版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
一种基于BIM桥梁安全监测系统的桥梁安全基于BIM桥梁安全监测系统的桥梁安全评估方法及系统,通过基于BIM桥梁安全监测系统中的传进的鲸鱼优化算法优化添加注意力机制后二维时桥梁安全状态输入至BIM桥梁安全监测系统中2基于BIM桥梁安全监测系统中的传感器模块获取桥梁中的实时车辆重量数据,对所述对所述多模态桥梁实时数据进行数据清洗,并对清洗后的数据进行特建立2D_CNN二维卷积神经网络模型,在所述2D_CNN二维卷积神经网络模型中添加Attention注意力机制,并利用改进的IWOA鲸鱼优化算法优化添加注意力机制后2D_CNN二将所述融合桥梁实时数据输入至IWOA_Attention_2D_CNN桥梁安全评估模型中进行识将所述实时桥梁安全状态输入至BIM桥梁安全监测系统中进行区块颜色显示,并根据2.如权利要求1所述的一种基于BIM桥梁安全监测系统基于BIM桥梁安全监测系统中的传感器模块获取桥梁中的实时车辆重量数据,所述传是个样本值中的最大值,"是"个样本值中的最等于的概率等于总体分布函数F(ar)的n次幂,[1-F(ar)]表示随机变量大于的概率,1-[1-F(ar)]"表示"个样本值中至少有一个小于等于z的概率;3若所述实时车辆重量数据大于桥梁承重阈值,则通过BIM桥梁安全监测系统中的传感3.如权利要求1所述的一种基于BIM桥梁安全监测系车辆的平均速度范围判断车辆加速度数据异常值;去除所述多模态桥梁实时数据的异常基于ARIMA时间序列模型对所述正常多模态桥梁实时数据中的缺失值进行填充,得到序列再进行一次差分,即A2y=AY-AY-=(y-y-1)-(yh-1-y-2)=y-2yh-1+y-2;4.如权利要求1所述的一种基于BIM桥梁安全监测系统的桥梁安全获取数据清洗后的完整多模态桥梁实时数据,提取所述完整多获取所述完整多模态桥梁实时数据中桥梁关键结构件的图像数据,利用将环境数据特征数据,结构响应数据特征数据,交通荷载特征数据4lnorm和桥梁关键结构件特5.如权利要求1所述的一种基于BIM桥梁安全监测系维度为NXM,输入的每个元素ci,j表示在第i个时间步中第j个融合数据的归一化值;在(i,)位置的值,K(m,n,c)是第一个卷积核ki在(m,n,c)位置的权重,b是偏置项;利用RELUo2在(i,)位置的值,是第一个卷积核k2在(m,n,c)位置的权重,ba是偏置项;利用在所述2D_CNN二维卷积神经网络模型中添加Attention注意力机制,设从池化层的输6.如权利要求1所述的一种基于BIM桥梁安全监测系统的桥利用改进的IWOA鲸鱼优化算法优化添加注意力机制后2D_CNN二维卷积神经网络模型5将均方误差函数设为所述添加注意力机制后2D_CNN二维卷积神经网络模型的目标函重作为鲸鱼优化算法中的个体位置,对于每个个体将其赋值给2D_CNN二维卷积神经网7.如权利要求6所述的一种基于BIM桥梁安全监测系利用Tent混沌映射优化WOA鲸鱼优化算法的初始化种群在搜索空间中的寻优效率和求利用K_means++聚类算法对所述WOA鲸鱼计算种群内除聚类中心外鲸鱼个体与个聚类中心的聚类,将剩余鲸鱼个体分入距离8.一种基于BIM桥梁安全监测系统的桥梁安全评估数据分析判断模块,用于基于BIM桥梁安全监测系统中的传感器模块获取桥梁中的实数据清洗融合模块,用于对所述多模态桥梁实时数据进行数评估模型建立模块,用于建立2D_CNN二维卷积神经网络模型,在所述2D神经网络模型中添加Attention注意力机制,并利用改进的IWOA鲸鱼优化算法优化添加注意力机制后2D_CNN二维卷积神经网络模型的模型参数,得到IWOA_Attention_2D_CNN桥梁桥梁安全评估模块,用于将所述融合桥梁实时数据输入至IWOA_Attention_2D_CNN桥桥梁状态显示模块,用于将所述实时桥梁安全状态输入至BIM桥梁安全监测系统中进9.