CN114444983A - 基于车桥耦合和数字孪生的城市桥梁群状态评估方法 - Google Patents
基于车桥耦合和数字孪生的城市桥梁群状态评估方法 Download PDFInfo
- Publication number
- CN114444983A CN114444983A CN202210363163.0A CN202210363163A CN114444983A CN 114444983 A CN114444983 A CN 114444983A CN 202210363163 A CN202210363163 A CN 202210363163A CN 114444983 A CN114444983 A CN 114444983A
- Authority
- CN
- China
- Prior art keywords
- bridge
- vehicle
- data
- response
- mobile
- 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
Links
- 238000010168 coupling process Methods 0.000 title claims abstract description 98
- 230000008878 coupling Effects 0.000 title claims abstract description 97
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 97
- 238000011156 evaluation Methods 0.000 title claims abstract description 86
- 230000004044 response Effects 0.000 claims abstract description 184
- 201000010099 disease Diseases 0.000 claims abstract description 35
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims description 96
- 230000001133 acceleration Effects 0.000 claims description 66
- 230000005284 excitation Effects 0.000 claims description 42
- 230000008447 perception Effects 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 16
- 238000005303 weighing Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 10
- 230000036541 health Effects 0.000 description 7
- 238000006073 displacement reaction Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 125000000174 L-prolyl group Chemical group [H]N1C([H])([H])C([H])([H])C([H])([H])[C@@]1([H])C(*)=O 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/292—Multi-camera tracking
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Multimedia (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于车桥耦合和数字孪生的城市桥梁群状态评估方法,所述方法包括:获取移动车载信息和移动感知数据;分别将移动车载信息和桥梁表观病害数据叠加到预置的车桥耦合模型,基于叠加后的车桥耦合模型生成仿真桥梁响应数据;获取实际监测的桥梁响应数据,将仿真桥梁响应数据与实际监测的桥梁响应数据进行对比,根据对比结果确定有效桥梁响应数据;根据有效桥梁响应数据和移动感知数据,生成桥梁状态评估结果;当基于桥梁状态评估结果判定桥梁存在损伤时,将桥梁状态评估结果叠加到桥梁数字孪生模型上,由桥梁数字孪生模型输出相应的桥梁损伤状态。本发明可实现桥梁数据的自动采集以及桥梁状态的自动智能化评估。
Description
技术领域
本发明涉及数字孪生和桥梁智能监测技术领域,具体涉及一种基于车桥耦合和数字孪生的城市桥梁群状态评估方法。
背景技术
城市桥梁群,顾名思义为以城市为单位,其辖区范围内的所有架设在河道上的桥梁以及城市立交、跨越铁路的立交桥等,其多为中小跨径桥梁,具有结构类型多样,分布范围广、集群+散点式分布特征。随着城市交通量的激增,桥梁承载负荷加大,建设年限增加等多因素的影响,导致城市损伤桥梁不断增加。城市桥梁群在为经济发展发挥积极作用的同时,其健康监测工作面临着日益严峻的挑战。
国内外大多对大跨桥梁建立健康监测系统以实现对桥梁性能状况的实时监测,而对于城市桥梁由于其跨径较小,造价成本相对较低等原因,多采用人工巡检+定期检测的方法进行监管。人工巡检多以表观检查为主,存在巡检效率低等问题,而传统定期检测受检测人员技术水平的影响大,可能出现对设施内在性能不敏感,风险预警不及时的问题。
发明内容
本发明解决的问题是传统的人工巡检多以表观检查为主,存在巡检效率低等问题,而传统的定期检测受检测人员技术水平的影响大,可能出现对设施内在性能不敏感,风险预警不及时。
本发明提出一种基于车桥耦合和数字孪生的城市桥梁群状态评估方法,包括:
获取移动感知数据,其中,所述移动感知数据包括桥梁表观病害数据和桥梁结构模态数据,将所述桥梁表观病害数据叠加到预置的车桥耦合模型;
获取移动车载信息,将所述移动车载信息叠加到所述车桥耦合模型,其中,所述移动车载信息包括桥面载荷分布;
基于叠加后的所述车桥耦合模型生成仿真桥梁响应数据;
获取实际监测的桥梁响应数据,将所述仿真桥梁响应数据与所述实际监测的桥梁响应数据进行对比,根据对比结果确定有效桥梁响应数据;
根据所述有效桥梁响应数据和所述移动感知数据,生成桥梁状态评估结果;
当基于所述桥梁状态评估结果判定桥梁存在损伤时,将所述桥梁状态评估结果叠加到桥梁数字孪生模型上,由所述桥梁数字孪生模型输出相应的桥梁损伤状态。
可选地,所述移动感知数据基于移动测量车系统计算而得,所述移动测量车系统包括一台数据采集车和位于所述数据采集车前侧的前激励车及位于所述数据采集车后侧的后激励车,所述桥梁结构模态数据包含桥梁模态频率;所述获取移动感知数据包括:
获取所述移动测量车系统在第一位置由所述前激励车进行激励时的第一加速度响应以及由所述后激励车进行激励时的第二加速度响应,以及所述移动测量车系统在第二位置由所述前激励车进行激励时的第三加速度响应以及由所述后激励车进行激励时的第四加速度响应,其中,所述移动测量车系统在所述第二位置时所述后激励车所处的位置与所述移动测量车系统在所述第一位置时的所述前激励车所处的位置相同;
对所述第一加速度响应、所述第二加速度响应、所述第三加速度响应及所述第四加速度响应进行快速傅里叶变换,分别得到各自的频率成分组成;
通过对比同一位置激励、不同位置数据采集车的加速度响应的差异,确定桥面不平顺的影响值;通过对比不同位置激励、同一位置数据采集车的加速度响应的差异,确定驱车频率的影响值;其中,所述同一位置激励、不同位置数据采集车的加速度响应包括所述第一加速度响应和所述第四加速度响应,所述不同位置激励、同一位置数据采集车的加速度响应包括所述第一加速度响应和所述第二加速度响应;
使用所述第一加速度响应对应的频率成分组分减去所述桥面不平顺的影响值及所述驱车频率的影响值,得到实际桥梁模态频率。
可选地,所述将所述移动车载信息叠加到所述车桥耦合模型包括:
识别所述移动车载信息对应车辆的车辆类型;
从预置的车辆模型库中调取所述车辆类型对应的车辆模型叠加到所述车桥耦合模型,其中,所述车辆模型库包含不同车辆类型的全车模型,所述车桥耦合模型基于全车-桥梁耦合模型建立而成。
可选地,所述将所述仿真桥梁响应数据与所述实际监测的桥梁响应数据进行对比,根据对比结果确定有效桥梁响应数据包括:
当所述仿真桥梁响应数据与所述实际监测的桥梁响应数据之间的差异度大于或等于预设值时,执行监测传感器故障检查操作;
若所述监测传感器无故障,则将所述实际监测的桥梁响应数据作为所述有效桥梁响应数据;
若所述监测传感器存在故障,则输出监测传感器故障提示信息,并返回执行所述获取移动感知数据。
可选地,所述根据所述有效桥梁响应数据和所述移动感知数据,生成桥梁状态评估结果包括:
基于层次分析法为所述有效桥梁响应数据的各指标项和所述移动感知数据的各指标项分配指标权重,其中,所述有效桥梁响应数据的中间层指标项包括桥梁振动响应指标,所述移动感知数据的中间层指标项包括车辆振动响应指标;
根据所述有效桥梁响应数据的各指标项及其指标权重生成第一性能评价值,根据所述移动感知数据的各指标项及其指标权重生成第二性能评价值;
计算所述第一性能评价值和所述第二性能评价值的加权平均值,将所述加权平均值作为所述桥梁状态评估结果。
可选地,所述获取移动车载信息包括:
获取通过监测断面的第一车辆的重量及所述第一车辆通过所述监测断面的第一时间;
获取所述监测断面在所述第一时间的图像,根据所述监测断面在所述第一时间的图像确定所述第一车辆的图像;
根据所述第一车辆的图像,结合桥面多点位视频图像,确定所述第一车辆在桥面的运行轨迹;
将所有所述第一车辆的图像、重量及其在桥面的运行轨迹作为所述移动车载信息。
可选地,所述桥梁数字孪生模型的构建包括桥梁结构数字孪生的构建和桥面移动车辆荷载数字孪生的构建,其中,
所述桥梁结构数字孪生的构建包括:通过桥梁结构和地理信息特点,利用建筑信息模型和地理信息系统建立针对桥梁结构主体的可视化模型,得到初始的桥梁结构数字孪生,通过所述桥梁表观病害数据修正所述初始的桥梁结构数字孪生,得到桥梁结构模型;
所述桥面移动车辆荷载数字孪生的构建包括:基于桥面多点位视频图像确定桥面移动车辆载荷的位置分布数据,将所述位置分布数据与动态称重数据融合,建立所述桥面移动车辆荷载数字孪生。
可选地,所述获取移动感知数据之前还包括:
获取预置的城市桥梁群中各桥梁的监测重要性评价指标,所述监测重要性评价指标包括交通流量、技术状况、服役年限、项目造价、辐射范围、跨度及地理位置;
根据所述监测重要性评价指标从所述预置的城市桥梁群选取多架重点桥梁,为多架所述重点桥梁构建监测系统、所述车桥耦合模型及所述桥梁数字孪生模型。
本发明还提出一种基于车桥耦合和数字孪生的城市桥梁群状态评估装置,包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时,实现如上所述的基于车桥耦合和数字孪生的城市桥梁群状态评估方法。
本发明还提出一种基于车桥耦合和数字孪生的城市桥梁群状态评估系统,包括如上所述的基于车桥耦合和数字孪生的城市桥梁群状态评估装置、移动测量车系统及监测传感器;所述移动测量车系统包括一台数据采集车和位于所述数据采集车前侧的前激励车及位于所述数据采集车后侧的后激励车,用于进行车辆响应数据采集和桥梁表观病害数据采集,并将基于所述车辆响应数据计算得到的实际桥梁模态频率和所述桥梁表观病害数据传输到所述基于车桥耦合和数字孪生的城市桥梁群状态评估装置;所述监测传感器用于监测桥梁响应数据,并传输到所述基于车桥耦合和数字孪生的城市桥梁群状态评估装置。
本发明通过将基于移动感知获取的桥梁表观病害数据和桥梁结构模态信息,与结合桥面精准移动车辆荷载的桥梁健康监测数据进行融合,从桥梁内部与表面实现全面高效的桥梁状态评估,通过传感器等数据监测设备自动进行桥梁数据采集,提高桥梁数据的采集效率和实时性,通过数据分析实现桥梁损伤状态评估,降低桥梁损伤状态评估对检测人员的依赖,保持对设施内在性能的高敏感性,保证及时进行风险预警。同时,通过将车桥耦合模型生成仿真桥梁响应数据与实际监测的桥梁响应数据进行对比,根据对比结果确定有效桥梁响应数据,实现车桥耦合模型与城市桥梁群监测技术相融合,使得理论计算结果与实际监测数据能够实现对照,有效避免单一数据可能造成的误判;此外,构建数字孪生模型,将桥梁损伤状态在数字孪生模型上更直观地显现,使分析依据更加可信,实时动态监测效果更加明显。
附图说明
图1为本发明实施例基于车桥耦合和数字孪生的城市桥梁群状态评估方法流程一示意图;
图2为本发明实施例基于车桥耦合和数字孪生的城市桥梁群状态评估方法的框架示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
如图1和图2,在本发明一实施例中,所述基于车桥耦合和数字孪生的城市桥梁群状态评估方法包括:
步骤S10,获取移动感知数据,将移动感知数据中的桥梁表观病害数据叠加到预置的车桥耦合模型。
移动感知,指利用桥梁检测车,采集桥梁病害图像和采集桥梁结构模态信息,利用桥梁病害图像和桥梁结构模态信息实现桥梁移动感知和损伤状态评估。移动感知数据包括桥梁表观病害数据和桥梁结构模态数据;其中,桥梁表观病害数据指桥面坑坑洼洼、桥面破损、桥面裂缝等可从表面观测的数据,可在移动测量车系统上设置摄像装置,用以拍摄桥梁表观病害图像,以得到桥梁表观病害数据。桥梁结构模态数据,通过在移动测量车系统上设置加速度传感器,根据移动测量车系统的加速度响应,计算得到车辆响应数据,进而得到基于车辆响应的桥梁结构模态信息。
通过移动感知获得桥梁表观病害数据,可实现对桥梁表观病害的快速识别。通过移动感知获得桥梁结构模态信息,可获取从车的维度感知的桥梁响应数据,经过分析,得到桥梁结构模态信息,增加用于桥梁损伤状态评估的信息的多样性,有利于提高桥梁损伤状态评估的准确性。同时,将移动感知数据中的桥梁表观病害数据叠加到预置的车桥耦合模型,可使车桥耦合模型加载真实桥梁状态信息,反映真实的桥梁状态,使得车桥耦合模型生成的仿真桥梁响应数据更贴近真实情况,更准确。
