CN111563288B - 大跨度公路桥梁的过载性能长期监测和预测系统 - Google Patents
大跨度公路桥梁的过载性能长期监测和预测系统 Download PDFInfo
- Publication number
- CN111563288B CN111563288B CN202010301526.9A CN202010301526A CN111563288B CN 111563288 B CN111563288 B CN 111563288B CN 202010301526 A CN202010301526 A CN 202010301526A CN 111563288 B CN111563288 B CN 111563288B
- Authority
- CN
- China
- Prior art keywords
- overload
- bridge
- data
- monitoring
- long
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 61
- 230000007774 longterm Effects 0.000 title claims abstract description 29
- 238000005070 sampling Methods 0.000 claims abstract description 37
- 229920000049 Carbon (fiber) Polymers 0.000 claims abstract description 27
- 239000004917 carbon fiber Substances 0.000 claims abstract description 27
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 27
- 238000012806 monitoring device Methods 0.000 claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims description 16
- 239000011513 prestressed concrete Substances 0.000 claims description 14
- 239000011150 reinforced concrete Substances 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 8
- 238000005452 bending Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 abstract description 7
- 239000004567 concrete Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Structural Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bridges Or Land Bridges (AREA)
Abstract
本发明提出一种大跨度公路桥梁的过载性能长期监测和预测系统。所述系统连接有视频监测装置，所述视频监测装置监测所述大跨度公路桥梁的基于碳纤维薄板包裹的桥梁特征段，获取所述碳纤维薄板的若干采样帧；识别出所述碳纤维薄板的每一采样帧的特征点；将所述特征点识别为稳定特征点与非稳定特征点；基于所述稳定特定点进行振动检测后，预测所述大跨度公路桥梁的过载性能。基于上述技术方案，可实现模拟过载谱下的公路桥梁过载性能长期监测和预测组件的采样以及监测数据的稳定性，使得上述系统能够长期、全面且稳定的实现预定时间段内的性能控制与预测。
Description
技术领域
本发明属于安全监测技术领域，尤其涉及一种大跨度公路桥梁的过载性能长期监测和预测系统。
背景技术
近年来，随着经济的发展和科技的进步，大跨度桥梁在世界各地被大量地兴建。连续刚构桥己经成为目前大跨度梁桥主要采用的结构体系之一，其中，预应力混凝土连续刚构桥是伴随着预应力技术的发展和机械化施丁方法的出现，在混凝土连续梁桥和型刚构的基础上不断改进发展起来的一种桥梁结构形式。
在预应力混凝土连续刚构桥服役期间，混凝土中的裂纹一旦形成，首先会导致钢筋锈蚀以及应力集中，从而使构件的承载力降低进而使结构失效。而且，大量的工程实例和实验资料表明，在循环载荷的作用下混凝土一旦开裂后裂纹无法闭合，只会逐渐扩展最终导致结构的破坏。事实上预应力混凝土连续刚构桥构件的疲劳破坏机理要远远比静载下的破坏机理复杂，而且其疲劳寿命也很离散。
发明内容
为解决上述技术问题，本发明提出一种大跨度公路桥梁的过载性能长期监测和预测系统。所述系统连接有视频监测装置，所述视频监测装置监测所述大跨度公路桥梁的基于碳纤维薄板包裹的桥梁特征段，获取所述碳纤维薄板的若干采样帧；识别出所述碳纤维薄板的每一采样帧的特征点；将所述特征点识别为稳定特征点与非稳定特征点；基于所述稳定特定点进行振动检测后，预测所述大跨度公路桥梁的过载性能。基于上述技术方案，可实现模拟过载谱下的公路桥梁过载性能长期监测和预测组件（4）的采样以及监测数据的稳定性，使得上述系统能够长期、全面且稳定的实现预定时间段内的性能控制与预测。
具体来说，一种大跨度公路桥梁的过载性能长期监测和预测系统，所述系统连接有视频监测装置，所述视频监测装置监测所述大跨度公路桥梁的基于碳纤维薄板包裹的桥梁特征段，获取所述碳纤维薄板的若干采样帧；