如权利要求8所述的一种基于BIM桥梁安全监测系统的桥6获取子模块,用于基于BIM桥梁安全监测系统中的传感器模块获取桥梁中的实时车辆是个样本值中的最大值,"是"个样本值中的最的概率等于总体分布函数F(ar)的"次幂,[1-F(ar)]表示随机变量大于z的概率,1-[1-F(r)l"10.如权利要求8所述的一种基于BIM桥梁安全监测系统的桥梁安全评估系统,其特征获取子模块,用于获取数据清洗后的完整多模态桥梁实时数识别子模块,用于获取所述完整多模态桥梁实时数据中桥梁关键结构件的图像数据,78[0001]本发明涉及桥梁工程技术领域,具体涉及一种基于BIM桥梁安全监测系统的桥梁此如何将BIM与桥梁的安全评估算法进行有效结合,形成一套精准高效的评估方法是亟待[0003]本发明的目的是为了解决上述问题,设计了一种基于BIM桥梁安全监测系统的桥[0004]本发明第一方面提供一种基于BIM桥梁安全监测系统的桥梁安全评估方法,所述基于BIM桥梁安全监测系统的桥梁安全评估方法基于BIM桥梁安全监测系统中的传感器模块获取桥梁中的实时车辆重量数据,对Attention注意力机制,并利用改进的IWOA鲸鱼优化算法优化添加注意力机制后2D_CNN二将所述融合桥梁实时数据输入至IWOA_Attention_2D_CNN桥梁安全评估模型中进将所述实时桥梁安全状态输入至BIM桥梁安全监测系统中进行区块颜色显示,并基于BIM桥梁安全监测系统中的传感器模块获取桥梁中的实时车辆重量数据,所假设x,Xz,,xn是来自桥梁传感器中的实时车辆重量数据F(ar)的n个独立样9机变量x取值小于等于的概率,F"(r)是总体分布函数F(ar)的n次幂,在pr{Mn飞r}=F"(ar)函数F(ar)的"次幂,[1-F(ar)]表示随机变量大于的概有一个小于等于的概率;为帕累托Ⅲ型分布,表示帕累托分布的标准差,G.5(ar)表示桥梁的承重最大值;并根据若所述实时车辆重量数据大于桥梁承重阈值,则通过BIM桥梁安全监测系统中的利用线性插值法对所述多模态桥梁实时数据中桥梁应变数据的异常值进行检测,基于ARIMA时间序列模型对所述正常多模态桥梁实时数据中的缺失值进行填充,ARIMA时间序列模型的差分部分,差分阶数为d,通过对原始时间序列进行d次差;X的维度为NXM,输入的每个元素ci,j表示在第i个时间步中第j个融合数据的归一化值;[0013]其中,是第一层卷积层输出o'在(i,)位置的值,K(m,n,c)是第一个卷积核在[0014]其中,是第二层卷积层输出ď在(i,)位置的值,K(m,m,e)是第一个卷积核k2在在所述2D_CNN二维卷积神经网络模型中添加Attention注意力机制,设从池化层Q=A'W[0016]K=A'WX[0017]V=A'WV对于Q和k的元素Q:和k,Attention权重ij的计算公式如下:算法优化添加注意力机制后2D_CNN二维卷积神经网络模型的模型参数,得到IWOA_利用改进的IWOA鲸鱼优化算法优化添加注意力机制后2D_CNN二维卷积神经网络将均方误差函数设为所述添加注意力机制后2D_CNN二维卷积神经网络模型的目化算法中的个体位置,对于每个个体将其赋值给2D_CNN二维卷积神经网络模型的相应利用Tent混沌映射优化WOA鲸鱼优化算法的初始化种群在搜索空间中的寻优效率机选择一头鲸鱼将其位置坐标作为初始聚类计算种群内除聚类中心外鲸鱼个体与个聚类中心的聚类,将剩余鲸鱼个体分入[0023]本发明第二方面提供了一种基于BIM桥梁安全监测系统的桥梁安全评估系统,所述基于BIM桥梁安全监测系统的桥梁安全评估系统包括数据分析判断模块、数据清洗融合数据分析判断模块,用于基于BIM桥梁安全监测系统中的传感器模块获取桥梁中卷积神经网络模型中添加Attention注意力机制,并利用改进的IWOA鲸鱼优化算法优化添加注意力机制后2D_CNN二维卷积神经网络模型的模型参数,得到IWOA_Attention_2D_CNN桥梁安全评估模块,用于将所述融合桥梁实时数据输入至IWOA_Attention_2D_桥梁状态显示模块,用于将所述实时桥梁安全状态输入至BIM桥梁安全监测系统获取子模块,用于基于BIM桥梁安全监测系统中的传感器模块获取桥梁中的实时计算子模块,用于假设xi,X2,,xn是来自桥梁传感器中的实时车辆重量数据机变量x取值小于等于z的概率,F"(r)是总体分布函数F(ar)的n次幂,在pr{Mn飞r}=F"(ar)有一个小于等于的概率;为帕累托Ⅲ型分布,表示帕累托分布的标准差,G.5(ar)表示桥梁的承重最大值;并根据用2D_CNN结合Attention机制构建桥梁安全评估模型,并使用改进的IWOA鲸鱼优化算法来[0031]图1为本发明实施例提供的一种基于BIM桥梁安全监测系统的桥梁安全评估方法图2为本发明实施例提供的一种基于BIM桥梁安全监测系统的桥梁安全评估方法图3为本发明实施例提供的一种基于BIM桥梁安全监测系统的桥梁安全评估方法图4为本发明实施例提供的一种基于BIM桥梁安全监测系统的桥梁安全评估系统提供的一种基于BIM桥梁安全监测系统的桥梁安全评估方法的第一个实施例示意图,该方[0034]具体的,本实施例中基于BIM桥梁安全监测系统中的传感器模块获取桥梁中的实假设x,Xz,,xn是来自桥梁传感器中的实时车辆重量数据F(ar)的n个独立样机变量x取值小于等于的概率,F"(r)是总体分布函数F(ar)的n次幂,在pr{Mn飞r}=F"(ar)函数F(ar)的"次幂,[1-F(ar)]表示随机变量大有一个小于等于的概率;为帕累托Ⅲ型分布,表示帕累托分布的标准差,G.5(ar)表示桥梁的承重最大值;并根据若实时车辆重量数据大于桥梁承重阈值,则通过BIM桥梁安全监测系统中的传感器模块获取桥梁中的多模态桥梁实时数据,多模态桥梁实时数据至少包括桥梁应变数据、150千克具体数值取决于预期的人流密度。[0043]步骤102、对多模态桥梁实时数据进行数据清洗,并对清洗后的数据进行特征提基于ARIMA时间序列模型对正常多模态桥梁实时数据中的缺失值进行填充,得到ARIMA时间序列模型的差分部分,差分阶数为d,通过对原始时间序列进行d次差;lnorm和桥梁关键结构件特x是融合桥梁实时数据。添加Attention注意力机制,并利用改进的IWOA鲸鱼优化算法优化添加注意力机制后2D_二维数据矩阵x,矩阵x的维度为NXM,输入的每个元素ci,j表示在第i个时间步中第j个融[0047]其中,是第一层卷积层输出o'在(i,)位置的值,K(m,n,c)是第一个卷积核在在2D_CNN二维卷积神经网络模型中添加Attention注意力机制,设从池化层的输Q=A'W[0050]K=A'WX[0051]V=A'WV对于Q和k的元素Q:和k,Attention权重ij的计算公式如下:二维卷积神经网络模型的模型参数,得到IWOA_Attention_2D_CNN桥梁安全评估模型,包利用改进的IWOA鲸鱼优化算法优化添加注意力机制后2D_CNN二维卷积神经网络将均方误差函数设为添加注意力机制后2D_CNN二维卷积神经网络模型的目标函化算法中的个体位置,对于每个个体将其赋值给2D_CNN二维卷积神经网络模型的相应利用Tent混沌映射优化WOA鲸鱼优化算法的初始化种群在搜索空间中的寻优效率计算种群内除聚类中心外鲸鱼个体与个聚类中心的聚类,将剩余鲸鱼个体分入当rne[0,0.5]时,nx1=2n;当zne[0.5,1]时,nx1=2(1-zn),zn是第n次迭代的鲸鱼值ao=0.3,第一次迭代时,因为0.3e[0,0.5],所以a1=2x0.3=0.6。第二次迭代时,因为0.6e[0.5,1],所以ary=2x(1-0.6)=0.8。