[发明专利]基于循环神经网络的地震破坏力预测装置及方法有效
申请号: | 201911154874.1 | 申请日: | 2019-11-22 |
公开(公告)号: | CN110780347B | 公开(公告)日: | 2021-04-09 |
发明(设计)人: | 陆新征;徐永嘉;程庆乐 | 申请(专利权)人: | 清华大学 |
主分类号: | G01V1/30 | 分类号: | G01V1/30 |
代理公司: | 北京清亦华知识产权代理事务所(普通合伙) 11201 | 代理人: | 石茵汀 |
地址: | 10008*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 循环 神经网络 地震 破坏力 预测 装置 方法 | ||
1.一种基于循环神经网络的地震破坏力预测装置,其特征在于,包括:
传感模块、计算分析模块、通信模块和显示模块;
所述传感模块与所述计算分析模块通信连接,用于检测目标对象的地震动数据信息,并将所述地震动数据信息发送至所述计算分析模块;
所述计算分析模块与所述通信模块和所述显示模块通信连接,用于提供计算分析所需资源,并将计算出的地震破坏力预测结果发送给所述通信模块和所述显示模块;
所述通信模块,用于进行信息传输,将接收到的所述地震破坏力预测结果发送至预设接收端;
所述显示模块,用于进行结果展示,包括电子显示屏,对所述地震破坏力预测结果进行可视化与显示;
所述计算分析模块,包括:数据读取单元、数据预处理单元、核心模型单元和数据输出单元;
所述数据读取单元,用于读取所述传感模块检测的所述地震动数据信息;
所述数据预处理单元,用于对所述地震动数据信息进行预处理;
所述核心模型单元,用于通过神经网络预测模型对预处理后的地震动数据信息进行分析,生成所述地震破坏力预测结果,其中,在数据库中获取地震动数据样本,通过非线性时程分析方法计算所述地震动数据样本对应的破坏能力,获得目标对象的地震响应,并根据规范性文件划分对目标对象的破坏力等级;基于所述地震动数据样本及对应的破坏力等级,对循环神经网络进行训练,获得所述神经网络预测模型;
所述数据输出单元,用于将所述地震破坏力预测结果发送至所述通信模块和所述显示模块。
2.根据权利要求1所述的基于循环神经网络的地震破坏力预测装置,其特征在于,还包括,附加模块;
所述附加模块包括连接装置、固定装置、供电模块和保护装置;
所述连接装置包括连接接口和连接线,用于对地震破坏力预测装置的多个模块进行连接;
所述固定装置,用于对所述地震破坏力预测装置的多个模块进行固定;
所述保护装置,为设置在所述地震破坏力预测装置和\或多个模块外部的外壳,用于对所述地震破坏力预测装置和\或多个模块进行保护;
所述供电模块用于为所述地震破坏力预测装置供电。
3.根据权利要求1所述的基于循环神经网络的地震破坏力预测装置,其特征在于,所述传感模块包括加速度传感器、速度传感器和位移传感器的一种或多种;
所述传感模块用于检测所述目标对象的加速度、速度和位移时程数据中的一种或多种,所述目标对象的加速度、速度和位移时程数据的一种或多种组成所述地震动数据信息。
4.根据权利要求2所述的基于循环神经网络的地震破坏力预测装置,其特征在于,
通过所述传感模块、所述计算分析模块、所述通信模块与所述显示模块及所述附加模块,为地震破坏力预测提供硬件载体与能力支持,进行实时地震破坏力预测。
5.一种基于循环神经网络的地震破坏力预测方法,其特征在于,包括以下步骤:
获取目标对象的地震动数据信息;
对所述地震动数据信息进行读取和预处理,通过神经网络预测模型对预处理后的地震动数据信息进行分析,生成地震破坏力预测结果;
将所述地震破坏力预测结果发送至预设接收端;
将所述地震破坏力预测结果进行可视化转换,并通过电子显示屏进行显示;
在数据库中获取地震动数据样本,通过非线性时程分析方法计算所述地震动数据样本对应的破坏能力,获得目标对象的地震响应,并根据规范性文件划分对目标对象的破坏力等级;
基于所述地震动数据样本及对应的破坏力等级,对循环神经网络进行训练,获得所述神经网络预测模型。
6.根据权利要求5所述的基于循环神经网络的地震破坏力预测方法,其特征在于,
通过传感器获取所述目标对象的地震动数据信息;
对所述地震动数据信息进行预处理,包括对所述地震动数据信息进行截取和格式转换。
7.根据权利要求5所述的基于循环神经网络的地震破坏力预测方法,其特征在于,
在所述电子显示屏上通过颜色、数字或曲线的形式对所述地震破坏力预测结果进行显示。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于清华大学,未经清华大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201911154874.1/1.html,转载请声明来源钻瓜专利网。