CN114169036A - 一种大跨度桥梁风振响应预警系统和方法 - Google Patents

Abstract

本发明涉及一种大跨度桥梁风振响应预警系统和方法，本发明包括监测前端模块、数据采集和传输模块、数据处理和计算模块以及评估预警模块。监测前端模块与数据采集和传输模块持续监测桥址区风环境及桥梁风振响应数据并建立标准化数据库；随后，数据处理和计算模块建立动态的两阶段GRU混合预测模型用于预测桥址区风场以及桥梁风振响应；最后评估预警模块根据响应预测值对大跨桥梁安全性能进行评估及预警。本发明可提前预测大跨桥梁在台风作用下的风振响应，高效可靠且泛化能力好，有助于提高大桥管理部门的应急预案制定管理水平，以保证大跨桥梁结构及桥面行车安全。

Description

一种大跨度桥梁风振响应预警系统和方法

技术领域

本发明涉及一种大跨度桥梁风振响应预警系统和方法，属于土木工程中的大跨度桥梁抗风 领域。

背景技术

随着全球气候变化加剧，台风等自然灾害频繁发生。而我国身处太平洋西北岸，长期遭受 太平洋台风侵袭，高耸及大跨度结构在风振作用下破坏的案例时有发生。我国已建成许多跨江 渡海的大型桥梁工程，如润扬长江大桥、沪通长江大桥、苏通大桥等，对于这类大跨结构而言， 由于其柔性较大，对风荷载较为敏感，在台风等极端风环境作用下将产生剧烈的动力响应，极 易发生损毁甚至坍塌，风致振动问题也因此成为了威胁大跨度桥梁结构安全及桥面行车安全的 关键因素之一。

桥梁健康监测系统通过长期监测桥梁结构环境参数、运营荷载和桥梁响应等数据，实时评 估和诊断桥梁服役状态。然而，该系统主要为后续分析工作提供数据支撑，面对台风等突发情 况时，无法做到超前预知，桥梁运营安全依旧无法得到保障。目前，有限元法常被用来模拟大 跨桥梁风振响应，该方法需要根据设计方案建立桥梁有限元模型，该过程繁琐复杂，且模型可 靠性无法保证；此外，该方法涉及大量方程求解，计算效率十分低下，基本无法用于桥梁风振 响应快速预测分析。

如今，机器学习理论的飞速发展使其在各个领域得到了广泛的使用，在结构风工程领域， 其给复杂繁琐的数值计算提供了新的思路，使得提前预测台风作用下大跨桥梁的风振响应成为 可能。然而，纯数据驱动的机器学习算法具有依赖数据、缺乏物理意义等问题，其泛化性能无 法得到保证，改变工况将使得已训练的模型不再可靠。如何有效提高神经网络模型的精度，使 其能替代有限元法模拟预测结构风振响应，是工程界长期以来想要解决的关键问题。

因此，针对上述问题，亟需开发一种基于神经网络的大跨度桥梁风振响应快速预测系统及 方法，以保证桥梁结构在突发极端气候下的结构及运营安全。

发明内容

发明目的：针对以上现状以及存在的问题，本发明提出一种大跨度桥梁风振响应预警系统 和方法，通过传感器技术采集大跨桥梁风环境以及结构风振响应数据，提取桥址区风环境特征 参数以及结构模态参数，结合GRU神经网络计算建立两阶段混合预测模型，实现对大跨桥梁 风振响应的快速预测，并根据响应发展趋势以及赋值对大跨桥梁安全运营进行评估预警。

技术方案：本发明提供的技术方案为：

一种大跨度桥梁风振响应预警系统，包括监测前端模块、数据采集和传输模块、数据处理 和计算模块以及评估预警模块；其中：

所述监测前端模块，用于监测大跨桥梁桥址区风环境与桥梁结构风振响应，包括风速仪、 位移传感器、加速度传感器；

所述数据采集和传输模块，通过对监测前端模块所采集的数据作标准化处理，以建立标准 化数据库，并将标准化数据库的数据传入数据处理和计算模块；所述标准化数据库的数据包括 两部分，对应为台风监测数据以及桥梁风振响应监测数据；

