的评估结果。
综上所述，对于桥梁当前状态的分析评估和未来趋势的预测，需要采取一系列科学、系统的步骤。通过构建三维精细有限元模型、进行静力和动力分析、长期监测数据评估、性能退化预测以及不确定知识推理决策模型的建立，可以全面了解桥梁的当前状态和未来发展趋势，为桥梁的维护和管理提供有力的支持。同时，这些步骤的实施也需要充分利用现代科技手段和方法，不断提高评估的准确性和效率。
进一步的，通过以下公式预测未来一段时间内的退化趋势：
其中，S(t)表示在时间t时的结构性能状态；S0是初始状态；r(S(τ),t-τ)是随时间变化的性能退化率函数，退化率函数的参数通过对历史性能状态数据进行分析和参数估计得到，进而预测未来的性能状态；t表示当前的时间，而τ表示积分变量，代表着过去某个时间点到当前时间t之间的时间间隔；
基于证据理论的不确定知识推理决策模型用以下公式表示：
其中，A表示桥梁可能的状态；m(B)表示对于每一个可能的状态集合B，有多大的信任度认为桥梁的真实状态属于B，根据有限元分析、监测评估与退化预测结果得出m(B)的值；K表示不同证据之间的冲突程度，如果所有的证据都一致，那么K＝0；如果所有的证据都完全冲突，那么K＝1。
如何通过给定的公式预测未来一段时间内的退化趋势是一个涉及到结构性能状态随时间变化的问题，尤其在工程领域，如桥梁、建筑等的维护和管理中具有重要意义。
公式中的S(t)代表在时间t时的结构性能状态。这通常是一个量化指标，用于描述结构的完整性、安全性或其他相关性能。S0则代表初始状态，即结构在开始使用时的性能状态。随着时间的推移，结构性能状态会发生变化，这种变化可以通过r(S(τ),t-τ)来描述。
r(S(τ),t-τ)是随时间变化的性能退化率函数。这个函数描述了在过去的某个时间点τ到当前时间t之间，结构性能状态的变化率。这个函数的具体形式需要根据实际情况来确定，通常需要通过分析和处理大量的历史性能状态数据来估计其参数。这样，就可以通过这个函数来预测未来的性能状态。
此外，为了更准确地预测未来的性能状态，还需要考虑一些其他因素，如环境因素、使用条件、维护情况等。这些因素可能会对结构的性能状态产生影响，因此需要在模型中进行适当的考虑。
接下来，基于证据理论的不确定知识推理决策模型用于处理不确定性的知识，特别适用于那些涉及到多种证据、多种可能性的情况。在桥梁的状态评估中，由于存在多种不确定性因素，如监测数据的误差、模型的不完善等，因此这个模型非常适用。
在模型中，A表示桥梁可能的状态。这些状态可以是安全的、危险的、需要维护的等。m(B)表示对于每一个可能的状态集合B，有多大的信任度认为桥梁的真实状态属于B。这个信任度可以通过多种方法得到，如有限元分析、监测评估、退化预测等。
K表示不同证据之间的冲突程度。如果所有的证据都一致，那么K＝0；如果所有的证据都完全冲突，那么K＝1。在实际应用中，需要根据具体情况来确定K的值，以反映不同证据之间的冲突程度。
综上所述，可以通过给定的公式来预测未来一段时间内的退化趋势，并通过基于证据理论的不确定知识推理决策模型来处理不确定性的知识，从而更准确地评估桥梁的状态。
进一步的，步骤4包括以下步骤：
收集历史维修项目的直接成本和间接成本以构建成本估算模型，输入维修工程量、工艺和时间参数，输出对应的估算成本；
明确桥梁维修的主要目标，确定效益评估的关键指标，并应用多准则决策分析法为每个关键指标赋予相应的权重，反映其在整体决策中的相对重要性；
基于三维精细有限元模型与性能退化模型，模拟不同维修策略实施后的桥梁性能变化；根据模拟结果对效益指标进行量化评估，构建效益评估模型，输出各策略在不同指标下的效益分数。
进一步推进桥梁维修项目的成本效益分析，需要在步骤4中实施以下关键步骤：
首先，需要详尽地收集历史维修项目的直接成本和间接成本数据。这些数据将用于构建一个精确的成本估算模型。通过输入维修工程量、工艺和时间参数，该模型能够输出对应的估算成本。这不仅能够更准确地预测未来的维修成本，还能够为制定预算和成本控制策略提供有力的依据。
