CN111783212B - 一种斜拉桥典型损伤识别方法 - Google Patents

一种斜拉桥典型损伤识别方法 Download PDF

Info

Publication number
CN111783212B
CN111783212B CN202010656968.5A CN202010656968A CN111783212B CN 111783212 B CN111783212 B CN 111783212B CN 202010656968 A CN202010656968 A CN 202010656968A CN 111783212 B CN111783212 B CN 111783212B
Authority
CN
China
Prior art keywords
cable
damage
main beam
bridge
typical
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
Application number
CN202010656968.5A
Other languages
English (en)
Other versions
CN111783212A (zh
Inventor
马亚飞
彭安银
鲁乃唯
王磊
张建仁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN202010656968.5A priority Critical patent/CN111783212B/zh
Publication of CN111783212A publication Critical patent/CN111783212A/zh
Application granted granted Critical
Publication of CN111783212B publication Critical patent/CN111783212B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Structural Engineering (AREA)
  • Civil Engineering (AREA)
  • Architecture (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bridges Or Land Bridges (AREA)

Abstract

本发明公开了一种斜拉桥典型损伤识别方法，步骤包括：步骤S1，获取数据样本：建立典型损伤工况下的斜拉桥有限元数值模型，获取桥梁完好及典型损伤情况下的数据样本；步骤S2，获取敏感参数指标：将获得数据样本进行分析，获取对典型损伤较敏感的参数指标；步骤S3，训练并测试BP神经网络：利用对典型损伤较敏感的参数指标进行BP神经网络的训练和测试，对构建的BP神经网络进行评价与修正；步骤S4，损伤识别：将桥梁实际监测数据输入修正后的BP神经网络，实现桥梁损伤识别。本发明具有预测方式更合理、应用推广性更强、损伤识别准确率高等优点。

