CN108763763B - 一种桥梁结构应变响应异常预警方法 - Google Patents
一种桥梁结构应变响应异常预警方法 Download PDFInfo
- Publication number
- CN108763763B CN108763763B CN201810536077.9A CN201810536077A CN108763763B CN 108763763 B CN108763763 B CN 108763763B CN 201810536077 A CN201810536077 A CN 201810536077A CN 108763763 B CN108763763 B CN 108763763B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- bridge structure
- strain response
- bridge
- strain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Abstract
本发明公开一种桥梁结构应变响应异常预警方法。包括步骤(1)利用小波包分解方法对桥梁结构应变响应进行分离;(2)利用主成分分析方法提取桥梁环境温度场主成分;(3)基于自适应神经网络模糊推理系统建立实测环境荷载因素与对应应变数据之间的复杂非线性关系;(4)识别车辆在桥梁上的位置信息;(5)识别车辆几何参数及其轴重;(6)基于自适应神经网络模糊推理系统建立实测车辆荷载参数与对应应变数据之间的复杂非线性关系;(7)求解桥梁结构应变响应理论值;(8)对比桥梁结构应变响应理论求解结果及其实测结果,并对自适应神经网络模糊推理系统进行更新。本发明能快速有效地根据实测荷载参数对桥梁结构应变响应进行准确预测。
Description
技术领域:
本发明涉及一种桥梁结构应变响应异常预警方法,具体涉及一种利用自适应神经网络模 糊推理系统的桥梁结构应变响应异常预警方法,适用于桥梁、建筑结构等各类土木工程结构 在复杂荷载激励下的应变响应异常预警。
背景技术:
我国桥梁数量多、分布广,《2017年公路水路交通运输行业发展统计公报》显示,全国 公路桥梁83.25万座,其中特大桥梁4646座,大桥91777座,中小桥73.61万座。随着经济的高速发展和全国交通网络的建设,交通运输量大幅度增长,行车密度及车辆荷载不断增大, 桥梁的负担日趋严重,严重危及桥梁的正常使用。因此,仅仅对桥梁结构进行人工巡检远不 能满足桥梁的运维要求,需要时刻掌握桥梁的工作状态,评估桥梁结构的安全等级,为桥梁 运营维护提供指导和依据。结构健康监测通过安装在结构上的传感器对特定物理量进行长期 监测,反映结构在实际运营过程中的真实状态,结构健康监测系统日益成为了解结构状态信 息的有效工具。其中,桥梁结构的应力、应变监测有效反映荷载作用下构件的局部受力状况, 有助于发现结构损伤,对评价桥梁的安全性具有重要意义,常被用作反映结构的工作状态。
桥梁结构长期暴露在自然环境中,实测结构响应数据主要受环境荷载变化和车辆荷载变 化影响。其中,环境温度场每时每刻均在变化,不仅受到太阳辖射、气温变化、风速、大气 逆福射、骤然降温等气象因素影响,还与桥梁所处地理环境、桥轴线方位角、箱梁截面尺寸 等因素有关;车辆荷载(车型、载重量、行驶路线、车速)也在时刻发生变化。因此桥梁结 构所受荷载复杂多变,难以和实测物理量之间建立明确的数学关系模型。目前,已有很多研 究人员利用实测应变响应与实测荷载因素的相关性来建立桥梁静力性能评估的多元线性回归 模型,但目前仅局限于结构应变响应与单一荷载因素的相关性分析,而实际上某一测点的应 变响应受多个荷载因素的耦合影响。
自适应神经模糊推理系统是一种将模糊逻辑和神经网络有机结合的新型模糊推理系统结 构,神经网络模糊推理系统则可以使用神经网络的学习算法,根据输入输出的数据,进行训 练得到相应模糊规则库,同时不断调整参数,使得系统更加适用于数据分析。在这种方式下, 模糊系统不仅具有原来系统表达专家知识的能力,更具有了神经网络的学习能力,可以根据 数据实时改变模糊规则,增强了系统的适应能力。既发挥了二者的优点,又弥补了各自的不 足。神经网络为模糊建模的过程提供一种能够从数据集中提取相应信息(模糊规则)的学习 方法,通过学习能有效的计算出隶属度函数的最佳参数,使得设计出来的推理系统能最佳的 模拟出所希望的输入输出关系,适用于复杂非线性系统的建模问题。