其次，需要明确桥梁维修的主要目标。这些目标包括提高桥梁的安全性、延长使用寿命、改善交通流量等。在此基础上，需要确定效益评估的关键指标，如成本效益比、投资回报率、社会效益等。为了更全面地反映这些指标在整体决策中的相对重要性，可以应用多准则决策分析法，为每个关键指标赋予相应的权重。
接下来，将基于三维精细有限元模型与性能退化模型，模拟不同维修策略实施后的桥梁性能变化。这些模拟将考虑各种因素，如材料性能、环境因素、交通流量等。通过对比不同维修策略下的模拟结果，可以对效益指标进行量化评估，从而构建一个效益评估模型。这个模型将输出各策略在不同指标下的效益分数，为选择合适的维修策略提供决策支持。
总之，通过收集历史成本数据、明确维修目标、确定关键效益指标、应用多准则决策分析法和构建效益评估模型，可以更全面地分析桥梁维修项目的成本效益。这将有助于制定更加科学、合理的维修策略，提高维修项目的整体效益。
进一步的，步骤5包括以下步骤：
明确定义桥梁维修所需优化的关键性能指标，包括结构安全性提升、维修成本、施工时间和交通影响；
将维修时间窗口、施工工艺限制及环境保护要求作为实际约束条件纳入考虑；
构建多目标优化模型，在各项关键性能指标间权衡搜索非支配解，即能在所有目标下达到接受水平的Pareto最优解集；
对Pareto解集中的各个方案进行综合评估，根据决策者的偏好和需求，选择最合适的方案作为最优维修策略。
桥梁的安全性、经济性和效率性对于整个社会至关重要。为了确保桥梁的长期稳定运行，维修工作不可或缺。在维修过程中，如何制定一套科学、合理的维修策略，确保桥梁的安全性得到提升、维修成本降低、施工时间缩短，并减少对交通的影响，是当前桥梁维修领域面临的关键问题。
需要明确定义桥梁维修所需优化的关键性能指标。这些指标包括但不限于结构安全性的提升、维修成本的降低、施工时间的缩短以及交通影响的最小化。其中，结构安全性的提升是维修工作的核心目标，确保桥梁在维修后能够抵御各种自然和人为因素的侵袭，保障生命财产的安全。维修成本的降低则关系到经济效益，如何在保证质量的前提下减少维修成本，是每一个决策者都需要考虑的问题。施工时间的缩短能够减少对交通的影响，保证交通的顺畅。
在制定维修策略时，还需要将维修时间窗口、施工工艺限制及环境保护要求作为实际约束条件纳入考虑。维修时间窗口的选择需要考虑到交通流量、天气条件等多种因素，确保维修工作能够在最合适的时间进行。施工工艺的限制则要求我们在制定维修方案时，必须考虑到现有的施工技术和设备，确保方案的可行性。同时，环境保护也是不可忽视的一环，需要确保维修工作不会对环境造成不良影响。
在此基础上，可以构建多目标优化模型，对各项关键性能指标进行权衡，搜索非支配解，即能在所有目标下达到接受水平的Pareto最优解集。这一模型能够帮助我们在多个目标之间找到最佳的平衡点，确保维修策略的全面优化。
最后，对Pareto解集中的各个方案进行综合评估，根据决策者的偏好和需求，选择最合适的方案作为最优维修策略。这一步骤需要决策者全面考虑各种因素，包括技术可行性、经济效益、环境影响等，确保最终选择的维修策略是最符合实际情况和需求的。
综上所述，桥梁维修策略的多目标优化是一个复杂而关键的问题。通过明确定义关键性能指标、考虑实际约束条件、构建多目标优化模型以及进行综合评估，我们能够制定出一套科学、合理的维修策略，确保桥梁的安全、经济和效率得到全面提升。
一种基于桥梁大数据的智能养护决策系统，包括大数据子系统、桥梁性能分析子系统和桥梁维修决策优化子系统三个模块，其中：
大数据子系统负责采集、传输、处理和存储与桥梁相关的各类数据，为整个系统提供数据支持，包括：
数据采集层，自动获取桥梁的基本信息、历史检测报告和维修记录，同时，通过安装在桥上的传感器实时监测桥梁的状态数据；
数据传输层，用于将采集数据上传至数据处理层；
数据处理层，对采集数据进行清洗、转换和标准化处理；
数据存储层，采用分布式存储架构，存储处理后的数据；
桥梁性能分析子系统负责评估桥梁当前状态并预测未来趋势，包括：
特征工程模块，用于提取影响桥梁性能的关键特征，进行特征选择和构造；
桥梁性能评估模型，基于神经网络对桥梁的当前结构性能和安全状态进行评估；