Description

一种斜拉桥典型损伤识别方法
技术领域
本发明涉及服役桥梁安全评估领域，特指一种斜拉桥典型损伤识别方法。
背景技术
混凝土斜拉桥在不利环境和外界荷载等因素影响下，一些构件会出现不同程度的损伤，如拉索腐蚀、主梁开裂等，结构性能退化规律较为复杂。我国建造的一大批混凝土斜拉桥在使用过程中已积累了较多损伤。对结构进行安全评定时，若对损伤考虑不足将产生误判，带来重大安全隐患。因此，提出一种典型损伤下混凝土斜拉桥损伤识别方法将具有重要的理论与工程意义。
目前，基于机器学习的桥梁结构损伤识别已成为研究热点之一，有限元数值分析又能为机器学习提供大量的数据样本。由于BP神经网络是一种按误差逆传播算法训练的多层前馈网络，能学习和存储大量的输入输出模式映射关系，无需事先描述这种映射关系的数学方程，因此，已有学者基于BP神经网络对混凝土斜拉桥拉索和主梁的损伤识别进行了研究。然而在已有研究中，主要采用频率、振型模态和曲率模态等理论指标作为神经网络的输出参数，这些指标均通过有限元理论分析得到，在实际工程中难以直接获取，工程实际应用存在局限。如何通过实际桥梁监测数据(如挠度、索力、应变等)对混凝土斜拉桥在服役期间出现的不同程度或不同位置处的损伤进行预判或识别定位，成为本领域亟需解决的一个问题。
发明内容
针对现有技术存在的技术问题，本发明提供一种预测方式更合理、应用推广性更强、损伤识别准确率高，适用于服役大跨度混凝土斜拉桥的损伤识别方法。
为解决上述技术问题，本发明采用以下技术方案：
一种斜拉桥典型损伤识别方法，步骤包括：
步骤S1，获取数据样本：建立典型损伤工况下的斜拉桥有限元数值模型，获取桥梁完好及典型损伤情况下的数据样本；
步骤S2，获取敏感参数指标：将获得数据样本进行分析，获取对典型损伤敏感的参数指标；
步骤S3，训练并测试BP神经网络：利用对典型损伤敏感的参数指标进行BP神经网络的训练和测试，对构建的BP神经网络进行评价与修正；
步骤S4，损伤识别：将桥梁实际监测数据输入修正后的BP神经网络，实现桥梁损伤识别。
作为上述方案的进一步改进：所述步骤S1中所述的典型损伤为主梁损伤、拉索损伤中至少一种。
作为上述方案的进一步改进：所述步骤S1具体为：通过改变斜拉桥主梁不同位置处的底板厚度d模拟不同位置处和不同程度下的主梁损伤，建立典型损伤工况下的斜拉桥有限元数值模型，获取桥梁完好及典型损伤情况下的数据样本。
作为上述方案的进一步改进：所述步骤S1具体为：通过折减不同位置处的拉索弹性模量Es模拟不同位置处和不同程度下的拉索损伤，建立典型损伤工况下的斜拉桥有限元数值模型，获取桥梁完好及典型损伤情况下的数据样本。
作为上述方案的进一步改进：所述数据样本至少包括以下参数的一种或几种：典型损伤工况发生前后的拉索索力、主梁不同位置的竖向位移、主塔塔顶处的水平位移、主梁关键截面的内力和支座处的竖向支反力。
作为上述方案的进一步改进：所述对典型损伤敏感的参数指标为拉索张力指标、主梁竖向位移指标、主梁内力指标和支座处竖向支反力指标。
作为上述方案的进一步改进：所述拉索张力指标的确定步骤包括：
步骤S2.1：计算斜拉索张力对主梁弹性模量变化的灵敏度，计算公式为：
Figure BDA0002577108010000021
式中，Index S(i)为拉索灵敏度；Si d为主梁损伤后的拉索索力；Si u为主梁损伤前的拉索索力；
步骤S2.2：比较各斜拉索的灵敏度，将灵敏度最大的斜拉索定义为对主梁损伤最敏感拉索；
步骤S2.3：将对主梁损伤最敏感拉索的灵敏度作为主梁损伤的拉索张力指标。
作为上述方案的进一步改进：所述步骤S1之前还包括步骤S01：对斜拉桥主梁进行分段划分，对梁段和拉索进行编号。
作为上述方案的进一步改进：所述步骤S1中的底板厚度d的调整范围为0.9d～0。
作为上述方案的进一步改进：所述步骤S1中的拉索弹性模量Es的折减范围为0.95Es～0。
与现有技术相比，本发明的优点在于：
本发明提供的斜拉桥典型损伤识别方法，通过建立混凝土斜拉桥的空间有限元模型，对混凝土斜拉桥主梁损伤和拉索损伤两种典型损伤工况进行模拟以获取足够的数据样本；通过改变主梁不同位置处的底板厚度模拟不同位置处和不同程度下的主梁损伤，通过折减不同位置处的拉索弹性模量模拟不同位置处和不同程度下的拉索损伤。在数值分析的基础上，基于主梁内力、主梁竖向位移和拉索张力等可直接实桥监测的指标对不同损伤工况敏感性不同的特性，结合BP神经网络，采用实际监测数据对混凝土斜拉桥在服役期出现的不同程度或不同位置处的损伤进行预判或识别定位。本发明预测方法合理，实际桥梁应用推广性强，可用于服役大跨度混凝土斜拉桥的损伤识别。
附图说明
图1为本发明方法的流程示意图。
图2为本发明在具体实施例中的示意图。
图3为典型损伤工况下的BP神经网络训练示意图。
图4为斜拉桥主梁梁段划分示意图。
图5为斜拉桥拉索编号示意图。
图6为斜拉桥主梁损伤下神经网络的位置识别结果图。