识别出所述碳纤维薄板的每一采样帧的特征点；
将所述特征点识别为稳定特征点与非稳定特征点；
基于所述稳定特定点进行振动检测后，预测所述大跨度公路桥梁的过载性能；
其中，稳定特征点的定义是指亮度值无剧烈帧间变化的所有非边缘像素点。
更具体的，所述的大跨度公路桥梁的过载性能长期监测和预测系统包括现场过载监测数据载入子系统（1）、公路桥梁建设数据库（2）、对称特征数据生成子系统（3）以及过载性能长期监测和预测组件（4）；
所述现场过载监测数据载入子系统（1），用于载入所述公路桥梁的现场过载监测数据；
所述公路桥梁建设数据库（2），用于预先存储所述公路桥梁的固有属性数据；
所述对称特征数据生成子系统（3），用于基于所述所述现场过载监测数据载入子系统（1）载入的所述公路桥梁的现场过载监测数据以及所述公路桥梁建设数据库（2）预先存储的所述公路桥梁的固有属性数据，生成模拟过载数据；
所述过载性能长期监测和预测组件（4），用于基于所述模拟过载数据，预测所述公路桥梁的过载性能；
其中，所述公路桥梁的现场过载监测数据为过载条件下基于碳纤维薄板包裹的桥梁特征段的过载采样参数；
所述模拟过载数据为基于所述过载采样参数，为所述桥梁特征段的对称特征段生成的模拟过载参数；
所述模拟过载参数为所述过载采样参数的对称参数，所述对称参数与所述过载采样参数绝对值相同，符号相反或者相同。
具体包括：
获取所述公路桥梁建设数据库（2）预先存储的所述公路桥梁的固有属性数据；
获取所述桥梁特征段所属的三维位置参数，所述三维位置参数包括所述桥梁特征段的高度、长度；
基于所述三维位置参数，从所述公路桥梁建设数据库（2）中匹配出所述所述桥梁特征段的对称特征段；所述对称特征段与所述桥梁特征段相对于所述桥梁中心对称。
所述过载性能长期监测和预测组件（4），基于所述过载采样参数以及所述模拟过载参数，采用徐变预测模型预测所述公路桥梁的过载性能。
在发明中，采用有限元分析方法，获取所述桥梁特征段的钢筋混凝土构件的最大压应变。
所述过载性能长期监测和预测组件（4），基于所述过载采样参数以及所述模拟过载参数，采用徐变预测模型预测所述公路桥梁的过载性能，具体包括：
针对所述桥梁特征段，采用第一徐变预测模型；
针对所述对称特征段，采用第二徐变预测模型；
所述第一徐变预测模型不同于所述第二徐变预测模型。
所述第一徐变预测模型为改进的CEB-FIP(1990)模型；
所述第二徐变预测模型为改进的B3模型。
本发明的进一步优点将结合说明书附图在具体实施例部分进一步详细体现。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的大跨度公路桥梁的过载性能长期监测和预测系统的整体架构和流程图；
图2是图1所述系统中公路桥梁过载性能长期监测和预测系统的整体架构图；
图3是图1所述系统中的桥梁特征段与其对称特征段的示意图；
图4是图2或图1所述系统中的所述过载条件示意图；
图5是桥梁特征段的钢筋混凝土构件的最大压应变结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。下面，结合附图以及具体实施方式，对发明做出进一步的描述：
发明人发现，现有技术提到的检测或者监控方法，均只是简单的单点检测，无法对整个桥梁的整体性能以及长期运行趋势做出监测和预测；现有方法均不适用于现今普遍存在的大跨度桥梁尤其是预应力混凝土连续刚构桥的过载性能检测。因此，提出图1-5所述的具体实施例以解决上述技术问题。
参见图1，是本发明一个实施例的大跨度公路桥梁的过载性能长期监测和预测系统的整体架构和流程图。
在图1中，为了保证大跨度公路桥梁的过载性能长期监测和预测系统的采样以及监测数据的稳定性，使得上述系统能够长期、全面且稳定的实现预定时间段内的性能控制与预测，图1的实施例中，所述系统包含有视频监测装置，所述视频监测装置连接前述过载性能长期监测和预测系统的公路桥梁过载性能长期监测和预测组件（4），对所述基于碳纤维薄板包裹的桥梁特征段进行视频采样监测。该公路桥梁防抖性能控制系统基于所述视频采样监测得到的所述碳纤维薄板的视频帧序列，进行所述长期监测和预测。
具体来说，所述系统连接有视频监测装置，所述视频监测装置监测所述大跨度公路桥梁的基于碳纤维薄板包裹的桥梁特征段，获取所述碳纤维薄板的若干采样帧；获取所述碳纤维薄板的若干采样帧；
识别出所述碳纤维薄板的每一采样帧的特征点；
将所述特征点识别为稳定特征点与非稳定特征点；
基于所述稳定特定点进行振动检测与防抖控制。
在本实施例中，采样帧的特征点遵从图像处理中常见的特征点定义，例如，非边缘像素点，随机采样的代表点，或者分块采样的中心像素点，等等；
其中，稳定特征点的定义是指亮度值无剧烈帧间变化的所有非边缘像素点。稳定特征点定位方法如下：
式中：
I表示一幅视频帧（I的下标为视频帧序号）；It-1和It分别代表视频序列中的第t-1帧和第ｔ帧（即两幅连续帧）；而It（i,j）则代表第t帧中的空间坐标为（i,j）的某个像素点;ｍ × ｎ 代表视频帧的大小;d1-d4分别代表0°/45°/90°/135°方向上的边缘检测算子。
Et是计算边缘图像Ｅt的自适应阈值，Et(i,j)以及Tt（i，j）分别是对应于Et和Tt的图像中坐标为（i，j）的像素点；
其中Ｗg为一个高斯函数窗；
最后一个公式是寻找出帧间变化低于平均值且非边缘的所有像素点，并将其标记为稳定点， Θt就是记录了视频序列第t帧中所有稳定像素点坐标的集合。显然，上述公式组中各变量均会随视频帧的更新而变化，表明上述自适应算法的计算结果会随着视频场景的变化而实时更新。
