A Hybrid Data-Model and AI-Driven Approach for Structural Monitoring in Hazardous Construction
-
- Englisch ausgewählt
29,99 €
inkl. gesetzl. MwSt.,
Beschreibung
Produktdetails
Einband
Gebundene Ausgabe
Erscheinungsdatum
10.04.2026
Abbildungen
X, 119 p. 93 illus., 84 illus. in color.
Verlag
Springer SingaporeSeitenzahl
119
Maße (L/B/H)
24,1/16/1,3 cm
Gewicht
343 g
Auflage
1. Auflage
Sprache
Englisch
ISBN
978-981-9586-87-5
This open access book addresses a critical challenge in modern construction: ensuring the safety of hazardous and complex engineering structures, such as super-tall buildings and large-span structures characterized by their slenderness and scale. The widespread use of these critical structures necessitates advanced safety monitoring and early warning systems. Traditional data-driven methods often fall short in meeting the demands for real-time, accurate, and proactive alerts under complex construction environments and extreme conditions. Therefore, research into hybrid data-model driven monitoring and early-warning technologies holds significant engineering importance.
(1) Hybrid Data-Model Driven Theory: A foundational framework is established, analyzing core models like Convolutional Neural Networks (CNN), Bidirectional Long Short-Term Memory networks (BiLSTM), and AdaBoost. A novel CNN-BiLSTM-AdaBoost hybrid prediction model is proposed, along with an overall implementation framework.
(2) Hybrid-Driven Prediction for Tower Crane Response under Typhoons: A hybrid method is developed to predict tower crane displacement under extreme typhoons. An IoT-based monitoring system collects real-world data, while a Finite Element Method (FEM) model supplements extreme-scenario data. Predictions using pure data-driven and hybrid methods are compared.
(3) Real-Time Displacement Monitoring for High-Formwork Using Computer Vision: The M-DAVIM vision-based method is investigated. Controlled experiments quantify the impact of factors like light intensity, fog, camera angle, and vibration on measurement accuracy. Deployed at a real construction site in Ningbo, the system achieved sub-millimeter accuracy under optimal conditions (illuminance: 200-400 lux, target size >18 pixels) and demonstrated strong robustness, enabling real-time tracking of key nodal displacements.
(4) Hybrid-Driven Warning Threshold Update & Short-Term Response Prediction for High-Formwork: A three-module framework is proposed: a vision system for monitoring, a hybrid module for determining and dynamically updating safety warning thresholds, and a prediction module using the CNN-BiLSTM-Adaboost algorithm for one-hour-ahead displacement forecasting and construction load inversion.
Ein neues Kapitel für Ihre Bücher
Ein neues Kapitel für Ihre Bücher
Schenken Sie Ihren alten Schätzen ein zweites Leben und erhalten Sie dafür eine Thalia Geschenkkarte.
Noch keine Bewertungen vorhanden
Verfassen Sie die erste Bewertung zu diesem Artikel
Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.
Kurze Frage zu unserer Seite
Vielen Dank für Ihr Feedback
Wir nutzen Ihr Feedback, um unsere Produktseiten zu verbessern. Bitte haben Sie Verständnis, dass wir Ihnen keine Rückmeldung geben können. Falls Sie Kontakt mit uns aufnehmen möchten, können Sie sich aber gerne an unseren Kund*innenservice wenden.
zum Kundenservice