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。     

5.12地震后震区农村建筑物震害分析和对策

中国农村建筑物的抗震性能普遍偏低,经过汶川5.12地震后,惨痛的人员财产损失引起了有关部门对农村建筑物安全的高度重视,为了了解震害产生的原因,有必要对5.12地震后震区农村建筑物震害进行研究。以震区几种农村典型建筑物的震害现象为例,对各类建筑物遭受不同程度的破坏进行了破坏机理分析。揭示了震害产生的原因,暴露出农村建筑物存在问题很多。分析结果表明,在震区的广大农村应提高人们的房屋安全思想认识,采取合理的房屋安全建筑措施,并应大力推广木构架结构的房屋。     

汶川大地震西安市中小学建筑的震害调查和分析

"5.12"汶川大地震对西安市的一些房屋造成了不同程度的震害,尤其是占有相当数量的中小学建筑的震害更值得关注;通过对西安市中小学建筑砌体结构房屋的震害调查,分析了此类建筑的震害特点和原因,提出了提高中小学建筑抗震性能的建议,对今后我国中小学建筑的设计和抗震加固具有重要的指导意义。     

基于免疫蛙跳算法的小波神经网络的水稻需水量预测

为了避免传统小波神经网络采用基于负梯度方向的BP算法学习训练过程中存在收敛速度慢、易陷入局部最小的缺点,采用改进的免疫蛙跳算法对传统的小波神经网络中各个参数进行优化,提高小波神经网络模型的收敛速度和预测精度,提出了基于改进免疫蛙跳算法优化小波神经网络的预测模型,将该模型应用于水稻需水量的预测中,研究结果表明：该耦合模型优于传统的小波神经网络,对水稻需水量有良好的预测性能。     

基于神经网络的岩爆分级预测

为了检验神经网络在岩爆预测分级中的可行性,利用神经网络的模式识别特性,构建了岩爆分级预测的神经网络模型.以13组实测数据作为神经网络的训练样本、5组实测数据作为测试样本验证神经网络的工作性能.验证结果表明,神经网络的岩爆分级预测结果与实际结果完全一致,表明训练良好的神经网络可以用于工程实践中的岩爆分级预测.     

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。     

YOLOv3-CBAM长江禁捕垂钓场景识别模型研究

河湖水域岸线管控是河湖长制的重要内容,实施长江十年禁渔以来,长江岸线的非法捕捞行为屡禁不止,应用卫星-无人机-地面视频监控等遥感手段联合进行岸线禁捕场景识别成为趋势。为了实现对禁捕中垂钓行为的快速智能化精确检测,采用深度学习方法,利用Microsoft Common Objects in Context(COCO)数据集训练出一个具有较强特征提取能力的预训练权重,借助迁移学习的思想解决了目前禁捕场景样本量少的问题。为了增强对小目标的检测效果,在目标检测网络YOLOv3的基础上添加多个注意力机制模块,形成改进后的网络模型YOLOv3-CBAM。实验结果表明：YOLOv3算法采用迁移学习的训练策略,可以加快模型的收敛速度,提高模型的识别精度,将精度从78.57%提升至93.27%;添加注意力机制模块之后,在模型参数几乎不增加的情况下,识别精度又可提升到93.99%。研究成果可为长江流域禁捕垂钓的实时动态监管提供技术支持。     

新型抗震加固智能化设计技术

针对日益增多有特殊使用功能的既有建筑抗震加固改造工程,提出新型抗震加固技术结合智能化设计的设想,即在不影响建筑物使用的前提下对其抗震加固并达到对加固项目后生命周期的管理。既有建筑在抗震加固的各阶段都能做到可视化、参数化、智能化和最大效益化,抛弃传统老旧二维图纸档案,建立建筑物的数字化档案(建筑信息模型),便于震后维护。     

