CN114491944B - 一种桥梁损伤分析方法、分析报警系统及装置 - Google Patents
一种桥梁损伤分析方法、分析报警系统及装置 Download PDFInfo
- Publication number
- CN114491944B CN114491944B CN202111595150.8A CN202111595150A CN114491944B CN 114491944 B CN114491944 B CN 114491944B CN 202111595150 A CN202111595150 A CN 202111595150A CN 114491944 B CN114491944 B CN 114491944B
- Authority
- CN
- China
- Prior art keywords
- bridge
- damage
- analyzed
- point unit
- near field
- 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
- 230000006378 damage Effects 0.000 title claims abstract description 181
- 238000004458 analytical method Methods 0.000 title claims abstract description 91
- 238000013145 classification model Methods 0.000 claims abstract description 53
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 239000000463 material Substances 0.000 claims description 78
- 230000001133 acceleration Effects 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 30
- 238000006073 displacement reaction Methods 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000007405 data analysis Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000003902 lesion Effects 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 8
- 230000000007 visual effect Effects 0.000 abstract description 4
- 238000013459 approach Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000014509 gene expression Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000329 molecular dynamics simulation Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000009966 trimming Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005511 kinetic theory Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer 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]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种桥梁损伤分析方法、分析报警系统及装置,通过引入近场动力学构建桥梁模型进行仿真,能够对桥梁的整体或局部损伤状态进行模拟,通过求解多个时间步的桥梁损伤,实现对桥梁健康状态的评估和预警。在引入进场动力学分析之前,先采用预设桥梁损伤识别分类模型判断待分析桥梁是否损伤,只在有损伤的条件下做进一步的损伤分析,能够极大减小工作量。所述分析报警系统通过桥梁分析模块对待分析桥梁做损伤模拟和分析,并通过显示器模块进行可视化展示。通过设置多种报警模块,能够实现对桥梁传感器数据的常规报警、机器学习报警、近场动力学分析下的报警以及寿命预测。
Description
技术领域
本发明涉及桥梁损伤评估技术领域,尤其涉及一种桥梁损伤分析方法、分析报警系统及装置。
背景技术
截至2020年12月,中国桥梁总数已经超过百万座,其中,公路桥梁总数已经达到87.83万座,特大桥5716座,大桥108344座。随着中国桥梁数量的急剧增长和部分桥梁的桥龄逐渐增加,桥梁的健康与安全问题也日益引起关注。如果对桥梁安全问题不能进行及时快速的反映和处理,就会存在重大安全隐患,甚至造成重大的生命和经济财产损失。
在线检监测损伤分析技术是保障桥梁安全运营的关键,通过现场检测和在线监测获取桥梁结构的损伤状况与动力特征,从而分析桥梁的实际承载情况。桥梁在线检测采取科学的方法和技术对桥梁运营状态进行局部测试及整体评估,监测通过对桥梁结构状况的监控与评估为桥梁的维护维修和管理决策提供依据与指导。
近年来,随着传感、通信和储存等技术的飞速发展,桥梁监测中数据获取能力得到极大的提升,然而,在采集到这些数据之后,数据却并没有得到很好的利用和开发,仍然停留在对数据用机器学习进行简单损伤判断和分类的阶段。在结构安全评估方面,通过分析桥梁构件从而进行全桥状态评估的能力发展迟缓,预警能力有待提高。
发明内容