性能退化预测模型，用于预测剩余使用年限及未来一段时间内桥梁性能的退化趋势；
桥梁维修决策优化子系统负责生成最优的维修决策方案，包括：
维修策略生成模块，基于桥梁性能分析结果，结合维修方案库，生成多种可能的维修策略方案，维修策略包括维修时间、维修范围、维修工艺和材料用量；
多目标优化模块，用于建立维修决策的多目标优化模型；
方案评估模块，对优化得到的维修策略方案进行全面评估，包括经济性评估、可行性评估和风险评估；
维修方案反馈模块，记录实施的维修方案及维修效果，为未来维修决策提供反馈数据。
在当今社会，随着桥梁建设的规模不断扩大和桥梁运营时间的不断延长，桥梁养护成为了一个至关重要的问题。传统的桥梁养护方式往往依赖于人工巡检和经验判断，这种方式不仅效率低下，而且难以准确评估桥梁的性能和预测未来的退化趋势。为了解决这个问题，一种基于桥梁大数据的智能养护决策系统应运而生。
这种智能养护决策系统由三个核心模块组成：大数据子系统、桥梁性能分析子系统和桥梁维修决策优化子系统。每个模块都有其独特的功能和作用，共同构成了这个智能养护决策系统的完整框架。
首先，大数据子系统是整个系统的基石。它负责采集、传输、处理和存储与桥梁相关的各类数据，为整个系统提供数据支持。数据采集层通过自动获取桥梁的基本信息、历史检测报告和维修记录，以及通过安装在桥上的传感器实时监测桥梁的状态数据，实现了对桥梁数据的全面覆盖。数据传输层则负责将采集的数据上传至数据处理层，确保数据的及时性和准确性。数据处理层对采集的数据进行清洗、转换和标准化处理，以消除数据中的噪声和异常值，提高数据的质量和可用性。最后，数据存储层采用分布式存储架构，存储处理后的数据，保证了数据的安全性和可扩展性。
其次，桥梁性能分析子系统负责评估桥梁当前状态并预测未来趋势。特征工程模块通过提取影响桥梁性能的关键特征，进行特征选择和构造，为后续的评估和预测提供了有效的数据支持。桥梁性能评估模型基于神经网络对桥梁的当前结构性能和安全状态进行评估，能够准确反映桥梁的实际状况。性能退化预测模型则用于预测剩余使用年限及未来一段时间内桥梁性能的退化趋势，为维修决策提供了科学依据。
最后，桥梁维修决策优化子系统负责生成最优的维修决策方案。维修策略生成模块基于桥梁性能分析结果，结合维修方案库，生成多种可能的维修策略方案。这些方案包括维修时间、维修范围、维修工艺和材料用量等多个方面，为决策者提供了全面的选择空间。多目标优化模块则用于建立维修决策的多目标优化模型，综合考虑经济性、可行性和风险性等多个因素，寻找最优的维修策略方案。方案评估模块对优化得到的维修策略方案进行全面评估，包括经济性评估、可行性评估和风险评估，确保方案的可行性和有效性。维修方案反馈模块则记录实施的维修方案及维修效果，为未来维修决策提供反馈数据，不断完善和优化维修决策方案。
总之，这种基于桥梁大数据的智能养护决策系统通过大数据技术的应用，实现了对桥梁状态的全面监测和性能评估，为维修决策提供了科学依据和有力支持。同时，该系统还具备自我学习和优化的能力，能够不断适应桥梁运营过程中的变化和挑战，为桥梁的安全运营提供了有力保障。在未来，随着技术的不断进步和应用范围的不断扩大，这种智能养护决策系统将在桥梁养护领域发挥更加重要的作用。
进一步的，多目标优化模块采用遗传算法求解多目标优化问题，获得最优维修策略。
遗传算法是一种模拟自然界生物进化过程的优化算法，它通过模拟生物进化过程中的选择、交叉和变异等机制，在解空间中寻找最优解。在多目标优化问题中，遗传算法可以同时考虑多个目标函数，如维修成本、设备可用性以及生产线的稳定性等，从而找到一组综合性能最优的解集，即帕累托最优解。
在多目标优化模块中，遗传算法的具体实现过程包括以下几个步骤：首先，根据问题的特点定义合适的目标函数和约束条件；然后，随机生成一组初始解作为初始种群；接下来，通过计算每个解的适应度值来评估其优劣；再根据适应度值选择优秀的个体进行交叉和变异操作，生成新的种群；最后，重复以上过程，直到满足终止条件为止。
通过遗传算法的应用，多目标优化模块能够在多目标维修策略问题中找到一组综合性能最优的解集。因此，多目标优化模块的应用对于提高维修效率、降低运营成本以及提升竞争力具有重要的实际意义。
