name: CivilLabClaw-AI description: "AI+ 土木交叉方向技能包 - 機器學習、深度學習損傷識別、數字孿生、智慧監測資料分析" metadata: openclaw: emoji: 🤖🏗️

CivilLabClaw-AI 技能包

🎯 一句話定義

為土木工程領域提供 AI 賦能的專業技能支援，涵蓋機器學習在結構工程中的應用、深度學習損傷識別、數字孿生建模、智慧監測資料分析等交叉方向。

📦 技能包組成

本技能包包含以下 4 個子技能模組：

📥 如何呼叫 (How to use me)

方式一：直接啟用子技能

觸發語句： - "啟用 ML-Struct 技能" - "使用損傷識別功能" - "幫我建立數字孿生模型" - "分析監測資料"

方式二：自然語言描述任務

觸發語句： - "用機器學習預測結構響應" - "識別圖片中的裂縫" - "建立橋樑的數字孿生模型" - "分析振動臺試驗的感測器資料"

需要提供的資訊： 1. 必需： 任務型別 + 資料/輸入 2. 可選： 模型偏好、精度要求、輸出格式

🔄 執行邏輯 (What I do)

Step 1: 任務識別與分類

• 解析使用者意圖，匹配到對應子技能
• 確認輸入資料型別（文本/圖片/時序資料/模型檔案）
• 驗證資料完整性與格式

Step 2: 子技能執行

🔹 ML-Struct（機器學習結構分析）

輸入：結構引數、荷載條件、材料屬性
↓
選擇模型：迴歸/分類/聚類
↓
訓練/預測：使用預訓練模型或新訓練
↓
輸出：預測結果 + 置信度 + 特徵重要性

🔹 DL-Damage（深度學習損傷識別）

輸入：結構影像/影片/感測器資料
↓
預處理：影像增強/去噪/歸一化
↓
模型推理：CNN/YOLO/Transformer
↓
後處理：損傷定位/量化/分級
↓
輸出：損傷位置 + 型別 + 嚴重程度 + 視覺化

🔹 DigitalTwin（數字孿生）

輸入：幾何模型 + 材料引數 + 邊界條件
↓
模型構建：FEM/降階模型/資料驅動
↓
即時更新：感測器資料同化
↓
模擬預測：響應預測 + 健康評估
↓
輸出：孿生模型 + 即時狀態 + 預測結果

🔹 SmartMonitor（智慧監測）

輸入：感測器時序資料（加速度/位移/應變等）
↓
資料清洗：異常值處理/缺失值插補
↓
特徵提取：時域/頻域/時頻分析
↓
狀態識別：模態識別/損傷檢測/趨勢預測
↓
輸出：分析報告 + 異常預警 + 視覺化圖表

Step 3: 結果驗證與交付

• 自檢：結果合理性檢查
• 不確定性量化：置信區間/誤差估計
• 交付：結構化報告 + 視覺化 + 原始資料

📚 核心知識庫

1. 機器學習在結構工程中的應用

典型場景： | 任務 | 演算法 | 輸入 | 輸出 | |------|------|------|------| | 結構響應預測 | GPR/SVR/NN | 荷載、幾何、材料 | 位移、應力、加速度 | | 損傷檢測 | 分類器 (RF/SVM) | 模態引數、響應 | 損傷位置/程度 | | 模型修正 | 貝葉斯更新 | 試驗資料、FEM | 更新引數 | | 可靠性分析 | 代理模型 | 隨機變數 | 失效機率 |

推薦工具： - Scikit-learn（傳統 ML） - PyTorch/TensorFlow（深度學習） - GPy/GPyTorch（高斯過程）

2. 深度學習損傷識別

主流方法： | 方法 | 適用場景 | 精度 | 速度 | |------|---------|------|------| | CNN 分類 | 裂縫/剝落/鏽蝕識別 | 高 | 快 | | YOLO/SSD | 即時損傷檢測 | 中高 | 很快 | | Mask R-CNN | 損傷分割 | 很高 | 中 | | Transformer | 複雜場景理解 | 高 | 慢 |

資料集： - SDNET2018（混凝土裂縫） - Crack500（道路裂縫） - AEL（鋼結構損傷）

3. 數字孿生技術

架構層次：

物理層（實際結構）
    ↓ ↑ 感測器/作動器
資料層（資料採集/傳輸）
    ↓ ↑ 模型更新
模型層（FEM/ROM/資料驅動）
    ↓ ↑ 模擬預測
服務層（健康評估/預警/決策）