本发明实施例提供了一种桥梁损伤分析方法、分析报警系统及装置,以消除或改善现有技术中存在的一个或更多个缺陷,解决现有技术对桥梁损伤特性进行分析的问题。
本发明的技术方案如下:
一方面,本发明提供一种桥梁损伤分析方法,包括:
采用预设桥梁损伤识别分类模型判断待分析桥梁是否损伤,在存在损伤的情况下,获取所述待分析桥梁上多个传感器采集的位置信息和加速度信息,各传感器均匀分布在所述待分析桥梁上;
设置点单元边长、固定约束区域、工况加载区域、材料分布区域,构建所述待分析桥梁的整体或局部模型;
引入材料参数、载荷参数、求解参数、各传感器采集的位置信息和加速度信息,针对所述待分析桥梁构建近场动力学运动方程,对所述待分析桥梁的损伤进行求解,并动态存储各时间步的求解结果作为桥梁损伤分析结果;
其中,所述材料参数包括弹性模量、密度、泊松比和拉伸临界伸长率;所述载荷参数包括载荷的力和速度;所述求解参数包括时间步长、近场区域半径与点单元边长比值,以及限定求解结束条件的限定时间步、限定位移或裂纹止裂条件;所述求解结果包括点单元位移、点单元损伤、变形能密度以及能量释放速率。
在一些实施例中,所述预设桥梁损伤识别分类模型是对预设分类模型进行预训练得到的,包括:
获取样本训练集,所述样本训练集包含多个样本数据,每个样本数据包含样本桥梁上均匀分布的第一设定数量个传感器采集的样本加速度信号以及桥梁主体状态信息,所述桥梁主体状态信息包括结构损坏和结构未损坏两类,将每条样本数据对应的桥梁主体状态信息作为标签;
以所述样本加速度信号作为输入,所述标签作为输出,采用所述样本训练集对所述预设分类模型进行训练,得到所述桥梁损伤识别分类模型;所述预设分类模型为支持向量机、决策树、全连接神经网络、长短期记忆神经网络或自组织映射算法网络。
在一些实施例中,采用预设桥梁损伤识别分类模型判断待分析桥梁是否损伤,包括:
获取所述待分析桥梁上均匀分布的第一设定数量个传感器采集的待分析加速度信号;
将各待分析加速度信号输入所述桥梁损伤识别分类模型,得到损伤识别结果。
在一些实施例中,所述方法还包括:根据各时间步的求解结果,对所述待分析桥梁的寿命进行预测。
在一些实施例中,针对所述待分析桥梁构建近场动力学运动方程,对所述待分析桥梁的损伤进行求解,并动态存储各时间步的求解结果作为桥梁损伤分析结果,包括:
针对所述待分析桥梁的局部模型,在近场区域内,构建运动方程:
其中,ρ为点单元i的物质密度,Vj为点单元j的体积,xi为点单元i的位置,xj为点单元j的位置,u(xi,t)为点单元i的位移,u(xj,t)为点单元j的位移;f(η,ξ)为点单元i与点单元j之间的本构力,b(xi,t)为点单元i所受到的外力密度;ξ表示点单元i与点单元j的相对位置,η表示点单元i与点单元j的相对位移;ξ=xi-xj,η=u(xj,t)-u(xi,t);
式中,c为微模量常数,E为弹性模量、v为泊松比、s为键的伸长量、s0为键的临界伸长量,μ为对键是否断裂的标记量;G0表示材料的断裂能,δ表示所述近场区域R的半径;
对于点单元i,其损伤通过评价所述近场区域内键的断裂情况表示,损伤D表示为:
式中,R表示所述近场区域,μ为对键是否断裂的标记量,键正常时μ值为1,键断裂时μ值为0;dVj表示点单元j的体积积分量;
式中,w表示点单元i与点单元j之间键的能量,R表示所述近场区域,dVj表示点单元j的体积积分量;c为微模量常数,s为键的伸长量,ξ表示点单元i与点单元j的相对位置;
在一些实施例中,对所述待分析桥梁的损伤进行求解的时间步步长为Δt,且
在一些实施例中,所述方法对所述待分析桥梁的局部模型进行离散化建模,则在近场区域内,构建的所述运动方程可以简化为求和形式:
其中,ρ为点单元i的物质密度,Vj为点单元j的体积,xi为点单元i的位置,xj为点单元j的位置,u(xi,t)为点单元i的位移,u(xj,t)为点单元j的位移;函数f(un(xj,t)-un(xi,t),xj-xi)为点单元i与点单元j之间的本构力,b(xi,t)为点单元i所受到的外力密度;n为时间步数,M为所述近场区域内的点单元数量;
所述近场区域内点单元j的体积表示为:
其中,Δx为点单元的边长,δ表示所述近场区域R的半径,ξ表示点单元i与点单元j的相对位置。
对于点单元i,损伤D表示为:
式中,N为点单元i的近场区域内键断裂的数量,M为点单元i的近场区域内所有键的总数;
式中,M为点单元i的近场区域内所有键的总数;w表示点单元i与点单元j之间键的能量;Vj为点单元j的体积;c为微模量常数,s为键的伸长量,ξ表示点单元i与点单元j的相对位置。
另一方面,本发明还提供一种桥梁损伤数据分析报警系统,包括:
数据采集模块,用于采集待分析桥梁上多个传感器采集的位置信息和加速度信息,各传感器均匀分布在所述待分析桥梁上;
桥梁损伤分析模块,用于执行上述的桥梁损伤分析方法,得到桥梁损伤分析结果;
显示器模块,用于对各传感器采集的位置信息、加速度信息,以及所述桥梁损伤分析结果进行可视化展示。
在一些实施例中,所述系统还包括:
常规数据报警模块,用于设置各传感器对应的警报阈值,并对各传感器采集到的超出所述警报阈值的位置信息和加速度信息进行报警;
机器学习报警模块,用于获取所述待分析桥梁上均匀分布的第一设定数量个传感器采集的待分析加速度信号,将各待分析加速度信号输入桥梁损伤识别分类模型,得到损伤识别结果;其中,所述桥梁损伤识别分类模型是对预设分类模型进行预训练得到的,训练步骤包括:获取样本训练集,所述样本训练集包含多个样本数据,每个样本数据包含样本桥梁上均匀分布的第一设定数量个传感器采集的样本加速度信号以及桥梁主体状态信息,所述桥梁主体状态信息包括结构损坏和结构未损坏两类,将每条样本数据对应的桥梁主体状态信息作为标签;以所述样本加速度信号作为输入,所述标签作为输出,采用所述样本训练集对所述预设分类模型进行训练,得到所述桥梁损伤识别分类模型;所述预设分类模型为支持向量机、决策树、全连接神经网络、长短期记忆神经网络或自组织映射算法网络;
裂纹报警模块,用于根据所述桥梁损伤分析结果对所述待分析桥梁进行裂纹报警;