步骤S20,获取移动车载信息,将所述移动车载信息叠加到所述车桥耦合模型。
移动车载信息,指经过桥梁的移动车辆载荷的相关信息,包括桥面的车辆载荷分布,还可包含移动车辆载荷的图像等。车辆经过城市桥梁时,车辆对桥梁的作用位置是随机分布的,作用位置不同导致桥梁结构响应也不同,为得到准确的仿真桥梁响应数据,需要明确车辆载荷在桥梁上的空间分布位置,即车辆载荷分布信息。通过将移动车载信息叠加到车桥耦合模型,可将真实载荷叠加到车桥耦合模型中,使车桥耦合模型能反映更真实的桥梁状态,生成的仿真桥梁响应数据更贴近真实情况,更准确。
步骤S30,基于叠加后的所述车桥耦合模型生成仿真桥梁响应数据。
将实时的移动车载信息和桥梁表观病害数据叠加到车桥耦合模型中,由车桥耦合进行实时仿真计算,得到仿真桥梁响应数据。桥梁响应数据包括加速度、桥梁挠度、位移、应变和/或裂缝等力学响应数据。车桥耦合模型采用全车模型,可预先建立包含不同类型车辆全车模型的车辆模型库(包含公交、卡车,小轿车,货车等车型),再通过实时的移动车载信息在车辆模型库中进行自动匹配,选取匹配的车辆模型应用在车桥耦合模型中。
进一步地,步骤S30中将所述移动车载信息叠加到所述车桥耦合模型包括:识别移动车载信息对应车辆的车辆类型;从预置的车辆模型库中调取所述车辆类型对应的车辆模型叠加到所述车桥耦合模型。其中,车辆模型库包含不同车辆类型的全车模型,车桥耦合模型基于全车-桥梁耦合模型建立而成。
预先根据实际车型设置车辆模型库,车辆模型库中包含多种类型车辆的全车模型,如两轮车、三轮车、四轮车、六轮车、八轮车等,还包含公交车、卡车、小轿车、货车等不同车型的全车模型。
通过移动车载信息,识别车辆类型,再从车辆模型库中直接调取相应车辆类型的车辆模型叠加到车桥耦合模型,实现车桥耦合模型的更新。
车桥耦合模型基于全车-桥梁耦合模型建立而成。移动车辆-桥梁之间的耦合作用力由两部分组成,一部分是静荷载,即车体重量;另一部分是车辆的惯性力,其与桥面板的加速度和路面不平度有关。全车-桥梁耦合模型既考虑了车辆静荷载和车辆移动过程中产生的惯性力,还考虑了悬挂系统的弹性力和阻尼力,弹性力和阻尼力是构成车辆动态荷载的重要组成部分,因而由全车-桥梁耦合模型构建的车桥耦合模型可无限接近于实际车辆与桥梁。
全车-桥梁耦合模型是在1/2车辆-桥梁模型基础上建立的更符合实际的车桥耦合模型,1/2车辆-桥梁模型一方面考虑了前后轴移动情况,另一方面将上部车体视为一个整体,而全车-桥梁耦合模型在1/2车辆-桥梁模型的基础上,将上部车体视为一个整体,且不仅考虑前后轴移动情况,还考虑左右轮的荷载作用。在建立车辆模型后,每个车轮通过位移耦合法与桥梁节点进行耦合,进而实现车辆与桥梁的耦合。
步骤S40,获取实际监测的桥梁响应数据,将所述仿真桥梁响应数据与所述实际监测的桥梁响应数据进行对比,根据对比结果确定有效桥梁响应数据。
通过部署在桥梁的监测传感器监测桥梁响应数据,例如,通过监测挠度、倾角、应变等的监测传感器监测桥梁响应数据。在获取实际监测的桥梁响应数据后,对其采用卡尔曼滤波、小波变换的方式进行预处理,随后将仿真桥梁响应数据与实际监测的桥梁响应数据进行对照,可识别实际监测数据错误或者仿真桥梁响应数据与实际桥梁状况相差较大的问题,因为可能出现监测传感器故障等原因导致实际监测数据错误,通过车桥耦合模型计算得到的仿真桥梁响应数据校验实际监测的桥梁响应数据,可提高监测数据准确性,确定实际监测数据的合理性,而若核实监测传感器没有故障,则可根据实际监测的桥梁响应数据修正车桥耦合模型,使其与实际桥梁状况贴合。
具体地,步骤S40中所述将所述仿真桥梁响应数据与所述实际监测的桥梁响应数据进行对比,根据对比结果确定有效桥梁响应数据包括:当仿真桥梁响应数据与实际监测的桥梁响应数据之间的差异度大于或等于预设值时,执行监测传感器故障检查操作。此处可进行监测传感器故障自查操作,也可提醒人工检查。
若监测传感器无故障,则说明实际监测的桥梁响应数据没有问题,可将实际监测的桥梁响应数据作为有效桥梁响应数据,进行后续判断。此时,可基于实际监测的桥梁响应数据对车桥耦合模型进行修正与完善,使车桥耦合模型更接近桥梁实际状态,提高车桥耦合模型及仿真桥梁响应数据的准确性。
若监测传感器存在故障,则实际监测的桥梁响应数据有误,应输出监测传感器故障提示信息,以提醒人工检查,并返回执行所述步骤S10-S40。
通过上述步骤,可对以下情形中出现的传感器故障或者桥梁损伤等问题进行准确识别:情形1:车辆荷载较大,但传感器监测到的桥梁振动响应过小,说明传感器有问题。传感器可能因为粘贴不牢,发生脱落或者破坏等原因,其实际监测值偏小,实际上按照这个车辆荷载大小,应该因为超过阈值而引发报警的却没有报警。情形2:车辆荷载较小,传感器监测到的桥梁振动响应却过大,则1)说明桥梁有问题,桥梁可能发生损伤,有裂纹或者支座有问题等,2)传感器有问题,传感器失效或者内部零件因为长久环境因素而受到干扰,出现监测监测数据偏大异常。
步骤S50,根据所述有效桥梁响应数据和所述移动感知数据,生成桥梁状态评估结果。
有效桥梁响应数据,指经过校验的桥梁角度的实际监测的桥梁响应数据,其包含加速度、桥梁挠度、位移、应变、裂缝等力学响应数据,可用于反映桥梁内部或其他不易观测部位的病害,比如,桥梁下底部的裂缝、混凝土内部裂缝等。移动感知数据,包含桥梁病害图像和车辆感知的桥梁结构模态信息,桥梁病害图像可反映桥梁上部表观病害,如一些桥梁附属设施病害、桥面坑坑洼洼、桥面裂缝等,车辆感知的桥梁结构模态信息指基于车辆响应间接测得的桥梁结构模态信息,即车辆角度的桥梁结构模态信息。通过二者结合,可从桥梁内外以及桥梁和车辆两个角度进行桥梁损伤识别。
进一步地,根据层次分析法为有效桥梁响应数据和移动感知数据下的指标分配权重,生成桥梁状态评估结果。具体地,步骤S50包括:
步骤S51,基于层次分析法为所述有效桥梁响应数据的各指标项和所述移动感知数据的各指标项分配指标权重,其中,所述有效桥梁响应数据的中间层指标项包括桥梁振动响应指标,所述移动感知数据的中间层指标项包括车辆振动响应指标。
建立可用于层次分析法的评价体系模型,具体而言,构建桥梁评价的指标体系,有效桥梁响应数据的中间层指标项包括桥梁振动响应指标,移动感知数据的中间层指标项包括车辆振动响应指标。
