改进的模糊Modular神经网络在既有建筑可靠性鉴定中的应用

在Takagi-Sugeno模糊逻辑系统的基础上,提出了改进的模糊Modular神经网络模型(IFMNN),并将该模型应用于既有建筑的可靠性鉴定.改进的模型是将传统的模糊Modular神经网络模型中的单输出改进为多输出.这种改进的多输入多输出的模糊Modular神经网络模型具有预测性能好、训练学习速度快的优点,它的系统门网络采用模糊C均值聚类算法代替K-means算法,专家网络的训练中引进了先进的Levenberg-Marquardt算法.在应用改进的模糊Modular神经网络模型对既有建筑进行可靠性鉴定的过程中,综合考虑了各主要因素对既有建筑可靠性鉴定等级的影响,并将经量化处理的影响因素作为网络的外部输入,将网络计算得到的4个输出值分别作为样本对应于不同可靠性等级的隶属度,建筑可靠性鉴定的最终评判等级为最大隶属度所对应的等级.训练和预测样本的计算结果证明了改进的模糊Modular神经网络模型在既有建筑可靠性鉴定中应用的可行性和有效性.     

基于改进FMNN模型的既有建筑可靠性鉴定

现阶段,由于自然因素和人为因素的影响,我国大量既有建筑的可靠性存在较大程度地削弱。这类建筑通常都位于城市的重要地段、建造时间相对较早,为了尽可能地降低建筑物拆除重建所造成的资源浪费和不利环境影响,有必要采取科学的评估鉴定方法对这类建筑的可靠性进行鉴定,及时采取加固处理措施。基于改进模糊Modular神经网络理论,对某既有建筑的可靠性进行鉴定,通过将采集到的建筑结构可靠性性能指标输入至通过专家经验训练后的评估网络,最终根据输出参数值得出鉴定结论,为后续建筑结构加固处理提供依据。     

基于模糊神经网络的建筑能耗评估模型研究

通过研究公共建筑耗能特点,结合建筑节能标准,提取了建筑能耗主要影响因素。在研究T-S模糊神经网络结构和算法的基础上,提出了基于T-S模糊神经网络的建筑能耗评估模型,用改进FCM聚类方法确定网络结构和参数初值,运用混合学习算法训练网络模型。将模型运用到评估实例中,结果表明基于改进FCM聚类的T-S模糊神经网络评估模型结构简单,学习和泛化能力强。     

火灾后主体结构的安全性鉴定研究

目前对结构抗火性能研究和实际工程结构火灾后的安全鉴定工作,基本上仅局限在结构构件层次,很少对整体建筑结构的安全性进行综合分析和评估。文章以某遭受火灾后的框架结构建筑为背景,详细阐述了现场检测、鉴定和分析方法;结合CECS 252:2009《火灾后建筑结构鉴定标准》和GB 50292-2015《民用建筑可靠性鉴定标准》,对火灾后结构的安全性进行综合评定,为今后类似工程提供参考。     

某高层建筑改造前的可靠性鉴定与评估

某高层建筑拟改造为酒店,为了解其现有结构的质量情况及改造的可行性、经济性,需要对其进行可靠性鉴定与适修性评估。本次采用回弹法、钻芯法、磁感探测法等对该建筑结构的裂缝、变形、砼强度、钢筋配置、氯离子含量等进行检测,并参考设计图纸,根据检测结果进行结构的承载力验算。按照民用建筑可靠性鉴定方法对现有建筑结构进行了安全性、正常使用性、可靠性评级与适修性评估,并对存在的不足提出处理意见,以期为今后类似建筑改造前的鉴定与评估提供一定的参考。     

基于深度学习的三维点云自动生成BIM模型方法

在数字孪生、智慧城市的浪潮下,建筑行业正积极探索一种能快速重塑"既有建筑"3D信息模型的方法。从深度学习3D目标检测算法角度出发,着手大规模建筑数据集的生成和点云深度学习理论,分析点云深度学习框架所需输入数据类型,重点介绍了各类建筑构件的3D边界框及三维点云的创建过程,对比具有相同数据结构的不同点云数据集并实现了基于ScanNet数据集的目标检测算法,进而整合出一套可行的基于深度学习的三维点云自动生成BIM模型技术路线,通过该技术路线训练后的神经网络可实现"输入未知建筑物三维点云,输出BIM模型参数"。最后,对于目前该方法的优缺点和未来发展方向给出实质性建议。     