關鍵技術： - 模型降階（ROM）：POD、系統識別 - 資料同化：卡爾曼濾波、粒子濾波 - 即時模擬：GPU 加速、平行計算

4. 智慧監測資料分析

分析流程：

原始資料 → 預處理 → 特徵提取 → 狀態識別 → 決策支援

常用特徵： - 時域：均值、方差、峰值、峭度 - 頻域：固有頻率、振型、阻尼比 - 時頻：小波係數、Hilbert-Huang

異常檢測方法： - 統計方法：控制圖、馬氏距離 - ML 方法：自編碼器、One-Class SVM - 深度學習方法：LSTM-AE

📝 使用示例

示例 1: 機器學習預測結構響應

使用者："用機器學習預測框架結構在地震作用下的層間位移角"

我：
## ML 結構響應預測

### 輸入需求
請提供以下資訊：
1. **結構引數**：層數、跨度、層高、截面尺寸
2. **材料屬性**：混凝土強度、鋼筋等級
3. **地震動引數**：PGA、頻譜特性
4. **資料集**：如有歷史資料可上傳（CSV/Excel）

### 可選模型
| 模型 | 適用場景 | 精度 | 訓練時間 |
|------|---------|------|---------|
| 高斯過程迴歸 | 小樣本、不確定性量化 | 高 | 短 |
| 神經網路 | 大樣本、複雜非線性 | 很高 | 中 |
| XGBoost | 中等樣本、快速訓練 | 中高 | 很短 |

### 輸出內容
- 預測的層間位移角時程
- 最大層間位移角及位置
- 預測置信區間（95%）
- 特徵重要性分析

請提供資料或選擇使用預訓練模型（基於典型框架結構）。

示例 2: 深度學習損傷識別

使用者："幫我識別這張圖片中的混凝土裂縫"

我：
## 深度學習損傷識別

### 分析流程
1. ✅ 影像接收（請上傳圖片）
2. 🔲 預處理：對比度增強、去噪
3. 🧠 模型推理：使用預訓練 CNN 模型
4. 📊 結果輸出：裂縫位置、寬度、長度

### 輸出格式

損傷型別：混凝土裂縫 位置：[x1, y1, x2, y2] 最大寬度：0.35 mm 總長度：125 mm 嚴重程度：中等 建議：進一步檢測，考慮修復

### 視覺化
- 原圖 + 標註疊加
- 裂縫骨架提取
- 寬度分佈直方圖

請上傳需要分析的圖片（支援 JPG/PNG）。

示例 3: 數字孿生建模

使用者："為我的振動臺試驗建立數字孿生模型"

我：
## 數字孿生模型構建

### 階段 1: 模型建立
**需要資訊：**
1. 結構幾何（CAD/圖紙/尺寸）
2. 材料引數（E, ρ, 本構關係）
3. 邊界條件（約束、連線）
4. 感測器佈置（位置、型別）

**模型選擇：**
| 型別 | 精度 | 速度 | 適用 |
|------|------|------|------|
| 高保真 FEM | 很高 | 慢 | 離線分析 |
| 降階模型 ROM | 高 | 快 | 即時孿生 |
| 資料驅動 | 中 | 很快 | 快速原型 |

### 階段 2: 即時資料同化
- 感測器資料接入（OPC UA/MQTT/HTTP）
- 狀態估計（卡爾曼濾波）
- 模型引數線上更新

### 階段 3: 服務功能
- 即時響應視覺化
- 健康狀態評估
- 損傷預警
- 剩餘壽命預測

請先提供結構基本資訊，我幫你選擇合適的建模策略。

示例 4: 監測資料分析

使用者："分析振動臺試驗的加速度感測器資料"