寿命预测报警模块,用于根据所述桥梁损伤分析结果对所述待分析桥梁的寿命进行预测,并进行寿命报警。
另一方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法的步骤。
本发明的有益效果至少是:
所述桥梁损伤分析方法、分析报警系统及装置中,通过引入近场动力学构建桥梁模型进行仿真,能够对桥梁的整体或局部损伤状态进行模拟,通过求解多个时间步的桥梁损伤,实现对桥梁健康状态的评估和预警。在引入进场动力学分析之前,先采用预设桥梁损伤识别分类模型判断待分析桥梁是否损伤,只在有损伤的条件下做进一步的损伤分析,能够极大减小工作量。所述分析报警系统通过桥梁分析模块对待分析桥梁做损伤模拟和分析,并通过显示器模块进行可视化展示。
进一步的,通过设置多种报警模块,能够实现对桥梁传感器数据的常规报警、机器学习报警、近场动力学分析下的报警以及寿命预测。
本发明的附加优点、目的,以及特征将在下面的描述中将部分地加以阐述,且将对于本领域普通技术人员在研究下文后部分地变得明显,或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在书面说明及其权利要求书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是,能够用本发明实现的目的和优点不限于以上具体所述,并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。在附图中:
图1为本发明一实施例所述桥梁损伤分析方法的流程示意图;
图2为近场区域内点单元(物质点)关系示意图;
图3为近场区域内点单元(物质点)之间相对位置和相对位移示意图;
图4为离散化建模下点单元i的近场区域平面图;
图5为本发明一实施例所述桥梁损伤数据分析报警系统中桥梁损伤分析模块下建模模块主页面运行流程示意图;
图6为本发明一实施例所述桥梁损伤数据分析报警系统中桥梁损伤分析模块下建模模块主页面窗口示意图;
图7为本发明一实施例所述桥梁损伤数据分析报警系统中桥梁损伤分析模块下建模模块运行流程示意图;
图8为本发明一实施例所述桥梁损伤数据分析报警系统中桥梁损伤分析模块下求解模块运行流程示意图;
图9为本发明一实施例所述桥梁损伤数据分析报警系统中桥梁损伤分析模块下求解模块主页面窗口示意图;
图10本发明一实施例所述桥梁损伤数据分析报警系统中桥梁损伤分析模块下求解模块求解流程示意图;
图11本发明一实施例所述桥梁损伤数据分析报警系统中桥梁损伤分析模块运行可视化流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施方式和附图,对本发明做进一步详细说明。在此,本发明的示意性实施方式及其说明用于解释本发明,但并不作为对本发明的限定。
在此,还需要说明的是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
应该强调,术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在,但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在此,还需要说明的是,如果没有特殊说明,术语“连接”在本文不仅可以指直接连接,也可以表示存在中间物的间接连接。
为了实现对桥梁损伤的精确化的分析,本发明引入近场动力学(peridynamics,PD),近场动力学是一种新兴的基于非局部思想建立模型,并通过求解空间积分方程描述物质力学行为的方法。它兼具分子动力学方法和无网格方法的优点,避免了基于连续性假设建模和求解空间微分方程的传统宏观方法在面临不连续问题时的奇异性,又突破了经典分子动力学方法在计算尺度上的局限,在宏观和微观不连续力学问题分析中均表现出很高的求解精度和效率。
近场动力学理论的基本思想是将材料离散成为带有物质特性的物质点,通过空间积分方法对物质点的力学行为进行分析,其中,键基近场动力学理论假设物质点间通过“键”的形式互相连接,物质点间的相互作用力则通过键的形式进行体现,键的特性反映了材料内部的本构关系,在受到外力作用时,任一物质点在外力和一定范围内(近场区域)所有键的共同作用下发生位移,使得键的状态发生改变,键的整体断裂情况则表示了物质点的损伤及材料破坏程度。
本发明提供一种桥梁损伤分析方法,包括步骤S101~S103:
步骤S101:采用预设桥梁损伤识别分类模型判断待分析桥梁是否损伤,在存在损伤的情况下,获取待分析桥梁上多个传感器采集的位置信息和加速度信息,各传感器均匀分布在待分析桥梁上。
步骤S102:设置点单元边长、固定约束区域、工况加载区域、材料分布区域,构建所述待分析桥梁的整体或局部模型。
步骤S103:引入材料参数、载荷参数、求解参数、各传感器采集的位置信息和加速度信息,针对待分析桥梁构建近场动力学运动方程,对待分析桥梁的损伤进行求解,并动态存储各时间步的求解结果作为桥梁损伤分析结果;
其中,材料参数包括弹性模量、密度、泊松比和拉伸临界伸长率;载荷参数包括载荷的力和速度;求解参数包括时间步长、近场区域半径与点单元边长比值,以及限定求解结束条件的限定时间步、限定位移或裂纹止裂条件;求解结果包括点单元位移、点单元损伤、变形能密度以及能量释放速率。
在步骤S101中,只有在经过预设桥梁损伤识别分类模型判断待分析桥梁存在损伤的情况下,才进一步引入近场动力学进行仿真分析,对于未损伤的桥梁则无需进行损伤分析,能够节省算力。该预设桥梁损伤识别分类模型是预训练得到的,能够将多个传感器采集的加速度信息映射至损伤识别结果,损伤识别结果包括存在损伤或未损伤。
在一些实施例中,步骤S101中的预设桥梁损伤识别分类模型是对预设分类模型进行预训练得到的,包括步骤S1011和步骤S1012:
步骤S1011:获取样本训练集,样本训练集包含多个样本数据,每个样本数据包含样本桥梁上均匀分布的第一设定数量个传感器采集的样本加速度信号以及桥梁主体状态信息,桥梁主体状态信息包括结构损坏和结构未损坏两类,将每条样本数据对应的桥梁主体状态信息作为标签。