图7为斜拉桥拉索损伤下神经网络的程度识别结果图。
具体实施方式
以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
如图1至图5所示，本发明公开了一种斜拉桥典型损伤识别方法，步骤包括：
步骤S1，获取数据样本：建立典型损伤工况下的斜拉桥有限元数值模型，获取桥梁完好及典型损伤情况下的数据样本；
步骤S2，获取敏感参数指标：将获得数据样本进行分析，获取对典型损伤较敏感的参数指标；
步骤S3，训练并测试BP神经网络：利用对典型损伤较敏感的参数指标进行BP神经网络的训练和测试，对构建的BP神经网络进行评价与修正；
步骤S4，损伤识别：将桥梁实际监测数据输入修正后的BP神经网络，实现桥梁损伤识别。
本发明提供的斜拉桥典型损伤识别方法，通过建立混凝土斜拉桥的空间有限元模型，对混凝土斜拉桥主梁损伤和拉索损伤两种典型损伤工况进行模拟以获取足够的数据样本；通过改变主梁不同位置处的底板厚度模拟不同位置处和不同程度下的主梁损伤，通过折减不同位置处的拉索弹性模量模拟不同位置处和不同程度下的拉索损伤。在数值分析的基础上，基于主梁内力、主梁竖向位移和拉索张力等可直接实桥监测的指标对不同损伤工况敏感性不同的特性，结合BP神经网络，采用实际监测数据对混凝土斜拉桥在服役期出现的不同程度或不同位置处的损伤进行预判或识别定位。本发明预测方法合理，实际桥梁应用推广性强，可用于服役大跨度混凝土斜拉桥的损伤识别。
本实施例中，所述步骤S1中所述的典型损伤为主梁损伤、拉索损伤中至少一种。
本实施例中，所述步骤S1具体为：通过改变斜拉桥主梁不同位置处的底板厚度d模拟不同位置处和不同程度下的主梁损伤，建立典型损伤工况下的斜拉桥有限元数值模型，获取桥梁完好及典型损伤情况下的数据样本。
本实施例中，所述步骤S1具体为：通过折减不同位置处的拉索弹性模量Es模拟不同位置处和不同程度下的拉索损伤，建立典型损伤工况下的斜拉桥有限元数值模型，获取桥梁完好及典型损伤情况下的数据样本。
本实施例中的数据样本均为实际工程中可直接测量的指标，不同于频率、振型模态、曲率模态等理论指标，利用可直接测量指标的变化规律进行损伤识别，该方式更合理，预测结果更准确。
本实施例中，数据样本至少包括以下参数的一种或几种：典型损伤工况发生前后的拉索索力、主梁不同位置的竖向位移、主塔塔顶处的水平位移、主梁关键截面的内力和支座处的竖向支反力。
本实施例中，对典型损伤较敏感的参数指标为拉索张力指标、主梁竖向位移指标、主梁内力指标和支座竖向支反力指标。
本实例中，拉索张力指标的确定步骤包括：
步骤S2.1：计算斜拉索张力对主梁弹性模量变化的灵敏度，计算公式为：
Figure BDA0002577108010000041
式中，Index S(i)为拉索灵敏度；Si d为主梁损伤后的拉索索力；Si u为主梁损伤前的拉索索力；
步骤S2.2：比较各斜拉索的灵敏度，将灵敏度最大的斜拉索定义为对主梁损伤最敏感拉索；
步骤S2.3：将对主梁损伤最敏感拉索的灵敏度作为主梁损伤的拉索张力指标。
在具体应用实施例中，针对主梁损伤，本发明的一种斜拉桥典型损伤识别方法，包括以下步骤：
步骤S01：对混凝土斜拉桥主梁进行分段划分并编号，本实施例的主梁共划分为23个节段，编号为1～23；
步骤S02：通过改变不同位置处的主梁底板厚度d来模拟混凝土斜拉桥主梁不同位置损伤，按照0.9d、0.8d、0.7d、0.6d、0.5d、0.4d、0.3d、0.2d、0.1d、0分别模拟主梁不同程度损伤，按顺序依次删减主梁底板，进行下一组主梁损伤工况模拟前，将前一组主梁进行单元恢复，以此获取进行主梁损伤位置识别的数据样本；
步骤S03：将获得的数据样本进行分析，选取对混凝土斜拉桥主梁损伤工况较敏感的参数指标：拉索张力指标、主梁竖向位移指标、主梁内力指标、支座反力指标；
需要说明的是：拉索张力指标的确定步骤为：①计算斜拉索张力对主梁弹性模量变化的灵敏度；②比较各斜拉索的灵敏度，将灵敏度最大的斜拉索定义为对主梁损伤最敏感索；③将该斜拉索的灵敏度作为主梁损伤的张力指标；
拉索灵敏度的计算表达式为：
Figure BDA0002577108010000051
式中，Index S(i)为拉索灵敏度；Si d为主梁损伤后的拉索索力；Si u为主梁损伤前的拉索索力；
步骤S04：取不同梁段处的0.9d、0.8d、0.7d、0.6d、0.4d、0.3d、0.2d、0.1d、0损伤程度下的数据样本作为BP神经网络的训练集样本，取不同梁段的0.5d损伤程度下的数据样本作为BP神经网络的测试集样本，对构建的BP神经网络进行评价与修正，并将修正后的BP神经网络应用实际桥梁的损伤识别研究；
需要说明的是，基于BP神经网络的主梁损伤识别采用3层网络结构；输入向量分别为拉索张力指标、主梁跨中位移指标、主梁跨中弯矩指标、辅助墩及塔墩梁固结处的竖向支反力指标；网络的隐含层神经元数为9，学习效率为0.025，期望误差为0.0001；