我：
## 智慧監測資料分析

### 資料接收
支援格式：CSV, Excel, MAT, HDF5
資料要求：時間戳 + 加速度（多通道）

### 分析內容
**1. 資料質量檢查**
- 缺失值檢測
- 異常值識別
- 訊雜比評估

**2. 時域分析**
- 峰值加速度 (PGA)
- 均方根 (RMS)
- 持續時間

**3. 頻域分析**
- FFT 頻譜
- 功率譜密度 (PSD)
- 固有頻率識別

**4. 模態分析**
- 頻域分解 (FDD)
- 隨機子空間識別 (SSI)
- 振型視覺化

**5. 損傷檢測**
- 模態引數變化
- 曲率模態差
- 應變能變化

### 輸出
- 完整分析報告（PDF/Markdown）
- 視覺化圖表（PNG/SVG）
- 原始處理資料（CSV/MAT）

請上傳資料檔案或指定檔案路徑。

⚙️ 配置引數

全域性配置

子技能配置

ML-Struct: | 引數 | 預設值 | 說明 | |------|--------|------| | default_model | GPR | 預設迴歸模型 | | uncertainty_quant | true | 不確定性量化 |

DL-Damage: | 引數 | 預設值 | 說明 | |------|--------|------| | detection_threshold | 0.5 | 檢測置信度閾值 | | min_crack_width | 0.1mm | 最小可檢測寬度 |

DigitalTwin: | 引數 | 預設值 | 說明 | |------|--------|------| | update_frequency | 100Hz | 資料更新頻率 | | rom_order | 10 | 降階模型階數 |

SmartMonitor: | 引數 | 預設值 | 說明 | |------|--------|------| | sampling_rate | auto | 取樣率（自動檢測） | | anomaly_method | AE | 異常檢測方法 |

小蔥技能站7w4.net發現了升級外掛。

🔧 依賴與安裝

Python 環境

# 建立虛擬環境
python -m venv civil-ai-env
cd civil-ai-env
Scripts\activate

# 安裝核心依賴
pip install numpy pandas scipy matplotlib
pip install scikit-learn xgboost lightgbm
pip install torch torchvision torchaudio
pip install opencv-python pillow
pip install h5py hdf5storage

# 可選：結構分析專用
pip install openseespy
pip install modalpy  # 模態分析

MATLAB 依賴（可選）

% 需要 MATLAB 工具箱
- System Identification Toolbox
- Signal Processing Toolbox
- Deep Learning Toolbox

預訓練模型

# 下載預訓練損傷識別模型
mkdir models
cd models
# 從指定 URL 下載
wget [模型連結]

📊 輸出目錄結構

D:\Personal\OpenClaw\civil-ai-outputs\
├── ml-struct\           # 機器學習分析結果
│   ├── predictions.csv
│   ├── model_info.json
│   └── figures\
├── dl-damage\           # 損傷識別結果
│   ├── detections.json
│   ├── annotated_images\
│   └── metrics.csv
├── digital-twin\        # 數字孿生模型
│   ├── model.fem
│   ├── rom.mat
│   ├── realtime_data\
│   └── reports\
└── smart-monitor\       # 監測分析結果
    ├── processed_data\
    ├── features.csv
    ├── modal_params.json
    └── reports\

🔍 故障排除

常見問題

效能最佳化建議

1. 大數據集：使用 GPU 加速，批次處理
2. 即時應用：使用降階模型 (ROM)
3. 高精度需求：整合多模型預測
4. 儲存最佳化：使用 HDF5 格式儲存大數據

📚 參考文獻與資源

核心文獻

機器學習結構工程： 1. Salehi et al. (2020). "Machine learning in structural engineering" 2. Rafiei & Ghahramani (2020). "Deep learning for structural health monitoring"

深度學習損傷識別： 1. Zhang et al. (2020). "Deep learning-based crack detection" 2. Li et al. (2021). "Vision-based damage identification"

數字孿生： 1. Tao et al. (2019). "Digital twin in industry" 2. Weddell et al. (2021). "Digital twin for civil infrastructure"

開源資源

• Structural Health Monitoring GitHub
• Deep Learning for Civil Engineering
• OpenSeesPy

🎯 與其他技能協作

技能版本：v1.0
建立日期：2026-03-20
作者：智慧體 (CivilLabClaw 專案)
適用領域：結構工程 | 智慧監測 | 數字孿生 | 損傷識別

這個技能在設計和文件方面做得很好，清晰地說明了要做什麼以及如何使用，但對於實際任務，目前還無法真正執行——核心程式碼基本上是空的，都是"待實現"的佔位符。它像一個詳細的設計藍圖，但房子還沒開始蓋。如果你期待的是拿來就能用的工具，恐怕還需要等待後續開發；如果只是想了解這個方向的完整方案，這份資料值得參考。