步骤S1012:以样本加速度信号作为输入,标签作为输出,采用样本训练集对预设分类模型进行训练,得到桥梁损伤识别分类模型;预设分类模型为支持向量机、决策树、全连接神经网络、长短期记忆神经网络或自组织映射算法网络。
本实施例步骤S1011和步骤S1012中,通过构建样本训练集对能够完成分类任务的算法模型进行训练,以得到能够识别待分析桥梁是否损伤的桥梁损伤识别分类模型,实现二分类的功能。具体的,样本数据可以是基于对现有的样本桥梁进行检测产生的,在样本桥梁上设置设定数量个传感器,用于检测加速度信号。传感器可以沿待分析桥梁等距离设置,采集一个特定时间长度的信号,形成一个样本。实例性的,在样本桥梁上,等距离设置47个传感器,用于采集加速度信息,每个样本采样1分钟,采样频率为20Hz,获取1000个样本,其中有500个为未损伤状态下的样本,500个为损伤状态下的样本。在另一些实施例中,对支持向量机、决策树、全连接神经网络、长短期记忆神经网络或自组织映射算法网络分别进行训练,得到相应的桥梁损伤识别分类模型。对各桥梁损伤识别分类模型分别计算准确率、查准率、查全率和F1评分,归一化后加权求和得到评价指标,选择评价指标最高的桥梁损伤识别分类模型用于判断待分析桥梁是否存在损伤。也可以采用评分较高的n个桥梁损伤识别分类模型分别判断待分析桥梁是否存在损伤,n为奇数,将其中识别得到的较多的结果作为最终结果。
具体的,采用预设桥梁损伤识别分类模型判断待分析桥梁是否损伤,包括步骤S201~S202:
步骤S201:获取待分析桥梁上均匀分布的第一设定数量个传感器采集的待分析加速度信号。
步骤S202:将各待分析加速度信号输入桥梁损伤识别分类模型,得到损伤识别结果。
这里需要说明的是,对待分析桥梁进行评价分析时所需的加速度信号数量与训练损伤桥梁损伤识别分类模型时用到的数量一致。
在步骤S102和步骤S103中,引入近场动力学理论进行损伤分析。根据待分析桥梁的实际情况,建立整体或局部模型,用于进行整体分析或局部分析。基于键的近场动力学理论是描述材料内一物质点(在离散化建模时为点单元)与其近场区域R内的物质点(在离散化建模时为点单元)的本构关系。如图3和2所示,点单元i与其近场区域内某一点单元j的关系也称为键,键中的两点单元i和j之间存在相互作用力称为近场力,用f来表示,也称为本构力函数,该点单元与其近场区域内的所有点单元构成了数个键,这些键的关系构成了材料的本构关系。这种本构关系是以积分形式的运动方程表示,且满足牛顿第二定律。
针对待分析桥梁构建近场动力学运动方程,对待分析桥梁的损伤进行求解,并动态存储各时间步的求解结果作为桥梁损伤分析结果,包括针对待分析桥梁的局部模型,在近场区域内,构建运动方程,在t时刻,材料内某一点单元i与其近场区域内点单元j的本构关系的运动方程为:
其中,如图2所示,ρ为点单元i的物质密度,Vj为点单元j的体积,xi为点单元i的位置,xj为点单元j的位置,u(xi,t)为点单元i的位移,u(xj,t)为点单元j的位移;f(η,ξ)为点单元i与点单元j之间的本构力,b(xi,t)为点单元i所受到的外力密度;如图3所示,ξ表示点单元i与点单元j的相对位置,η表示点单元i与点单元j的相对位移;ξ=xi-xj,η=u(xj,t)-u(xi,t);
基于键的近场动力学理论是用于解决微观弹脆性材料破坏的理论,脆性材料通常近似为微观弹脆性材料,故大量的用于脆性材料的破坏分析。基于键的近场动力学的微观弹脆性材料的本构力函数为:
式中,c为微模量常数,E为弹性模量、v为泊松比、s为键的伸长量、s0为键的临界伸长量,μ为对键是否断裂的标记量;G0表示材料的断裂能,δ表示所述近场区域R的半径;
对于点单元i,其损伤通过评价所述近场区域内键的断裂情况表示,损伤D表示为:
式中,R表示所述近场区域,μ为对键是否断裂的标记量,键正常时μ值为1,键断裂时μ值为0;dVj表示点单元j的体积积分量;式中损伤0≤D≤1,0表示该物质点无损伤,1表示该物质点已经完全损伤。
式中,w表示点单元i与点单元j之间键的能量,R表示所述近场区域,dVj表示点单元j的体积积分量;c为微模量常数,s为键的伸长量,{表示点单元i与点单元j的相对位置;
材料中某一物质点的近场区域,是由无数的带有一定物性信息的物质点构成,如材料性能参数、位移、加速度等,为了便于计算,将材料离散成数量有限、规格统一、排列方式简单的小立方体晶格,如图4所示,称为点单元,点单元的边长为Δx,这些点单元构成了分析对象的结构,点单元是对“物质点”简化形式,通常,将中心点作为该点单元的携带相关物性信息的点进行后续计算(类似于质点)。该离散处理方法,不需要像有限元法对分析结构划分复杂的网格,同时具有无网格的优点。
具体的,所述方法对待分析桥梁的局部模型进行离散化建模,则在近场区域内,构建的运动方程可以简化为求和形式:
其中,ρ为点单元i的物质密度,Vj为点单元j的体积,xi为点单元i的位置,xj为点单元j的位置,u(xi,t)为点单元i的位移,u(xj,t)为点单元j的位移;函数f(un(xj,t)-un(xi,t),xj-xi)为点单元i与点单元j之间的本构力,b(xi,t)为点单元i所受到的外力密度;n为时间步数,M为所述近场区域内的点单元数量。
近场区域内点单元j的体积表示为:
其中,Δx为点单元的边长,δ表示近场区域R的半径,ξ表示点单元i与点单元j的相对位置。
在一些实施例中,对待分析桥梁的损伤进行求解的时间步步长为Δt,且
进一步的,对于点单元i,损伤D表示为:
式中,N为点单元i的近场区域内键断裂的数量,M为点单元i的近场区域内所有键的总数;
式中,M为点单元i的近场区域内所有键的总数;w表示点单元i与点单元j之间键的能量;Vj为点单元j的体积;c为微模量常数,s为键的伸长量,ξ表示点单元i与点单元j的相对位置。