通过上述方法，可以实时地筛选出视频序列中所有无显著像素值跳变的稳定特定点，从而探测出非稳定特定点较多的碳纤维薄板所在的桥梁特征段。
参照图2，是图1所述系统中公路桥梁过载性能长期监测和预测系统的整体架构图。
需要指出的是，本领域技术人员可以理解，图2可以作为一个单独的技术方案来实现，即不需要图1所述的视频监测装置。
所述系统包括现场过载监测数据载入子系统（1）、公路桥梁建设数据库（2）、对称特征数据生成子系统（3）以及过载性能长期监测和预测组件（4）；
所述公路桥梁建设数据库（2），用于预先存储所述公路桥梁的固有属性数据。
在本实施例中，所述公路桥梁的固有属性数据是指所述桥梁建设完工验收通车后，在相当长的时间内会保持不变的属性数据。
作为一个示意性的例子，所述固有属性数据包括所述公路桥梁的高度、宽度、跨度、工程CAD设计数据、核定载重量中的多种数据之一或者其组合；
当然，根据实际的存储需要，还可以包括其他数据，本发明对此不作限定。
所述现场过载监测数据载入子系统（1），用于载入所述公路桥梁的现场过载监测数据；
在本实例中，所述公路桥梁的现场过载监测数据，是指在过载条件下，采样得到的相关车辆经过桥梁特征段的数据；
也就是说，所述公路桥梁的现场过载监测数据为过载条件下基于碳纤维薄板包裹的桥梁特征段的过载采样参数；
作为一个实例，这些数据包括不同载荷车辆下的所述桥梁特征段的钢筋混凝土构件的临界弯矩以及其分布频次，以及所述碳纤维薄板的应力水平以及其频次，从而构成实际过载采样数据的过载谱；
所述对称特征数据生成子系统（3），用于基于所述现场过载监测数据载入子系统（1）载入的所述公路桥梁的现场过载监测数据以及所述公路桥梁建设数据库（2）预先存储的所述公路桥梁的固有属性数据，生成模拟过载数据；
所述模拟过载数据为基于所述过载采样参数，为所述桥梁特征段的对称特征段生成的模拟过载参数；因此，图1还包括对称生成组件，用于连接所述公路桥梁建设数据库（2）与所述对称特征数据生成子系统（3）。
所述过载性能长期监测和预测组件（4），用于基于所述模拟过载数据以及现场过载监测数据，预测所述公路桥梁的过载性能；
所述过载性能长期监测和预测组件（4），基于所述过载采样参数以及所述模拟过载参数，采用徐变预测模型预测所述公路桥梁的过载性能。
在图2基础上，参见图3。
图3是所述系统中的桥梁特征段与其对称特征段的示意图。
以桥梁的中轴线为对称轴，基于所述桥梁特征段，可以获得其对称特征段。
具体来说，可以如图3下方所述，将所述桥梁整体分为不同的有限元单元，基于对称性获得每一个桥梁特征段的对称特征段。
如此以来，至少可以节省一半的碳纤维薄板材料，同时还能获得桥梁整体的过载数据。
结合图1-3，所述对称特征数据生成子系统（3），用于基于所述现场过载监测数据载入子系统（1）载入的所述公路桥梁的现场过载监测数据以及所述公路桥梁建设数据库（2）预先存储的所述公路桥梁的固有属性数据，生成模拟过载数据，具体包括：
获取所述公路桥梁建设数据库（2）预先存储的所述公路桥梁的固有属性数据，获取所述桥梁特征段所属的三维位置参数，所述三维位置参数包括所述桥梁特征段的高度、长度；
基于所述三维位置参数，从所述公路桥梁建设数据库（2）中匹配出所述桥梁特征段的对称特征段；所述对称特征段与所述桥梁特征段相对于所述桥梁中心对称。
根据实际的数据类型，所述模拟过载参数为所述过载采样参数的对称参数，所述对称参数与所述过载采样参数绝对值相同，符号相反或者相同。
接下来参见图4，是本发明针对预应力混凝土连续刚构桥这一特定条件下的对象定义的过载条件判断。
具体来说，该预应力混凝土连续刚构桥的现场过载监测数据为过载条件下基于碳纤维薄板包裹的桥梁特征段的过载采样参数，所述过载条件由如下方法确定：
获取所述桥梁特征段的钢筋混凝土构件的最大压应变；
从预先设置的数据库中获取对应于所述钢筋混凝土构件类型的所述最大压应变的弯矩值；
实时测量预定时间段内经过所述公路桥梁的车辆的载荷；
如果所述车辆的所述载荷值导致的过载谱中的最小弯矩值大于所述弯矩值，则符合所述过载条件。
在本发明的实施例中，过载谱定义为现场过载监测数据的统计直方图。
在图4基础上，参见图5，图5是桥梁特征段的钢筋混凝土构件的最大压应变结构示意图。
基于图5，本实施例提出计算所述桥梁特征段的钢筋混凝土构件的最大 压应变的公式如下：
其中，εcu为所要求的桥梁特征段的钢筋混凝土构件的最大压应变， εcfn为所述碳纤维薄板拉应变；xc为所述钢筋混凝土构件中混凝土受压 区高度；h为所述钢筋混凝土构件的竖截面高度；σcf为所述碳纤维薄 板的拉应力；As为所述钢筋混凝土构件中受拉钢筋的截面面积；As'为 所述钢筋混凝土构件中受压钢筋的截面面积；Acfl为所述碳纤维薄板的横截面面积；Es为所述受压钢筋的弹性模量；Ec为所述混凝土的弹性 模量；Ecfl为所述碳纤维薄板的弹性模量。
在此基础上，所述过载性能长期监测和预测组件（4），基于所述过载采样参数以及所述模拟过载参数，采用徐变预测模型预测所述公路桥梁的过载性能，具体包括：
针对所述桥梁特征段，采用第一徐变预测模型；
针对所述对称特征段，采用第二徐变预测模型；
所述第一徐变预测模型不同于所述第二徐变预测模型。
所述第一徐变预测模型为改进的CEB-FIP(1990)模型；
所述第二徐变预测模型为改进的B3模型。
本发明中，所述“碳纤维薄板”为改进型的FRP 片材，具体可参见中国发明专利ZL200410026742.8；
所述改进型的徐变模型CEB-FIP(1990)或者B3模型，可参见本说明书末尾的参考文献列表，其中分别介绍了多种改进型的徐变模型CEB-FIP(1990)或者B3模型。