针对桥梁结构应变响应影响因素较多,难以准确拟合应变响应与各荷载因素之间复杂非 线性关系的特点,本发明提出基于自适应神经模糊推理系统拟合桥梁结构实测荷载因素与实 测应变数据的关系,从而快速有效地对桥梁结构应变响应进行异常预警。
发明内容
本发明的目的是提供一种桥梁结构应变响应异常预警方法,解决了桥梁结构工作环境复 杂多变,实测荷载参数与结构响应难以建立明确关系的问题。本发明能够保证在监测数据准 确可靠的基础上,调用已完成训练的自适应神经网络模糊推理系统模型,快速有效地根据实 测荷载参数对桥梁结构应变响应进行准确预测,为桥梁结构损伤预警及定位识别提供参考, 保障桥梁结构的安全运营。
上述的目的通过以下技术方案实现:
一种桥梁结构应变响应异常预警方法,该方法包括如下步骤:
(1)利用小波包分解方法对桥梁结构应变响应进行分离;
(2)利用主成分分析方法提取桥梁环境温度场主成分;
(3)训练反映环境荷载作用下各荷载因素与桥梁结构应变响应之间关系的自适应神经网 络模糊推理系统,从而建立实测环境荷载因素与环境荷载作用下实测应变数据之间的复杂非 线性关系;
(4)利用图像识别技术识别车辆在桥梁上的位置信息;
(5)利用动态称重技术识别车辆几何参数及其轴重;
(6)训练反映车辆荷载作用下各荷载因素与桥梁结构应变响应之间关系的自适应神经网 络模糊推理系统,从而建立实测车辆荷载参数与车辆荷载作用下实测应变数据之间的复杂非 线性关系;
(7)利用训练完成的自适应神经网络模糊推理系统,求解桥梁结构应变响应理论值;
(8)对比桥梁结构应变响应理论求解结果及其实测结果,若二者差距超过设定阈值,应 及时查找原因;若二者吻合较好,则将实测值加入模型训练数据进行重新训练,对自适应神 经网络模糊推理系统进行更新,以保证其精度。
所述的桥梁结构应变响应异常预警方法按照桥梁结构工作状态的不同,分别训练自适应 神经网络模糊推理系统。具体是采用小波包分解方法对环境荷载和车辆荷载作用下的应变成 分进行有效分离,分别考虑环境荷载和车辆荷载作用下的桥梁结构应变响应影响因素,训练 相对应的自适应神经网络模糊推理系统。
所述的桥梁结构应变响应异常预警方法中的环境载荷作用下的应变响应影响因素包括桥 梁环境温度场、天气状况、太阳入射角度、风力和风向数据;车辆载荷作用下的应变响应影 响因素包括车辆位置坐标、轴距、轴重、车速数据。
所述的桥梁结构应变响应异常预警方法,步骤(2)中所述的利用主成分分析方法提取桥 梁环境温度场主成分过程中,取累计贡献率达到99%的主成分作为环境荷载因素的输入变量。
所述的桥梁结构应变响应异常预警方法,步骤(4)中所述的利用图像识别技术识别车辆 在桥梁上的位置信息,具体是利用图像识别技术,根据记录行驶车辆信息的视频影像资料, 对车辆在桥面上所处位置进行准确识别定位,得到车辆所处位置的坐标信息。
所述的桥梁结构应变响应异常预警方法,步骤(5)中所述的利用动态称重技术识别车辆 几何参数及其轴重,具体是基于桥梁结构健康监测系统实测应变响应数据,利用应变数据二 阶导数出现脉冲峰值的时间求取车辆几何参数及车速,利用应变信号的积分面积结合车辆行 驶速度求取经过车辆的总重,根据各车轴对应应变数据二阶导数峰值点的数据对车辆总重进 行加权平均,得到行驶车辆各轴的轴重。
本发明所产生的有益效果:
1、本发明的桥梁结构应变响应异常预警方法,将桥梁结构应变响应分为两类,即环境荷 载和车辆荷载作用下的桥梁结构应变响应。按照视频资料图像识别结果判定桥梁结构工作状 态,利用小波包分解方法分离环境荷载和车辆荷载作用下的桥梁结构应变响应,依据桥梁结 构不同的工作状态分别训练具有各自特点的自适应神经网络模糊推理系统,大大减少了单一 推理系统的计算量,提高预测效率。
2、本发明的桥梁结构应变响应异常预警方法,利用自适应神经网络模糊推理系统适用于 复杂非线性系统的建模问题的优点。综合考虑多种因素影响,建立桥梁结构应变响应与各影 响因素间的复杂非线性关系,能够精确反映结构应变响应与各影响因素间的复杂关系。
3、本发明的桥梁结构应变响应异常预警方法,利用主成分分析方法提取环境温度场的主 成分,在保证计算精度的同时,有效提高了计算效率。
4、本发明利用动态称重系统识别行驶车辆的荷载参数,利用健康监测系统实测结构应变 响应为输入,基于影响线原理对车辆荷载参数进行识别,具有快速准确,对桥梁结构无损伤 的特点。
