CN112818454A - 一种吊杆拱桥桥面系裂缝宽度计算方法及系统 - Google Patents

一种吊杆拱桥桥面系裂缝宽度计算方法及系统 Download PDF

Info

Publication number
CN112818454A
CN112818454A CN202110196643.8A CN202110196643A CN112818454A CN 112818454 A CN112818454 A CN 112818454A CN 202110196643 A CN202110196643 A CN 202110196643A CN 112818454 A CN112818454 A CN 112818454A
Authority
CN
China
Prior art keywords
data
load
humidity
temperature
bridge deck
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.)
Granted
Application number
CN202110196643.8A
Other languages
English (en)
Other versions
CN112818454B (zh
Inventor
吴启明
姜瑞娟
乐颖
肖玉凤
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.)
Shenzhen Municipal Design and Research Institute Co Ltd
Original Assignee
Shenzhen Municipal Design and Research Institute Co Ltd
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 Shenzhen Municipal Design and Research Institute Co Ltd filed Critical Shenzhen Municipal Design and Research Institute Co Ltd
Priority to CN202110196643.8A priority Critical patent/CN112818454B/zh
Publication of CN112818454A publication Critical patent/CN112818454A/zh
Application granted granted Critical
Publication of CN112818454B publication Critical patent/CN112818454B/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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Structural Engineering (AREA)
  • Civil Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Architecture (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种吊杆拱桥桥面系裂缝宽度计算方法及系统，方法包括：获取数据集；对数据集进行划分，得到数据子集；使用数据子集进行点估计，得到荷载、温度以及湿度联合分布的概率模型；使用数据子集训练神经网络模型，得到在条件荷载、温度、湿度下桥面系裂缝宽度的条件概率模型；根据得到的两个模型计算桥面系裂缝宽度的边缘分布。本发明利用荷载、温度以及湿度联合分布的概率模型以及所述在条件荷载、温度、湿度下桥面系裂缝宽度的条件概率模型计算桥面系裂缝宽度的边缘分布。本发明一定程度上解决了因统计资料缺乏、影响因素复杂导致桥梁混凝土构件裂缝宽度可靠度指标尚未确立的问题，实现了桥梁剩余使用年限内裂缝宽度的计算和可靠度指标的计算，为混凝土桥梁可靠性设计提供了数据支持。

Description

一种吊杆拱桥桥面系裂缝宽度计算方法及系统
技术领域
本发明涉及桥梁健康监测和桥梁养护技术领域，特别是涉及一种吊杆拱桥桥面系裂缝宽度计算方法及系统。
背景技术
随着桥梁使用的越来越多，其中因混凝土裂缝而“带病”运营的桥梁也在逐渐增多。调查研究表明，约43％的桥梁出现了腹板纵向裂缝，约91％的桥梁产生了顶板纵向裂缝，可见问题的普遍性。另一方面，经过几十年的大规模基础建设，整个桥梁行业的态势已由新建转向维修与养护，随着既有桥梁运营时间的增长，问题只会越来越严重。