在一些实施例中,所述方法还包括:根据各时间步的求解结果,对待分析桥梁的寿命进行预测。在完成结构安全分析和破坏过程模拟后,寿命预测报警系统可以根据裂纹的模拟发展情况预测桥梁的寿命。
另一方面,本发明还提供一种桥梁损伤数据分析报警系统,包括:
数据采集模块,用于采集待分析桥梁上多个传感器采集的位置信息和加速度信息,各传感器均匀分布在待分析桥梁上。
桥梁损伤分析模块,用于执行上述步骤S101~S103所述的桥梁损伤分析方法,得到桥梁损伤分析结果。
显示器模块,用于对各传感器采集的位置信息、加速度信息,以及桥梁损伤分析结果进行可视化展示。
在一些实施例中,桥梁损伤分析模块进一步划分为,建模模块和求解器模块。
对分析对象建立由离散点单元组成的结构模型,即是分析对象离散化建模。首先构建离散的点单元(其中心点)组成的长方体结构,然后去除不需要的区域的点单元,留下需要的区域内的点单元,最后得到分析对象的结构模型。并设定固定约束、工况加载、材料分布的区域。以此构建了分析对象的模型数据,将模型数据以txt存储,通过调用txt文件实现对模型的可视化展示或求解模块的调用。
在建模模块主界面中的操作包括写入建模程序需要的参数:x/y/z(长方体长/宽/高)值、间距值(点单元边长Δx)、修整点单元组成长方体的表达式、固定约束区域表达式、工况加载区域表达式、材料分布区域表达式、显示点大小(点单元)值,以调用建模程序进行结构建模,并可视化显示结构模型数据和模型图:或调用重绘模型程序二次可视化显示结构模型数据和模型图,如图5所示,建模模块主界面如图6所示。
建模模块中建模程序的处理流程是:如图7所示,读入建模模块主界面写入的参数或者表达式,构建由点单元(坐标表示)组成的长方体结构、修整长方体结构(去除不需要的点单元,类似于“雕刻”)、固定约束设置、工况加载设置、材料分布设置,生成结构模型的数据,输出到txt文件(文本格式),并将模型数据表格化和绘图,到建模模块主界面显示。具体的,基于建模模块主界面导入的参数及各区域的表达式,构建点单元组成的长方体以(0,0,0)为原点,以x/y/z(长/宽/高)构建以某一间距的离散点单元组成长方体。对长方体进行修正,形成最终的结构模型。对于其中的点单元i,采用固定约束区域表达式、工况加载区域表达式和材料分布区域表达式进行标记和约束。边界标识采用1/2/3/4/5/6/7对应该点单元在x/y/z/xy/yz/xz/xyz方向固定约束,边界标识0对应该点单元不受约束;工况标识采用1/2/3/4对应该点单元受工况1/2/3/4加载,工况标识0对应该点单元无加载;材料标识采用1/2/3对应该点单元为材料1/2/3,材料标识0对应该点单元为其他材料。在遍历所有点单元完成标记后,得到了具有固定约束、工况加载、材料分布标识的点单元组成的分析对象的结构模型,以txt文件存储后,一方面采用数据表格化或绘制模型图的方式在建模模块主页面进行显示,另一方面输入求解器模块进行求解操作。
重绘模型程序的流程为:调用建模程序建模生成的结构模型数据txt文件,模型数据表格化并绘图,到建模模块中显示。
求解器模块运用近场动力学理论的数值方法,通过材料参数、加载参数、求解参数设置后,对材料破坏过程进行求解,将求解结果以txt存储,通过调用以查看材料的破坏情况,主要用结构的损伤和能量分布图表示材料结构的破坏情况。求解器模块的程序结构如图8所示。
求解器模块主界面的程序流程包括:写入近场动力学求解程序所需参数:材料参数(弹性模量、密度、泊松比、拉伸临界伸长率)、载荷参数(力或速度)、求解参数(时间步长、近场区域半径δ与点单元边长Δx比值g、需运行时间步数或变形量),调用近场动力学求解程序进行数值求解:或写入后处理可视化程序所需参数:需要查看时间步、显示点单元大小,调用后处理可视化程序显示求解结果数据、结果损伤分布图(点单元损伤)、变形能密度分布图(点单元变形能密度UW)和能量释放速率曲线。求解模块主界面的软件界面如图9所示。
求解器模块中近场动力学求解程序的流程是:读入求解器模块主界面中写入的参数,并调用建模模块生成的结构模型数据,基于近场动力学理论模型和宏观裂纹扩展规律,对材料破坏进行数值求解:点单元位移、损伤、变形能密度,及能量释放速率,动态储存各时间步求解的结果,限定时间步或位移或通过裂纹止裂条件来结束程序求解,求解程序如图10所示。具体的,首先初始化材料状态,包括材料结构、材料密度、弹性模量、泊松比和本构函数;输入其他参数,包括外力、计算时长、时间步长和近场区域范围;在t时刻取一物质点,计算其与近场区域内另一点的键长;进一步,计算两个物质点之间的本构力、判断键的结构状态、计算键的形成能和损伤释放能,遍历近场区域中的每一个物质点。更新材料状态后进入下一时刻。在达到设定时间步之后,结束计算,输出结果。结果包括,变形后的结构、材料损伤或破坏分布、材料能量分布。
求解器模块中,后处理可视化程序的程序流程是:如图11所示,读入求解器模块主界面写入的需要查看的时间步,调用求解结果数据txt文件,判断是否还有要查看的时间步数据,存在的话则将求解结果数据表格化,并绘制损伤分布图、变形能密度分布图、能量释放速率曲线,到求解模块主界面上显示,实现求解结果可视化。否则,进行错误提示。
在一些实施例中,所述系统还包括:
常规数据报警模块,用于设置各传感器对应的警报阈值,并对各传感器采集到的超出警报阈值的位置信息和加速度信息进行报警。
机器学习报警模块,用于获取待分析桥梁上均匀分布的第一设定数量个传感器采集的待分析加速度信号,将各待分析加速度信号输入桥梁损伤识别分类模型,得到损伤识别结果;其中,桥梁损伤识别分类模型是对预设分类模型进行预训练得到的,训练步骤包括:获取样本训练集,样本训练集包含多个样本数据,每个样本数据包含样本桥梁上均匀分布的第一设定数量个传感器采集的样本加速度信号以及桥梁主体状态信息,桥梁主体状态信息包括结构损坏和结构未损坏两类,将每条样本数据对应的桥梁主体状态信息作为标签;以样本加速度信号作为输入,标签作为输出,采用样本训练集对预设分类模型进行训练,得到桥梁损伤识别分类模型;预设分类模型为支持向量机、决策树、全连接神经网络、长短期记忆神经网络或自组织映射算法网络。
