clawhub install civillab-claw-ai📖 About This Skill
name: CivilLabClaw-AI description: "AI+ 土木交叉方向技能包 - 机器学习、深度学习损伤识别、数字孪生、智能监测数据分析" metadata: openclaw: emoji: 🤖🏗️
CivilLabClaw-AI 技能包
🎯 一句话定义
为土木工程领域提供 AI 赋能的专业技能支持，涵盖机器学习在结构工程中的应用、深度学习损伤识别、数字孪生建模、智能监测数据分析等交叉方向。
📦 技能包组成
本技能包包含以下 4 个子技能模块：
| 子技能 | 功能 | 触发语句 | |--------|------|----------| | ML-Struct | 机器学习在结构工程中的应用 | "ML 结构分析" / "机器学习预测" | | DL-Damage | 深度学习损伤识别 | "损伤识别" / "裂缝检测" | | DigitalTwin | 数字孪生建模与仿真 | "数字孪生" / "孪生模型" | | SmartMonitor | 智能监测数据分析 | "监测数据分析" / "传感器数据" |
📥 如何调用 (How to use me)
方式一：直接激活子技能
触发语句：
方式二：自然语言描述任务
触发语句：
需要提供的信息： 1. 必需： 任务类型 + 数据/输入 2. 可选： 模型偏好、精度要求、输出格式
🔄 执行逻辑 (What I do)
Step 1: 任务识别与分类
Step 2: 子技能执行
#### 🔹 ML-Struct（机器学习结构分析）
输入：结构参数、荷载条件、材料属性
↓
选择模型：回归/分类/聚类
↓
训练/预测：使用预训练模型或新训练
↓
输出：预测结果 + 置信度 + 特征重要性
#### 🔹 DL-Damage（深度学习损伤识别）
输入：结构图像/视频/传感器数据
↓
预处理：图像增强/去噪/归一化
↓
模型推理：CNN/YOLO/Transformer
↓
后处理：损伤定位/量化/分级
↓
输出：损伤位置 + 类型 + 严重程度 + 可视化
#### 🔹 DigitalTwin（数字孪生）
输入：几何模型 + 材料参数 + 边界条件
↓
模型构建：FEM/降阶模型/数据驱动
↓
实时更新：传感器数据同化
↓
仿真预测：响应预测 + 健康评估
↓
输出：孪生模型 + 实时状态 + 预测结果
#### 🔹 SmartMonitor（智能监测）
输入：传感器时序数据（加速度/位移/应变等）
↓
数据清洗：异常值处理/缺失值插补
↓
特征提取：时域/频域/时频分析
↓
状态识别：模态识别/损伤检测/趋势预测
↓
输出：分析报告 + 异常预警 + 可视化图表
Step 3: 结果验证与交付
📚 核心知识库
1. 机器学习在结构工程中的应用
典型场景： | 任务 | 算法 | 输入 | 输出 | |------|------|------|------| | 结构响应预测 | GPR/SVR/NN | 荷载、几何、材料 | 位移、应力、加速度 | | 损伤检测 | 分类器 (RF/SVM) | 模态参数、响应 | 损伤位置/程度 | | 模型修正 | 贝叶斯更新 | 试验数据、FEM | 更新参数 | | 可靠性分析 | 代理模型 | 随机变量 | 失效概率 |
推荐工具：
2. 深度学习损伤识别
主流方法： | 方法 | 适用场景 | 精度 | 速度 | |------|---------|------|------| | CNN 分类 | 裂缝/剥落/锈蚀识别 | 高 | 快 | | YOLO/SSD | 实时损伤检测 | 中高 | 很快 | | Mask R-CNN | 损伤分割 | 很高 | 中 | | Transformer | 复杂场景理解 | 高 | 慢 |
数据集：
3. 数字孪生技术
架构层次：
物理层（实际结构）
↓ ↑ 传感器/作动器
数据层（数据采集/传输）
↓ ↑ 模型更新
模型层（FEM/ROM/数据驱动）
↓ ↑ 仿真预测
服务层（健康评估/预警/决策）
关键技术：
4. 智能监测数据分析
分析流程：
原始数据 → 预处理 → 特征提取 → 状态识别 → 决策支持
常用特征：
异常检测方法：
📝 使用示例
示例 1: 机器学习预测结构响应
用户："用机器学习预测框架结构在地震作用下的层间位移角"我：
ML 结构响应预测
输入需求
请提供以下信息：
1. 结构参数：层数、跨度、层高、截面尺寸
2. 材料属性：混凝土强度、钢筋等级
3. 地震动参数：PGA、频谱特性
4. 数据集：如有历史数据可上传（CSV/Excel）可选模型