[0059]IWOA_Attention_2D_CNN桥梁安全评估模型的输入层接收预处理后的二维数据矩i表示在第i个时间步中第j个融合数据的归一化值。[0060]步骤105、将实时桥梁安全状态输入至BIM桥梁安全监测系统中进行区块颜色显用2D_CNN结合Attention机制构建桥梁安全评估模型,并使用改进的IWOA鲸鱼优化算法来的桥梁安全状态以区块颜色显示的方式集成到BIM平台中,根据不同安全等级用不同颜色步骤1024、获取完整多模态桥梁实时数据中桥梁关键结构件的图像数据,利用YOLOv5图像检测算法对图像数据进行识别,获取桥梁关键结构件的裂纹数据和老化数据,全面反映桥梁在不同条件下的动态响应。特征参数对于评估桥梁结构健康状况至关重要,特征分析为预测未来交通模式提供了基础,同时也帮助识别可能因过载而造成的安全隐步骤1031、利用Tent混沌映射优化WOA鲸鱼优化算法的初始化种群在搜索空间中下一个聚类中心的概率为通过轮盘法选出下一个聚类中心cz;重复迭[0070]利用利用K_means++聚类算法对WOA鲸鱼优化算法种群进获取子模块,用于基于BIM桥梁安全监测系统中的传感器模块获取桥梁中的实时计算子模块,用于假设xi,X2,,xn是来自桥梁传感器中的实时车辆重量数据机变量x取值小于等于z的概率,F"(r)是总体分布函数F(ar)的n次幂,在pr{Mn飞r}=F"(ar)函数F(ar)的"次幂,[1-F(ar)]表示随机变量大于的概有一个小于等于的概率;为帕累托Ⅲ型分布,表示帕累托分布的标准差,G.5(ar)表示桥梁的承重最大值;并根据填充子模块,用于基于ARIMA时间序列模型对正常多模态桥梁实时数据中的缺失ARIMA时间序列模型的差分部分,差分阶数为d,通过对原始时间序列进行d次差;识别子模块,用于获取完整多模态桥梁实时数据中桥梁关键结构件的图像数据,积神经网络模型中添加Attention注意力机制,并利用改进的IWOA鲸鱼优化算法优化添加注意力机制后2D_CNN二维卷积神经网络模型的模型参数,得到IWOA_Attention_2D_CNN桥维数据矩阵x,矩阵x的维度为NXM,输入的每个元素ci,j表示在第i个时间步中第j个融合[0079]其中,是第一层卷积层输出o'在(i,)位置的值,K(m,n,c)是
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 初中七年级综合实践活动《家乡传统习俗研究》教学设计
- 初中九年级数学《估计一元二次方程的解》教学设计
- 高二数学教学设计:选择性必修第一册1.2.4二面角的几何本质与计算策略
- 小学三年级德育与法治《开学第一课·安全护航行》教学设计
- 高三化学卤族元素溴碘提取复习课教案
- 八年级地理下册《东北地区的地理位置与自然特征》教学设计
- 高中一年级英语Unit 1 Teenage Life听说与阅读整合教学设计
- 新版2026-2027学年教科版小学综合实践活动五年级上册(全册)教学设计(P98)
- 化工行业资本性支出:以卓越运营创造价值
- CN119538201A 基于小数据样本的换电站动力电池健康状态估计方法 (国网吉林省电力有限公司经济技术研究院)
- 赛业生物OriCell2025中国双特异性抗体药物市场全景分析暨创新研发解决方案白皮书
- 2026年三基练习题库含参考答案
- 2026年职业病诊断医师资格考试题库及完整答案
- 网上开庭申请书
- 深度解析(2026)《LST 1809-2017粮油储藏 粮情测控通 用技术要求》
- 2025-2026学年沪科版八年级数学上册期末测试卷(含答案)
- 东洋压铸机技术培训课件
- 黑龙江省哈三中2025-2026学年高一上学期12月考试物理试卷
- 急性心肌梗死急诊经皮冠状动脉介入治疗流程方案
- 胸外科进修汇报课件
- 甲乳进修护士汇报
评论
0/150
提交评论