进一步可选地,移动感知数据包含:表观病害指标(A1)和移动感知指标(A2),其中,表观病害指标(A1)包含上部结构层次(A1a)、下部结构层次(A1b)和桥面及附属设施层次(A1c);上部结构层次(A1a)包含主要承重构件A1a1、一般承重构件A1a2、支座A1a3;下部结构层次(A1b)包含桥台及基础A1b1、桥墩及基础A1b2、地基冲刷A1b3;桥面及附属设施层次(A1c)包含桥面设施(A1c1)和附属构造物(A1c2),其中,桥面设施(A1c1)包含桥面铺装A1c11、伸缩罐A1c12、排水设施A1c13、桥头与路提连接部A1c14、护栏、栏杆A1c15、人行道A1c16;附属构造物(A1c2)包含翼墙、耳墙A1c21、锥坡、护坡A1c22、灯具、标志A1c23、调治构造物A1c24、其他A1c25。移动感知指标(A2)包含车辆振动响应(A2d),车辆振动响应(A2d)包含模态频率A2d1、模态振型A2d2、动力响应A2d3。有效桥梁响应数据包含中间层指标项:运营环境指标(B3)、桥梁整体响应指标(B4)、桥梁局部响应指标(B5),其中,运营环境指标(B3)包含环境温湿度B31、桥面温度B32、风速风向B33、地震动监测B34;桥梁整体响应指标(B4)包含桥梁挠度B41、振动特性(B42)、墩台沉降B43、梁体纵横向位移B44,其中,振动特性(B42)包括模态频率B421、模态振型B422、动力响应B423,桥梁局部响应指标(B5)包含裂缝B51、应变B52、索力B53、支座脱空监测B54、拱顶位移监测B55、锚头锈蚀监测B56、梁体倾斜监测B57。其中,每个指标项后均使用字母数字组成的标识符表示,中间层指标项的标识符包含“()”,底层指标项的标识符不含“()”,例如,表观病害指标(A1)为中间层指标项,主要承重构件A1a1为底层指标项。
步骤S52,根据所述有效桥梁响应数据的各指标项及其指标权重生成第一性能评价值,根据所述移动感知数据的各指标项及其指标权重生成第二性能评价值。
步骤S53,计算所述第一性能评价值和所述第二性能评价值的加权平均值,将所述加权平均值作为所述桥梁状态评估结果。
桥梁状态评估结果为:
通过上述步骤,实现分别从车辆和桥梁两个维度获取桥梁响应数据,进而从两个维度实现桥梁损失状态判断,提高桥梁损失判断的准确性。
步骤S60,当基于所述桥梁状态评估结果判定桥梁存在损伤时,将所述桥梁状态评估结果叠加到桥梁数字孪生模型上,由所述桥梁数字孪生模型输出相应的桥梁损伤状态。
桥梁损伤状态包含损伤桥梁所在的地理位置,具体损伤位置,损伤大小,损伤分布情况等。在生成桥梁状态评估结果后,将其叠加到桥梁数字孪生模型上,实现桥梁数字孪生模型的实时更新,进而实现桥梁损伤的快速定位,指导桥梁快速养护维修和应急处理。
本发明通过将基于移动感知获取的桥梁表观病害数据和桥梁结构模态信息,与结合桥面精准移动车辆荷载的桥梁健康监测数据进行融合,从桥梁内部与表面实现全面高效的桥梁状态评估,通过传感器等数据监测设备自动进行桥梁数据采集,提高桥梁数据的采集效率和实时性,通过数据分析实现桥梁损伤状态评估,降低桥梁损伤状态评估对检测人员的依赖,保持对设施内在性能的高敏感性,保证及时进行风险预警。同时,通过将车桥耦合模型生成仿真桥梁响应数据与实际监测的桥梁响应数据进行对比,根据对比结果确定有效桥梁响应数据,实现车桥耦合模型与城市桥梁群监测技术相融合,使得理论计算结果与实际监测数据能够实现对照,有效避免单一数据可能造成的误判;此外,构建数字孪生模型,将桥梁损伤状态在数字孪生模型上更直观地显现,使分析依据更加可信,实时动态监测效果更加明显。
可选地,步骤S10包括:
步骤S11,获取通过监测断面的第一车辆的重量及所述第一车辆通过所述监测断面的第一时间。
桥梁称重系统仅能实现对车辆通过监测断面瞬间的荷载静态识别,无法对桥梁的车辆荷载空间分布状态进行实时的动态监测。通过将视频监测与称重系统结合,实时还原车辆载荷在桥面的空间位置,实现对桥梁车载的时空域动态监测。
桥梁称重系统能够测得车速、车重等信息,桥梁称重系统实时监测通过监测断面的车辆重量,并记录对应的监测时间,将车辆重量与对应的监测时间关联,并将其传输至监测系统平台。可在桥梁每条车道的入口设置称重系统,同一时刻每条车道仅能有一辆车通过监测断面,即同一时刻称重系统仅可能检测到一辆车的重量。
为便于后续描述,将通过监测断面的车辆命名为第一车辆,将第一车辆通过所述监测断面的时间命名为第一时间。
步骤S12,获取所述监测断面在所述第一时间的图像,根据所述监测断面在所述第一时间的图像确定所述第一车辆的图像。
获取所述监测断面在所述第一时间的图像,具体地,在桥梁上方设置一个或多个图像采集装置,用于采集桥面车流图像,同时记录图像的采集时间。图像采集装置设置于桥梁上方,其位置固定,而称重系统在车道上的位置也是固定的,因而称重系统相对图像采集装置的位置固定,即监测断面相对图像采集装置的位置固定,因而,可记录监测断面在图像采集装置所采集的图像中的像素范围,在获取图像采集装置在第一时间采集的图像后,基于记录的像素范围剪切出监测断面的图像;当桥梁上设置多个图像采集装置时,标记采集范围包含监测断面的图像采集装置,并记录监测断面在该图像采集装置所采集的图像中的像素范围,在获取该标记的图像采集装置在第一时间采集的图像后,基于记录的像素范围剪切出监测断面的图像。
在获取监测断面在第一时间的图像后,可从中提取第一车辆的图像,具体可通过图像差分算法,将监测断面在第一时间的图像去除背景图像,得到第一车辆的图像。
步骤S13,根据所述第一车辆的图像,结合桥面多点位视频图像,确定所述第一车辆在桥面的运行轨迹。
具体地,从第一车辆的图像中提取第一车辆的特征,基于第一车辆的特征对第一车辆进行目标跟踪,可通过深度学习神经网络模型从第一车辆的图像中提取第一车辆的多维度外观特征信息,如通过卷积神经网络从第一车辆的图像中提取第一车辆的多维度外观特征信息,如车型、颜色等。
此处的桥面多点位视频图像,指桥梁上多个图像采集装置采集的图像,因一个图像采集装置的采集范围可能无法完全覆盖整个桥梁,或者对较远区域无法采集到清晰的图像,所以可在桥梁上设置多个图像采集装置,以采集不同范围的图像。
基于第一车辆的多维度外观特征信息,可识别出第一车辆在不同图像采集装置所采集图像中的位置及轨迹,再结合不同图像采集装置采集到第一车辆图像的时间及不同图像采集装置采集范围之间的位置关系,可确定第一车辆在桥面的运行轨迹,还可确定第一车辆的行驶速度。
步骤S14,将所有所述第一车辆的图像、重量及其在桥面的运行轨迹作为所述移动车载信息。
桥面上的车可能有多辆,基于每一辆车在桥面的运行轨迹,可实时确定车辆在桥面的空间位置分布,再结合每一辆车的重量,可确定桥面上实时的载荷分布。
由此,通过多通道视频传感与既有动态称重系统结合,能够实现对桥梁车辆荷载在桥面空间位置的实时还原,获取桥梁服役状态下的车辆荷载时程,从而实现对桥梁车载的时空域动态监测。
可选地,所述移动感知数据基于移动测量车系统计算而得,所述桥梁结构模态数据包含桥梁模态频率,所述移动测量车系统包括一台数据采集车和位于所述数据采集车前侧的前激励车及位于所述数据采集车后侧的后激励车,所述获取移动感知数据包括:
采集所述前激励车和所述后激励车在不同位置交替进行激励时的加速度响应。在数据采集车上设置加速度传感器,用以采集加速度响应数据。具体而言,获取所述移动测量车系统在第一位置由所述前激励车进行激励时的第一加速度响应以及由所述后激励车进行激励时的第二加速度响应,以及所述移动测量车系统在第二位置由所述前激励车进行激励时的第三加速度响应以及由所述后激励车进行激励时的第四加速度响应,其中,所述移动测量车系统在所述第二位置时所述后激励车所处的位置与所述移动测量车系统在所述第一位置时的所述前激励车所处的位置相同。举例而言,在桥面设置多个测点,以b1、b2、b3、b4...等表示。首先,前激励车、数据采集车、后激励车分别位于b3、b2、b1,此时通过前激励车在b3位置进行激励,数据采集车在b2位置采集加速度响应a1,待加速度趋于平稳后,前激励车停止激励,后激励车在b1位置进行激励,数据采集车在b2位置采集加速度响应a2;然后前激励车继续往前,前激励车停留在b5位置,数据采集车停留在b4位置,后激励车停留在b3位置,此时前激励车在b5位置进行激励,数据采集车在b4位置采集加速度响应a3,待加速度趋于平稳后,前激励车停止激励,后激励车在b3位置进行激励,数据采集车在b4位置采集加速度响应a4。
对数据采集车采集的加速度响应进行快速傅里叶变换,分别得到各自的频率成分组成。具体对所述第一加速度响应、所述第二加速度响应、所述第三加速度响应及所述第四加速度响应进行快速傅里叶变换,分别得到各自的频率成分组成。例如,对加速度响应a1进行傅里叶变换得到频率成分w1=w1a+w1b+w1c,对加速度响应a2进行傅里叶变换得到频率成分w2=w2a+w2b+w2c,对加速度响应a3进行傅里叶变换得到频率成分w3=w3a+w3b+w3c,对加速度响应a4进行傅里叶变换得到频率成分w4=w4a+w4b+w4c。其中,w1a/w2a/w3a/w4a、w1b/w2b/w3b/w4b、w1c/w2c/w3c/w4c分别代表着:驱车频率、车体频率、简支梁模态频率。
通过对比同一位置激励、不同位置数据采集车的加速度响应的差异,确定桥面不平顺的影响值;通过对比不同位置激励、同一位置数据采集车的加速度响应的差异,确定驱车频率的影响值。其中,同一位置激励、不同位置数据采集车的加速度响应指a1和a4,计算w4-w1,得到b2位置处的桥面不平顺的影响值,不同位置激励、同一位置数据采集车的加速度响应指a1和a2,计算w1-w2,得到b2位置的驱车频率的影响值。
使用第一加速度响应对应的频率成分组分减去所述桥面不平顺的影响值及驱车频率的影响值,得到实际桥梁模态频率。使用w1-(w1-w2)-(w4-w1),得到b2位置处的桥梁频率,即w2-w4+w1。
最后依次测得桥面不同测点b2,b3…bn的频率,将其按照桥梁走向连线,即可得到桥梁有载频率曲线振型。
通过上述方式得到实际桥梁模态频率,可有效消除桥面不平整度和驱车频率影响,建立利用车桥接触点响应识别桥梁模态参数的方法,排除车体频率的影响,获得更为准确的桥梁结构模态数据。
可选地,所述桥梁数字孪生模型的构建包括桥梁结构数字孪生的构建和桥面移动车辆荷载数字孪生的构建:
所述桥梁结构数字孪生的构建包括:通过桥梁结构和地理信息特点,利用建筑信息模型和地理信息系统建立针对桥梁结构主体的可视化模型,得到初始的桥梁结构数字孪生,通过所述桥梁表观病害数据,结合基于深度学习的病害识别模型,自动匹配病害并修正所述初始的桥梁结构数字孪生,得到所述桥梁结构模型。具体地,可采用Pro/E、CATIA、3DMAX等三维建模工具,以及Unity 3D、OGRE等三维图形渲染引擎作为建模基础,建立针对桥梁结构群的结构主体可视化模型,作为初始的桥梁结构数字孪生。此外,由于真实物理对象的复杂性和变化性,普通的模型往往无法实时准确地反应现实世界中物理对象的变化,因而本发明可通过移动感知获得的桥梁结构模态参数作为状态量来修正/完善桥梁结构数字孪生模型,还可通过监测传感器采集的桥梁响应数据作为状态量来修正/完善桥梁结构数字孪生模型,本发明通过贝叶斯模型修正原理及基于深度学习的病害识别模型对桥梁结构数字孪生模型进行修正更新,从而不断的提高桥梁数字孪生模型的精度,进而使更新后的桥梁数字孪生模型可与真实结构在性能上保持一致。
所述桥面移动车辆荷载数字孪生的构建包括:基于桥面多点位视频图像确定桥面移动车辆载荷的位置分布数据,将所述位置分布数据与动态称重数据融合,建立所述桥面移动车辆荷载数字孪生。由此,可补全桥梁群可视化模型中的动态要素,实现对桥梁群整体的可视化建模。
在构建完桥梁结构数字孪生模型和桥面移动车辆荷载数字孪生后,可结合既有平台开发技术,将上述完成内容嵌入到桥梁群健康监测与快速评估云平台中,实现桥梁群健康监测与快速智能评估云平台的搭建。
可选地,所述获取移动感知数据之前还包括:
获取预置的城市桥梁群中各桥梁的监测重要性评价指标,所述监测重要性评价指标包括交通流量、技术状况、服役年限、项目造价、辐射范围、跨度及地理位置;根据所述监测重要性评价指标从所述预置的城市桥梁群选取多架重点桥梁,为多架所述重点桥梁构建监测系统、所述车桥耦合模型及所述桥梁数字孪生模型。
其中,技术状况从桥梁的定期检查报告中获取,可反映桥梁整体安全状态。辐射范围代表着桥梁对交通的影响范围,跨度指桥梁尺寸,地理位置指桥梁是否为路线交汇的关键节点。
通过城市桥梁的监测重要性评价指标对桥梁群中各种桥梁的重要性进行评价,根据评价结果选取重要的桥梁作为整个城市桥梁的代表,选取的桥梁构建监测系统,通过移动感知和健康监测系统进行联合快速状态评估;未选取的桥梁将通过移动感知系统进行快速状态评估。
本发明一实施例中,基于车桥耦合和数字孪生的城市桥梁群状态评估装置包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时,实现如上所述的基于车桥耦合和数字孪生的城市桥梁群状态评估方法。本发明基于车桥耦合和数字孪生的城市桥梁群状态评估装置相对于现有技术所具有的有益效果与上述基于车桥耦合和数字孪生的城市桥梁群状态评估方法一致,此处不赘述。
本发明还提出一种基于车桥耦合和数字孪生的城市桥梁群状态评估系统,包括如上所述的基于车桥耦合和数字孪生的城市桥梁群状态评估装置、移动测量车系统及监测传感器;
所述移动测量车系统包括如上所述的基于车桥耦合和数字孪生的城市桥梁群状态评估装置、移动测量车系统及监测传感器;所述移动测量车系统包括一台数据采集车和位于所述数据采集车前侧的前激励车及位于所述数据采集车后侧的后激励车,用于进行车辆响应数据采集和桥梁表观病害数据采集,并将基于所述车辆响应数据计算得到的实际桥梁模态频率和所述桥梁表观病害数据传输到所述基于车桥耦合和数字孪生的城市桥梁群状态评估装置;所述监测传感器用于监测桥梁响应数据,并传输到所述基于车桥耦合和数字孪生的城市桥梁群状态评估装置。本发明基于车桥耦合和数字孪生的城市桥梁群状态评估系统相对于现有技术所具有的有益效果与上述基于车桥耦合和数字孪生的城市桥梁群状态评估方法一致,此处不赘述。
读者应理解,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于车桥耦合和数字孪生的城市桥梁群状态评估方法,其特征在于,包括:
获取移动感知数据,其中,所述移动感知数据包括桥梁表观病害数据和桥梁结构模态数据,将所述桥梁表观病害数据叠加到预置的车桥耦合模型;