5、本发明的桥梁结构应变响应异常预警方法,基于实测数据对训练模型进行实时更新, 保证训练模型的准确性。
附图说明
图1为基于自适应神经网络模糊推理系统的训练流程图;
图2为基于自适应神经网络模糊推理系统的预测流程图;
图3为一种典型自适应神经网络模糊推理系统的模型示意图;
图4为基于影响线原理的车辆荷载参数的识别流程图。
具体实施方式
下面结合具体实施方式,进一步阐明本发明,下述具体实施方式仅用于说明本发明而不 用于限制本发明的权利范围。
针对桥梁结构长期暴露在自然环境中,工作环境复杂,结构应变响应受环境荷载和车辆 荷载变化影响较大的特点。基于自适应神经网络模糊推理系统,本发明提出一种桥梁结构应 变响应异常预警方法,实现实测荷载因素与桥梁应变响应之间的复杂非线性建模,进而对桥 梁结构实测应变响应异常值进行预警。
本发明提出的基于自适应神经网络模糊推理系统的桥梁结构应变响应异常预警方法主要 包括两大部分,即自适应神经网络模糊推理系统的训练过程和预测过程,如图1和图2所示。 图1为借助自适应神经网络模糊推理系统分别建立环境荷载和车辆荷载作用下多种影响因素 与实测桥梁结构应变响应之间的复杂非线性关系,图2为利用图1中训练完成的关系模型, 输入实测荷载影响因素,求解桥梁结构应变响应。自适应神经网络模糊推理系统是一种将模 糊逻辑和神经网络有机结合的新型模糊推理系统结构,既发挥了二者的优点,又弥补了各自 的不足。其最大的特点就是模型系统中的隶属度函数、权值和模糊规则可以通过对输入数据 的学习来自主确定,大大改进了模糊推理系统的应用能力和适用范围。为模糊建模过程提供 一种从数据集中提取相应信息(模糊规则)的学习方法,通过学习能有效的计算出隶属度函 数的最佳参数,使设计出来的推理系统能最佳的模拟出所希望的输入输出关系,适用于复杂 非线性系统的建模问题。
自适应神经网络模糊推理系统的典型结构如图3所示,其中x1,x2是系统的输入,y是推 理系统的输出,网络同一层的每个节点具有相似的功能。第一层将输入信号模糊化,模糊集 的隶属度函数默认为钟型函数;第二层用于计算各条规则的适用度,即将各输入信号的隶属 度相乘,并将乘积作为本规则的适用度;第三层进行各条规则适用度的归一化计算,即计算 每条规则的适用度与全部规则适用度之和的比值;第四层用于计算各条规则的输出值;第五 层用于计算系统的总输出。
基于图1和图2所示的流程,本发明一种桥梁结构应变响应异常预警方法具体包括以下 八个步骤:
第一步:利用小波包分解方法对桥梁结构应变响应进行分离。桥梁结构环境荷载因素变 化缓慢,并且具有很强的周期性,引起的桥梁结构应变变化成分具有类似的性质;车辆荷载 引起的应变响应与车辆几何参数有关。环境荷载与车辆荷载作用下的桥梁结构应变响应频率 成分具有显著差异。为减少单一推理系统的计算量,提高该方法预测效率,采用小波包分解 方法对环境荷载和车辆荷载作用下的应变成分进行有效分离,按照桥梁结构工作状态的不同 分别训练自适应神经网络模糊推理系统。
第二步:利用主成分分析方法提取桥梁环境温度场主成分。桥梁结构各测点实测环境温 度数据能综合反映桥梁环境温度场的变化规律,但各测点温度变化具有明显的相关性,即各 测点实测环境温度数据中包含较多重叠信息,如果不加以剔除而是将所有测点实测温度数据 作为输入变量,无疑会大幅增加计算消耗。主成分分析是一种通过降维技术把多个变量化为 少数几个主成分(综合变量)的多元统计方法,这些主成分能够反映原始变量的大部分信息, 并且这些主成分所包含的信息不重叠,各主成分之间互不相关。利用主成分分析方法提取桥 梁环境温度场主成分,可有效减少自适应神经网络模糊推理系统的训练及预测耗时,提升计 算效率。同时,为了保证计算结果的准确性,高度还原实测环境温度场数据,取累计贡献率 达到99%的主成分(一般取至第二或第三主成分)作为环境荷载因素的输入变量。
第三步:训练反映环境荷载作用下各荷载因素与桥梁结构应变响应之间关系的自适应神 经网络模糊推理系统。建立实测环境荷载因素(环境温度场主成分分析结果、天气状况、太 阳入射角度、风力和风向等数据)与环境荷载作用下实测应变数据之间的复杂非线性关系。
第四步:利用图像识别技术识别车辆在桥梁上的位置信息。根据影响线理论,车辆荷载 作用下桥梁结构应变响应与荷载大小及其作用点位置密切相关。采用视频或图像记录行驶车 辆的影像数据,利用图像识别技术,对车辆在桥面上所处位置进行准确识别定位,得到车辆 所处位置的坐标信息及其他系列信息。