Claims (10)
1.一种基于桥梁大数据的养护智能决策方法，其特征在于，包括以下步骤：
步骤1，收集桥梁的基本信息、检测报告、维修记录以及实时状态数据；
步骤2，从步骤1收集的数据中挖掘出影响桥梁性能的关键特征，对桥梁当前状态进行分析评估，并对未来一段时间内桥梁状况的变化趋势做出预测；
步骤3，基于步骤2的结果，生成包含维修时间、范围、工艺和材料用量的多种可能维修策略方案；
步骤4，对步骤3生成的维修策略方案进行成本效益分析；
步骤5，利用多目标优化算法，综合考虑桥梁性能提升、维修成本、施工时间和交通影响因素，从步骤4评估的维修策略方案中选择最优方案；
步骤6，根据最优策略制定详细维修计划并实施，对实施效果进行评估以持续优化未来的维修决策。
2.根据权利要求1所述的一种基于桥梁大数据的养护智能决策方法，其特征在于，桥梁的基本信息包括设计图纸、施工记录、材料信息和荷载参数；
桥梁的检测报告为最近的检测报告，用于了解桥梁的结构健康状况、病害、裂缝和变形数据；
维修记录包括维修方案、材料使用和施工过程；
桥梁实时状态数据包括：
通过无人机航拍获取桥梁的高分辨率图像以用于病害识别和变形监测；
通过爬索机器人获取的桥梁梁面和梁底检测数据；
通过水下机器人获取的桥梁水下部分信息；
通过声呐探测装置获取的混凝土质量、裂缝和空腔数据；
通过安装于桥梁主要受力部位的应变、振动和温度传感器获取的桥梁负载大小、振动频率和温度变化数据。
3.根据权利要求1所述的一种基于桥梁大数据的养护智能决策方法，其特征在于，挖掘影响桥梁性能的关键特征包括以下步骤：
对步骤1收集的数据进行清洗，包括处理缺失值、异常值和噪声数据；
对清洗后的数据进行标准化处理，将不同量纲的数据转换到相同的尺度；
计算各个特征与桥梁健康状态指标的相关系数；
根据相关系数大小，筛选出与桥梁状态高度相关的特征子集；
应用主成分分析法对相关特征进行主成分提取；选取能够解释大部分数据方差的主成分，作为影响桥梁性能的主要因素；
评判各特征对桥梁性能评估模型预测结果的贡献程度，根据重要性大小，选取对桥梁性能影响最大的特征作为关键特征。
4.根据权利要求3所述的一种基于桥梁大数据的养护智能决策方法，其特征在于，各个特征与桥梁健康状态指标的相关系数通过皮尔逊相关系数计算，具体公式为：
其中，xi和yi分别是特征变量和桥梁健康状态指标的第i个观察值，和分别是它们各自的平均值；
主成分的选择通过累计方差贡献率来决定，具体公式为：
其中，λj是第j个主成分对应的特征值，p是特征子集中的特征数量，k是保留的主成分个数，θ是选取的前k个主成分能够解释相关特征子集总方差的百分比。
5.根据权利要求1所述的一种基于桥梁大数据的养护智能决策方法，其特征在于，对桥梁当前状态进行分析评估，并对未来一段时间内桥梁状况的变化趋势做出预测包括以下步骤：
构建三维精细有限元模型以模拟桥梁实际结构，对三维精细有限元模型进行静力和动力分析，计算应力、应变及位移响应，将分析结果与实测数据进行校核，并更新模型参数；
基于长期的结构健康监测数据，评估桥梁当前的损伤水平及性能状态；
将桥梁当前状态数据输入性能退化模型，预测未来一段时间内的退化趋势；
融合有限元分析、监测评估与退化预测结果，建立基于证据理论的不确定知识推理决策模型以综合评估桥梁的当前状态和未来趋势。
6.根据权利要求5所述的一种基于桥梁大数据的养护智能决策方法，其特征在于，通过以下公式预测未来一段时间内的退化趋势：
其中，S(t)表示在时间t时的结构性能状态；S0是初始状态；r(S(τ),t-τ)是随时间变化的性能退化率函数，退化率函数的参数通过对历史性能状态数据进行分析和参数估计得到，进而预测未来的性能状态；t表示当前的时间，而τ表示积分变量，代表着过去某个时间点到当前时间t之间的时间间隔；
基于证据理论的不确定知识推理决策模型用以下公式表示：
其中，A表示桥梁可能的状态；m(B)表示对于每一个可能的状态集合B，有多大的信任度认为桥梁的真实状态属于B，根据有限元分析、监测评估与退化预测结果得出m(B)的值；K表示不同证据之间的冲突程度，如果所有的证据都一致，那么K＝0；如果所有的证据都完全冲突，那么K＝1。