基于YOLO模型的堤坝管涌监测智能识别方法

针对堤坝管涌现象的监测识别问题,提出一种基于YOLO模型的堤坝管涌识别方法。该方法通过引入改进的残差块及替换模型的激活函数来提升YOLO v3模型的网络性能,构建了基于堤坝管涌感兴趣区域提取的Piping YOLO模型来提取管涌感兴趣区域,并采用二维主成分分析方法提取管涌现象的特征,将其作为多权值神经网络的输入,经训练后实现管涌状态的分类识别。基于自主搭建的管涌渗漏试验平台建立了数据集并进行了试验验证,结果表明,提出的方法能有效识别堤坝管涌现象,在堤坝管涌无人巡检领域具有一定的应用前景。     

分区域阈值法在软土微结构分析中的应用

利用环境扫描电子显微镜(ESEM)对软土固结土样的微观结构进行观测并获取土样微结构ESEM图片。采用全区域阈值法和分区域阈值法,获取ESEM图片二值化过程中的阈值以提取微结构参数计算结果表明:分区域阈值法获得的微孔隙率等参数较全区域采用单一阈值获得的微孔隙率参数更接近三相图结果,最小相对误差的平均值为4.9%,是一种有效的、理想的土体微结构图片分析方法。     

基于PCA-BPNN的膨胀土自由膨胀率预测

为了准确地对膨胀土进行分类,将主成分分析方法（PCA）和BP神经网络方法（BPNN）相结合,进行膨胀土自由膨胀率预测研究。首先,对影响自由膨胀率的几个物性指标数据进行主成分分析,得到主成分数据序列;然后,根据主成分数据序列建立输入样本并应用BP神经网络进行训练,得到PCA-BPNN预测结果,从而预测自由膨胀率。采用南阳膨胀土数据进行实例分析,结果表明,该模型比单一BP神经网络预测方法的效果更好。     

地下水环境模拟参数随机场的BP神经网络研究

以地下水环境模拟参数随机场中的离子质量浓度为例,以研究BP神经网络方法(BPNN)应用于地下水环境模拟参数随机场空间变异性的可能性。将所有数据分为独立的训练和检验数据集,用没有参与建模的22组数据进行验证,并用最佳BPNN模型进行区域空间分布预测图的绘制。结果表明:①BPNN方法的插值结果与观测值的相关系数达到0.952,平均偏差为1.438,协方差为14.052,取得了较好的模拟效果,且估值效果明显好于普通克里格法。②从最佳模型区域空间分布预测图来看,该方法能比较客观地刻画地下水环境模拟参数随机场中离子质量浓度的空间分布状况。这一实际应用表明,BPNN方法可以较好地描述地下水环境模拟参数随机场的空间分布规律。     

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...     

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。     

基于自适应神经模糊推理系统（ANFIS）的电力系统短期负荷预测

采用ANFIS（Adaptive Neuro-Fuzzy Interference System）进行电力系统短期负荷预测。ANFIS将模糊理论与神经网络融合，利用神经网络来实现系统的模糊逻辑推理，采用混合学习算法调整前提参数和结论参数，自动产生模糊规则。利用某局网负荷数据对网络进行训练和检测，所得结果表明利用ANFIS预测负荷有效。     

长江源高寒区域河川径流预测方法及其对比分析

为了更好地预测长江源高寒区域水文循环尤其是径流过程的变化规律,根据沱沱河站(1961年-2009年)共49年的降水和径流资料,以降水量作为输入向量,径流量作为目标向量,分别采用偏最小二乘回归估计、改进的BP神经网络和RBF神经网络建立了径流预测模型,并利用Matlab工具软件编程求解。通过三种计算方法预测结果的分析与对比表明:偏最小二乘回归估计模型的径流预测结果基本合理,但该方法需要降水数据作为已知条件,同时要求降水和径流的相关性较高,对于长江源高寒区域来水复杂的地区不是很合适;改进的BP网络模型因受到神经网络学习和训练的随机性影响,需要相当大的运算量,而且预测精度也不高,如果合理选择RBF神经网络模型的周期和spread值,其径流预测结果的精度相对较高,所以是值得推荐的方法。     

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。