System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及析架工程,特别涉及基于resnet-101神经网络的析架应力评定方法及系统。
技术介绍
1、析架系统是建筑工程领域中的一种结构支撑系统,它通常用于建筑物的解体或拆除过程中,以确保结构的稳定性和安全性。在建筑物拆除时,析架系统的设计必须考虑结构的合理分布以及对结构元素施加的力。一些常见的析架系统包括拆除脚手架、支撑框架、支撑结构等,它们的设计需要满足工程的安全性和稳定性要求。
2、应力是结构材料内部的力的分布,而结构的稳定性取决于各个部分是否能够承受施加在其上的力。析架系统中,不同的结构元素(如梁、柱、连接点等)具有不同的强度,对应力的承受能力也各异。析架设计需要考虑这些差异,确保在析架过程中各个结构元素都能够承受相应的应力。析架过程中可能涉及到不同的荷载分布,如自重、拆除过程中的附加荷载等。对这些荷载的合理分析和设计是确保结构在拆除过程中不发生失稳或崩溃的关键。
3、在传统的析架系统设计中,有限元方法通常被广泛应用于主动数据输入及应力评估。然而,这种方法存在一些弊端:
4、(1)计算复杂度高:有限元分析需要对结构进行离散化,导致模型的节点和单元数量庞大。这使得计算变得复杂且耗时。
5、(2)依赖于经验:传统方法往往需要丰富的经验来选择合适的边界条件、材料参数等,这可能导致结果的主观性和不确定性。
6、(3)难以处理非线性问题:结构的行为可能是非线性的,传统有限元方法在处理非线性问题时可能面临一定的困难。
7、为此,提出基于resnet-101神
技术实现思路
1、有鉴于此,本专利技术实施例希望提供基于resnet-101神经网络的析架应力评定方法及系统,以解决或缓解现有技术中存在的技术问题,即计算复杂度高、依赖于经验和难以处理非线性问题,并对此至少提供一种有益的选择;
2、本专利技术实施例的技术方案是这样实现的:
3、第一方面,基于resnet-101神经网络的析架应力评定方法
4、(一)概述
5、本专利技术的技术方案基于深度学习的技术,旨在对析架系统进行应力评估。该方法采用深度残差网络(resnet-101)的架构,通过层层堆叠的卷积和残差块,以端到端的方式学习结构特征,实现对析架系统应力的高效而准确的评估。
6、(二)架构
7、2.1 t0初始化
8、在初始化阶段,根据平行投影的正投影规则,输入析架系统所有面的平面结构图及其应力发生点dd。通过执行拓扑分析,形成网格图g(0)。在所述t0中,所述网格图g为:
9、g=(v,e)
10、v是所述结构图的顶点集合,每个顶点表示析架系统的一个结构元素或节点;
11、e是所述结构图的边集合,每条边表示析架系统中结构元素之间的连接关系;
12、所述执行拓扑视为邻接矩阵a;所述邻接矩阵a的矩阵形式为:
13、∣v∣×∣v∣
14、所述邻接矩阵a中的每个元素aij表示节点i和j之间是否存在连接;将
15、所述邻接矩阵a进行归一化:
16、
17、d是度矩阵,其每个元素dij为:
18、
19、对于每个节点i及其上的所述应力发生点d,构成一个节点特征矩阵x:
20、x=[(x1,d1),(x2,d2),...,(x∣v∣,dn)]
21、对于网格图g,送入空间变换网络模块进行预处理:
22、
23、w0是第一层权重矩阵,relu是修正线性单元激活函数;g(0)是被送入空间变换网络模块进行预处理后的网格图。
24、2.2t1卷积层
25、输入网格图g(0),进行第一轮卷积运算,提取初步的局部特征。在所述t1中,包括:
26、s100、执行卷积:
27、x1=conv(g(0),w1)+b1
28、x1是卷积操作conv的输出,w1是权重,b1是偏置项;
29、s101、执行归一化:
30、x2=bn(x1)
31、bn是归一化函数;x2是x1的归一化输出;
32、s103、执行非线性激活:
33、x3=relu(x2)
34、relu是修正线性单元激活函数,x2是经非线性激活后的输出;
35、s104、执行最大池化:
36、x4=maxpool(x3)
37、maxpool是最大池化函数,x4是x3经最大池化后的输出。
38、2.3t2残差块组层1
