-
公开(公告)号：CN113988357B
公开(公告)日：2024-06-21
申请号：CN202111030329.9
申请日：2021-09-03
Applicant: 重庆大学
IPC: G06F18/211 , G06Q50/08 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06N3/08
Abstract: 本发明涉及一种基于深度学习的高层建筑风致响应预测方法，属于高层建筑风致响应预测技术领域，所述预测方法包括：将待测高层建筑的历史顶部位移数据通过经验模态分解算法分解为多个本征模态函数分量，并输入CNN‑BiLSTM模型进行训练，得到EMD‑CNN‑BiLSTM模型；通过EMD‑CNN‑BiLSTM模型计算出待测高层建筑顶部位移的预测数据和变化趋势。本发明中，采用CNN‑BiLSTM模型做为基础模型对高层建筑的风致响应进行预测，完成位移响应预测所需要的时间很短；将EMD与CNN‑BiLSTM模型结合得到EMD‑CNN‑BiLSTM模型，能够达到很高的预测精度。
-
公开(公告)号：CN113722308B
公开(公告)日：2023-12-08
申请号：CN202111027190.2
申请日：2021-09-02
Applicant: 重庆大学
IPC: G06F16/215 , G06F16/2458 , G06N3/045 , G06N3/0464 , G06N3/0442
Abstract: 本发明公开了一种基于EEMD‑MultiCNN‑LSTM的加速度响应数据补全方法及装置，包括采集LNG储罐的加速度数据，得到加速度数据序列矩阵；采用集合经验模态分解算法将所述加速度数据序列矩阵分解得到EEMD分解数据样本；将EEMD分解数据样本和缺失数据测点测得的历史加速度数据输入MultiCNN‑LSTM神经网络模型中进行迭代训练，优化模型参数，采集LNG储罐的实时加速度数据，输入训练好的MultiCNN‑LSTM神经网络模型中，通过MultiCNN‑LSTM神经网络模型预测得到加速度预测数据，利用所述加速度预测数据对缺失的加速度数据进行补全；本发明基于EEMD算法与MultiCNN‑LSTM模型实现，使得加速度预测数据的预测精度高，能够准确评估LNG储罐的加速度结构响应。
-
公开(公告)号：CN113722308A
公开(公告)日：2021-11-30
申请号：CN202111027190.2
申请日：2021-09-02
Applicant: 重庆大学
IPC: G06F16/215 , G06F16/2458 , G06N3/04
Abstract: 本发明公开了一种基于EEMD‑MultiCNN‑LSTM的加速度响应数据补全方法及装置，包括采集LNG储罐的加速度数据，得到加速度数据序列矩阵；采用集合经验模态分解算法将所述加速度数据序列矩阵分解得到EEMD分解数据样本；将EEMD分解数据样本和缺失数据测点测得的历史加速度数据输入MultiCNN‑LSTM神经网络模型中进行迭代训练，优化模型参数，采集LNG储罐的实时加速度数据，输入训练好的MultiCNN‑LSTM神经网络模型中，通过MultiCNN‑LSTM神经网络模型预测得到加速度预测数据，利用所述加速度预测数据对缺失的加速度数据进行补全；本发明基于EEMD算法与MultiCNN‑LSTM模型实现，使得加速度预测数据的预测精度高，能够准确评估LNG储罐的加速度结构响应。
-
公开(公告)号：CN113988357A
公开(公告)日：2022-01-28
申请号：CN202111030329.9
申请日：2021-09-03
Applicant: 重庆大学
Abstract: 本发明涉及一种基于深度学习的高层建筑风致响应预测方法，属于高层建筑风致响应预测技术领域，所述预测方法包括：将待测高层建筑的历史顶部位移数据通过经验模态分解算法分解为多个本征模态函数分量，并输入CNN‑BiLSTM模型进行训练，得到EMD‑CNN‑BiLSTM模型；通过EMD‑CNN‑BiLSTM模型计算出待测高层建筑顶部位移的预测数据和变化趋势。本发明中，采用CNN‑BiLSTM模型做为基础模型对高层建筑的风致响应进行预测，完成位移响应预测所需要的时间很短；将EMD与CNN‑BiLSTM模型结合得到EMD‑CNN‑BiLSTM模型，能够达到很高的预测精度。
-
-
-
Search Results
4
records
(took 0.018 seconds)