获取移动车载信息,将所述移动车载信息叠加到所述车桥耦合模型,其中,所述移动车载信息包括桥面载荷分布;
基于叠加后的所述车桥耦合模型生成仿真桥梁响应数据;
获取实际监测的桥梁响应数据,将所述仿真桥梁响应数据与所述实际监测的桥梁响应数据进行对比,根据对比结果确定有效桥梁响应数据;
根据所述有效桥梁响应数据和所述移动感知数据,生成桥梁状态评估结果;
当基于所述桥梁状态评估结果判定桥梁存在损伤时,将所述桥梁状态评估结果叠加到桥梁数字孪生模型上,由所述桥梁数字孪生模型输出相应的桥梁损伤状态。
2.如权利要求1所述的基于车桥耦合和数字孪生的城市桥梁群状态评估方法,其特征在于,所述移动感知数据基于移动测量车系统计算而得,所述移动测量车系统包括一台数据采集车和位于所述数据采集车前侧的前激励车及位于所述数据采集车后侧的后激励车,所述桥梁结构模态数据包含桥梁模态频率;所述获取移动感知数据包括:
获取所述移动测量车系统在第一位置由所述前激励车进行激励时的第一加速度响应以及由所述后激励车进行激励时的第二加速度响应,以及所述移动测量车系统在第二位置由所述前激励车进行激励时的第三加速度响应以及由所述后激励车进行激励时的第四加速度响应,其中,所述移动测量车系统在所述第二位置时所述后激励车所处的位置与所述移动测量车系统在所述第一位置时的所述前激励车所处的位置相同;
对所述第一加速度响应、所述第二加速度响应、所述第三加速度响应及所述第四加速度响应进行快速傅里叶变换,分别得到各自的频率成分组成;
通过对比同一位置激励、不同位置数据采集车的加速度响应的差异,确定桥面不平顺的影响值;通过对比不同位置激励、同一位置数据采集车的加速度响应的差异,确定驱车频率的影响值;其中,所述同一位置激励、不同位置数据采集车的加速度响应包括所述第一加速度响应和所述第四加速度响应,所述不同位置激励、同一位置数据采集车的加速度响应包括所述第一加速度响应和所述第二加速度响应;
使用所述第一加速度响应对应的频率成分组分减去所述桥面不平顺的影响值及所述驱车频率的影响值,得到实际桥梁模态频率。
3.如权利要求1所述的基于车桥耦合和数字孪生的城市桥梁群状态评估方法,其特征在于,所述将所述移动车载信息叠加到所述车桥耦合模型包括:
识别所述移动车载信息对应车辆的车辆类型;
从预置的车辆模型库中调取所述车辆类型对应的车辆模型叠加到所述车桥耦合模型,其中,所述车辆模型库包含不同车辆类型的全车模型,所述车桥耦合模型基于全车-桥梁耦合模型建立而成。
4.如权利要求1所述的基于车桥耦合和数字孪生的城市桥梁群状态评估方法,其特征在于,所述将所述仿真桥梁响应数据与所述实际监测的桥梁响应数据进行对比,根据对比结果确定有效桥梁响应数据包括:
当所述仿真桥梁响应数据与所述实际监测的桥梁响应数据之间的差异度大于或等于预设值时,执行监测传感器故障检查操作;
若所述监测传感器无故障,则将所述实际监测的桥梁响应数据作为所述有效桥梁响应数据;
若所述监测传感器存在故障,则输出监测传感器故障提示信息,并返回执行所述获取移动感知数据。
5.如权利要求1所述的基于车桥耦合和数字孪生的城市桥梁群状态评估方法,其特征在于,所述根据所述有效桥梁响应数据和所述移动感知数据,生成桥梁状态评估结果包括:
基于层次分析法为所述有效桥梁响应数据的各指标项和所述移动感知数据的各指标项分配指标权重,其中,所述有效桥梁响应数据的中间层指标项包括桥梁振动响应指标,所述移动感知数据的中间层指标项包括车辆振动响应指标;
根据所述有效桥梁响应数据的各指标项及其指标权重生成第一性能评价值,根据所述移动感知数据的各指标项及其指标权重生成第二性能评价值;
计算所述第一性能评价值和所述第二性能评价值的加权平均值,将所述加权平均值作为所述桥梁状态评估结果。
6.如权利要求1所述的基于车桥耦合和数字孪生的城市桥梁群状态评估方法,其特征在于,所述获取移动车载信息包括:
获取通过监测断面的第一车辆的重量及所述第一车辆通过所述监测断面的第一时间;
获取所述监测断面在所述第一时间的图像,根据所述监测断面在所述第一时间的图像确定所述第一车辆的图像;
根据所述第一车辆的图像,结合桥面多点位视频图像,确定所述第一车辆在桥面的运行轨迹;
将所有所述第一车辆的图像、重量及其在桥面的运行轨迹作为所述移动车载信息。
7.如权利要求1所述的基于车桥耦合和数字孪生的城市桥梁群状态评估方法,其特征在于,所述桥梁数字孪生模型的构建包括桥梁结构数字孪生的构建和桥面移动车辆荷载数字孪生的构建,其中,
所述桥梁结构数字孪生的构建包括:通过桥梁结构和地理信息特点,利用建筑信息模型和地理信息系统建立针对桥梁结构主体的可视化模型,得到初始的桥梁结构数字孪生,通过所述桥梁表观病害数据修正所述初始的桥梁结构数字孪生,得到桥梁结构模型;
所述桥面移动车辆荷载数字孪生的构建包括:基于桥面多点位视频图像确定桥面移动车辆载荷的位置分布数据,将所述位置分布数据与动态称重数据融合,建立所述桥面移动车辆荷载数字孪生。
8.如权利要求1所述的基于车桥耦合和数字孪生的城市桥梁群状态评估方法,其特征在于,所述获取移动感知数据之前还包括:
获取预置的城市桥梁群中各桥梁的监测重要性评价指标,所述监测重要性评价指标包括交通流量、技术状况、服役年限、项目造价、辐射范围、跨度及地理位置;
根据所述监测重要性评价指标从所述预置的城市桥梁群选取多架重点桥梁,为多架所述重点桥梁构建监测系统、所述车桥耦合模型及所述桥梁数字孪生模型。
9.一种基于车桥耦合和数字孪生的城市桥梁群状态评估装置,其特征在于,包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时,实现如权利要求1-8任一项所述的基于车桥耦合和数字孪生的城市桥梁群状态评估方法。
10.一种基于车桥耦合和数字孪生的城市桥梁群状态评估系统,其特征在于,包括如权利要求9所述的基于车桥耦合和数字孪生的城市桥梁群状态评估装置、移动测量车系统及监测传感器;所述移动测量车系统包括一台数据采集车和位于所述数据采集车前侧的前激励车及位于所述数据采集车后侧的后激励车,用于进行车辆响应数据采集和桥梁表观病害数据采集,并将基于所述车辆响应数据计算得到的实际桥梁模态频率和所述桥梁表观病害数据传输到所述基于车桥耦合和数字孪生的城市桥梁群状态评估装置;所述监测传感器用于监测桥梁响应数据,并传输到所述基于车桥耦合和数字孪生的城市桥梁群状态评估装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210363163.0A CN114444983B (zh) | 2022-04-08 | 2022-04-08 | 基于车桥耦合和数字孪生的城市桥梁群状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210363163.0A CN114444983B (zh) | 2022-04-08 | 2022-04-08 | 基于车桥耦合和数字孪生的城市桥梁群状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114444983A true CN114444983A (zh) | 2022-05-06 |