目前工程结构的设计通过可靠性、可靠度指标来描述和度量结构在使用年限内完成预定功能的能力，并使用极限状态设计方法来进行保证。工程结构的极限状态分为承载能力极限状态与正常使用极限状态。正常使用极限状态中，混凝土裂缝属于最关键的效应指标。然而对于公路桥梁而言，由于影响因素比较复杂，尤其缺乏足够可靠的统计资料，其可靠度指标的取值尚未确定。显然，公路桥梁在设计上还无法完全有效的应对混凝土开裂问题。
此外，在桥梁养护工程中，面对大量的混凝土病害，维修与加固在决策上也存在很大的盲目性，无法正确、全面的评估其对结构后续运营的影响，实际工作中难免造成维修养护费用的浪费或者对结构安全的忽视。
发明内容
本发明的目的是提供一种吊杆拱桥桥面系裂缝宽度计算方法及系统，以准确计算拱桥桥面系裂缝宽度。
为实现上述目的，本发明提供了如下方案：
一种吊杆拱桥桥面系裂缝宽度计算方法，包括：
获取包含拱桥的历史荷载数据、历史温度数据、历史湿度数据以及历史桥面系裂缝宽度数据的数据集；
对所述数据集进行划分，得到数据子集；
使用所述数据子集对所述历史荷载数据、所述历史温度数据以及所述历史湿度数据进行点估计，得到荷载、温度以及湿度联合分布的概率模型；
使用所述数据子集训练神经网络模型，得到在条件荷载、温度、湿度下桥面系裂缝宽度的条件概率模型；所述神经网络模型的输入为所述数据子集中的历史荷载数据、历史温度数据以及历史湿度数据，所述神经网络模型的输出为所述在条件荷载、温度、湿度下桥面系裂缝宽度的条件概率模型的参数；
根据所述荷载、温度以及湿度联合分布的概率模型以及所述在条件荷载、温度、湿度下桥面系裂缝宽度的条件概率模型计算桥面系裂缝宽度的边缘分布。
可选地，所述荷载、温度以及湿度联合分布的概率模型获取过程如下：
使用所述数据子集对所述历史荷载数据的均值和二阶混合中心距进行点估计，得到荷载概率分布模型；
使用所述数据子集对所述历史温度数据的均值和方差进行点估计，得到温度概率分布模型；
使用所述数据子集对所述历史湿度数据的均值和方差进行点估计，得到湿度概率分布模型；
根据所述荷载概率分布模型、所述温度概率分布模型以及所述湿度概率分布模型得到荷载、温度以及湿度联合分布的概率模型。
可选地，所述神经网络模型的隐藏层采用整流线性函数，所述神经网络模型的损失函数采用负对数似然，所述神经网络模型的正则化采用参数范数惩罚方法、早停方法或随机失活方法。
可选地，利用蒙特卡洛法计算桥面系裂缝宽度的边缘分布。
可选地，还包括：
根据所述桥面系裂缝宽度的边缘分布计算桥梁剩余使用年限内的桥面系裂缝宽度超过限值的概率以及可靠度指标；
根据所述可靠度指标对桥面系裂缝进行分级预警。
一种吊杆拱桥桥面系裂缝宽度计算系统，包括：
获取模块，用于获取包含拱桥的历史荷载数据、历史温度数据、历史湿度数据以及历史桥面系裂缝宽度数据的数据集；
划分模块，用于对所述数据集进行划分，得到数据子集；
点估计模块，用于使用所述数据子集对所述历史荷载数据、所述历史温度数据以及所述历史湿度数据进行点估计，得到荷载、温度以及湿度联合分布的概率模型；
模型训练模块，用于使用所述数据子集训练神经网络模型，得到在条件荷载、温度、湿度下桥面系裂缝宽度的条件概率模型；所述神经网络模型的输入为所述数据子集中的历史荷载数据、历史温度数据以及历史湿度数据，所述神经网络模型的输出为所述在条件荷载、温度、湿度下桥面系裂缝宽度的条件概率模型的参数；
裂缝宽度概率模型确定模块，用于根据所述荷载、温度以及湿度联合分布的概率模型以及所述在条件荷载、温度、湿度下桥面系裂缝宽度的条件概率模型计算桥面系裂缝宽度的边缘分布。
可选地，所述点估计模块具体包括：
第一点估计单元，用于使用所述数据子集对所述历史荷载数据的均值和二阶混合中心距进行点估计，得到荷载概率分布模型；
第二点估计单元，用于使用所述数据子集对所述历史温度数据的均值和方差进行点估计，得到温度概率分布模型；
第三点估计单元，用于使用所述数据子集对所述历史湿度数据的均值和方差进行点估计，得到湿度概率分布模型；
模型获取单元，用于根据所述荷载概率分布模型、所述温度概率分布模型以及所述湿度概率分布模型得到荷载、温度以及湿度联合分布的概率模型。
可选地，所述神经网络模型的隐藏层采用整流线性函数，所述神经网络模型的损失函数采用负对数似然，所述神经网络模型的正则化采用参数范数惩罚方法、早停方法或随机失活方法。
可选地，所述裂缝宽度概率模型确定模块包括：
蒙特卡洛法计算单元，用于根据所述荷载、温度以及湿度联合分布的概率模型以及所述在条件荷载、温度、湿度下桥面系裂缝宽度的条件概率模型利用蒙特卡洛法计算桥面系裂缝宽度的边缘分布。
可选地，还包括：
可靠度指标计算模块，用于根据所述桥面系裂缝宽度的边缘分布计算桥梁剩余使用年限内的桥面系裂缝宽度超过限值的概率以及可靠度指标；