第五步:利用动态称重技术识别车辆几何参数及其轴重。车辆荷载通过车轴作用在桥面 上,车轴分布决定了车辆荷载的分布形式。利用基于现场实测应变数据的动态称重技术,对 经过车辆的几何参数、轴重及车速等数据进行准确识别。具体如图4所示,基于应变影响线 理论,桥梁结构应变数据二阶导数在车轴经过桥梁中部时,会出现明显的脉冲峰值,信号出 现时间显示出各车轴经过固定点的时间,由此,可以求取车辆几何参数及车速。利用应变响 应叠加原理,即单位移动力以单位速度经过桥梁时,引起的应变响应的积分面积为定值,由 此,利用应变信号的积分面积结合车辆行驶速度可以求取经过车辆的总重。桥梁结构应变数 据二阶导数峰值点反映轴重的相对大小,根据各车轴对应峰值点的数据对车辆总重进行加权 平均,可以得到行驶车辆各轴的轴重。
第六步:训练反映车辆荷载作用下各荷载因素与桥梁结构应变响应之间关系的自适应神 经网络模糊推理系统。建立实测车辆荷载参数(车辆位置坐标、轴距、轴重、车速等数据) 与车辆荷载作用下实测应变数据之间的复杂非线性关系。
第七步:利用训练完成的自适应神经网络模糊推理系统,求解桥梁结构应变响应理论值。 首先利用图像识别技术,结合桥梁实时记录的视频资料,判断桥梁结构实际工作状态。然后 选择相对应的训练完成的自适应神经网络模糊推理系统,输入该工作状态下对应的荷载因素, 对桥梁结构应变响应理论值进行求解。
第八步:对比桥梁结构应变响应理论求解结果及其实测结果,若二者差距超过一定阈值, 应及时查找原因;若二者吻合较好,则将实测值加入模型训练数据进行重新训练,对自适应 神经网络模糊推理系统进行更新,以保证其具有较高精度。
本实施方案中需要注意以下几个方面:
一、桥梁结构健康监测系统测试桥梁结构环境温度场时,应尽可能全面的了解整个环境 温度场变化规律,将温度测点均匀布置在桥梁结构上。
二、利用视频图像资料对桥梁工作状态及行驶车辆位置进行识别时,尽量采集全桥影像, 并选择清晰度相对较高的视频资料,保证识别结果的精确度。
三、提取环境温度场主成分时,应包含环境温度场百分之九十九成分的信息,尽量还原 原始环境温度场。
四、识别行驶车辆荷载参数时,应保证应变信号的采样频率,并选择合适的滤波参数对 应变信号进行预处理,以保证车辆荷载参数识别的准确性。
五、利用自适应神经网络模糊推理系统进行桥梁结构应变求解时,应对训练系统进行实 时更新,以保证训练系统的准确性。
六、基于自适应神经网络模糊推理系统求解的桥梁结构应变响应与实测桥梁结构应变响 应对比时,注意数据采集时刻应保持一致。
以上所述尽是本发明的优选实施方式,应指出:对于该技术领域的普通技术人员来说, 在不脱离本发明原理的前提下依旧可以做出若干改进,这些改进亦应视为本发明的保护范围。
Claims (6)
1.一种桥梁结构应变响应异常预警方法,其特征在于,该方法包括如下步骤:
(1)利用小波包分解方法对桥梁结构应变响应进行分离;具体是采用小波包分解方法对环境荷载和车辆荷载作用下的应变成分进行分离,分别考虑环境荷载和车辆荷载作用下的桥梁结构应变响应影响因素,训练相对应的自适应神经网络模糊推理系统;
(2)利用主成分分析方法提取桥梁环境温度场主成分;
(3)训练反映环境荷载作用下各荷载因素与桥梁结构应变响应之间关系的自适应神经网络模糊推理系统,从而建立实测环境荷载因素与环境荷载作用下实测应变数据之间的复杂非线性关系;
(4)利用图像识别技术识别车辆在桥梁上的位置信息;
(5)利用动态称重技术识别车辆几何参数及其轴重;
(6)训练反映车辆荷载作用下各荷载因素与桥梁结构应变响应之间关系的自适应神经网络模糊推理系统,从而建立实测车辆荷载参数与车辆荷载作用下实测应变数据之间的复杂非线性关系;
(7)利用训练完成的自适应神经网络模糊推理系统,求解桥梁结构应变响应理论值;
(8)对比桥梁结构应变响应理论求解结果及其实测结果,若二者差距超过设定阈值,应及时查找原因;若二者吻合较好,则将实测值加入模型训练数据进行重新训练,对自适应神经网络模糊推理系统进行更新,以保证其精度。
2.根据权利要求1所述的桥梁结构应变响应异常预警方法,其特征在于,所述异常预警方法按照桥梁结构工作状态的不同分别训练自适应神经网络模糊推理系统。