需要说明的是，当BP神经网络的输出向量为损伤位置时，为区分各种损伤模式的分类向量，将正常模式记为0，损伤模式记为1，当输出结果为
Figure BDA0002577108010000052
时，表示第i个位置发生损伤；
需要说明的是，对于具有l层的神经网络，将任意节点i的输出值记为Oi。对于第p个输入值，第l-1层的第i个节点的输出值为
Figure BDA0002577108010000053
则第j个节点的第l层输入值为：
Figure BDA0002577108010000054
式中，
Figure BDA0002577108010000055
是第l层从第i个节点到第j个节点的连接权重。第l层的j节点的输出值是：
Figure BDA0002577108010000056
式中，f(l)是作用于第l层中每个节点的激励函数，f(l)对每层神经元的求和结果进行函数运算，得到每个神经元的输出。对于多层神经网络，采用sigmoid函数作为激励函数。显然，当l＝1是输出层时，应该有：
Figure BDA0002577108010000061
它构成了BP神经网络的运行过程；
在BP神经网络中，输入层和输出层的节点个数都是确定的，而隐含层节点个数是不确定的，可以根据经验公式来确定：
Figure BDA0002577108010000062
式中，h为隐含层节点的数目，m和n分别是输入层和输出层节点的数目，a为[1,10]之间的调节常数；
BP神经网络的误差评价函数为：
Figure BDA0002577108010000063
式中，Ep是与第p个样本对应的输出层节点的平方误差之和；
标准BP学习算法采用梯度下降法调整网络权值。对于第k轮训练，第l层和第l+1层之间的网络权值满足以下关系：
Figure BDA0002577108010000064
式中，
Figure BDA0002577108010000065
η是学习效率，在[0,1]之间取值。
由图6可知，采用本实施例构建的神经网络，对混凝土斜拉桥主梁损伤识别率达96％，这对实际桥梁工程的损伤识别具有重要意义。
在具体应用实施例中，针对拉索损伤，本发明的一种斜拉桥典型损伤识别方法，包括以下步骤：
步骤S001：对混凝土斜拉桥拉索进行编号，本实施例采用20对斜拉索，编号为1～20；
步骤S002：按顺序依次删减拉索单元，进行下一组断索工况模拟前，将前一组拉索进行索力恢复和单元恢复；通过折减斜拉索弹性模量Es来模拟斜拉索不同程度损伤，按照0.95Es、0.90Es、0.85Es、0.80Es、0.75Es、0.70Es、0.65Es、0.60Es、0.55Es、0.50Es、0.45Es、0.40Es、0.35Es、0.30Es、0.25Es、0.20Es、0.15Es、0.10Es、0.05Es、Es→0分别模拟斜拉索不同的损伤程度，以此获取进行拉索损伤位置和损伤程度识别的数据样本；
步骤S003：取不同拉索的0.95Es、0.85Es、0.75Es、0.65Es、0.55Es、0.45Es、0.35Es、0.25Es、0.15Es、0.05Es损伤程度下的数据样本作为BP神经网络的训练集样本，取不同拉索的0.90Es、0.80Es、0.70Es、0.60Es、0.50Es、0.40Es、0.30Es、0.20Es、0.10Es、Es→0损伤程度下的数据样本作为BP神经网络的测试集样本，对构建的BP神经网络进行评价与修正，并将修正后的BP神经网络应用实际桥梁的损伤识别研究；
需要说明的是，基于BP神经网络的主梁损伤识别采用3层网络结构；输入向量分别为主梁L/8、L/4、3L/8、5L/8、3L/4、7L/8位置处的主梁竖向位移指标以及主塔塔顶处的水平位移指标；在进行混凝土斜拉桥拉索损伤程度识别与预测时，还需要的参数为拉索部分损伤程度；网络的隐含层神经元数为25，学习效率为0.001，期望误差为0.0001；
需要说明的是，当BP神经网络的输出向量为损伤位置时，为区分各种损伤模式的分类向量，将正常模式记为0，损伤模式记为1，当输出结果为
Figure BDA0002577108010000071
时，表示第i个位置发生损伤。当BP神经网络的输出向量为损伤程度时，Si表示第i种损伤程度，Si在0到1之间取值，当输出结果为[S1,S2,S3,…Si,…]T时，其表示为：拉索1的损伤程度为S1，拉索2的损伤程度为S2，拉索i的损伤程度为Si；
由图7可知，采用本实施例构建的神经网络，对混凝土斜拉桥拉索损伤位置识别准确率达99％，对拉索损伤程度识别准确率为95％以上，这对实际桥梁工程的损伤识别具有重要意义。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下进行的若干改进和润饰，应视为本发明的保护范围。

Claims (5)

1.一种斜拉桥典型损伤识别方法，其特征在于，步骤包括：
步骤S1，获取数据样本：建立典型损伤工况下的斜拉桥有限元数值模型，获取桥梁完好及典型损伤情况下的数据样本；所述步骤S1中所述的典型损伤为主梁损伤、拉索损伤中至少一种；所述步骤S1具体为：通过改变斜拉桥主梁不同位置处的底板厚度d模拟不同位置处和不同程度下的主梁损伤，建立主梁损伤工况下的斜拉桥有限元数值模型，获取桥梁完好及主梁损伤情况下的数据样本；通过改变不同拉索的弹性模量Es模拟不同位置处和不同程度下的拉索损伤，建立拉索损伤工况下的斜拉桥有限元数值模型，获取桥梁完好及拉索损伤情况下的数据样本；所述数据样本至少包括以下参数的一种或几种：典型损伤工况发生前后的拉索索力、主梁不同位置的竖向位移、主塔塔顶处的水平位移、主梁关键截面的内力和支座处的竖向支反力；
步骤S2，获取敏感参数指标：将获得数据样本进行分析，获取对典型损伤敏感的参数指标；所述对典型损伤敏感的参数指标为拉索张力指标、主梁竖向位移指标、主梁内力指标和支座处竖向支反力指标；
步骤S3，训练并测试BP神经网络：利用对典型损伤敏感的参数指标进行BP神经网络的训练和测试，对构建的BP神经网络进行评价与修正；
步骤S4，损伤识别：将桥梁实际监测数据输入修正后的BP神经网络，实现桥梁损伤识别。
2.根据权利要求1所述的斜拉桥典型损伤识别方法，其特征在于，所述拉索张力指标的确定步骤包括：
步骤S2.1：计算斜拉索张力对主梁弹性模量变化的灵敏度，计算公式为：
Figure FDA0003664837710000011
式中，Index S(i)为拉索灵敏度；Si d为主梁损伤后的拉索索力；Si u为主梁损伤前的拉索索力；
步骤S2.2：比较各斜拉索的灵敏度，将灵敏度最大的斜拉索定义为对主梁损伤最敏感拉索；
步骤S2.3：将对主梁损伤最敏感拉索的灵敏度作为主梁损伤的拉索张力指标。
3.根据权利要求1所述的斜拉桥典型损伤识别方法，其特征在于，所述步骤S1之前还包括步骤S01：对斜拉桥主梁进行分段划分，对梁段和拉索进行编号。
4.根据权利要求3所述的斜拉桥典型损伤识别方法，其特征在于，所述步骤S1中的底板厚度d的调整范围为0.9d～0。
5.根据权利要求4所述的斜拉桥典型损伤识别方法，其特征在于，所述步骤S1中的拉索弹性模量Es的折减范围为0.95Es～0。
CN202010656968.5A 2020-07-09 2020-07-09 一种斜拉桥典型损伤识别方法 Active CN111783212B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010656968.5A CN111783212B (zh) 2020-07-09 2020-07-09 一种斜拉桥典型损伤识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010656968.5A CN111783212B (zh) 2020-07-09 2020-07-09 一种斜拉桥典型损伤识别方法

Publications (2)

Publication Number Publication Date
CN111783212A CN111783212A (zh) 2020-10-16
CN111783212B true CN111783212B (zh) 2022-07-12

Family

ID=72758700

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010656968.5A Active CN111783212B (zh) 2020-07-09 2020-07-09 一种斜拉桥典型损伤识别方法

Country Status (1)

