结构应力逆向推演模型及其不确定度定量分析

目的 针对现有结构安全在线监测与评估方法存在的短板,结合人工智能方法探索新的解决方案。提出一种基于有限测点应力逆向推演整体结构应力分布的方法,以数据驱动的模式,基于神经网络技术搭建算法模型。方法 以结构有限元仿真数据为基础,运用相关性分析方法,获取代表结构响应特征的有限个测点,利用神经网络方法构建基于有限测点应力推演结构全场应力分布的算法模型。结果 以科学试验平台的连接器结构为对象,开展该算法模型的应用研究,并且对该应用实例下的算法模型开展不确定度分析,推演结果的相对不确定度u95rel为8.6%。结论 该算法模型的推演结果正确反映了结构总体响应特征。从建模过程角度分析,该算法模型的不确定度来源主要包括相关性分析方法、神经网络建模以及模型收敛条件3个方面。     

基于BP神经网络方法的引滦入津工程黎河段水质预测研究

根据引滦入津工程黎河段前毛庄断面水质监测数据,采用BP神经网络与非线性时间序列相结合的方法,建立BP网络非线性时间序列水质模型.应用该模型对氯化物和氨氮水质指标进行预测.结果表明,模型预测精度较好.通过预测结果验证了模型的可靠性.与机理性模型相比,提出了该模型的应用条件及优缺点.     

基于信息融合的自然灾害等级评估方法研究

为对自然灾害灾情等级进行准确评估,在BP神经网络模型的基础上,结合DS证据理论建立基于信息融合的自然灾害灾情等级评估模型。该模型通过对输入的灾害评估指标数据进行分类,建立网络组,对网络组的输出,建立对于各类信任度的基本概率分配函数,最后利用DS证据理论融合,从而实现灾害的最终等级评估。在MATLAB环境下,以我国45个自然灾害的灾情历史资料数据为训练样本进行模型训练,并对2009年自然灾害灾情进行评估测试。结果表明,该模型能改善单一BP神经网络不稳定、误差大的缺点,得到较优的结果。     

驾驶员注意涣散检测技术研究

通过对注意涣散时驾驶员头部运动及面部表情变化特征的分析,系统实时监测驾驶员眼睛、嘴巴位置和运动状态信息,构建驾驶员注意涣散特征表征参量,实现对驾驶员注意涣散状态信息的检测与提取。驾驶员注意涣散表征量具有复杂的非线性特征,利用BP神经网络非线性识别的优势对驾驶员注意特征进行模式分类,实现驾驶员不同注意涣散状态下的特征捕捉。同时采用Dempster-Shafer证据推理技术,对驾驶注意涣散多源表征信息进行决策融合,实现对驾驶员注意涣散状态的判断。结果表明,BP神经网络与D-S规则多源信息决策融合技术的运用提高了驾驶员注意涣散特征检测的准确性和可靠性。     

基于神经网络的跨越地裂缝框架结构地震损伤及预测研究∗

为开展特殊地质环境下结构的损伤分析,以一跨越西安f4地裂缝的五层框架结构为研究对象,基于振动台试验和ABAQUS 有限元分析结果,进行了BP 神经网络模型的模型训练,选取变形和能量组合形式的双参数损伤模型计算结构损伤指标,采用加权系数法,开展了构件、楼层、结构三个层面的损伤预测分析,给出了不同地震作用下结构损伤程度评估。结果表明：地裂缝场地结构表现出明显上下盘效应,结构首层为薄弱层。BP 神经网络损伤预测值与有限元计算值在不同工况下均较为一致,其对于构件、层间、整体结构损伤指数预测最大误差分别为8.86%、5.66%、7.57%,该研究成果为跨越地裂缝结构的性能评估提供一种准确且高效的研究方法。     