7.根据权利要求1所述的一种基于桥梁大数据的养护智能决策方法，其特征在于，步骤4包括以下步骤：
收集历史维修项目的直接成本和间接成本以构建成本估算模型，输入维修工程量、工艺和时间参数，输出对应的估算成本；
明确桥梁维修的主要目标，确定效益评估的关键指标，并应用多准则决策分析法为每个关键指标赋予相应的权重，反映其在整体决策中的相对重要性；
基于三维精细有限元模型与性能退化模型，模拟不同维修策略实施后的桥梁性能变化；根据模拟结果对效益指标进行量化评估，构建效益评估模型，输出各策略在不同指标下的效益分数。
8.根据权利要求1所述的一种基于桥梁大数据的养护智能决策方法，其特征在于，步骤5包括以下步骤：
明确定义桥梁维修所需优化的关键性能指标，包括结构安全性提升、维修成本、施工时间和交通影响；
将维修时间窗口、施工工艺限制及环境保护要求作为实际约束条件纳入考虑；
构建多目标优化模型，在各项关键性能指标间权衡搜索非支配解，即能在所有目标下达到接受水平的Pareto最优解集；
对Pareto解集中的各个方案进行综合评估，根据决策者的偏好和需求，选择最合适的方案作为最优维修策略。
9.一种基于桥梁大数据的智能养护决策系统，用于实现权利要求1所述的智能养护决策方法，其特征在于，包括大数据子系统、桥梁性能分析子系统和桥梁维修决策优化子系统三个模块，其中：
大数据子系统负责采集、传输、处理和存储与桥梁相关的各类数据，为整个系统提供数据支持，包括：
数据采集层，自动获取桥梁的基本信息、历史检测报告和维修记录，同时，通过安装在桥上的传感器实时监测桥梁的状态数据；
数据传输层，用于将采集数据上传至数据处理层；
数据处理层，对采集数据进行清洗、转换和标准化处理；
数据存储层，采用分布式存储架构，存储处理后的数据；
桥梁性能分析子系统负责评估桥梁当前状态并预测未来趋势，包括：
特征工程模块，用于提取影响桥梁性能的关键特征，进行特征选择和构造；
桥梁性能评估模型，基于神经网络对桥梁的当前结构性能和安全状态进行评估；
性能退化预测模型，用于预测剩余使用年限及未来一段时间内桥梁性能的退化趋势；
桥梁维修决策优化子系统负责生成最优的维修决策方案，包括：
维修策略生成模块，基于桥梁性能分析结果，结合维修方案库，生成多种可能的维修策略方案，维修策略包括维修时间、维修范围、维修工艺和材料用量；
多目标优化模块，用于建立维修决策的多目标优化模型；
方案评估模块，对优化得到的维修策略方案进行全面评估，包括经济性评估、可行性评估和风险评估；
维修方案反馈模块，记录实施的维修方案及维修效果，为未来维修决策提供反馈数据。
10.根据权利要求9所述的一种基于桥梁大数据的智能养护决策系统，其特征在于，多目标优化模块采用遗传算法求解多目标优化问题，获得最优维修策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411210329.0A CN119168618A (zh) | 2024-08-30 | 2024-08-30 | 一种基于桥梁大数据的养护智能决策方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411210329.0A CN119168618A (zh) | 2024-08-30 | 2024-08-30 | 一种基于桥梁大数据的养护智能决策方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN119168618A true CN119168618A (zh) | 2024-12-20 |
Family
ID=93888693