CN114444983B CN114444983B (zh) | 2022-08-23 |
Family
ID=81358815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210363163.0A Active CN114444983B (zh) | 2022-04-08 | 2022-04-08 | 基于车桥耦合和数字孪生的城市桥梁群状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114444983B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115544264A (zh) * | 2022-09-09 | 2022-12-30 | 西南交通大学 | 知识驱动的桥梁建造数字孪生场景智能构建方法及系统 |
CN115759486A (zh) * | 2023-01-06 | 2023-03-07 | 中交路桥检测养护有限公司 | 城市桥梁灾变预测与韧性评估方法和系统 |
CN115841557A (zh) * | 2023-02-23 | 2023-03-24 | 河南核工旭东电气有限公司 | 基于数字孪生技术的智能起重机操作环境构建方法 |
CN116595898A (zh) * | 2023-07-18 | 2023-08-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 平原河道桥群阻水叠加影响量化分析方法及系统 |
CN117291350A (zh) * | 2023-11-24 | 2023-12-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种城市桥梁群安全状态评估系统及评估方法 |
CN117475639A (zh) * | 2023-12-26 | 2024-01-30 | 深圳市城市交通规划设计研究中心股份有限公司 | 融合不同频率车辆定位数据的桥梁车辆时空分布识别方法 |
CN117629549A (zh) * | 2024-01-26 | 2024-03-01 | 辛集中交建设有限公司 | 一种桥梁建筑健康监测与安全预警系统 |
CN118148196A (zh) * | 2024-05-09 | 2024-06-07 | 四川文茂建设工程检测有限公司 | 一种工程检测用桩基静载试验支墩装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825014A (zh) * | 2016-03-17 | 2016-08-03 | 中铁大桥勘测设计院集团有限公司 | 一种基于车桥耦合分析的车桥安全健康评估系统及方法 |
JP2018031187A (ja) * | 2016-08-24 | 2018-03-01 | 公益財団法人鉄道総合技術研究所 | 鉄道橋の構造性能調査方法 |
CN111366317A (zh) * | 2020-03-13 | 2020-07-03 | 大连理工大学 | 一种使用主动激励车辆进行梁式桥桥面板损伤检测的方法 |
CN112747877A (zh) * | 2020-10-16 | 2021-05-04 | 上海交通大学 | 非接触式桥梁结构性能与安全的快速测试与评估系统及方法 |
JP2021098968A (ja) * | 2019-12-20 | 2021-07-01 | 公益財団法人鉄道総合技術研究所 | 橋梁の状態評価方法とその状態評価装置 |
CN113392451A (zh) * | 2021-06-09 | 2021-09-14 | 哈尔滨工业大学 | 基于车-桥梁耦合作用力修正的桥梁模型更新方法、系统、存储介质及设备 |
CN113806978A (zh) * | 2021-08-31 | 2021-12-17 | 华南理工大学 | 基于bim-fem的桥梁结构数字孪生体及方法 |
-
2022
- 2022-04-08 CN CN202210363163.0A patent/CN114444983B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825014A (zh) * | 2016-03-17 | 2016-08-03 | 中铁大桥勘测设计院集团有限公司 | 一种基于车桥耦合分析的车桥安全健康评估系统及方法 |
JP2018031187A (ja) * | 2016-08-24 | 2018-03-01 | 公益財団法人鉄道総合技術研究所 | 鉄道橋の構造性能調査方法 |
JP2021098968A (ja) * | 2019-12-20 | 2021-07-01 | 公益財団法人鉄道総合技術研究所 | 橋梁の状態評価方法とその状態評価装置 |
CN111366317A (zh) * | 2020-03-13 | 2020-07-03 | 大连理工大学 | 一种使用主动激励车辆进行梁式桥桥面板损伤检测的方法 |
CN112747877A (zh) * | 2020-10-16 | 2021-05-04 | 上海交通大学 | 非接触式桥梁结构性能与安全的快速测试与评估系统及方法 |
CN113392451A (zh) * | 2021-06-09 | 2021-09-14 | 哈尔滨工业大学 | 基于车-桥梁耦合作用力修正的桥梁模型更新方法、系统、存储介质及设备 |
CN113806978A (zh) * | 2021-08-31 | 2021-12-17 | 华南理工大学 | 基于bim-fem的桥梁结构数字孪生体及方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115544264A (zh) * | 2022-09-09 | 2022-12-30 | 西南交通大学 | 知识驱动的桥梁建造数字孪生场景智能构建方法及系统 |
CN115544264B (zh) * | 2022-09-09 | 2023-07-25 | 西南交通大学 | 知识驱动的桥梁建造数字孪生场景智能构建方法及系统 |
CN115759486A (zh) * | 2023-01-06 | 2023-03-07 | 中交路桥检测养护有限公司 | 城市桥梁灾变预测与韧性评估方法和系统 |
CN115759486B (zh) * | 2023-01-06 | 2023-05-12 | 中交路桥检测养护有限公司 | 城市桥梁灾变预测与韧性评估方法和系统 |
CN115841557A (zh) * | 2023-02-23 | 2023-03-24 | 河南核工旭东电气有限公司 | 基于数字孪生技术的智能起重机操作环境构建方法 |