预警模块，用于根据所述可靠度指标对桥面系裂缝进行分级预警。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明利用荷载、温度以及湿度联合分布的概率模型以及在条件荷载、温度、湿度下桥面系裂缝宽度的条件概率模型计算桥面系裂缝宽度的边缘分布，计算结果更准确。弥补了因统计资料缺乏、影响因素复杂而导致桥梁正常使用极限状态下桥面系裂缝宽度无法准确计算的缺陷，同时也为桥梁可靠性设计提供了数据支持。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的吊杆拱桥桥面系裂缝宽度计算方法流程图；
图2为本发明实施例提供的吊杆拱桥桥面系裂缝宽度计算原理图；
图3为本发明实施例提供的应用场景示意图；
图4为本发明实施例提供的荷载、温度、湿度以及宽度的概率有向图；
图5为本发明实施例提供的神经网络计算示意图；
图6为本发明实施例提供的桥面系裂缝宽度可靠性动态评估系统结构图。
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。
本发明的目的是提供一种吊杆拱桥桥面系裂缝宽度计算方法及系统，以准确计算拱桥桥面系裂缝宽度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，吊杆拱桥桥面系裂缝宽度计算方法，包括：
步骤101：获取包含拱桥的历史荷载数据、历史温度数据、历史湿度数据以及历史桥面系裂缝宽度数据的数据集。
步骤102：对所述数据集进行划分，得到数据子集。
步骤103：使用所述数据子集对所述历史荷载数据、所述历史温度数据以及所述历史湿度数据进行点估计，得到荷载、温度以及湿度联合分布的概率模型。具体包括：
步骤1031：使用所述数据子集对所述历史荷载数据的均值和二阶混合中心距进行点估计，得到荷载概率分布模型。
步骤1032：使用所述数据子集对所述历史温度数据的均值和方差进行点估计，得到温度概率分布模型。
步骤1033：使用所述数据子集对所述历史湿度数据的均值和方差进行点估计，得到湿度概率分布模型。
步骤1034：根据所述荷载概率分布模型、所述温度概率分布模型以及所述湿度概率分布模型得到荷载、温度以及湿度联合分布的概率模型。
步骤104：使用所述数据子集训练神经网络模型，得到在条件荷载、温度、湿度下桥面系裂缝宽度的条件概率模型；所述神经网络模型的输入为所述数据子集中的历史荷载数据、历史温度数据以及历史湿度数据，所述神经网络模型的输出为所述在条件荷载、温度、湿度下桥面系裂缝宽度的条件概率模型的参数。
在本实施例中，所述神经网络模型的隐藏层采用整流线性函数，所述神经网络模型的损失函数采用负对数似然，所述神经网络模型的正则化采用参数范数惩罚方法、早停方法或随机失活方法。
步骤105：根据所述荷载、温度以及湿度联合分布的概率模型以及所述在条件荷载、温度、湿度下桥面系裂缝宽度的条件概率模型计算桥面系裂缝宽度的边缘分布。
在本实施例中，利用蒙特卡洛法计算桥面系裂缝宽度的边缘分布。
图2为本发明实施例提供的吊杆拱桥桥面系裂缝宽度计算原理图，下面以具体实施例方式对本发明原理进行说明：
S1：建立初始的荷载、温度以及湿度联合分布的概率模型。具体原理为：
通常而言，桥上的设计荷载包括汽车荷载、人群荷载、预应力、收缩徐变二次内力以及温度基础不均匀沉降等。对于吊杆拱桥，影响桥面系裂缝宽度的荷载主要有汽车荷载、人群荷载、自重、温度以及预应力等，其中自重和预应力为永久荷载，在设计基准期内可视为恒定的，不会对运营期间裂缝宽度的变化产生影响，而汽车荷载、人群荷载以及温度属于可变荷载，其变化会引起裂缝的扩张与闭合，在可靠性设计中视为随机过程，为便于计算，简化为二项平稳随机过程。在桥梁实际交通运营环境中，车流、人流为与空间、时间有关，其概率分布模型非常复杂，而且对构件效应的影响还要考虑最不利加载的问题。吊杆拱桥的特殊地方在于，某一个时刻桥面系某位置的汽车、人群荷载效应大小可通过邻近吊杆的内力表现出来，或者说邻近吊杆内力的时间序列可以表征汽车、人群荷载的时间与空间变化。在计算时，汽车荷载、人群荷载用邻近吊杆内力来代替。因此在下面的荷载概率分布模型中，荷载为汽车荷载、人群荷载，用随机变量L表示，温度概率分布模型中，温度次应力在吊杆拱桥中比较小，温度作为环境变量考虑并用随机变量T表示，此外湿度对混凝土的开裂影响也较显著，在湿度概率分布模型中，也作为环境变量并用随机变量H 表示。
图3为本发明实施例提供的应用场景示意图，如图3所示，一座吊杆拱桥，桥面系为由桥面板、横梁、加劲纵梁组成的钢筋混凝土构件，在运营十多年后，加劲纵梁跨中附近与横梁的结点处出现了少量横向裂纹。为了对该位置的裂缝宽度进行可靠性评估，安装了裂缝宽度监测设备、温度传感器、湿度传感器，同时利用桥梁健康监测系统中裂缝附近3根吊杆的加速度传感器。
为了更加精细化的考虑所述荷载、环境的概率模型，以月M和一天中的时间h作为参数，M＝1，2...12，小时h＝1，2...24，即设计使用年限内，荷载概率分布模型为p(L)，温度概率分布模型为p(T)，湿度概率分布模型为p(H)，其中p为概率分布的函数表示，M为历史第M个月份，h为第M个月份中某一天的第h个小时。
图4为本发明实施例提供的荷载、温度、湿度以及宽度的概率有向图，如图3所示，荷载、温度以及湿度均为独立的随机变量，它们的联合概率可表示为：p(X)＝p(L)p(T)p(H)，X＝(L,T,H)T。此外由于本实施例中有3个吊杆加速度传感器，故L＝(L1,L2,L3)T，L1、L2以及L3为3根吊杆的振动频率，用于度量汽车荷载与人群荷载。
荷载、温度、湿度的概率模型以及在条件荷载、温度、湿度下桥面系裂缝宽度的条件概率模型均采用高斯分布：
p(L；h,M)＝N(L|μL(h,M),∑L(h,M))
Figure BDA0002947033460000071
Figure BDA0002947033460000072
Figure BDA0002947033460000073
其中，μL(h,M)、μT(h,M)、μH(h,M)以及μW(X)为均值，∑L(h,M)为协方差，
Figure BDA0002947033460000074
以及
Figure BDA0002947033460000075
为方差，N为高斯分布的函数表示。
S2：采集历史数据，划分数据子集。具体原理为：
利用吊杆加速度传感器、温度传感器、湿度传感器、桥面系裂缝宽度监测设备采集历史荷载数据、历史温度数据、历史湿度数据以及历史桥面系裂缝宽度数据，采集的时间为1整年。
对采集得到的数据进行重采样，重采样按1～5分钟的时间间隔采集，数据集格式为{时刻，荷载、温度、湿度、桥面系裂缝宽度}。数据集按月M＝1， 2...12，小时h＝1，2...24，划分为12×24＝288份数据子集。
利用数据子集分别进行点估计以及训练神经网络模型。具体原理为：
利用288份数据子集对荷载、温度以及湿度的概率分布模型的参数进行点估计：
将类别为M月h时的吊杆振动频率的样本均值和样本二阶混合中心矩分别作为μL(h,M)和∑L(h,M)的点估计值。
将类别为M月h时的温度的样本均值和样本方差分别作为μT(h,M)和
Figure BDA0002947033460000076
的点估计值。
将类别为M月h时的湿度的样本均值和样本方差分别作为μH(h,M)和
Figure BDA0002947033460000077
的点估计值。
最终得到荷载、温度以及湿度联合分布的概率模型。
图5为本发明实施例提供的神经网络计算示意图，如图5所示，神经网络采用L2正则化，输入层单元用于接收输入数据X＝(L,T,H)T，中间隐藏层采用整流线性单元，输出层包含一个恒等输出和一个softplus输出，分别输出 p(W|X)的均值μW(X)和方差
Figure BDA0002947033460000081
神经网络模型训练过程如下：
从288份数据子集中，每份随机抽取10～20个数据得到神经网络训练的数据集D＝{Lk,Tk,Hk,Wk|k＝1,2...K}，K为样本总数。
将数据集D按8:1:1的比例划分为训练集、验证集以及测试集。神经网络模型的输入为Xk＝{Lk,Tk,Hk}T，输出为恒等输出μW(Xk)和softplus输出
Figure BDA0002947033460000082
采用L2正则化，包含正则化项的损失函数为：
Figure 4
其中，λ为正则化系数，ω为神经元之间的连接权重。
选择几种网络的构架并采用L2正则化，正则化系数λ、网络深度、每层网络的宽度均视为超参数，其中λ在0.1～0.0001范围调参。
通过随机梯度下降SGD训练神经网络，通过验证集选择最优的网络架构和超参数，通过测试集评估模型泛化能力。
在一些可选的实施例中，神经网络模型还可以在给定荷载、温度以及湿度参数下计算桥面系裂缝的宽度。
S3：计算桥面系裂缝的宽度。具体原理为：
通过蒙特卡洛计算未来M月h时的桥面系裂缝宽度的边缘分布：
Figure 1
式中，p(W；h,M)为未来M月h时的桥面系裂缝宽度的边缘分布，p(X；h,M) 为荷载、温度以及湿度联合分布的概率模型，p(W|X)为训练好在条件荷载、温度、湿度下桥面系裂缝宽度的条件概率模型，μX(h，M)＝[μL(h，M)，μT(h，M)，μH(h，M)]T，
Figure BDA0002947033460000085
在一个具体实施例中，本发明还可以对桥面系裂缝宽度的可靠性进行动态评价。具体为：
根据桥梁所属环境类别确定裂缝宽度限值[W]，计算未来M月h时桥面系裂缝宽度W超过限值[W]的概率质量PM,h：
Figure 2
上述公式可通过数值方法计算。
然后计算剩余使用年限T′内桥面系裂缝宽度W超越限值[W]的概率质量 Pf：
Figure 3
得到可靠度指标β＝-φ-1(Pf)，φ(·)为逆probit函数。根据可靠度指标即可动态评价桥面系裂缝宽度的可靠性。当β≥0.5时表示可靠性满足要求，当β∈(-0.5，0.5)时，橙色预警，当β≤-0.5时，红色预警。
荷载、温度以及湿度联合分布的概率模型以及荷载、温度、湿度以及桥面系裂缝宽度条件分布的概率模型，每5年更新一次，重新训练时的数据集采集最近一年全年的数据。根据更新的模型，再重新计算剩余使用年限的可靠度指标。
本实施例还提供了一种智能数据采集系统，如图6所示，智能数据采集系统包括数据数据采集单元以及计算机存储单元。数据采集单元包括吊杆加速度传感器、温度传感器、湿度传感器、桥面系裂缝宽度监测设备。计算机存储单元内存储有计算机程序，计算机程序被处理器执行时，对采集到的最近一年的所述四类数据进行重采样以调整到同一频率以及时间点，同时按M月和h时划分子集。
本实施例还提供了一种桥面系裂缝宽度可靠性动态评估系统，如图6所示，桥面系裂缝宽度可靠性动态评估系统包括上述智能数据采集系统、数据统计分析系统以及可靠度指标分析与预警系统。智能数据采集系统包括数据采集单元和计算机存储单元，数据采集单元包括吊杆加速度传感器、温度传感器、湿度传感器和裂缝监测设备。计算机存储单元内存储有计算机程序。
系统运行时，数据采集单元的实时监测数据存储至计算机存储单元中，数据采集完毕后，由计算机存储单元中的计算机程序执行数据处理任务：
首先按1～5分钟的时间间隔进行重采样，同时每一数据样本的格式为{时刻，吊杆频率，温度，湿度，桥面系裂缝宽度}。
然后按M月和h时分为288个子集。数据统计分析系统根据288个数据子集执行任务：(1)通过点估计方法建立吊杆振动频率、温度、湿度的概率模型；(2)从每个数据子集中随机抽取10～20个数据组成新的数据集，然后进行标准化处理；(3)使用处理之后的数据集训练神经网络。
最后可靠度指标分析与预警系统根据所得到的概率模型和神经网络进行概率运算得到桥面系裂缝宽度的可靠度指标并进行分级预警。
本实施例还提供了一种吊杆拱桥桥面系裂缝宽度计算系统，包括：
获取模块，用于获取包含拱桥的历史荷载数据、历史温度数据、历史湿度数据以及历史桥面系裂缝宽度数据的数据集。
划分模块，用于对所述数据集进行划分，得到数据子集。
点估计模块，用于使用所述数据子集对所述历史荷载数据、所述历史温度数据以及所述历史湿度数据进行点估计，得到荷载、温度以及湿度联合分布的概率模型。其特征在于，所述点估计模块具体包括：
第一点估计单元，用于使用所述数据子集对所述历史荷载数据的均值和二阶混合中心距进行点估计，得到荷载概率分布模型；
第二点估计单元，用于使用所述数据子集对所述历史温度数据的均值和方差进行点估计，得到温度概率分布模型；
第三点估计单元，用于使用所述数据子集对所述历史湿度数据的均值和方差进行点估计，得到湿度概率分布模型；
模型获取单元，用于根据所述荷载概率分布模型、所述温度概率分布模型以及所述湿度概率分布模型得到荷载、温度以及湿度联合分布的概率模型
模型训练模块，用于使用所述数据子集训练神经网络模型，得到在条件荷载、温度、湿度下桥面系裂缝宽度的条件概率模型；所述神经网络模型的输入为所述数据子集中的历史荷载数据、历史温度数据以及历史湿度数据，所述神经网络模型的输出为所述在条件荷载、温度、湿度下桥面系裂缝宽度的条件概率模型的参数。其中，所述神经网络模型的隐藏层采用整流线性函数，所述神经网络模型的损失函数采用负对数似然，所述神经网络模型的正则化采用参数范数惩罚方法、早停方法或随机失活方法。
裂缝宽度概率模型确定模块，用于根据所述荷载、温度以及湿度联合分布的概率模型以及所述在条件荷载、温度、湿度下桥面系裂缝宽度的条件概率模型计算桥面系裂缝宽度的边缘分布。其中，所述裂缝宽度概率模型确定模块包括：
蒙特卡洛法计算单元，用于根据所述荷载、温度以及湿度联合分布的概率模型以及所述在条件荷载、温度、湿度下桥面系裂缝宽度的条件概率模型利用蒙特卡洛法计算桥面系裂缝宽度的边缘分布。
在本实施例中，所述吊杆拱桥桥面系裂缝宽度计算系统还包括：
可靠度指标计算模块，用于根据所述桥面系裂缝宽度的边缘分布计算桥梁剩余使用年限内的桥面系裂缝宽度超过限值的概率以及可靠度指标；
预警模块，用于根据所述可靠度指标对桥面系裂缝进行分级预警。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
