-
公开(公告)号：CN104778514A
公开(公告)日：2015-07-15
申请号：CN201510183662.1
申请日：2015-04-17
Applicant: 重庆交通大学
Abstract: 本发明提出一种基于复杂系统理论的桥梁或构件安全状态预测方法，将桥梁或构件看作一个复杂系统，建立不同损伤工况条件下的桥梁或构件的非线性动力学有限元模型；获取有限元模型在不同损伤工况条件下各监测测点的加速度和动位移；结合有限元模型监测测点获取在役桥梁或构件相同位置上的加速度和动位移；构建在役桥梁结构安全状态预测模型；采用桥梁或构件安全状态预测模型并结合桥梁或构件各周期的监测数据，对桥梁或构件在各个周期的安全状态进行预测。本发明的有益技术效果是采用复杂系统理论与相空间重构方法在桥梁监测信息中提取桥梁安全状态信息并建立预测模型，极大提升了桥梁安全监测系统的工程应用价值。
-
公开(公告)号：CN103103919B
公开(公告)日：2014-12-03
申请号：CN201310020164.6
申请日：2013-01-21
Applicant: 重庆交通大学
Abstract: 一种带自检测装置的索塔，所述索塔上部设有由传动缆传动的支承架，支承架在传动缆的牵引作用下在索塔表面上、下运动，检测装置搭载在支承架上，检测装置随着支承架一起运动，从而完成对索塔表面的检测工作；基于前述索塔的索塔表面裂缝检测方法，支承架搭载检测装置对索塔表面进行扫描，将获取到的索塔表面图象拼接还原为完整的索塔表面图，根据图象上的裂纹分布制订处治手段。本发明的有益技术效果是：结构简单、成本低廉，易于对在役桥梁进行改造，可对索塔进行高频次的实时监测，利于在病害初期及时发现问题，保证桥梁结构的安全性。
-
公开(公告)号：CN119962685A
公开(公告)日：2025-05-09
申请号：CN202510049460.1
申请日：2025-01-13
Applicant: 重庆交通大学
IPC: G06N5/04 , G06N3/045 , G06F40/18 , G06F40/126
Abstract: 本发明属于智能模型处理技术领域，尤其涉及多文本‑多表格问答的思维链和思维程序联合推理方法，包括：S1、构建多文本‑多表格数据集；S2、对多文本‑多表格数据集中的文本、表格编码；S3、采用思维链CoT方法将待处理的复杂问题分解为顺序组合的多个子问题；S4、使用大语言模型F对各子问题进行求解，得到各子问题的初步答案；S5、将各子问题及相应上下文输入GPT‑4模型重新求解，并将重新求解的结果记为预设参考答案；比较各子问题的预设参考答案与初步答案是否一致；完成大语言模型F的校验调优；S6、通过校验调优后的大语言模型F生成复杂问题的最终答案。本方法可以精准、高效的桥梁检测结果与分析关键信息获取，为桥梁管养领域提供了有力的技术支持。
-
公开(公告)号：CN119887118A
公开(公告)日：2025-04-25
申请号：CN202510070519.5
申请日：2025-01-16
Applicant: 重庆交通大学
IPC: G06Q10/10 , G06Q50/08 , G06F40/16 , G06F40/295 , G06F40/30 , G06F16/353
Abstract: 本发明涉及智能化技术领域，具体涉及大语言模型驱动的建筑信息模型自动化合规性审查方法。本方法通过高效实体识别与初步验证、精准IFC类映射、高效属性信息抽取与文本转化以及自动化合规性审查等步骤，实现了复杂法规逻辑的自动识别和推理，同时实现了BIM模型与规范文本之间的高效、准确对齐。这一技术方案不仅大幅提升了BIM合规性审查的自动化程度和准确性，还降低了人工审查的成本和风险，为建筑行业的数字化转型和智能化管理提供了有力支持。
-
公开(公告)号：CN118155065B
公开(公告)日：2024-11-15
申请号：CN202410258588.4
申请日：2024-03-07
Applicant: 重庆交通大学
Abstract: 本发明公开了一种基于注意力机制的多模态桥梁裂缝特征提取方法和系统，所述方法包括：收集桥梁裂缝的多模态数据；设计各个模态的子网络，在子网络中引入自注意力机制，每个子网络负责处理一种特定类型的数据；在各个模态的子网络间引入多模态交叉注意力机制，以增强多模态之间的相关性；将各个模态子网络的输出进行多模态特征的融合，确保融合后的特征能够全面地捕捉每个模态的关键信息；从融合后的数据中提取裂缝的关键特征。本发明提出的基于注意力机制的多模态特征提取方法能够很好的提取桥梁裂缝特征。
-
Patent Agency Ranking
公开(公告)号：CN118333962A
公开(公告)日：2024-07-12
申请号：CN202410429658.8
申请日：2024-04-10
Applicant: 重庆交通大学
IPC: G06T7/00 , G06V10/26 , G06V10/42 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/0495