裂纹报警模块,用于根据桥梁损伤分析结果对待分析桥梁进行裂纹报警。
寿命预测报警模块,用于根据桥梁损伤分析结果对待分析桥梁的寿命进行预测,并进行寿命报警。
另一方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法的步骤。
综上所述,所述桥梁损伤分析方法、分析报警系统及装置中,通过引入近场动力学构建桥梁模型进行仿真,能够对桥梁的整体或局部损伤状态进行模拟,通过求解多个时间步的桥梁损伤,实现对桥梁健康状态的评估和预警。在引入进场动力学分析之前,先采用预设桥梁损伤识别分类模型判断待分析桥梁是否损伤,只在有损伤的条件下做进一步的损伤分析,能够极大减小工作量。所述分析报警系统通过桥梁分析模块对待分析桥梁做损伤模拟和分析,并通过显示器模块进行可视化展示。
进一步的,通过设置多种报警模块,能够实现对桥梁传感器数据的常规报警、机器学习报警、近场动力学分析下的报警以及寿命预测。
本领域普通技术人员应该可以明白,结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法,能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
本发明中,针对一个实施方式描述和/或例示的特征,可以在一个或更多个其它实施方式中以相同方式或以类似方式使用,和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种桥梁损伤分析方法,其特征在于,包括:
采用预设桥梁损伤识别分类模型判断待分析桥梁是否损伤,在存在损伤的情况下,获取所述待分析桥梁上多个传感器采集的位置信息和加速度信息,各传感器均匀分布在所述待分析桥梁上;
设置点单元边长、固定约束区域、工况加载区域、材料分布区域,构建所述待分析桥梁的整体或局部模型;
引入材料参数、载荷参数、求解参数、各传感器采集的位置信息和加速度信息,针对所述待分析桥梁构建近场动力学运动方程,对所述待分析桥梁的损伤进行求解,并动态存储各时间步的求解结果作为桥梁损伤分析结果,包括:
针对所述待分析桥梁的局部模型,在近场区域内,构建运动方程:
其中,ρ为点单元i的物质密度,Vj为点单元j的体积,xi为点单元i的位置,xj为点单元j的位置,u(xi,t)为点单元i的位移,u(xj,t)为点单元j的位移;f(η,ξ)为点单元i与点单元j之间的本构力,b(xi,t)为点单元i所受到的外力密度;ξ表示点单元i与点单元j的相对位置,η表示点单元i与点单元j的相对位移;ξ=xi-xj,η=u(xj,t)-u(xi,t);
式中,c为微模量常数,E为弹性模量、v为泊松比、s为键的伸长量、s0为键的临界伸长量,μ为对键是否断裂的标记量;G0表示材料的断裂能,δ表示所述近场区域R的半径;
对于点单元i,其损伤通过评价所述近场区域内键的断裂情况表示,损伤D表示为:
式中,R表示所述近场区域,μ为对键是否断裂的标记量,键正常时μ值为1,键断裂时μ值为0;dVj表示点单元j的体积积分量;
式中,w表示点单元i与点单元j之间键的能量,R表示所述近场区域,dVj表示点单元j的体积积分量;c为微模量常数,s为键的伸长量,ξ表示点单元i与点单元j的相对位置;
其中,所述材料参数包括弹性模量、密度、泊松比和拉伸临界伸长率;所述载荷参数包括载荷的力和速度;所述求解参数包括时间步长、近场区域半径与点单元边长比值,以及限定求解结束条件的限定时间步、限定位移或裂纹止裂条件;所述求解结果包括所述点单元位移、所述点单元损伤、所述变形能密度以及所述能量释放速率。
2.根据权利要求1所述的桥梁损伤分析方法,其特征在于,所述预设桥梁损伤识别分类模型是对预设分类模型进行预训练得到的,包括:
获取样本训练集,所述样本训练集包含多个样本数据,每个样本数据包含样本桥梁上均匀分布的第一设定数量个传感器采集的样本加速度信号以及桥梁主体状态信息,所述桥梁主体状态信息包括结构损坏和结构未损坏两类,将每条样本数据对应的桥梁主体状态信息作为标签;
以所述样本加速度信号作为输入,所述标签作为输出,采用所述样本训练集对所述预设分类模型进行训练,得到所述桥梁损伤识别分类模型;所述预设分类模型为支持向量机、决策树、全连接神经网络、长短期记忆神经网络或自组织映射算法网络。
3.根据权利要求2所述的桥梁损伤分析方法,其特征在于,采用预设桥梁损伤识别分类模型判断待分析桥梁是否损伤,包括:
获取所述待分析桥梁上均匀分布的第一设定数量个传感器采集的待分析加速度信号;
将各待分析加速度信号输入所述桥梁损伤识别分类模型,得到损伤识别结果。
4.根据权利要求1所述的桥梁损伤分析方法,其特征在于,所述方法还包括:根据各时间步的求解结果,对所述待分析桥梁的寿命进行预测。
6.根据权利要求5所述的桥梁损伤分析方法,其特征在于,所述方法对所述待分析桥梁的局部模型进行离散化建模,则在近场区域内,构建的所述运动方程可以简化为求和形式:
其中,ρ为点单元i的物质密度,Vj为点单元j的体积,xi为点单元i的位置,xj为点单元j的位置,u(xi,t)为点单元i的位移,u(xj,t)为点单元j的位移;函数f(un(xj,t)-un(xi,t),xj-xi)为点单元i与点单元j之间的本构力,b(xi,t)为点单元i所受到的外力密度;n为时间步数,M为所述近场区域内的点单元数量;
所述近场区域内点单元j的体积表示为:
其中,Δx为点单元的边长,δ表示所述近场区域R的半径,ξ表示点单元i与点单元j的相对位置;
对于点单元i,损伤D表示为:
式中,N为点单元i的近场区域内键断裂的数量,M为点单元i的近场区域内所有键的总数;
式中,M为点单元i的近场区域内所有键的总数;w表示点单元i与点单元j之间键的能量;Vj为点单元j的体积;c为微模量常数,s为键的伸长量,ξ表示点单元i与点单元j的相对位置。
7.一种桥梁损伤数据分析报警系统,其特征在于,包括:
数据采集模块,用于采集待分析桥梁上多个传感器采集的位置信息和加速度信息,各传感器均匀分布在所述待分析桥梁上;
桥梁损伤分析模块,用于执行如权利要求1至6任意一项所述的桥梁损伤分析方法,得到桥梁损伤分析结果;
显示器模块,用于对各传感器采集的位置信息、加速度信息,以及所述桥梁损伤分析结果进行可视化展示。
8.根据权利要求7所述的桥梁损伤数据分析报警系统,其特征在于,所述系统还包括:
常规数据报警模块,用于设置各传感器对应的警报阈值,并对各传感器采集到的超出所述警报阈值的位置信息和加速度信息进行报警;
机器学习报警模块,用于获取所述待分析桥梁上均匀分布的第一设定数量个传感器采集的待分析加速度信号,将各待分析加速度信号输入桥梁损伤识别分类模型,得到损伤识别结果;其中,所述桥梁损伤识别分类模型是对预设分类模型进行预训练得到的,训练步骤包括:获取样本训练集,所述样本训练集包含多个样本数据,每个样本数据包含样本桥梁上均匀分布的第一设定数量个传感器采集的样本加速度信号以及桥梁主体状态信息,所述桥梁主体状态信息包括结构损坏和结构未损坏两类,将每条样本数据对应的桥梁主体状态信息作为标签;以所述样本加速度信号作为输入,所述标签作为输出,采用所述样本训练集对所述预设分类模型进行训练,得到所述桥梁损伤识别分类模型;所述预设分类模型为支持向量机、决策树、全连接神经网络、长短期记忆神经网络或自组织映射算法网络;
裂纹报警模块,用于根据所述桥梁损伤分析结果对所述待分析桥梁进行裂纹报警;
寿命预测报警模块,用于根据所述桥梁损伤分析结果对所述待分析桥梁的寿命进行预测,并进行寿命报警。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111595150.8A CN114491944B (zh) | 2021-12-23 | 2021-12-23 | 一种桥梁损伤分析方法、分析报警系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111595150.8A CN114491944B (zh) | 2021-12-23 | 2021-12-23 | 一种桥梁损伤分析方法、分析报警系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114491944A CN114491944A (zh) | 2022-05-13 |
CN114491944B true CN114491944B (zh) | 2022-10-25 |
Family
ID=81493152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111595150.8A Active CN114491944B (zh) | 2021-12-23 | 2021-12-23 | 一种桥梁损伤分析方法、分析报警系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114491944B (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10572441B2 (en) * | 2015-08-19 | 2020-02-25 | Global Engineering Research and Technologies, LLC | Applications of peridynamic differential operator |
CN110414167A (zh) * | 2019-08-02 | 2019-11-05 | 贵州大学 | 准脆性材料的近场动力学本构力函数建模方法 |
CN110619104A (zh) * | 2019-08-19 | 2019-12-27 | 贵州大学 | 基于立方晶格积分法的近场动力学串行与并行数值计算方法 |
CN111368405B (zh) * | 2020-02-25 | 2021-12-28 | 山东大学 | 隧道岩体破坏突涌水灾变模拟的近场动力学方法及系统 |
WO2021239973A1 (en) * | 2020-05-29 | 2021-12-02 | Konux Gmbh | Automatic real-time data generation |
CN111814310B (zh) * | 2020-06-11 | 2022-09-13 | 大连理工大学 | 强度准则驱动的近场动力学模型预测结构破坏的方法 |
CN112131802B (zh) * | 2020-08-14 | 2023-09-05 | 山东大学 | 一种基于近场动力学的裂隙岩体渗流模拟方法及系统 |
CN112116128B (zh) * | 2020-08-20 | 2022-08-05 | 河海大学 | 一种用于冲击载荷作用下结构层裂与多重层裂模拟预测方法 |
CN112131709B (zh) * | 2020-08-25 | 2024-04-19 | 山东大学 | 基于近场动力学本构模型的节理岩体力学仿真方法及系统 |
CN113705040B (zh) * | 2021-08-03 | 2024-03-22 | 大连理工大学 | 结构损伤分析的近场有限元法及在商用软件中的实现方法 |
-
2021
- 2021-12-23 CN CN202111595150.8A patent/CN114491944B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114491944A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Avci et al. | A review of vibration-based damage detection in civil structures: From traditional methods to Machine Learning and Deep Learning applications | |