Country Link
CN (1) CN111783212B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114169374B (zh) * 2021-12-10 2024-02-20 湖南工商大学 一种斜拉桥斜拉索损伤识别方法及电子设备
CN114969934B (zh) * 2022-05-31 2023-09-05 湖南工商大学 一种斜拉索损伤程度识别方法及模型构建方法
CN115993097A (zh) * 2023-03-23 2023-04-21 长安大学 一种用于斜拉桥拉索断丝的监测及预警方法、系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6192758B1 (en) * 1998-12-14 2001-02-27 Kang Huang Structure safety inspection
CN101145214A (zh) * 2007-11-06 2008-03-19 东南大学 基于改进反向传播神经网络的斜拉桥拉索损伤定位方法
CN108090295A (zh) * 2017-12-27 2018-05-29 武汉光谷北斗控股集团有限公司 一种大跨斜拉桥拉索损伤识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6192758B1 (en) * 1998-12-14 2001-02-27 Kang Huang Structure safety inspection
CN101145214A (zh) * 2007-11-06 2008-03-19 东南大学 基于改进反向传播神经网络的斜拉桥拉索损伤定位方法
CN108090295A (zh) * 2017-12-27 2018-05-29 武汉光谷北斗控股集团有限公司 一种大跨斜拉桥拉索损伤识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
卢嘉鑫等.《用于斜拉桥子结构损伤识别的神经网络性能分析》.《辽宁工程技术大学学报(自然科学版)》.2018, *
王占锋等.基于桥梁的模态频率和BP神经网络模型相结合的损伤识别方法.《自动化与仪器仪表》.2016,(第04期),第192-193,196页. *
颜东煌等.《斜拉索损伤对在役斜拉桥体系可靠度的影响》.《中南大学学报(自然科学版)》.2020, *
颜东煌等.斜拉索损伤对在役斜拉桥体系可靠度的影响.《中南大学学报(自然科学版)》.2020,(第01期),第219-226页. *
黄超凡.《基于索力变化的斜拉桥实时高程测量及损伤识别》.《中国优秀博硕士学位论文全文数据库(硕士)》.2017, *

Also Published As

Publication number Publication date
CN111783212A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
CN111783212B (zh) 一种斜拉桥典型损伤识别方法
Elkordy et al. Neural networks trained by analytically simulated damage states
Rageh et al. Steel railway bridge fatigue damage detection using numerical models and machine learning: Mitigating influence of modeling uncertainty
Barai et al. Vibration signature analysis using artificial neural networks
Gonzalez-Perez et al. Identification of structural damage in a vehicular bridge using artificial neural networks
CN108090295A (zh) 一种大跨斜拉桥拉索损伤识别方法
CN104200005A (zh) 基于神经网络的桥梁损伤识别方法
Elkordy et al. Application of neural networks in vibrational signature analysis
Kwon et al. Building information modeling-based bridge health monitoring for anomaly detection under complex loading conditions using artificial neural networks
Barai et al. Time-delay neural networks in damage detection of railway bridges
CN109902752B (zh) 基于病害信息大数据的桥梁定检分类方法、装置及设备
CN117671921A (zh) 一种城市桥梁实时监测预警系统
Noureldin et al. Machine learning-based seismic assessment of framed structures with soil-structure interaction
Tran et al. One-dimensional convolutional neural network for damage detection of structures using time series data
Suryanita et al. Application of neural networks in bridge health prediction based on acceleration and displacement data domain
Bandara Damage identification and condition assessment of building structures using frequency response functions and neural networks
Akintunde et al. Singular value decomposition and unsupervised machine learning for virtual strain sensing: Application to an operational railway bridge
Zar et al. A vibration-based approach for detecting arch dam damage using RBF neural networks and Jaya algorithms
Sun et al. Condition assessment of stay cables via cloud evidence fusion
Chesnokov et al. Evaluation of adverse factors acting on a pre-stressed wire rope structure by means of artificial neural network
Zhang et al. Structural damage detection using convolutional neural networks based on modal strain energy and population of structures
De Iuliis et al. Ambient Vibration Prediction of a Cable-Stayed Bridge by an Artificial Neural Network
CN114048646B (zh) 基于有限元修正与人工智能的沥青面层损伤状态反演方法
Rageh et al. Model updating and parameter identification for developing digital twins for riveted steel railway bridges
Giglioni et al. Application of unsupervised learning for post-earthquake assessment of the Z24 benchmark bridge

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