3.根据权利要求1或2所述的桥梁结构应变响应异常预警方法,其特征在于,所述的环境载荷作用下的应变响应影响因素包括桥梁环境温度场、天气状况、太阳入射角度、风力和风向数据;所述的车辆载荷作用下的应变响应影响因素包括车辆位置坐标、轴距、轴重、车速数据。
4.根据权利要求1或2所述的桥梁结构应变响应异常预警方法,其特征在于,步骤(2)中所述的利用主成分分析方法提取桥梁环境温度场主成分过程中,取累计贡献率达到99%的主成分作为环境荷载因素的输入变量。
5.根据权利要求1或2所述的桥梁结构应变响应异常预警方法,其特征在于,步骤(4)中所述的利用图像识别技术识别车辆在桥梁上的位置信息,具体是利用图像识别技术,根据记录行驶车辆信息的视频影像资料,对车辆在桥面上所处位置进行准确识别定位,得到车辆所处位置的坐标信息。
6.根据权利要求1或2所述的桥梁结构应变响应异常预警方法,其特征在于,步骤(5)中所述的利用动态称重技术识别车辆几何参数及其轴重,具体是基于桥梁结构健康监测系统实测应变响应数据,利用应变数据二阶导数出现脉冲峰值的时间求取车辆几何参数及车速,利用应变信号的积分面积结合车辆行驶速度求取经过车辆的总重,根据各车轴对应应变数据二阶导数峰值点的数据对车辆总重进行加权平均,得到行驶车辆各轴的轴重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810536077.9A CN108763763B (zh) | 2018-05-28 | 2018-05-28 | 一种桥梁结构应变响应异常预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810536077.9A CN108763763B (zh) | 2018-05-28 | 2018-05-28 | 一种桥梁结构应变响应异常预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108763763A CN108763763A (zh) | 2018-11-06 |
CN108763763B true CN108763763B (zh) | 2021-10-19 |
Family
ID=64003944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810536077.9A Active CN108763763B (zh) | 2018-05-28 | 2018-05-28 | 一种桥梁结构应变响应异常预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108763763B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109520655B (zh) * | 2018-12-11 | 2020-09-01 | 重庆交通大学 | 一种荷载横向分布系数测量方法及桥梁应力分布评估方法 |
CN109756860A (zh) * | 2018-12-20 | 2019-05-14 | 深圳高速工程顾问有限公司 | 桥梁结构数据采集方法、装置、计算机设备和存储介质 |
CN109827647B (zh) * | 2019-01-17 | 2021-11-09 | 同济大学 | 一种桥梁动态称重系统 |
CN109870223B (zh) * | 2019-01-17 | 2021-11-09 | 同济大学 | 一种视觉技术辅助的桥梁动态称重方法 |
CN109992827B (zh) * | 2019-02-20 | 2023-08-22 | 深圳高速工程顾问有限公司 | 桥梁结构预警方法、装置、计算机设备和存储介质 |
CN110704911B (zh) * | 2019-09-19 | 2020-05-29 | 济南城建集团有限公司 | 一种基于集群结构相似性的桥梁损伤交叉定位方法 |
CN112528363B (zh) * | 2020-11-17 | 2023-04-25 | 栗怀广 | 建立位移响应预测模型的方法、装置及电子设备 |
CN112765881B (zh) * | 2021-01-14 | 2022-09-09 | 湖南大学 | 基于神经网络的可扩展至多桥的动态称重方法及系统 |