基于U-Net深度神经网络的早期火灾烟雾自动分割方法

在火灾事件监测中,为了减少数据处理量、加快探测速度,需要先分割出疑似烟雾区域。传统的烟雾分割算法大多需要设置阈值进行处理,算法的环境适应能力还需进一步提升。在研究中,使用U-Net结构的深度神经网络进行早期火灾烟雾的自动分割,通过半自动算法人工辅助分割出烟雾区域的图像样本,基于深度神经网络对分割烟雾区域进行学习,得到原始视频帧到分割结果的映射模型,并据此模型进行烟雾区域分割。在测试集上的分割实验结果表明该方法与传统方法相比,不需要设置阈值,自动化程度更高,分割速度极快,在疑似烟雾区域分割任务中性能较好。     

重大危险源事故风险预警技术研究

重大危险源事故风险预警技术是事故控制技术中的一大研究重点。本文通过对比分析安全生产领域常用事故预警模型的优缺点,总结了事故预警模型的发展趋势,提出了基于模糊综合评判技术和动态模糊神经网络技术的重大危险源事故风险预警模型,详细陈述其构建过程,最后对液化石油气蒸气云爆炸事故应用该模型,得到了较好的预测效果,实现了风险程度的定量化预警。该预警模型具有快速的自学习能力和容错能力,能够同时处理多种风险因素、自动生成模糊规则并满足预警系统的实时性要求,可应用于重大危险源在线监控预警系统,为企业端和政府端监管者提供有效的重大危险源事故风险定量化预警信息,为遏制重大灾难事故的发生、减少死亡人、数受伤人数和直接经济损失提供先进的理论和技术支撑。     

基于神经网络的二元混合液体自燃温度预测

自燃温度(Auto-Ignition Temperature, AIT)是防火防爆安全设计的关键临界参数之一。为解决目前多数采用试验方法测量混合物AIT费时费力且有一定危险性的问题,运用定量结构-性质关系方法,使用反向传播神经网络(Back Propagation Neural Network, BPNN)和一维卷积神经网络(one-Dimensional Convolutional Neural Network, 1DCNN)技术建立二元混合液体AIT预测模型。以二元混合液体的分子描述符为输入、试验测得的AIT为输出,经多种方法对模型的拟合性、稳定性和预测能力评价验证。结果表明,BPNN模型和1DCNN模型均有良好的预测能力,其均方根误差分别为4.780℃和9.603℃,拟合度与5折交叉验证拟合度差值分别为0.058和0.040,表明BPNN模型有更好的拟合能力,1DCNN模型有良好的稳定性。     

基于图神经网络的长江流域经济带PM2.5浓度预测

文章基于长江流域经济带沿线99个城市的PM2.5浓度监测数据,采用转移熵构建出了长江流域经济带大气污染空间交互影响网络,并从整体和局部2个角度分析了长江流域经济带污染物传导方向和传导强度。为了充分利用城市大气污染的空间关联信息,文章使用大气污染空间交互影响网络改进了T-GCN图卷积神经网络,并构建了基于T-GCNTE的预测模型,对长江流域经济带99个城市的污染物浓度进行预测。研究发现长江流域经济带各个城市的大气污染表现出很强的紧密性,整体网络的信息传递以地区间的信息传递为主。另外,T-GCNTE能够捕捉到大气污染的时空依赖性和影响方向,能获得更好的效果。基于上述研究结论,文章从建立大气污染多方联防联控机制、加强产业合作、完善生态补偿机制等方面对深入开展长江流域经济带大气污染协同治理提供了建议。     

基于深度学习的地铁施工作业人员不安全行为识别与应用

为有效识别地铁施工作业人员不安全行为,基于深度学习与计算机视觉技术,提出融合行为和身份识别的不安全行为识别方法。首先,对更快速的基于区域的卷积神经网络(Faster R-CNN)算法进行优化,引入高效通道注意力(ECA)模块提升行为识别的准确性;其次,将基于人脸超分辨率算法的人脸识别方法与行为识别相结合,提升图像像素水平并准确输出不安全行为执行人员相关信息;然后,行为识别与人脸识别并发进行,识别结果回流至数据库最终输出工人不安全行为报告;最后,选取某地铁施工项目的4种不安全行为进行识别方法的实证应用。研究表明：该方法可在地铁施工场景下进行有效应用,不安全行为识别和执行人员身份识别的准确率均达0.85以上,具有较高的准确度。