所述数据处理和计算模块，包括数据分析模块以及预测模块；

所述的数据分析模块，能够分别对数据采集和传输模块所传输来的台风监测数据、桥梁风 振响应监测数据进行分析处理，以对应地获得风特性参数、桥梁结构模态参数，

所述的预测模块，基于两阶段GRU混合预测模型而构建，能够结合GRU神经网络计算 对两阶段GRU混合预测模型进行训练、更新、修正以及运用；

所述的两阶段GRU混合预测模型包括第一阶段台风风速预测模型以及第二阶段桥梁风振 响应预测模型；其中：

第一阶段台风风速预测模型的输入为风特性参数，输出为台风过桥时预测风速；

第二阶段桥梁风振响应预测模型的输入为第一阶段风速预测结果和桥梁结构模态参数，输 出为桥梁风振响应预测值x^p，桥梁风振响应预测值x^p包括桥梁结构的位移、速度、加速度响 应预测值；

所述评估预警模块，根据数据处理和计算模块所输出的桥梁风振响应预测值x^p，对大跨桥 梁运营状态进行评估预警和辅助决策。

优选地，所述的数据分析模块，在对台风监测数据进行分析处理时，先采用矢量分解法将 风速仪所采集到的原始风速分解为顺风向、横风向和竖向风速，然后以10min为基本时距，采 用滑动平均法提取平均风速和脉动风速，并计算顺风向和竖向紊流强度、紊流积分尺度、功率 谱密度。

优选地，所述的数据分析模块，在对桥梁风振响应监测数据进行分析处理时，采用基于布 莱克曼窗的低通滤波器提取风致振动响应的主元信息以消除噪声干扰，利用随机减量法提取结 构响应的自由振动成分，得到自由振动响应信号衰减曲线，并利用函数拟合的方法计算模态频 率、模态振型以及模态频率阻尼比。

优选地，第一阶段风速预测模型训练的损失函数为均方差形式的经验风险损失函数；第二 阶段风振响应预测模型训练的损失函数为均方差形式的经验风险损失函数与基于运动方程的 损失函数的加权和。

优选地，第一阶段风速预测模型训练的损失函数的表达式为：

第二阶段风振响应预测模型训练的损失函数为：

式中：N为训练样本数；U^p为风速预测值；U^m为风速实测值；k_i指损失函数加权系数；L_i(θ) (i＝1,2,3,4)指基于位移、速度、加速度、运动方程的损失函数；X^p为位移预测值；X^m为位 移实测值；M，C，K分别为桥梁结构的质量、阻尼和刚度矩阵；F为抖振力向量和气动自激 力向量的和。

优选地，所述评估预警模块，根据大跨桥梁设计规范预设桥梁风振响应极限阈值x_l，并通 过比较桥梁风振响应极限阈值x_l以及桥梁风振响应预测值x^p，对大跨桥梁运营状态进行评估预 警和辅助决策：

当x^p>1.2x_l时，发出红色预警，表示大跨桥梁结构安全及桥面行车将受到严重威胁；

当1.2x_l>x^p>x_l时，发出橙色预警，表示在大跨桥梁的桥面行车将受影响；

当x^p<x_l时，大跨桥梁能够维持正常运营，无需发出预警。。

本发明的另一个技术目的是提供一种大跨度桥梁风振响应的预警方法，包括以下步骤：

S1，分析处理台风风环境实测数据、大跨桥梁风振响应实测数据

S1-1、对所接收到的台风风环境实测数据进行分析处理，以得到风特性参数：先采用矢量 分解法将所接收到的原始风速分解为顺风向、横风向和竖向风速，然后以10min为基本时距， 采用滑动平均法提取平均风速和脉动风速，并计算顺风向和竖向紊流强度、紊流积分尺度、功 率谱密度；

S1-2，对所接收到的大跨桥梁风振响应实测数据行分析处理，以得到桥梁结构模态参数： 先采用基于布莱克曼窗的低通滤波器提取风致振动响应的主元信息以消除噪声干扰，然后利用 随机减量法提取结构响应的自由振动成分，从而得到自由振动响应信号衰减曲线，并利用函数 拟合的方法计算模态频率、模态振型以及模态频率阻尼比；