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202411210329.0A Withdrawn CN119168618A (zh) | 2024-08-30 | 2024-08-30 | 一种基于桥梁大数据的养护智能决策方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN119168618A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119358111A (zh) * | 2024-12-24 | 2025-01-24 | 浙江嘉绍跨江大桥投资发展有限公司 | 一种基于智能监测的钢箱梁刚性铰养护决策方法及系统 |
| CN119417188A (zh) * | 2025-01-07 | 2025-02-11 | 云基智慧工程股份有限公司 | 交通基础设施集群维养规划方法、装置、设备及存储介质 |
| CN119577932A (zh) * | 2025-02-10 | 2025-03-07 | 贵州省交通规划勘察设计研究院股份有限公司 | 一种悬索桥受力模拟分析系统 |
| CN119644889A (zh) * | 2025-02-13 | 2025-03-18 | 山西大同大学 | 一种建筑工程的混凝土养护装置 |
| CN119989156A (zh) * | 2025-04-11 | 2025-05-13 | 贵州黔通工程技术有限公司 | 公路桥梁智慧养护决策系统及决策方法 |
| CN120410272A (zh) * | 2025-06-24 | 2025-08-01 | 中国人民解放军火箭军工程大学 | 一种考虑多元互斥意图的设备运行轮换方案的决策方法 |
| CN120471216A (zh) * | 2025-04-30 | 2025-08-12 | 南智（重庆）能源技术有限公司 | 修井数智决策方法、装置、电子设备以及存储介质 |
-
2024
- 2024-08-30 CN CN202411210329.0A patent/CN119168618A/zh not_active Withdrawn
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119358111A (zh) * | 2024-12-24 | 2025-01-24 | 浙江嘉绍跨江大桥投资发展有限公司 | 一种基于智能监测的钢箱梁刚性铰养护决策方法及系统 |
| CN119358111B (zh) * | 2024-12-24 | 2025-06-20 | 浙江嘉绍跨江大桥投资发展有限公司 | 一种基于智能监测的钢箱梁刚性铰养护决策方法及系统 |
| CN119417188A (zh) * | 2025-01-07 | 2025-02-11 | 云基智慧工程股份有限公司 | 交通基础设施集群维养规划方法、装置、设备及存储介质 |
| CN119417188B (zh) * | 2025-01-07 | 2025-06-13 | 云基智慧工程股份有限公司 | 交通基础设施集群维养规划方法、装置、设备及存储介质 |
| CN119577932A (zh) * | 2025-02-10 | 2025-03-07 | 贵州省交通规划勘察设计研究院股份有限公司 | 一种悬索桥受力模拟分析系统 |
| CN119644889A (zh) * | 2025-02-13 | 2025-03-18 | 山西大同大学 | 一种建筑工程的混凝土养护装置 |
| CN119989156A (zh) * | 2025-04-11 | 2025-05-13 | 贵州黔通工程技术有限公司 | 公路桥梁智慧养护决策系统及决策方法 |
| CN120471216A (zh) * | 2025-04-30 | 2025-08-12 | 南智（重庆）能源技术有限公司 | 修井数智决策方法、装置、电子设备以及存储介质 |
| CN120410272A (zh) * | 2025-06-24 | 2025-08-01 | 中国人民解放军火箭军工程大学 | 一种考虑多元互斥意图的设备运行轮换方案的决策方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN119168618A (zh) | 一种基于桥梁大数据的养护智能决策方法及系统 | |