| 模型 | 适用场景 | 精度 | 训练时间 |
|------|---------|------|---------|
| 高斯过程回归 | 小样本、不确定性量化 | 高 | 短 |
| 神经网络 | 大样本、复杂非线性 | 很高 | 中 |
| XGBoost | 中等样本、快速训练 | 中高 | 很短 |输出内容
预测的层间位移角时程
最大层间位移角及位置
预测置信区间（95%）
特征重要性分析 请提供数据或选择使用预训练模型（基于典型框架结构）。
示例 2: 深度学习损伤识别
用户："帮我识别这张图片中的混凝土裂缝"我：
深度学习损伤识别
分析流程
1. ✅ 图像接收（请上传图片）
2. 🔲 预处理：对比度增强、去噪
3. 🧠 模型推理：使用预训练 CNN 模型
4. 📊 结果输出：裂缝位置、宽度、长度输出格式
可视化
原图 + 标注叠加
裂缝骨架提取
宽度分布直方图 请上传需要分析的图片（支持 JPG/PNG）。
示例 3: 数字孪生建模
用户："为我的振动台试验建立数字孪生模型"我：
数字孪生模型构建
阶段 1: 模型建立
需要信息：
1. 结构几何（CAD/图纸/尺寸）
2. 材料参数（E, ρ, 本构关系）
3. 边界条件（约束、连接）
4. 传感器布置（位置、类型）模型选择：
| 类型 | 精度 | 速度 | 适用 |
|------|------|------|------|
| 高保真 FEM | 很高 | 慢 | 离线分析 |
| 降阶模型 ROM | 高 | 快 | 实时孪生 |
| 数据驱动 | 中 | 很快 | 快速原型 |
阶段 2: 实时数据同化
传感器数据接入（OPC UA/MQTT/HTTP）
状态估计（卡尔曼滤波）
模型参数在线更新 阶段 3: 服务功能
实时响应可视化
健康状态评估
损伤预警
剩余寿命预测 请先提供结构基本信息，我帮你选择合适的建模策略。
示例 4: 监测数据分析
用户："分析振动台试验的加速度传感器数据"我：
智能监测数据分析
数据接收
支持格式：CSV, Excel, MAT, HDF5
数据要求：时间戳 + 加速度（多通道）分析内容
1. 数据质量检查
缺失值检测
异常值识别
信噪比评估 2. 时域分析
峰值加速度 (PGA)
均方根 (RMS)
持续时间 3. 频域分析
FFT 频谱
功率谱密度 (PSD)
固有频率识别 4. 模态分析
频域分解 (FDD)
随机子空间识别 (SSI)
振型可视化 5. 损伤检测
模态参数变化
曲率模态差
应变能变化 输出
完整分析报告（PDF/Markdown）
可视化图表（PNG/SVG）
原始处理数据（CSV/MAT） 请上传数据文件或指定文件路径。
⚙️ 配置参数
全局配置
| 参数 | 类型 | 默认值 | 说明 | |------|------|--------|------| |output_dir | string | ./civil-ai-outputs/ | 输出目录 |
| model_backend | string | pytorch | 深度学习后端 |
| visualization | bool | true | 是否生成可视化 |
| report_format | string | markdown | 报告格式 |子技能配置
ML-Struct:
| 参数 | 默认值 | 说明 |
|------|--------|------|
| default_model | GPR | 默认回归模型 |
| uncertainty_quant | true | 不确定性量化 |
DL-Damage:
| 参数 | 默认值 | 说明 |
|------|--------|------|
| detection_threshold | 0.5 | 检测置信度阈值 |
| min_crack_width | 0.1mm | 最小可检测宽度 |
DigitalTwin:
| 参数 | 默认值 | 说明 |
|------|--------|------|
| update_frequency | 100Hz | 数据更新频率 |
| rom_order | 10 | 降阶模型阶数 |
SmartMonitor:
| 参数 | 默认值 | 说明 |
|------|--------|------|
| sampling_rate | auto | 采样率（自动检测） |
| anomaly_method | AE | 异常检测方法 |
🔧 依赖与安装
Python 环境
# 创建虚拟环境
python -m venv civil-ai-env
cd civil-ai-env
Scripts\activate安装核心依赖