基于ABC-BPNN的内蒙古西部草原民居建筑能耗预测模型

针对内蒙古西部草原民居建筑构造简单,围护结构热工性能差,民居建筑的采暖能耗高等问题,提出基于人工蜂群(ABC)优化BP神经网络的能耗预测方法。本文根据民居建筑特点,选取11个能耗影响因素作为输入参数的样本特征,利用De ST-h模拟结果作为网络的学习和测试数据,构建基于ABC-BPNN的能耗预测模型。然后将预测结果与De ST-h模拟计算结果进行对比,得出训练样本平均误差为0. 075 W/m~2,测试样本平均误差也仅为0. 29 W/m~2。最后将基于ABC-BPNN的预测模型与基于BP神经网络的预测模型进行对比,结果表明,基于ABC-BPNN的预测模型平均误差更低。所以人工蜂群优化BP神经网络算法可以相对准确地预测内蒙古西部草原民居建筑能耗,为草原民居建筑节能提供理论依据。     

建筑玻璃幕墙结构变形损伤检测与安全等级评估

为了提高建筑玻璃幕墙结构的安全性,提出建筑玻璃幕墙结构变形损伤检测与安全等级评估方法。其主要内容有：选择变形损伤检测设备,并布置玻璃幕墙结构变形损伤的检测点;采用相对累计偏差计算方法测定结构变形损伤指数,实现对结构变形损伤的直观描述;以玻璃幕墙结构固有频率作为依据,划分安全等级区间;构建因素集和评价集,实现对建筑玻璃幕墙安全状况的评定。检测与评估结果表明,所提出方法可以实现对玻璃幕墙结构变形损伤与安全等级的测定,发现建筑玻璃幕墙结构存在的安全问题,有助于提升建筑玻璃幕墙施工和使用的安全性。     

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.     

城市用水量预测的SIMULINK仿真技术研究

为保证城市供水优化运行的安全性和可靠性,提出了基于时间序列和神经网络理论的城市用水量预测的SIMULINK仿真模型。基于时间序列预测法的SIMULINK仿真模型依据回归算法确定模型参数,得到预测结果和误差,可通过调整SIMULINK模块参数提高仿真精度;在基于神经网络的SIMULINK仿真模型中,根据BP神经网络原理分别建立输入层、隐含层和输出层模型,得到预测结果和误差,可通过增加训练样本数提高仿真精度。仿真结果表明:基于时间序列和神经网络的水量预测SIMULINK仿真模型,不仅预测精度达到要求,而且还具有模块直观、参数易调和结果可视化等优点。     

改进BP神经网络的钢结构应力缺失数据重构

钢结构健康监测过程中的应力数据缺失会干扰监测各环节的运行状态,无法保障施工阶段的安全,因此解决数据缺失问题至关重要。钢结构在施工阶段应力应变监测中,由于受到外界诸多复杂因素的影响,导致监测数据不准确、缺失以及局部应力数据的重构值与真实值偏差较大等问题。采用改进BP神经网络分别对300组和30组钢结构应力应变监测数据进行重构,并对改进BP神经网络的数据重构方法进行适用性分析。结果表明:相比线性回归法,改进BP神经网络法进行离散型缺失数据的重构平均误差降低0.7%,特别是对于局部缺失数据,改进BP神经网络法的重构精度更高,平均局部误差降低2.2%; 为达到较好的重构精度,使用改进BP神经网络对缺失数据重构时,数据的缺失率不宜超过20%; 改进BP神经网络法可为钢结构应力缺失数据重构以及结构健康监测提供技术支持,具有较好的实用性。     

基于DEMATEL-ISM的建筑工人不安全行为影响因素研究

基于系统论、组织论、安全管理理论等理论基础，分别运用 DEMATEL 法计算出 13 个影响建筑工人不安全行为的 主要风险源的中心度、原因度，区别出原因集合和结果集合；应用修正阈值 λ 去除冗余因素，得到 ISM 方法中的初始矩阵 M，最终建立起 ISM 模型。通过 DEMATEL-ISM 综合建模将所有因素按层级结构分为三类，针对每类因素的内部关系、关 键因素提出不安全行为规范措施，通过控制关键影响因素来约束建筑工人不安全行为，为提高建筑施工安全提供可靠依据     

参数灵敏度分析的有限元-神经网络混合法

为了在力学参数位移反分析中进行力学参数灵敏度的分析 ,将神经网络方法与有限元正分析有机结合 ,利用有限元正分析获取神经网络的学习样本 ,利用神经网络输出变量对输入变量的偏导数求解力学参数在每一个测点的灵敏度 ,提出了一种力学参数灵敏度计算的新方法———有限元 -神经网络混合法。     