本发明的各个实施例未特别定义的其他技术特征或者参数，遵从本领域的常规定义或者现有技术的常规表达。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (1)
1.一种预应力混凝土连续刚构桥的过载性能长期监测和预测系统，所述系统包括现场过载监测数据载入子系统、公路桥梁建设数据库、对称特征数据生成子系统以及过载性能长期监测和预测组件；
其特征在于：
所述现场过载监测数据载入子系统，用于载入所述预应力混凝土连续刚构桥的现场过载监测数据；
所述公路桥梁建设数据库用于预先存储所述预应力混凝土连续刚构桥的固有属性数据；
所述对称特征数据生成子系统用于基于所述现场过载监测数据载入子系统载入的所述预应力混凝土连续刚构桥的现场过载监测数据以及所述公路桥梁建设数据库预先存储的所述预应力混凝土连续刚构桥的固有属性数据，生成模拟过载数据；
所述过载性能长期监测和预测组件用于基于所述模拟过载数据以及现场过载监测数据，预测所述预应力混凝土连续刚构桥的过载性能；
所述预应力混凝土连续刚构桥的现场过载监测数据为过载条件下基于碳纤维薄板包裹的桥梁特征段的过载采样参数；所述过载采样参数构成实际过载采样数据的过载谱；
所述过载谱为现场过载监测数据的统计直方图；
所述过载条件由如下方法确定：
获取所述桥梁特征段的钢筋混凝土构件的最大压应变；
从预先设置的数据库中获取对应于所述钢筋混凝土构件类型的所述最大压应变的弯矩值；
实时测量预定时间段内经过所述预应力混凝土连续刚构桥的车辆的载荷；
如果所述车辆的所述载荷值导致的过载谱中的最小弯矩值大于所述弯矩值，则符合所述过载条件；
所述系统不包括视频监测装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010301526.9A CN111563288B (zh) | 2020-04-16 | 2020-04-16 | 大跨度公路桥梁的过载性能长期监测和预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010301526.9A CN111563288B (zh) | 2020-04-16 | 2020-04-16 | 大跨度公路桥梁的过载性能长期监测和预测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111563288A CN111563288A (zh) | 2020-08-21 |
| CN111563288B true CN111563288B (zh) | 2022-08-30 |
Family
ID=72071602
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010301526.9A Active CN111563288B (zh) | 2020-04-16 | 2020-04-16 | 大跨度公路桥梁的过载性能长期监测和预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111563288B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101770213A (zh) * | 2008-12-30 | 2010-07-07 | 北京铁科海联数码技术有限公司 | 一种桥梁无线监测与安全评估及报警方法 |
| CN111400808A (zh) * | 2020-03-30 | 2020-07-10 | 张海龙 | 模拟过载谱下的公路桥梁防抖和过载性能控制系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9036861B2 (en) * | 2010-04-22 | 2015-05-19 | The University Of North Carolina At Charlotte | Method and system for remotely inspecting bridges and other structures |
-
2020
- 2020-04-16 CN CN202010301526.9A patent/CN111563288B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101770213A (zh) * | 2008-12-30 | 2010-07-07 | 北京铁科海联数码技术有限公司 | 一种桥梁无线监测与安全评估及报警方法 |
| CN111400808A (zh) * | 2020-03-30 | 2020-07-10 | 张海龙 | 模拟过载谱下的公路桥梁防抖和过载性能控制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111563288A (zh) | 2020-08-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wei et al. | Optimal policy for structure maintenance: A deep reinforcement learning framework | |
