个人小站-技术方案介绍

通过结合精细化有限元、人工智能技术和三维仿真技术基于实际测量数据可以进行结构评估。

网站整合结构监测数据资源，深度融合结构结构评估模型和风险源识别规则，开发符合岩土分析的数据可视化工具，实现以数据驱动的结构风险识别。开展了保护区巡查、长期监测、保护区监护项目等多源大数据分析数据的综合分析等特色风险可视化应用，辅助于专业工程师拓展结构状态的理解和认知。

技术介绍

数据驱动的风险识别

基于数据驱动的风险识别以“空中-地面-地下”感知数据为基础，通过整合结构监测数据资源，结合结构评估模型和风险源筛选规则，开发符合现行技术规范和管理流程的数据可视化工具，实现数据的高效采集、可视化和信息有效传递，实现以数据驱动的结构风险识别。

结构评估模型

结构评价指标非常多，其相互关联，全部考虑较难实现，而且各指标的重要程度不尽相同。在实际应用中既需要考虑主要、重要的指标，同时还要考虑指标检测的可操作性。在实际应用时，除了利用“鉴定规范”进行初步分析，还结合国内外关于隧道结构评价指标的研究成果，针对地地下空间的特点，将隧道评价指标简化为纵向变形、横向变形、渗漏水、表观病害四大类。

基于属性识别的评估模型
属性识别方法是一种综合的评判方法，其主要思路是明确评判目标的各项影响因素组成属性集，并根据属性测度函数分别获得各影响因素的等级进而通过综合判别对评判目标的等级进行评价。
属性识别法应用于评估的主要步骤为：确定评价对象和评价指标；建立各评价指标的评价等级即属性集；对属性集进行运算，给出属性测度函数；计算各评价指标实测值对应的属性测度；获得各评价指标的权重，并计算评价对象的综合属性测度。

基于隐马尔可夫模型的结构评估
贝叶斯法则是概率统计中应用所观察到的现象对有关概率分布的主观判断（即先验概率）进行修正的标准方法。然而，朴素贝叶斯对所有条件一视同仁，将所有条件都视为独立性条件。这样的假设过强，由此而引入的误差也较大，当工程积累到较大的数据量的时候，模型本身带来的误差会限制预测的精度。半朴素贝叶斯假设部分属性间有依赖性关系，这些依赖关系可以通过一张有向无环图来描述，这张图即为贝叶斯网，也称为信念网。并且使用条件概率表来描述各个属性的联合概率分布。

大数据挖掘与分析预测

数据挖掘与传统的数理统计和回归不同，它是从大量的、不完全的、有干扰的、模糊的、随机的实际数据中提取隐含的、人们事先不知道的、但又是潜在有用的信息和知识的过程。

通过对数据挖掘各种算法和编程语言的比选，选择决策树梯度提升算法作为变形分析和预测的最终算法，并采用Python语言编程实现。

大数据分析可视化

人们感知信息中约83％是通过眼睛获得，视觉化信息成为最重要的信息之一，也是最容易被处理并记住的。简言之，数据可视化的目的是让数据说话，让复杂抽象的数据以视觉的形式更准确快速的传达。

一图胜千言。单个项目，单个测项，需要整理统计数据、绘制变形曲线等；多个项目，多个测项，需要分析类比工程规律；全线网项目，涉及众多，更需要有效筛选识别重点风险源。