CN113255035B (zh) * | 2021-05-17 | 2024-04-02 | 西安电子科技大学 | 一种中小型桥梁监测数据的融合办法 |
CN114002134B (zh) * | 2021-11-01 | 2024-01-09 | 交科院公路工程科技(北京)有限公司 | 桥梁斜拉索腐蚀检测系统和方法 |
CN114323512B (zh) * | 2021-12-17 | 2023-06-16 | 中铁桥隧技术有限公司 | 一种重载车辆识别方法及系统 |
CN115311246A (zh) * | 2022-08-23 | 2022-11-08 | 保利长大工程有限公司 | 一种基于大数据的桥梁安全管理方法和系统 |
CN116542146A (zh) * | 2023-01-06 | 2023-08-04 | 中路高科交通检测检验认证有限公司 | 桥梁监测温度场-应变场时空相关模型及健康诊断方法 |
CN116542287B (zh) * | 2023-07-04 | 2023-09-12 | 湘潭大学 | 一种采用混合数据进行桥梁动态称重的连续神经网络训练方法 |
CN116975989B (zh) * | 2023-09-25 | 2024-02-27 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于有限元引导深度学习代理模型评估桥梁运行状态方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106441101A (zh) * | 2016-10-28 | 2017-02-22 | 东南大学 | 一种工程监测用高精度结构位移测量方法 |
CN106840337A (zh) * | 2017-02-20 | 2017-06-13 | 广西交通科学研究院有限公司 | 基于桥梁动应变识别单车轴重的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7603004B2 (en) * | 2006-06-12 | 2009-10-13 | University Of Missouri Rolla | Neural network demodulation for an optical sensor |
-
2018
- 2018-05-28 CN CN201810536077.9A patent/CN108763763B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106441101A (zh) * | 2016-10-28 | 2017-02-22 | 东南大学 | 一种工程监测用高精度结构位移测量方法 |
CN106840337A (zh) * | 2017-02-20 | 2017-06-13 | 广西交通科学研究院有限公司 | 基于桥梁动应变识别单车轴重的方法 |
Non-Patent Citations (2)
Title |
---|
Temperature Effects on Strain Influence Lines and Dynamic Load Factors in a Steel-Truss Arch Railway Bridge Using Adaptive FIR Filtering;You-Liang Ding等;《Journal of Performance of Constructed Facilities》;20170831;第031卷(第004期);第04017024-1 - 04017024-10页 * |
基于实测数据的安庆大桥车辆荷载与桥梁响应研究;程华才 等;《现代交通技术》;20171031;第14卷(第5期);第34-37页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108763763A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108763763B (zh) | 一种桥梁结构应变响应异常预警方法 | |
Eftekhar Azam et al. | Damage detection in structural systems utilizing artificial neural networks and proper orthogonal decomposition | |