S2，基于实测数据建立两阶段GRU混合预测模型

两阶段GRU混合预测模型包括第一阶段台风风速预测模型以及第二阶段桥梁风振响应预 测模型；其中，第一阶段台风风速预测模型的输入为风环境数据和风特性参数，输出为台风过 桥时预测风速；第二阶段桥梁风振响应预测模型以第一阶段台风风速预测模型输出的台风过桥 时预测风速和桥梁结构模态参数为输入，桥梁风振响应预测值x^p为输出；桥梁风振响应预测 值x^p包括桥梁结构位移、速度、加速度响应预测值；

S3，根据大跨桥梁设计规范设置桥梁风振响应极限阈值，记为：x_l，若桥梁风振响应预测 值x^p>1.2x_l，发出红色预警，表明大跨桥梁结构安全及桥面行车将受到严重威胁，提示相关部 门应及时制定和执行应急预案，避免发生重大交通事故；若1.2x_l>x^p>x_l，发出橙色预警，表 明大跨桥梁的桥面行车将受影响，提示相关部门应持续关注风振响应变化趋势，并提前告知往 来车辆注意行车安全并制定防范方案；若x^p<x_l，表明大跨桥梁能够维持正常运营，无需发出 警报。

优选地，S2步骤中，两阶段GRU混合预测模型的参数具有时变特性，每次采集到基本时 距下的最新实测数据后，数据处理和计算模块将重新对两阶段GRU混合预测模型进行训练并 更新模型参数。

优选地，S2步骤中，第一阶段风速预测模型训练的损失函数为均方差形式的经验风险损 失函数；第二阶段风振响应预测模型训练的损失函数为均方差形式的经验风险损失函数与基于 运动方程的损失函数的加权和。

优选地，第一阶段风速预测模型训练的损失函数的表达式为：

第二阶段风振响应预测模型训练的损失函数为：

式中：N为训练样本数；U^p为风速预测值；U^m为风速实测值；k_i指损失函数加权系数；L_i(θ)

(i＝1,2,3,4)指基于位移、速度、加速度、运动方程的损失函数；X^p为位移预测值；X^m为 位移实测值；M，C，K分别为桥梁结构的质量、阻尼和刚度矩阵；F为抖振力向量和气 动自激力向量的和。

有益效果：随着桥梁跨度的增加，桥梁风振响应问题日渐突出。传统风振响应分析的理论 手段为有限元法，然而，有限元分析方法存在建模过程繁琐，计算效率低下等问题，其在桥梁 风振响应快速预测方面的效能明显不足。本发明提出的一种基于神经网络的大跨度桥梁风振响 应预警系统和方法，通过传感器技术实时监控桥址区风环境数据与桥梁服役状态，在综合考虑 风环境参数以及桥梁自身结构模态对风振响应影响的基础上建立两阶段GRU混合预测模型， 一方面，在网络中加入运动方程，可降低模型对数据的依赖性，提升模型泛化能力；另一方面， 由于不需要大量方程求解，该发明计算效能显著提升。因此，该发明可实现台风作用下大跨桥 梁风振响应的超前预测和及时预警，辅助相关部门应急预案的制定和执行，进而保障大跨桥梁 的为提高桥梁结构安全和桥面行车安全，社会效益显著。

附图说明

图1为本发明系统整体框架；

图2为GRU单元示意图；

图3为预警示意图；

图4为第一阶段GRU风速预测模型训练示意图；

图5为第二阶段GRU桥梁风振响应预测模型训练示意图；

具体实施方式

下面结合附图对本发明作更进一步的说明。但不应将此理解为本发明上述主题的范围仅限 于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

如图1所示，一种大跨度桥梁风振响应预警系统，包括监测前端模块、数据采集和传输模 块、数据处理和计算模块以及评估预警模块。所述监测前端模块包括风速仪、位移传感器、加 速度传感器，用于监控大跨桥梁桥址区风环境与结构风振响应。所述数据采集和传输模块基于 传感器采集的数据建立标准化数据库，并将数据传入数据处理和计算模块，数据处理和计算模 块完成数据的分析处理、预测模型训练、更新、修正以及运用。所述评估预警模块根据数据处 理和计算模块的预测结果对大跨桥梁运营状态进行评估预警和辅助决策。

