A Hybrid Data-Model and AI-Driven Approach for Structural Monitoring in Hazardous Construction by Li, Qiang; Wang, Peixuan; Iftikhar, Bawar;

12% KEDVEZMÉNY?

Kiadói listaár EUR 32.09
Az ár azért becsült, mert a rendelés pillanatában nem lehet pontosan tudni, hogy a beérkezéskor milyen lesz a forint árfolyama az adott termék eredeti devizájához képest. Ha a forint romlana, kissé többet, ha javulna, kissé kevesebbet kell majd fizetnie.

12 534 Ft (11 937 Ft + 5% áfa)
Kedvezmény(ek) 12% (cc. 1 504 Ft off)
Kedvezményes ár 11 030 Ft (10 505 Ft + 5% áfa)

11 030 Ft

Beszerezhetőség

Még nem jelent meg, de rendelhető. A megjelenéstől számított néhány héten belül megérkezik.

A termék adatai:

Kiadó Springer Nature Singapore
Megjelenés dátuma 2026. április 10.

ISBN 9789819586875
Kötéstípus Keménykötés
Terjedelem119 oldal
Méret 235x155 mm
Nyelv angol
Illusztrációk X, 119 p. 93 illus., 84 illus. in color.

Kategóriák

Építőmérnöki tudományok, építőipar Ipari érdekvédelmi és biztonsági kérdések Polgári védelem, rendőrség Építőmérnöki tudományok, építőipar (karitatív célú kampány) Ipari érdekvédelmi és biztonsági kérdések (karitatív célú kampány) Polgári védelem, rendőrség (karitatív célú kampány)

Hosszú leírás:

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.

Több

Tartalomjegyzék:

"

Introduction.- Hybrid Data-Model Driven Theory.- Hybrid Data-Model Driven Prediction of Dynamic Response for Tower Cranes under Typhoons.- Real-Time Displacement Monitoring for High-Formwork Support Structures Using Computer Vision.- Hybrid Data-Model Driven Update of Warning Thresholds and Short-Term Response Prediction for High-Formwork Support Structures.- Conclusions and Prospects.

"