(1)基于深度学习和概率模型对荷载、环境、裂缝宽度监测数据进行统计分析并计算桥面系裂缝宽度，在一定程度上解决了目前公路桥梁可靠性规范因统计资料缺乏、影响因素复杂而导致正常使用极限状态可靠度指标尚未确立的问题。同时也为公路桥梁可靠性设计标准后续版本的修订和完善提供数据统计支持。
(2)可靠性评估结果可为吊杆拱桥桥面系裂缝宽度验算和可靠性设计提供依据。
(3)可靠性评估结果实现了吊杆拱桥养护管理的科学决策，使得对裂缝的修补与加固方案设计不再盲目。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种吊杆拱桥桥面系裂缝宽度计算方法，其特征在于，包括：
获取包含拱桥的历史荷载数据、历史温度数据、历史湿度数据以及历史桥面系裂缝宽度数据的数据集；
对所述数据集进行划分，得到数据子集；
使用所述数据子集对所述历史荷载数据、所述历史温度数据以及所述历史湿度数据进行点估计，得到荷载、温度以及湿度联合分布的概率模型；
使用所述数据子集训练神经网络模型，得到在条件荷载、温度、湿度下桥面系裂缝宽度的条件概率模型；所述神经网络模型的输入为所述数据子集中的历史荷载数据、历史温度数据以及历史湿度数据，所述神经网络模型的输出为所述在条件荷载、温度、湿度下桥面系裂缝宽度的条件概率模型的参数；
根据所述荷载、温度以及湿度联合分布的概率模型以及所述在条件荷载、温度、湿度下桥面系裂缝宽度的条件概率模型计算桥面系裂缝宽度的边缘分布。
2.根据权利要求1所述的吊杆拱桥桥面系裂缝宽度计算方法，其特征在于，所述荷载、温度以及湿度联合分布的概率模型获取过程如下：
使用所述数据子集对所述历史荷载数据的均值和二阶混合中心距进行点估计，得到荷载概率分布模型；
使用所述数据子集对所述历史温度数据的均值和方差进行点估计，得到温度概率分布模型；
使用所述数据子集对所述历史湿度数据的均值和方差进行点估计，得到湿度概率分布模型；
根据所述荷载概率分布模型、所述温度概率分布模型以及所述湿度概率分布模型得到荷载、温度以及湿度联合分布的概率模型。
3.根据权利要求1所述的吊杆拱桥桥面系裂缝宽度计算方法，其特征在于，所述神经网络模型的隐藏层采用整流线性函数，所述神经网络模型的损失函数采用负对数似然，所述神经网络模型的正则化采用参数范数惩罚方法、早停方法或随机失活方法。
4.根据权利要求1所述的吊杆拱桥桥面系裂缝宽度计算方法，其特征在于，利用蒙特卡洛法计算桥面系裂缝宽度的边缘分布。
5.根据权利要求1所述的吊杆拱桥桥面系裂缝宽度计算方法，其特征在于，还包括：
根据所述桥面系裂缝宽度的边缘分布计算桥梁剩余使用年限内的桥面系裂缝宽度超过限值的概率以及可靠度指标；
根据所述可靠度指标对桥面系裂缝进行分级预警。
6.一种吊杆拱桥桥面系裂缝宽度计算系统，其特征在于，包括：
获取模块，用于获取包含拱桥的历史荷载数据、历史温度数据、历史湿度数据以及历史桥面系裂缝宽度数据的数据集；
划分模块，用于对所述数据集进行划分，得到数据子集；
点估计模块，用于使用所述数据子集对所述历史荷载数据、所述历史温度数据以及所述历史湿度数据进行点估计，得到荷载、温度以及湿度联合分布的概率模型；
模型训练模块，用于使用所述数据子集训练神经网络模型，得到在条件荷载、温度、湿度下桥面系裂缝宽度的条件概率模型；所述神经网络模型的输入为所述数据子集中的历史荷载数据、历史温度数据以及历史湿度数据，所述神经网络模型的输出为所述在条件荷载、温度、湿度下桥面系裂缝宽度的条件概率模型的参数；
裂缝宽度概率模型确定模块，用于根据所述荷载、温度以及湿度联合分布的概率模型以及所述在条件荷载、温度、湿度下桥面系裂缝宽度的条件概率模型计算桥面系裂缝宽度的边缘分布。
7.根据权利要求6所述的吊杆拱桥桥面系裂缝宽度计算系统，其特征在于，所述点估计模块具体包括：
第一点估计单元，用于使用所述数据子集对所述历史荷载数据的均值和二阶混合中心距进行点估计，得到荷载概率分布模型；
第二点估计单元，用于使用所述数据子集对所述历史温度数据的均值和方差进行点估计，得到温度概率分布模型；
第三点估计单元，用于使用所述数据子集对所述历史湿度数据的均值和方差进行点估计，得到湿度概率分布模型；
模型获取单元，用于根据所述荷载概率分布模型、所述温度概率分布模型以及所述湿度概率分布模型得到荷载、温度以及湿度联合分布的概率模型。
8.根据权利要求6所述的吊杆拱桥桥面系裂缝宽度计算系统，其特征在于，所述神经网络模型的隐藏层采用整流线性函数，所述神经网络模型的损失函数采用负对数似然，所述神经网络模型的正则化采用参数范数惩罚方法、早停方法或随机失活方法。
9.根据权利要求6所述的吊杆拱桥桥面系裂缝宽度计算系统，其特征在于，所述裂缝宽度概率模型确定模块包括：
蒙特卡洛法计算单元，用于根据所述荷载、温度以及湿度联合分布的概率模型以及所述在条件荷载、温度、湿度下桥面系裂缝宽度的条件概率模型利用蒙特卡洛法计算桥面系裂缝宽度的边缘分布。