一种大跨度桥梁风振响应预警方法，其步骤如下：

S1，对监测前端模块采集的台风风环境实测数据进行分析处理，采用矢量分解法将原始风 速分解为顺风向、横风向和竖向风速，以10min为基本时距，采用滑动平均法提取平均风速和 脉动风速，并计算顺风向和竖向紊流强度、紊流积分尺度、功率谱密度。

S2，对监测前端模块采集的台风作用下大跨桥梁风振响应实测数据行分析处理，优选地， 采用基于布莱克曼窗的低通滤波器提取风致振动响应的主元信息以消除噪声干扰，利用随机减 量法提取结构响应的自由振动成分，得到自由振动响应信号衰减曲线并利用函数拟合的方法计 算结构阻尼比、模态频率以及振型特征。

S3，基于实测数据建立两阶段GRU混合预测模型，如图2所示为GRU单元示意图，其计算方法如式(1)～(4)所示：

z_t＝σ_g(W_zx_t+U_zh_t-1+b_z) (1)

r_t＝σ_g(W_rx_t+U_rh_t-1+b_r) (2)

h′_t＝φ_h(W_hx_t+U_h(r_t⊙h_t-1)+b_h) (3)

h_t＝(1-z_t)⊙h_t-1+z_t⊙h′_t (4)

式中，x_t为输入向量；h_t为输出向量；h′_t为候选隐藏状态；z_t为更新门；r_t为重置门；W、U、 b为参数矩阵。

所述两阶段GRU混合预测模型包括第一阶段台风风速预测模型以及第二阶段桥梁风振响 应预测模型；第一阶段风速预测模型输入为风场数据以及风特性参数，输出为台风过桥时预测 风速；第二阶段桥梁风振响应预测模型以第一阶段风速预测结果和桥梁结构模态参数为输入， 桥梁结构位移、速度、加速度响应为输出。

S4，根据大跨桥梁设计规范设置桥梁风振响应极限阈值，记为：x_l，若预测响应x^p>1.2x_l， 大跨桥梁结构安全及桥面行车将受到严重威胁，发出红色预警，相关部门应及时做出应急措施， 避免发生重大交通事故；若1.2x_l>x^p>x_l，桥面行车将受影响，发出橙色预警，相关部门应持 续关注风振响应变化趋势，提前制定防范方案；若x^p<x_l，大跨桥梁可正常运营。预警方法如 图3所示。

在S3步骤中，由于实测数据不断积累，考虑风速以及桥梁风振响应的时间相关性以及计 算效率，采用100倍预测时距内的实测数据作为训练集不断更新网络参数，即每次获得新数据 之后网络开始新一轮训练，持续优化，如图4和图5所示。

在S3步骤中，第一阶段网络训练的损失函数为均方差形式的经验风险损失函数，其训练 过程如图4所示。第二阶段网络训练的损失函数为均方差形式的经验风险损失函数与基于运动 方程的损失函数的加权和，其训练过程如图5所示。考虑抖振力和气动自激力，大跨桥梁的运 动方程如式(5)所示：

式中，M，C，K分别为桥梁结构的质量、阻尼和刚度矩阵；F_b为抖振力向量；F_se表示气动自 激力向量；X为桥梁结构的位移响应向量；t为时间；

为桥梁结构的速度响应向量；

为桥梁 结构的加速度响应向量。

基于准定常气动力理论，抖振力的表达式如式(6a)～(6c)所示：

其中，L_b(t)、D_b(t)、M_b(t)分别表示抖振力当中的升力、阻力、扭矩，抖振力向量表示为F_b＝{L_b(t) D_b(t)M_b(t)}^T；ρ为空气密度；U为平均风速；u(t)，w(t)分别为顺风向与竖向脉动风速；C_L， C_D，C_M分别为升力、阻力和升力矩系数，由风洞试验测得；C_L′，C_D′，C_M′分别为升力、阻力、 升力矩系数对攻角α的导数，χ_L、χ′_L、χ_D、χ′_D、χ_M、χ′_M为气动导纳系数，用于考虑抖 振力沿主梁宽度方向的相关性。

根据Scanlan气动自激力理论，大跨桥梁主梁上的受气动升力L_se、气动阻力D_se和气动扭 矩M_se的表达式分别如式(7a)～(7c)所示：

式中，L_se(t)、D_se(t)、M_se(t)分别表示气动自激力当中的升力、阻力、扭矩，气动自激力向量表 示为F_se＝{L_se(t)D_se(t)M_se(t)}^T；B为主梁宽度；K＝ωB/U为折算频率；H_i*，P_i*，A_i*(i＝1,2,…,6) 分别为桥梁断面的颤振导数，由风洞试验测得；h，p，α分别为主梁竖向位移、侧向位移和扭 转位移；

分别为主梁竖向、侧向和扭转位移对时间的导数；其他参数同式(6a)～(6c)。

将预测结果带入运动方程，将运动方程中的荷载项移到右侧，取其2范数，得到基于运动 方程的损失函数可定义为式(8)：

第二阶段网络的损失函数定义为

其中k_i在本实施例中取0.25。

Claims (10)

1.一种大跨度桥梁风振响应预警系统，其特征在于：包括监测前端模块、数据采集和传输模块、数据处理和计算模块以及评估预警模块；其中：

所述监测前端模块，用于监测大跨桥梁桥址区风环境与桥梁结构风振响应，包括风速仪、位移传感器、加速度传感器；

所述数据采集和传输模块，通过对监测前端模块所采集的数据作标准化处理，以建立标准化数据库，并将标准化数据库的数据传入数据处理和计算模块；所述标准化数据库的数据包括两部分，对应为台风监测数据以及桥梁风振响应监测数据；

所述数据处理和计算模块，包括数据分析模块以及预测模块；

所述的数据分析模块，能够分别对数据采集和传输模块所传输来的台风监测数据、桥梁风振响应监测数据进行分析处理，以对应地获得风特性参数、桥梁结构模态参数，

所述的预测模块，基于两阶段GRU混合预测模型而构建，能够结合GRU神经网络计算对两阶段GRU混合预测模型进行训练、更新、修正以及运用；

所述的两阶段GRU混合预测模型包括第一阶段台风风速预测模型以及第二阶段桥梁风振响应预测模型；其中：

第一阶段台风风速预测模型的输入为风特性参数，输出为台风过桥时预测风速；

第二阶段桥梁风振响应预测模型的输入为第一阶段风速预测结果和桥梁结构模态参数，输出为桥梁风振响应预测值x^p，桥梁风振响应预测值x^p包括桥梁结构的位移、速度、加速度响应预测值；

所述评估预警模块，根据数据处理和计算模块所输出的桥梁风振响应预测值x^p，对大跨桥梁运营状态进行评估预警和辅助决策。

2.根据权利要求1所述的一种大跨度桥梁风振响应预警系统，其特征在于：所述的数据分析模块，在对台风监测数据进行分析处理时，先采用矢量分解法将风速仪所采集到的原始风速分解为顺风向、横风向和竖向风速，然后以10min为基本时距，采用滑动平均法提取平均风速和脉动风速，并计算顺风向和竖向紊流强度、紊流积分尺度、功率谱密度。

3.根据权利要求1所述的一种大跨度桥梁风振响应预警系统，其特征在于：所述的数据分析模块，在对桥梁风振响应监测数据进行分析处理时，采用基于布莱克曼窗的低通滤波器提取风致振动响应的主元信息以消除噪声干扰，利用随机减量法提取结构响应的自由振动成分，得到自由振动响应信号衰减曲线，并利用函数拟合的方法计算模态频率、模态振型以及模态频率阻尼比。

4.根据权利要求1所述的一种大跨度桥梁风振响应预警系统，其特征在于：第一阶段风速预测模型训练的损失函数为均方差形式的经验风险损失函数；第二阶段风振响应预测模型训练的损失函数为均方差形式的经验风险损失函数与基于运动方程的损失函数的加权和。

5.根据权利要求4所述的一种大跨度桥梁风振响应预警系统，其特征在于：第一阶段风速预测模型训练的损失函数的表达式为：

第二阶段风振响应预测模型训练的损失函数为：

式中：N为训练样本数；U^p为风速预测值；U^m为风速实测值；k_i指损失函数加权系数；L_i(θ)根据i的取值按序分别指基于位移、速度、加速度、运动方程的损失函数，i＝1、2、3、4；X^p为位移预测值；X^m为位移实测值；M，C，K分别为桥梁结构的质量、阻尼和刚度矩阵；F为抖振力向量和气动自激力向量的和。