Jalalkamali et al. | Monthly groundwater level prediction using ANN and neuro-fuzzy models: a case study on Kerman plain, Iran | |
CN108596507B (zh) | 一种海上养殖网箱的受灾破坏预警方法 | |
CN102539098A (zh) | 基于神经网络技术的桥梁动载测试方法 | |
CN111027256A (zh) | 一种基于车辆荷载空间分布的桥梁风险预测方法及系统 | |
CN114036605B (zh) | 基于自适应控制的卡尔曼滤波钢桁架桥梁结构参数监测方法 | |
CN114783183A (zh) | 一种基于交通态势算法的监控方法与系统 | |
CN110441478A (zh) | 一种河流生态环境数据在线监测方法、系统及存储介质 | |
CN114169036A (zh) | 一种大跨度桥梁风振响应预警系统和方法 | |
CN107976934A (zh) | 一种基于无线传感器网络的油罐车油气泄漏速度智能预警系统 | |
CN109406076A (zh) | 一种利用位移传感器列阵输出的移动主成分进行梁桥结构损伤定位的方法 | |
Zhang et al. | Structural Damage Identification System Suitable for Old Arch Bridge in Rural Regions: Random Forest Approach. | |
CN117191147A (zh) | 一种泄洪大坝水位监测预警方法及系统 | |
CN112287586A (zh) | 基于中小桥损伤识别结果的快速可靠度评估方法 | |
CN113781783B (zh) | 一种路网层次的车辆超载识别及应急预警方法 | |
Xu et al. | Using statistical models and machine learning techniques to process big data from the forth road bridge | |
Elbisy et al. | Application of group method of data handling type neural network for significant wave height prediction | |
Chun et al. | An application of data fusion technology in structural health monitoring and damage identification | |
CN113420362A (zh) | 一种适用于时变中小跨径桥梁的损伤识别方法及装置 | |
Sun et al. | Multidamage detection of bridges using rough set theory and naive-Bayes classifier | |
Mohammadizadeh et al. | Identification of structural defects using computer algorithms | |
Chen et al. | Smart bridge maintenance using cluster merging algorithm based on self-organizing map optimization | |
Pamuncak | Deep learning for structural health monitoring | |
Elbisy | The use of group method of data handling and multilayer perceptron neural network for the prediction of significant wave height |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |