-
公开(公告)号：CN102505627A
公开(公告)日：2012-06-20
申请号：CN201110365848.0
申请日：2011-11-03
Applicant: 哈尔滨工业大学
IPC: E01D19/00
Abstract: 本发明提供一种抑制分离式箱梁涡激振动控制系统。涡激振动感知单元连接涡激振动控制单元，涡激振动控制单元连接涡激振动制动单元，涡激振动制动单元连接涡激振动控制板单元。涡激振动感知单元的两个单向高精度加速度传感器和两个三维超声风速仪连接A/D数据采集卡和工控机。涡激振动制动单元的电机连接导向轨道和导向杆。涡激振动控制板单元的四块轻质碳纤维板可自由伸展和折叠。本发明的涡激振动控制板单元在涡激振动发生时自动将空隙封闭，从而完全消除分离式箱梁的涡激振动。控制板能自动收缩至折叠状态，避免对大跨度桥梁的颤振效应产生影响。本发明能够对现场大跨度桥梁的涡激振动迅速做出响应，进而采取相应的控制措施。
-
公开(公告)号：CN115345003B
公开(公告)日：2023-04-18
申请号：CN202210979066.4
申请日：2022-08-16
Applicant: 哈尔滨工业大学
IPC: G06F30/20 , G06F111/10 , G06F113/06 , G06F113/08
Abstract: 本发明提出一种基于尾流分解方法的偏航风力机尾流速度亏损剖面预测方法。本发明所述方法通过将尾流剖面进行分解，能更具物理意义的考虑偏航导致的尾流速度亏损剖面不对称性。且可以直接通过改进已有的尾流分析模型建立新的偏航叶轮尾流分析模型，从而提高其预测精度，改善风电场偏航控制效益。
-
公开(公告)号：CN115408932B
公开(公告)日：2023-04-07
申请号：CN202210979201.5
申请日：2022-08-16
Applicant: 哈尔滨工业大学
IPC: G06F30/27 , G06F17/11 , G06F18/214 , G06N20/00 , G06F111/10
Abstract: 本发明提出一种基于机器学习的非线性常微分方程识别方法。本发明所述方法首先通过数值模拟准备识别方程所用的数据集，将位移数据与速度数据组合成状态向量；将状态向量形式的数据送入符号网络进行学习，网络的深度推进格式采用显式多步法，在符号网络的计算中每一步的符号网络输出都作为下一步的输入，并在每一步用真实值作为监督，使得网络的长期学习能力得到了增强，对噪音的鲁棒性得到了改善，多步法作为一种高精度的数值方法可以显著增加方程识别的精度以及网络收敛的速度。
-
公开(公告)号：CN115422497A
公开(公告)日：2022-12-02
申请号：CN202210978855.6
申请日：2022-08-16
Applicant: 哈尔滨工业大学
Abstract: 本发明提出基于卷积微分算子与符号网络的常微分方程识别方法。本发明所述方法首先准备识别方程所用的数据集，对不同非线性强弱的方程均进行学习。然后依次将数据送入卷积核微分算子进行导数的不同精度逼近以及符号网络来进行项方程项的非线性组合，通过显式欧拉进行网络深度的推进；最后将学习到的方程与真实的方程作比较，并用学到的方程绘制时程预测曲线并与真实的曲线进行对比来验证算法的准确性。所述方法更加自主智能的进行非线性气动力方程式识别，解释性更强，通用性更好。
-
公开(公告)号：CN115408932A
公开(公告)日：2022-11-29
申请号：CN202210979201.5
申请日：2022-08-16
Applicant: 哈尔滨工业大学
IPC: G06F30/27 , G06F17/11 , G06K9/62 , G06N20/00 , G06F111/10
Abstract: 本发明提出一种基于机器学习的非线性常微分方程识别方法。本发明所述方法首先通过数值模拟准备识别方程所用的数据集，将位移数据与速度数据组合成状态向量；将状态向量形式的数据送入符号网络进行学习，网络的深度推进格式采用显式多步法，在符号网络的计算中每一步的符号网络输出都作为下一步的输入，并在每一步用真实值作为监督，使得网络的长期学习能力得到了增强，对噪音的鲁棒性得到了改善，多步法作为一种高精度的数值方法可以显著增加方程识别的精度以及网络收敛的速度。
-
Patent Agency Ranking
公开(公告)号：CN115345048A
公开(公告)日：2022-11-15
申请号：CN202210978738.X
申请日：2022-08-16
Applicant: 哈尔滨工业大学
