-
公开(公告)号：CN115345367A
公开(公告)日：2022-11-15
申请号：CN202210978845.2
申请日：2022-08-16
Applicant: 哈尔滨工业大学 , 中交公规土木大数据信息技术(北京)有限公司
Abstract: 本发明提出一种基于实时去噪的大跨度桥梁风速预测方法。其涉及截断实时分解、形成多分辨率数据输入、构造预测模型三个步骤。在截断实时分解步骤中，使用奇异谱分析提取现有数据的趋势项，并结合奇异谱分析的参数设置截去受端部效应影响的部分；在形成多分辨率数据输入步骤中，引入高分辨率数据来补充由于进行截断实时分解所造成的信息损失；在构造预测模型步骤中，使用两个门限循环单元神经网络分别提取原始分辨率数据以及高分辨率数据中的风速特征，并使用多层感知机来将风速特征作为输入并给出风速趋势的预测。本发明为结合实时去噪的数据驱动模型，其可以有效消除实时分解所带来的端部效应，并结合深度学习模型充分提取时序数据中的特征。
-
公开(公告)号：CN115408931A
公开(公告)日：2022-11-29
申请号：CN202210979194.9
申请日：2022-08-16
Applicant: 哈尔滨工业大学 , 中交公规土木大数据信息技术(北京)有限公司
IPC: G06F30/27 , G06F30/28 , G06F17/11 , G06K9/62 , G06N3/04 , G06N3/08 , G06F111/10 , G06F113/08
Abstract: 本发明提出一种基于深度学习的涡振响应预测方法。本发明所述方法融合了龙格库塔方法作为网络的深度推进格式；不同于在以往的经验模型中由于涡振为大幅值振动而省略方程右侧显含时间的由漩涡脱落而引起的纯力项，网络将时间以融入龙格库塔数值格式的方法巧妙的考虑到其影响，将非自治项考虑到了非线性方程中，相比于传统的预测建模方法更加合理且精确；网络在CFD生成的一阶涡振数据上进行验证，结果证明该方法具有长时间预测的能力，是对涡振响应进行长时间预测建模的全新方法。
-
公开(公告)号：CN115408931B
公开(公告)日：2023-04-18
申请号：CN202210979194.9
申请日：2022-08-16
Applicant: 哈尔滨工业大学 , 中交公规土木大数据信息技术(北京)有限公司
IPC: G06F30/27 , G06F30/28 , G06F17/11 , G06F18/25 , G06N3/048 , G06N3/08 , G06F111/10 , G06F113/08
Abstract: 本发明提出一种基于深度学习的涡振响应预测方法。本发明所述方法融合了龙格库塔方法作为网络的深度推进格式；不同于在以往的经验模型中由于涡振为大幅值振动而省略方程右侧显含时间的由漩涡脱落而引起的纯力项，网络将时间以融入龙格库塔数值格式的方法巧妙的考虑到其影响，将非自治项考虑到了非线性方程中，相比于传统的预测建模方法更加合理且精确；网络在CFD生成的一阶涡振数据上进行验证，结果证明该方法具有长时间预测的能力，是对涡振响应进行长时间预测建模的全新方法。
-
公开(公告)号：CN115345367B
公开(公告)日：2023-04-18
申请号：CN202210978845.2
申请日：2022-08-16
Applicant: 哈尔滨工业大学 , 中交公规土木大数据信息技术(北京)有限公司
Abstract: 本发明提出一种基于实时去噪的大跨度桥梁风速预测方法。其涉及截断实时分解、形成多分辨率数据输入、构造预测模型三个步骤。在截断实时分解步骤中，使用奇异谱分析提取现有数据的趋势项，并结合奇异谱分析的参数设置截去受端部效应影响的部分；在形成多分辨率数据输入步骤中，引入高分辨率数据来补充由于进行截断实时分解所造成的信息损失；在构造预测模型步骤中，使用两个门限循环单元神经网络分别提取原始分辨率数据以及高分辨率数据中的风速特征，并使用多层感知机来将风速特征作为输入并给出风速趋势的预测。本发明为结合实时去噪的数据驱动模型，其可以有效消除实时分解所带来的端部效应，并结合深度学习模型充分提取时序数据中的特征。
-
公开(公告)号：CN115345074B
公开(公告)日：2023-04-18
申请号：CN202210979030.6
申请日：2022-08-16
Applicant: 哈尔滨工业大学
IPC: G06F30/27 , G06F30/13 , G06F17/11 , G06F17/16 , G06F18/214 , G06F18/24 , G06N20/00 , G06F111/10 , G06F111/08
Abstract: 本发明提出一种识别软颤振气动力方程的方法。本发明所述方法首先准备识别方程所用的数据集，在风洞中基于节段模型实验获得软颤振位移响应数据，将数据低通滤波器处理并经过数值差分后获得速度以及加速度数据；将数据以一定重叠率的形式送入稀疏字典进行方程识别，目标函数为带有零范数的回归，零范数回归易出现N‑P困难，因此用等效的岭回归方法进行优化，即顺序阈值岭回归；将最终得到的方程进行仅仅指定初始值的响应预测并与真实的信号比较来验证算法的准确性；值得注意的是，相比于无时间数据重叠的方法，具有时间重叠的字典识别方法对识别具有弱非线性特征的软颤振气动力方程是十分有效的。
-
Patent Agency Ranking
公开(公告)号：CN115345048B
公开(公告)日：2023-04-18
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 , G06F18/214 , G06F18/2415 , 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：CN113656859A
公开(公告)日：2021-11-16
申请号：CN202110755728.5
申请日：2021-07-05
Applicant: 哈尔滨工业大学
Abstract: 本发明提出了一种基于深度学习的不同外形桥梁自激振动预测建模方法，通过将结构动力学数值求解方法与LSTM神经网络相结合建立物理融合的深度神经网络气动自激力模型，可以高精度预测不同外形桥梁的自激振动响应。本方法在气动自激力模型的输入当中加入了气动外形参数，借助神经网络较强的泛化能力，基于少量气动外形的气动自激力数据便构建出具有较强预测能力的非线性气动自激力模型用来预测不同气动外形桥梁主梁结构的非线性自激振动响应，从而有效避免大量成本高昂的风洞试验；同时使用高精度动力方程数值求解方法连接当前时刻网络输出和下一时刻网络输入，形成具有闭环结构的气动自激力模型，有效提高桥梁结构自激振动预测精度和鲁棒性。
-
公开(公告)号：CN110688963A
公开(公告)日：2020-01-14
申请号：CN201910939086.7
申请日：2019-09-30
Applicant: 哈尔滨工业大学
Abstract: 本发明公开一种基于聚类算法的大跨度桥梁涡激振动识别方法，通过构建涡激振动识别特征空间，以主梁振动加速度时程数据为输入，经过特征提取和聚类分析，输出得到各振动样本类别，进而实现涡激振动样本的识别，最终通过连接时间相邻的样本实现完整涡激振动事件的识别。本发明针对大跨度桥梁涡激振动识别问题，构建了桥梁涡激振动识别特征空间，实现了对原型桥梁在复杂环境激励下振动的特征提取、涡激振动样本识别、涡激振动事件识别及结果展示的全过程自动化处理。本发明提高了大跨度桥梁涡激振动识别的自动化、智能化、准确性和鲁棒性，为土木工程桥梁涡激振动的自动识别提供了解决方案。
-
公开(公告)号：CN115311530B
公开(公告)日：2023-08-29
申请号：CN202210833886.2
申请日：2022-07-15
Applicant: 哈尔滨工业大学
IPC: G06V10/82 , G06V10/77 , G06V10/44 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提出一种基于深度卷积自编码器的流场特征提取方法。所述方法具体包括：步骤一：获得流场数据，根据流场数据构建数据集；步骤二：搭建深度卷积自编码器模型；步骤三：将数据集随机按比例划分为训练集、验证集和测试集；利用训练集对深度卷积自编码器模型进行训练，利用验证集对深度卷积自编码器模型进行验证；步骤四：利用测试集对验证后的深度卷积自编码器模型进行测试，对比输入和输出流场差异。相比于POD等线性方法，本发明所述方法能够将流场压缩到更低的维度，流场重构精度也优于POD方法。
-
公开(公告)号：CN115345003A
公开(公告)日：2022-11-15
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。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.033 seconds)