10.根据权利要求6所述的吊杆拱桥桥面系裂缝宽度计算系统，其特征在于，还包括：
可靠度指标计算模块，用于根据所述桥面系裂缝宽度的边缘分布计算桥梁剩余使用年限内的桥面系裂缝宽度超过限值的概率以及可靠度指标；
预警模块，用于根据所述可靠度指标对桥面系裂缝进行分级预警。
CN202110196643.8A 2021-02-22 2021-02-22 一种吊杆拱桥桥面系裂缝宽度计算方法及系统 Active CN112818454B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110196643.8A CN112818454B (zh) 2021-02-22 2021-02-22 一种吊杆拱桥桥面系裂缝宽度计算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110196643.8A CN112818454B (zh) 2021-02-22 2021-02-22 一种吊杆拱桥桥面系裂缝宽度计算方法及系统

Publications (2)

Publication Number Publication Date
CN112818454A true CN112818454A (zh) 2021-05-18
CN112818454B CN112818454B (zh) 2022-12-13

Family

ID=75864551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110196643.8A Active CN112818454B (zh) 2021-02-22 2021-02-22 一种吊杆拱桥桥面系裂缝宽度计算方法及系统

Country Status (1)

Country Link
CN (1) CN112818454B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114241215A (zh) * 2022-02-18 2022-03-25 广东建科交通工程质量检测中心有限公司 一种桥梁表观裂缝非接触式检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110010140A1 (en) * 2009-07-13 2011-01-13 Northrop Grumman Corporation Probability Distribution Function Mapping Method
KR101256507B1 (ko) * 2012-11-13 2013-04-19 국방과학연구소 사용자 행위 분석을 통한 자료유출 탐지 시스템 및 그 방법
US20140377077A1 (en) * 2011-12-19 2014-12-25 Rolls-Royce Plc Noise attenuation in rotating blades
CN105427018A (zh) * 2015-10-30 2016-03-23 宁波工程学院 病害混凝土桥梁承载能力评定方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110010140A1 (en) * 2009-07-13 2011-01-13 Northrop Grumman Corporation Probability Distribution Function Mapping Method
US20140377077A1 (en) * 2011-12-19 2014-12-25 Rolls-Royce Plc Noise attenuation in rotating blades
KR101256507B1 (ko) * 2012-11-13 2013-04-19 국방과학연구소 사용자 행위 분석을 통한 자료유출 탐지 시스템 및 그 방법
CN105427018A (zh) * 2015-10-30 2016-03-23 宁波工程学院 病害混凝土桥梁承载能力评定方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
C.JIANG等: "Probability-interval hybrid reliability analysis for cracked structures existing epistemic uncertainty", 《ENGINEERING FRACTURE MECHANICS》 *