6.根据权利要求1所述的一种大跨度桥梁风振响应预警系统，其特征在于：所述评估预警模块，根据大跨桥梁设计规范预设桥梁风振响应极限阈值x_l，并通过比较桥梁风振响应极限阈值x_l以及桥梁风振响应预测值x^p，对大跨桥梁运营状态进行评估预警和辅助决策：

当x^p>1.2x_l时，发出红色预警，表示大跨桥梁结构安全及桥面行车将受到严重威胁；

当1.2x_l>x^p>x_l时，发出橙色预警，表示在大跨桥梁的桥面行车将受影响；

当x^p<x_l时，大跨桥梁能够维持正常运营，无需发出预警。

7.一种大跨度桥梁风振响应的预警方法，其特征在于，包括以下步骤：

S1，分析处理台风风环境实测数据、大跨桥梁风振响应实测数据

S1-1、对所接收到的台风风环境实测数据进行分析处理，以得到风特性参数：先采用矢量分解法将所接收到的原始风速分解为顺风向、横风向和竖向风速，然后以10min为基本时距，采用滑动平均法提取平均风速和脉动风速，并计算顺风向和竖向紊流强度、紊流积分尺度、功率谱密度；

S1-2，对所接收到的大跨桥梁风振响应实测数据行分析处理，以得到桥梁结构模态参数：先采用基于布莱克曼窗的低通滤波器提取风致振动响应的主元信息以消除噪声干扰，然后利用随机减量法提取结构响应的自由振动成分，从而得到自由振动响应信号衰减曲线，并利用函数拟合的方法计算模态频率、模态振型以及模态频率阻尼比；

S2，基于实测数据建立两阶段GRU混合预测模型

两阶段GRU混合预测模型包括第一阶段台风风速预测模型以及第二阶段桥梁风振响应预测模型；其中，第一阶段台风风速预测模型的输入为风环境数据和风特性参数，输出为台风过桥时预测风速；第二阶段桥梁风振响应预测模型以第一阶段台风风速预测模型输出的台风过桥时预测风速和桥梁结构模态参数为输入，桥梁风振响应预测值x^p为输出；桥梁风振响应预测值x^p包括桥梁结构位移、速度、加速度响应预测值；

S3，根据大跨桥梁设计规范设置桥梁风振响应极限阈值，记为：x_l，若桥梁风振响应预测值x^p>1.2x_l，发出红色预警，表明大跨桥梁结构安全及桥面行车将受到严重威胁，提示相关部门应及时制定和执行应急预案，避免发生重大交通事故；若1.2x_l>x^p>x_l，发出橙色预警，表明大跨桥梁的桥面行车将受影响，提示相关部门应持续关注风振响应变化趋势，并提前告知往来车辆注意行车安全并制定防范方案；若x^p<x_l，表明大跨桥梁能够维持正常运营，无需发出警报。

8.根据权利要求7所述的一种大跨度桥梁风振响应的预警方法，其特征在于：S2步骤中，两阶段GRU混合预测模型的参数具有时变特性，每次采集到基本时距下的最新实测数据后，数据处理和计算模块将重新对两阶段GRU混合预测模型进行训练并更新模型参数。

9.根据权利要求7所述的一种大跨度桥梁风振响应的预警方法，其特征在于：S2步骤中，第一阶段风速预测模型训练的损失函数为均方差形式的经验风险损失函数；第二阶段风振响应预测模型训练的损失函数为均方差形式的经验风险损失函数与基于运动方程的损失函数的加权和。

10.根据权利要求9所述的一种大跨度桥梁风振响应的预警方法，其特征在于：第一阶段风速预测模型训练的损失函数的表达式为：

第二阶段风振响应预测模型训练的损失函数为：

式中：N为训练样本数；U^p为风速预测值；U^m为风速实测值；k_i指损失函数加权系数；L_i(θ)根据i的取值按序分别指基于位移、速度、加速度、运动方程的损失函数，i＝1、2、3、4；X^p为位移预测值；X^m为位移实测值；M，C，K分别为桥梁结构的质量、阻尼和刚度矩阵；F为抖振力向量和气动自激力向量的和。

Images