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可选：结构分析专用
pip install openseespy
pip install modalpy # 模态分析
MATLAB 依赖（可选）
% 需要 MATLAB 工具箱
System Identification Toolbox
Signal Processing Toolbox
Deep Learning Toolbox
预训练模型
# 下载预训练损伤识别模型
mkdir models
cd models
从指定 URL 下载
wget [模型链接]
📊 输出目录结构
D:\Personal\OpenClaw\civil-ai-outputs\
├── ml-struct\ # 机器学习分析结果
│ ├── predictions.csv
│ ├── model_info.json
│ └── figures\
├── dl-damage\ # 损伤识别结果
│ ├── detections.json
│ ├── annotated_images\
│ └── metrics.csv
├── digital-twin\ # 数字孪生模型
│ ├── model.fem
│ ├── rom.mat
│ ├── realtime_data\
│ └── reports\
└── smart-monitor\ # 监测分析结果
├── processed_data\
├── features.csv
├── modal_params.json
└── reports\
🔍 故障排除
常见问题
| 问题 | 可能原因 | 解决方案 | |------|---------|---------| | 模型加载失败 | 模型文件缺失 | 检查 models/ 目录，重新下载 | | 内存不足 | 数据量过大 | 分批处理或增加虚拟内存 | | GPU 不可用 | CUDA 未安装 | 使用 CPU 模式或安装 CUDA | | 数据格式错误 | 文件格式不支持 | 转换为 CSV/Excel 标准格式 | | 预测结果异常 | 输入超出训练范围 | 检查输入参数合理性 |
性能优化建议
1. 大数据集：使用 GPU 加速，批量处理 2. 实时应用：使用降阶模型 (ROM) 3. 高精度需求：集成多模型预测 4. 存储优化：使用 HDF5 格式存储大数据📚 参考文献与资源
核心文献
机器学习结构工程： 1. Salehi et al. (2020). "Machine learning in structural engineering" 2. Rafiei & Ghahramani (2020). "Deep learning for structural health monitoring"
深度学习损伤识别： 1. Zhang et al. (2020). "Deep learning-based crack detection" 2. Li et al. (2021). "Vision-based damage identification"
数字孪生： 1. Tao et al. (2019). "Digital twin in industry" 2. Weddell et al. (2021). "Digital twin for civil infrastructure"
开源资源
🎯 与其他技能协作
| 协作技能 | 协作内容 |
|---------|---------|
| structural-testing | 试验方案设计、技术术语规范 |
| matlab-bridge | MATLAB 仿真数据交换、联合分析 |
| paper-assistant | 论文写作、方法描述 |
| research-paper-writer | 学术论文生成 |
_技能版本：v1.0_ _创建日期：2026-03-20_ _作者：智能体 (CivilLabClaw 项目)_ _适用领域：结构工程 | 智能监测 | 数字孪生 | 损伤识别_
📋 Tips & Best Practices
| 问题 | 可能原因 | 解决方案 | |------|---------|---------| | 模型加载失败 | 模型文件缺失 | 检查 models/ 目录，重新下载 | | 内存不足 | 数据量过大 | 分批处理或增加虚拟内存 | | GPU 不可用 | CUDA 未安装 | 使用 CPU 模式或安装 CUDA | | 数据格式错误 | 文件格式不支持 | 转换为 CSV/Excel 标准格式 | | 预测结果异常 | 输入超出训练范围 | 检查输入参数合理性 |