胡昌斌等: "高速公路沥青混凝土路面使用性能参数概率分布特性统计分析", 《公路》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114241215A (zh) * 2022-02-18 2022-03-25 广东建科交通工程质量检测中心有限公司 一种桥梁表观裂缝非接触式检测方法及系统

Also Published As

Publication number Publication date
CN112818454B (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
US20230228618A1 (en) A dynamic identification method of bridge scour based on health monitoring data
Cheung et al. The application of statistical pattern recognition methods for damage detection to field data
US20210304594A1 (en) Method for simulating, grading, and compiling two-dimensional over-limit vehicle load spectrum
CN111625988A (zh) 基于深度学习的桥梁健康管理分析与预测系统及方法
CN110706213B (zh) 基于应变响应累积分布函数差的桥梁集群结构损伤判别方法
CN108415884B (zh) 一种结构模态参数实时追踪方法
CN110362886A (zh) 一种基于不确定性分析的城镇砌体住宅安全评估方法
CN112818454B (zh) 一种吊杆拱桥桥面系裂缝宽度计算方法及系统
CN111795978A (zh) 一种钢桥结构健康状态评估方法、装置、设备及存储介质
Su et al. Automatic identification of modal parameters for structures based on an uncertainty diagram and a convolutional neural network
Miao Prediction‐Based Maintenance of Existing Bridges Using Neural Network and Sensitivity Analysis
CN104048843A (zh) 基于gps位移监测的大跨桥梁钢箱梁损伤预警方法
Li et al. Data-driven structural condition assessment for high-speed railway bridges using multi-band FIR filtering and clustering
Zhou et al. Damage detection for SMC benchmark problem: A subspace-based approach
CN108898292A (zh) 一种桥梁健康状态的安全评估方法
CN111832442A (zh) 从海量桥梁动态应变数据中自动化分离温度应变成分的方法
CN105912775B (zh) 桥梁动态称重系统车辆轴重数据的多模态建模方法
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
CN113673145A (zh) 基于pca-lstm神经网络的地表沉降预测方法
CN109711075B (zh) 一种突发载荷非线性理论的钢梁桥寿命及可靠度分析方法
CN112906793B (zh) 一种用于桥梁健康监测系统的监测数据修补方法及系统
Sasmal et al. Condition ranking and rating of bridges using fuzzy logic
Jiang et al. Predicting the pavement performance: A comparison on traditional and multivariate time series model
CN113282988B (zh) 一种大跨度桥梁上部结构状态评估方法及系统
Saad et al. Development of a Fatigue Life Assessment Model for Pairing Fatigue Damage Prognoses with Bridge Management Systems

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