39、执行残差连接映射,提取低级别的特征。每个残差块中的卷积层数量最少,以降低计算复杂性。在所述t2中,其架构包括:
40、残差块1-1:
41、x5=rb(x4,wres1-1)
42、残差块1-2:
43、x6=rb(x5,wres1-2)
44、残差块1-3:
45、x7=rb(x6,wres1-3)
46、rb是残差连接函数,wres1-1、wres1-2和wres1-3分别是残差块1-1、残差块1-2和残差块1-3的权重;
47、x5、x6和x7分别是x4、x5和x6由残差连接执行后的输出;
48、2.4 t3残差块组层2
49、执行残差连接映射,提取中级别的特征。卷积层数量相对增加,以捕获更抽象的特征。在所述t3中,其架构包括:
50、残差块2-1:
51、x8=rb(x7,wres2-1)
52、残差块2-2:
53、x9=rb(x8,wres2-2)
54、残差块2-3:
55、x10=rb(x9,wres2-3)
56、残差块2-4:
57、x11=rb(x10,wres2-4)
58、rb是残差连接函数,wres2-1、wres2-2、wres2-3和wres2-4分别是残差块2-1、残差块2-2、残差块2-3和残差块2-4的权重;x8、x9、x10和x11分别是x7、x8、x9和x10由残差连接执行后的输出;
59、2.5t4残差块组层3
60、执行残差连接映射,提取高级别的特征。卷积层数量最多,减小特征图的尺寸,使网络能够专注于全局信息。在所述t4中,其架构包括:
61、残差块3-1:
62、x12=rb(x11,wres3-1)
63、残差块3-2:
64、x13=rb(x12,wres3-2)
65、残差块3-3:
66、x14=rb(x13,wres3-3)
67、残差块3-4:
68、x15=rb(x14,w本文档来自技高网...
【技术保护点】
1.基于ResNet-101神经网络的析架应力评定方法,其特征在于,包括如下层状架构:
2.根据权利要求1所述的基于ResNet-101神经网络的析架应力评定方法,其特征在于:在所述T0中,所述网格图G为:
3.根据权利要求1所述的基于ResNet-101神经网络的析架应力评定方法,其特征在于:在所述T1中,包括:
4.根据权利要求3所述的基于ResNet-101神经网络的析架应力评定方法,其特征在于:在所述T2中,其架构包括:
5.根据权利要求4所述的基于ResNet-101神经网络的析架应力评定方法,其特征在于:在所述残差连接函数RB中,包括主分支和残次分支;
6.根据权利要求4所述的基于ResNet-101神经网络的析架应力评定方法,其特征在于:在所述T5中,包括:
7.根据权利要求6所述的基于ResNet-101神经网络的析架应力评定方法,其特征在于:偏置向量BFC中的每个元素Bj表示当前层的第j个节点的偏置bias;偏置项用于引入一个用于拟合数据的可学习的常数XFC:
8.根据权利要求6
9.基于ResNet-101神经网络的析架应力评定系统,其特征在于:所述系统包括处理器、与所述处理器耦接的寄存器,所述寄存器中存储有程序指令,所述程序指令被所述处理器执行时,使所述处理器执行如权利要求1-8中任意一项所述的基于ResNet-101神经网络的析架应力评定方法及系统。
...【技术特征摘要】
1.基于resnet-101神经网络的析架应力评定方法,其特征在于,包括如下层状架构:
2.根据权利要求1所述的基于resnet-101神经网络的析架应力评定方法,其特征在于:在所述t0中,所述网格图g为:
3.根据权利要求1所述的基于resnet-101神经网络的析架应力评定方法,其特征在于:在所述t1中,包括:
4.根据权利要求3所述的基于resnet-101神经网络的析架应力评定方法,其特征在于:在所述t2中,其架构包括:
5.根据权利要求4所述的基于resnet-101神经网络的析架应力评定方法,其特征在于:在所述残差连接函数rb中,包括主分支和残次分支;
6.根据权利要求4所述的基于resnet-101神经网络的...
【专利技术属性】
技术研发人员:张云波,
申请(专利权)人:广州科技职业技术大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。