| CN113378939B (zh) | 基于物理驱动神经网络的结构数字孪生建模与参数识别法 | |
| CN119398980B (zh) | 基于损伤识别的智能桥梁加固决策生成方法、装置及设备 | |
| CN119168122B (zh) | 一种基于信息技术的工程项目进度多维度监控系统及方法 | |
| CN120257003B (zh) | 一种基于深度学习的岩土力学参数智能识别方法及系统 | |
| CN113627621B (zh) | 一种面向光网络传输质量回归估计的主动学习方法 | |
| CN119180494A (zh) | 一种基于盖挖地铁基坑的周边环境风险评估方法 | |
| CN120688131A (zh) | 一种基于数字孪生的地铁施工进度动态调控方法及系统 | |
| CN119538199A (zh) | 石化管道全生命周期检测评估方法及设备 | |
| Zar et al. | A vibration-based approach for detecting arch dam damage using RBF neural networks and Jaya algorithms | |
| CN120509293A (zh) | 基于数字孪生的风电混塔损伤预测方法和系统 | |
| CN119135568A (zh) | 基于通信网络的智能运维故障诊断系统 | |
| Choi et al. | Development of data-based hierarchical learning model for predicting condition rating of bridge members over time | |
| CN116991981A (zh) | 结合有限元分析的预应力构件仿真数据处理方法及系统 | |
| Gholami et al. | Prediction of compressive strength of masonry structures: Integrating three optimized models by virtue of committee machine | |
| CN120217029B (zh) | 基于层次图结构与马尔可夫残差修正的损伤趋势预测方法 | |
| CN119880226B (zh) | 钢桁架结构应力分布智能分析系统及其方法 | |
| CN118607966B (zh) | 基于逐步权值信息的排水管网清洗多阶段决策分析方法 | |
| CN119962352A (zh) | 一种基于图卷积网络的随机退化设备剩余寿命预测方法 | |
| CN117421918A (zh) | 用于数字孪生平台的变压器状态预测模型构建方法及系统 | |
| Li | RREASO building structure physical parameter identification algorithm for structural damage identification | |
| Pinhao | Artificial Intelligence for the Analysis of Structures in Civil Engineering | |
| Wu et al. | Wisdom in the details: An instance-level decoupled explainable framework for survival-analysis-based risk assessment in water distribution networks | |
| CN119150480B (zh) | 一种绕筋机参数确定方法、介质及系统 | |
| CN121684991A (zh) | 纤维增强水泥基材料可持续效益评估方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20241220 |