基于自适应集成神经网络的火灾预测方法

针对传统火灾预测方法存在误报和漏报的问题,提出了一种基于自适应集成神经网络的火灾预测方法。首先,在信息层采用速率检测算法将不同类型传感器检测到的奇异数据输入到网络模型中。其次,在特征层采用长短期记忆网络（LSTM）和径向基前馈神经网络（RBF-BPNN）构建集成网络学习不同输入参数下的火灾特征,最后,在决策层设计模糊逻辑控制系统推理输出火灾报警等级。实验结果表明,该方法具有更高的预测精度。     

房建工程事故行为致险链作用机理研究

为了深入理解不安全行为对于事故的影响，通过复杂网络探究房建工程事故行为致险链的作用机理。结合房建工程相关标准规范等，形成不安全行为列表；收集近些年房建工程事故案例，提取行为致险链，利用 Pajek 软件构建网络模型；分析网络的度和累计度分布，描述网络特性。结果表明，入度值和出度值高的节点分别反映事故的常见直接和间接行为原因，行为致险链网络具有无标度网络的特性。研究揭示了房建工程事故的行为致险机理，在预防事故的发生和发展上具有理论和实践意义。     

基于BIM和物联网的装配式建筑施工作业安全预警平台的建立

基于装配式建筑施工过程中的机械设备、预制构件及施工人员间存在的安全问题,利用建筑信息模型和物联网技术,构建了装配式建筑安全预警平台。首先通过对安全预警平台进行需求分析和系统功能设计,通过对装配式建筑施工危险源进行事故树分析,得到装配式建筑施工危险来源为人的不安全行为、物的不安全状态以及不安全环境。针对这 3 个危险源,基于 BIM 和物联网技术建立安全预警平台 3 个子系统:数据收集子系统、数据传输子系统和安全预警子系统。同时,在 BIM模型中相应区域以红绿黄色显示。结果表明物联网和 BIM 结合,可以快速、准确地对装配式建筑施工中的危险源进行预警。     

Integrated Assessment of Seismic Damage in Structures

Abstract: A new approach is explored for assessing the safety condition of civil engineering structures following strong-motion earthquakes that utilizes artificial intelligence to collectively consider several factors in the assessment process. Following this approach, various types of information related to the damage condition of the structure are input into a neural network computer program that has been trained to generate safety assessments. The network acts on the input information according to weighting factors established from data on past seismic events to generate a condition assessment. This study focused on utilizing various quantitative damage indices in formulating a safety assessment. Development of a neural network for this purpose was accomplished using response data from structural systems tested in the laboratory. The neural network generated more reliable assessments than could be obtained using any single indicator or from a linear regression model that utilized all indicators. The network was used successfully to assess the condition of a real structure damaged in an earthquake. A network of this kind may be useful in automatic and immediate condition assessment following a seismic event and as an aid to an expert in determining such assessments.     

基于 KanBIM 和物联网的电力工程现场安全行为识别方法研究

针对电力施工现场的安全行为问题，研究了基于KanBIM 和物联网技术的电力工程现场安全行为识别方法。对传统Faster R-CNN 模型进行改进，提高其视频监控识别的准确率，通过增加模型锚点数量、改进损失函数和特征图像插值预测的方式，提高视频监管效果。实验证明，该算法在对于安全帽管理和不安全行为的识别方面，准确率和精度均大幅提高，优势明显，可用于电力施工现场的安全行为识别工作。     

基于神经网络的深基坑沉降预测模型比较

神经网络预测为深基坑预测提供了一种有效的路径。运用哪种模型较优,输入层、输出层、隐含层参数如何选取,对预测的结果都有一定的影响,本文结合实际轨道交通工程案例,以深基坑沉降监测数据为例,对常见的几种神经网络预测模型进行了对比分析,对几种模型的残差、均方根误差(RMSE)和绝对平均误差(MAE),收敛次数这几个方面进行对比,结果表明遗传算法神经网络对深基坑沉降监测数据预测较为有效,同时对模型参数的选取提出了建议。     

基于径向基神经网络的边坡稳定性评估方法

在现有研究的基础上,引入径向基神经网络理论,提出了边坡稳定性的径向基神经网络预测方法。以土体重度、内摩擦角、粘聚力、锚固段长度等为输入参数,边坡稳定性系数为输出参数,建立精确RBFNN神经网络模型,对边坡稳定性进行了预测,结果表明：用训练成熟的径向基神经网络进行仿真,避免了诸多人为因素的影响,提高了结果的精度,使得计算高效、结果更加准确。