Seventekidis et al. | A combined finite element and hierarchical Deep learning approach for structural health monitoring: Test on a pin-joint composite truss structure | |
Pan et al. | A novel method of vibration modes selection for improving accuracy of frequency-based damage detection | |
Gonzalez et al. | BWIM aided damage detection in bridges using machine learning | |
Cross | On structural health monitoring in changing environmental and operational conditions | |
CN114563150B (zh) | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 | |
Ghiasi et al. | Damage classification of in-service steel railway bridges using a novel vibration-based convolutional neural network | |
Dang et al. | Structural damage detection framework based on graph convolutional network directly using vibration data | |
Zhou et al. | Strain gauge placement optimization for structural performance assessment | |
Arul et al. | Data anomaly detection for structural health monitoring of bridges using shapelet transform | |
Ghiasi et al. | A non-parametric approach toward structural health monitoring for processing big data collected from the sensor network | |
CN117824756B (zh) | 一种建筑结构监测方法、设备及存储介质 | |
Tan et al. | Prediction for the future mechanical behavior of underwater shield tunnel fusing deep learning algorithm on SHM data | |
CN115937504A (zh) | 一种桥梁结构损伤识别方法和系统 | |
CN114429032A (zh) | 一种桥梁健康在线智能监测系统 | |
Lin et al. | Damage detection in a benchmark structure using long short-term memory networks | |
Rosso et al. | Subspace features and statistical indicators for neural network-based damage detection | |
Finotti et al. | Novelty detection using sparse auto-encoders to characterize structural vibration responses | |
CN114491944B (zh) | 一种桥梁损伤分析方法、分析报警系统及装置 | |
CN105651537A (zh) | 一种高损伤敏感性的桁架结构损伤实时监测系统 | |
Kauss et al. | Semi-supervised structural damage assessment via autoregressive models and evolutionary optimization | |
Jin et al. | Feature Selection Using Tree Model and Classification Through Convolutional Neural Network for Structural Damage Detection | |
Stagi et al. | Enhancing the Damage Detection and Classification of Unknown Classes with a Hybrid Supervised–Unsupervised Approach | |
Sony | Bridge damage identification using deep learning-based Convolutional Neural Networks (CNNs) | |
Sadeghi | Structural health monitoring of composite bridges by integrating model-based and data-driven methods |
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 |