Abstract: 本发明属于图像处理技术领域，具体涉及一种基于改进DeepLabV3+的混凝土桥梁裂缝检测方法，包括：获取待检测的混凝土桥梁图像，将待检测的混凝土桥梁图像输入到训练后的改进DeepLabV3+神经网络中，得到混凝土裂缝图像的分割信息；根据混凝土裂缝图像的分割信息对混凝土桥梁裂缝进行检测；改进DeepLabV3+神经网络包括轻量化的主干网络、空洞空间金字塔池化模块、多层次特征融合网络以及解码模块；本发明在空洞卷积金字塔后引入vision transformer网络，并与卷积网络组成多层次特征融合网络，以提高性能。
-
公开(公告)号：CN118155065A
公开(公告)日：2024-06-07
申请号：CN202410258588.4
申请日：2024-03-07
Applicant: 重庆交通大学
Abstract: 本发明公开了一种基于注意力机制的多模态桥梁裂缝特征提取方法和系统，所述方法包括：收集桥梁裂缝的多模态数据；设计各个模态的子网络，在子网络中引入自注意力机制，每个子网络负责处理一种特定类型的数据；在各个模态的子网络间引入多模态交叉注意力机制，以增强多模态之间的相关性；将各个模态子网络的输出进行多模态特征的融合，确保融合后的特征能够全面地捕捉每个模态的关键信息；从融合后的数据中提取裂缝的关键特征。本发明提出的基于注意力机制的多模态特征提取方法能够很好的提取桥梁裂缝特征。
-
公开(公告)号：CN117335459A
公开(公告)日：2024-01-02
申请号：CN202311289721.4
申请日：2023-10-08
Applicant: 重庆交通大学
IPC: H02J3/30 , B60M1/28 , F03D9/12 , B60L7/10 , H02J15/00 , H02J3/38 , H02J13/00 , H02G7/16 , G01R19/00 , G01R22/06
Abstract: 本发明提供了一种高海拔地铁储能与融冰功能一体化的装置，其特征在于：所述装置包括中央控制模块、电流监测单元和2个供储能模块，单个供储能模块包括储能单元、双向变流器和变压器；所述储能单元包括风力发电装置和2个飞轮储能装置；还提供一种针对上述装置的控制方法，其特征在于：单个供储能模块内的2个飞轮储能装置动态分配分别用于列车制动再生能量和风力发电能量的储存；通过对两个供储能模块的控制，使两个供储能模块之间形成电压差，从而在直流牵引网的覆冰段形成融冰电流达到融冰目的。采用本发明所述的装置和方法能高效利用制动再生能量和风力发电能量实现对直流牵引网融冰，节约了成本，还解决了多种能量储存之间的协调管理问题。
-
公开(公告)号：CN117290520A
公开(公告)日：2023-12-26
申请号：CN202311380050.2
申请日：2023-10-23
Applicant: 重庆交通大学
IPC: G06F16/36 , G06N5/025 , G06N5/04 , G06N3/0464 , G06N3/08
Abstract: 本发明属于桥梁检测知识图谱补全技术领域，尤其涉及一种基于知识蒸馏联合内生规则约束的知识图谱补全方法，包括以下步骤：S1、设计出n种桥梁检测领域常见的知识图谱子图结构；S2、使用S1的知识图谱子图结构对原知识图谱的三元组进行筛选，得到m个三元组子集；S3、对S2筛选出的三元组子集进行清洗处理，得到规则训练集；S4、将规则训练集作为训练数据集的补充，使用规则训练集与训练数据集联合训练知识蒸馏的Teacher网络；S5、将训练数据集中的正确标签联合做为监督，将训练后的Teacher网络的预测结果作为另一种监督，联合对知识蒸馏的Student网络进行训练；S6、使用训练后的Student网络对原知识图谱进行补全。本方法可以较好的实现桥梁管养领域的知识图谱补全。
-
公开(公告)号：CN117284351A
公开(公告)日：2023-12-26
申请号：CN202311230739.7
申请日：2023-09-22
Applicant: 重庆交通大学
Abstract: 本发明提供了一种列车在高海拔环境下节能运行的控制方法，其特征在于：包括地面列控中心，所述地面列控中心设置有离线模型训练模块；所述列车上设置有驾驶曲线模块、风力‑速度误差补偿模块、温度‑速度误差补偿模块、温度监测模块、ATO模块和车载通信模块；列车运行线路上分布有多个风力值传感器；所述控制方法包括离线模型训练阶段：生成标准曲线，训练两个误差补偿深度学习模型；在线控制阶段利用两个误差补偿深度学习模型分别获取风力和温度的误差补偿值，然后将其对标准曲线进行修正得到可用自动驾驶速度曲线，用于列车自动驾驶运行控制。采用本控制方法曲线获取效率高，占用列车在线时间少，提高了列车的运行效率，优化了列车的节能效果。
-
-
-
-
-
-
-
-
-
Search Results
117
records
(took 0.024 seconds)