IPC: G06F30/23 , G06F30/13 , G06F17/11 , G06F17/16 , G06K9/62 , G06N20/00 , G06F111/10 , G06F111/04
Abstract: 本发明提出基于时间重叠稀疏字典的弱非线性涡振气动力方程识别方法。本发明所述方法首先基于节段模型获得一阶涡振位移数据，利用中心差分获得速度以及加速度数据并按照字典指定的方程形式组装数据；注意训练的时候将数据以一定的重叠率进行组合，由于零范数回归容易遇到N‑P困难问题，将带硬阈值的岭回归作为零范数的等效替代，优化算法为顺序阈值岭回归。经验证此方法可以稀疏且准确的学习到涡振的气动力方程，且运算速度快，模型简练。
-
公开(公告)号：CN113627096B
公开(公告)日：2022-04-29
申请号：CN202110797822.7
申请日：2021-07-14
Applicant: 哈尔滨工业大学
IPC: G06F30/28 , G06F30/15 , G06F111/10 , G06F113/08
Abstract: 本发明公开一种基于空间相关性和监测数据的精细风场模拟方法。步骤1：获得空间相关性系数场，其通过不结合观测资料的WRF模拟获得；步骤2：获得传统观测及非传统观测得到的观测资料；步骤3：结合步骤2的观测资料的数值模拟模块考虑流体力学控制方程和多物理过程，通过运行步骤1的WRF核心模块ARW进而求得准确的空间场资料。本发明对现有方法中忽略地形、风向和大气环流等因素的影响的表述，其精度不准确的问题。
-
公开(公告)号：CN118465299A
公开(公告)日：2024-08-09
申请号：CN202410497886.9
申请日：2024-04-24
Applicant: 哈尔滨工业大学
IPC: G01P1/00 , B64U10/00 , B64U20/80 , G06F30/28 , G01P5/00 , G01P13/02 , G01P21/02 , B64U101/00 , G06F113/08 , G06F119/14
Abstract: 本发明提出一种基于无人机的现场桥梁绕流流场移动测量方法。所述方法使用开源式四旋翼无人机搭配小型风速风向传感器组成无人机测风系统，结合机身的姿态数据与风速风向解算方法，可还原环境风场的风速风向数据。本发明与现有大桥测风技术相比，具有机动性好、成本低廉、便捷性强的优势，实现了使用无人机的测风技术，为桥梁健康监测提供新方案。
-
公开(公告)号：CN118365522A
公开(公告)日：2024-07-19
申请号：CN202410482908.4
申请日：2024-04-22
Applicant: 哈尔滨工业大学
IPC: G06T3/4053 , G06T3/4046 , G06N3/0464 , G06N3/082
Abstract: 本发明提出一种基于卷积神经网络的大视场高空间分辨率流场重构方法。该方法基于局部小视场高空间分辨率粒子图像测速技术PIV测量结果和大视场低空间分辨率测量结果，采用卷积神经网络学习大视场低分辨率流场和小视场高分辨率流场之间的映射关系，通过滑动窗口遍历整个流场即可重构出大视场高空间分辨率流场。本发明无需采用多台PIV设备同时拍摄流场进行拼接，只需采用两台PIV即可较好地重构出大视场高空间分辨率流场。
-
公开(公告)号：CN115292780B
公开(公告)日：2023-06-30
申请号：CN202210826212.X
申请日：2022-07-14
Applicant: 哈尔滨工业大学
IPC: G06F30/13 , G06F30/27 , G06F30/28 , G06N3/0442 , G06N3/045 , G06N3/08 , G06F113/08 , G06F119/06 , G06F119/14
Abstract: 本发明提出基于深度学习的大跨度桥梁抖振响应预测方法。所述方法具体包括：步骤一、数据集构造：计算风速特征以及桥梁响应特征，形成模型的数据集；步骤二、模型搭建与训练：以门限循环单元GRU神经网络作为基本网络建立结合频域响应计算公式的深度神经网络模型；步骤三、响应预测：模型训练完成后用来进行预测，对于给定的风环境，确定风速特征后即可利用所述深度神经网络模型预测得到对应的响应特征。本发明无需有限元模型以及风洞试验结果的先验知识，通过数据挖掘技术对隐含在海量监测数据中的结构行为特征进行提取。本发明一经训练完成即可进行快捷预测，其为大跨度桥梁抖振响应预测提供了解决方案。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.042 seconds)