CN116595898B (zh) * | 2023-07-18 | 2023-09-19 | 水利部交通运输部国家能源局南京水利科学研究院 | 平原河道桥群阻水叠加影响量化分析方法及系统 |
CN116595898A (zh) * | 2023-07-18 | 2023-08-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 平原河道桥群阻水叠加影响量化分析方法及系统 |
CN117291350A (zh) * | 2023-11-24 | 2023-12-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种城市桥梁群安全状态评估系统及评估方法 |
CN117291350B (zh) * | 2023-11-24 | 2024-03-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种城市桥梁群安全状态评估系统及评估方法 |
CN117475639A (zh) * | 2023-12-26 | 2024-01-30 | 深圳市城市交通规划设计研究中心股份有限公司 | 融合不同频率车辆定位数据的桥梁车辆时空分布识别方法 |
CN117475639B (zh) * | 2023-12-26 | 2024-04-30 | 深圳市城市交通规划设计研究中心股份有限公司 | 融合不同频率车辆定位数据的桥梁车辆时空分布识别方法 |
CN117629549A (zh) * | 2024-01-26 | 2024-03-01 | 辛集中交建设有限公司 | 一种桥梁建筑健康监测与安全预警系统 |
CN117629549B (zh) * | 2024-01-26 | 2024-04-09 | 辛集中交建设有限公司 | 一种桥梁建筑健康监测与安全预警系统 |
CN118148196A (zh) * | 2024-05-09 | 2024-06-07 | 四川文茂建设工程检测有限公司 | 一种工程检测用桩基静载试验支墩装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114444983B (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114444983B (zh) | 基于车桥耦合和数字孪生的城市桥梁群状态评估方法 | |
Dan et al. | Digital twin system of bridges group based on machine vision fusion monitoring of bridge traffic load | |
EP3187838B1 (en) | System for vehicles weight preselection and evaluation of the technical state of road infrastructure | |
CN105953996B (zh) | 一种基于冲击振动的桥梁检测评估方法与设备 | |
CN112254767B (zh) | 公路网结构群一体自动化检测设备 | |
Ciampa et al. | Practical issues on the use of drones for construction inspections | |
KR101693759B1 (ko) | 로드셀이 구비된 신축이음장치를 이용한 교량 안전진단 장치 및 그 방법 | |
WO2016006283A1 (ja) | 構造物維持管理システム | |
CN111368423B (zh) | 一种车载桥梁承载能力快速检测评估系统及方法 | |
CN111060270B (zh) | 一种城市高架桥梁可移动式快速监测与智能评估方法 | |
Chen | Laser scanning technology for bridge monitoring | |
WO2019159042A1 (en) | System and method for automated monitoring of suspended road infrastructures, such as flyovers, bridges and viaducts | |
CN113310527B (zh) | 基于综合感知的独墩立交桥超载和倾覆监测预警方法 | |
Alamdari et al. | Non-contact structural health monitoring of a cable-stayed bridge: Case study | |
Andersen | Structural health monitoring systems | |
CN110926735A (zh) | 基于多维动态参数的桥梁结构快速诊断方法 | |
CN116912551A (zh) | 基于车联网的高速公路设备监测系统 | |
CN114379607B (zh) | 一种铁路综合巡检方法 | |
Purnomo et al. | Initial implementation of structural health monitoring system of a railway bridge | |
CN116955948A (zh) | 一种桥梁结构健康预测方法和系统 | |
CN115436392A (zh) | 无人机检测和监测桥梁墩柱竖直度及外观质量缺陷的方法 | |
De Blasiis et al. | Characterization of road surface by means of laser scanner technologies | |
Biondi et al. | A new paradigm to observe early warning faults of critical infrastructures by micro-motion estimation from satellite SAR observations. Application to pre-collapse damage assessment of the Morandi bridge in Genoa (Italy) | |
Yang et al. | Automatic deformation monitoring for large span bridge based on multi-constellation BDS and GPS system | |
Brooker | Field experimentation and finite element analysis of prominent drive-by bridge inspection techniques |
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 |