| Dang et al. | Structural damage detection framework based on graph convolutional network directly using vibration data | |
| Mackie et al. | Post‐earthquake functionality of highway overpass bridges | |
| Tabandeh et al. | Probabilistic capacity models and fragility estimates for RC columns retrofitted with FRP composites | |
| Pang et al. | Resilience-based performance and design of SMA/sliding bearing isolation system for highway bridges | |
| Banerjee et al. | State-dependent fragility curves of bridges based on vibration measurements | |
| Lee et al. | A damage localization approach for rahmen bridge based on convolutional neural network | |
| Yu et al. | Prediction of extreme traffic load effects of bridges using Bayesian method and application to bridge condition assessment | |
| Liang et al. | Simulation-based data-driven damage detection for highway bridge systems | |
| Guo et al. | Efficient subset simulation for rare-event integrating point-evolution kernel density and adaptive polynomial chaos kriging | |
| CN110852001A (zh) | 一种基于图像处理的桥梁结构安全评估方法 | |
| CN117113519B (zh) | 索塔锚固区损伤模型构建及地震易损性评估方法和系统 | |
| CN111563288B (zh) | 大跨度公路桥梁的过载性能长期监测和预测系统 | |
| Baisthakur et al. | Experimental verification for load rating of steel truss bridge using an improved Hamiltonian Monte Carlo-based Bayesian model updating | |
| CN117671921A (zh) | 一种城市桥梁实时监测预警系统 | |
| Jia et al. | Bayesian inference for predicting the long-term deflection of prestressed concrete bridges by on-site measurements | |
| Huang et al. | Rapid seismic damage evaluation of subway stations using machine learning techniques | |
| CN111400808B (zh) | 模拟过载谱下的公路桥梁防抖和过载性能控制系统 | |
| Pham et al. | A novel procedure for cable damage identification of cable-stayed bridge using particle swarm optimization and machine learning | |
| CN115859454B (zh) | 一种近断层区域桥梁地震风险的快速评估方法 | |
| Rong et al. | Study on wind-induced fatigue performance of large-span transmission tower-line system considering the combined distribution probability of wind direction and speed | |
| Pang et al. | An efficient and accurate fragility approach for seismic performance assessment of structures | |
| CN117574773A (zh) | 一种桥梁群承载性能评估方法、装置、设备及存储介质 | |
| Miano et al. | Cloud to IDA: A very efficient solution for performing incremental dynamic analysis | |
| CN115048738A (zh) | 一种基于数字孪生的斜拉桥钢箱梁疲劳性能评估方法 |
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 |