CN114676479A - 一种随机车辆荷载作用下桥梁损伤识别方法及计算系统 - Google Patents

一种随机车辆荷载作用下桥梁损伤识别方法及计算系统 Download PDF

Info

Publication number
CN114676479A
CN114676479A CN202210292681.8A CN202210292681A CN114676479A CN 114676479 A CN114676479 A CN 114676479A CN 202210292681 A CN202210292681 A CN 202210292681A CN 114676479 A CN114676479 A CN 114676479A
Authority
CN
China
Prior art keywords
bridge
damage
bound data
state
influence line
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.)
Pending
Application number
CN202210292681.8A
Other languages
English (en)
Inventor
柳成荫
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 Graduate School Harbin Institute of Technology
Original Assignee
Shenzhen Graduate School Harbin Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Graduate School Harbin Institute of Technology filed Critical Shenzhen Graduate School Harbin Institute of Technology
Priority to CN202210292681.8A priority Critical patent/CN114676479A/zh
Publication of CN114676479A publication Critical patent/CN114676479A/zh
Pending legal-status Critical Current

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
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请公开了一种随机车辆荷载作用下桥梁损伤识别方法及计算系统。其中桥梁损伤识别方法包括：根据随机生成的车辆，确定车辆轴重区间、桥梁损伤状态和无损伤状态的响应向量，根据上述内容，得到桥梁损伤状态和桥梁无损伤状态各自的倾斜影响线矩阵的上界数据和下界数据，对上述两种状态下的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁损伤状态和无损伤状态的倾斜影响线，根据桥梁损伤状态和桥梁无损伤状态的倾斜影响线，确定桥梁损伤位置和损伤程度。该方法在随机车辆荷载作用下获取桥梁损伤前后的倾斜影响线，并根据桥梁倾斜影响线差值定位桥梁损伤，定量计算损伤程度，提高了识别桥梁损伤的灵敏度，且过程方便高效。

Description

一种随机车辆荷载作用下桥梁损伤识别方法及计算系统
技术领域
本发明涉及桥梁健康检测领域，尤其涉及一种随机车辆荷载作用下桥梁损伤识别方法及计算系统。
背景技术
当前，我国基建迅速发展，建造了大量的桥梁，所有桥梁自建成开始即伴随结构损伤。桥梁损伤对人民财产安全存在巨大的隐患，因此，需要长期对桥梁的健康状态进行评估，桥梁健康状态评估需要确定桥梁是否损伤，损伤位置以及损伤程度。
桥梁损伤往往是局部损伤，目前常用的评估桥梁健康状态的方法无法准确识别桥梁的损伤位置，并且需要阻断桥梁交通，成本较高，存在一定的缺陷，因此，如何高效准确地识别桥梁损伤是一个需要解决的问题。
发明内容
本发明实施例提供一种随机车辆荷载作用下桥梁损伤识别方法及计算系统，利用该方法能够解决目前无法快速识别、定位桥梁损伤，且无法对桥梁损伤进行量化的问题。
第一方面，本发明实施例提供了一种随机车辆荷载作用下桥梁损伤识别计算系统，该系统包括多个传感器以及服务器，其中，多个传感器布置在桥梁上，用于长期获取桥梁实际运营状态下的桥梁响应向量，桥梁的倾角位移等数据，并将数据传输至服务器中。
服务器用于根据随机生成的车辆，确定车辆轴重区间、桥梁损伤状态的响应向量和桥梁无损伤状态的响应向量，其中，随机生成的车辆可以是桥梁运营中随机经过的车辆，桥梁的响应向量可以从多个传感器中获取对应的数据。
服务器用于根据车辆轴重区间和桥梁损伤状态的响应向量，得到桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据，根据车辆的轴重区间和桥梁无损伤状态的响应向量，得到桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据。
服务器用于对桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁损伤状态的倾斜影响线，对桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁无损伤状态的倾斜影响线。
服务器用于根据桥梁损伤状态的倾斜影响线和桥梁无损伤状态的倾斜影响线，确定桥梁损伤位置和损伤程度。
第二方面，本发明实施例提供了一种随机车辆荷载作用下桥梁损伤识别方法，该方法可以应用于上述第一方面提供的系统中。该方法包括以下步骤：根据随机生成的车辆，确定车辆轴重区间、桥梁损伤状态的响应向量和桥梁无损伤状态的响应向量，根据车辆轴重区间和桥梁损伤状态的响应向量，得到桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据，并且根据车辆的轴重区间和桥梁无损伤状态的响应向量，得到桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据。对桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁损伤状态的倾斜影响线，同样，对桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁无损伤状态的倾斜影响线，根据桥梁损伤状态的倾斜影响线和桥梁无损伤状态的倾斜影响线，确定桥梁损伤位置和损伤程度。
根据随机生成的车辆，将车辆轴重区间以仿射矩阵的形式表示，通过仿射算法，确定车辆轴重区间。
首先，车辆轴重区间可以转化为仿射向量，得到：
Figure BDA0003561397680000021
其中，w0n表示区间中值，xn表示区间半径，εn表示值域为[-1，1]的噪声元，区间变量
Figure BDA0003561397680000022
表示第n轴轴重wn的极小值和极大值，真实轴重存在于该区间中。
在得到上述车辆轴重区间的仿射向量后，可以将上述公式转化为仿射矩阵形式，得到：
W＝W0+W1ε1+W2ε2+…+Wnεn
其中，W0表示包含各个区间中值的中值矩阵，W1、W2...Wn表示包含各个区间半径的半径矩阵。
利用仿射算法，根据上述车辆轴重的仿射矩阵，即可求解车辆轴重区间的边界值，计算得到：
Figure BDA0003561397680000023
Figure BDA0003561397680000024
其中，
Figure BDA0003561397680000025
将随机生成的车辆加载到损伤桥梁上，得到桥梁损伤状态的响应向量，将随机生成的车辆加载到无损伤桥梁上，得到桥梁无损伤状态的响应向量。
在随机生成的车辆沿直线在桥梁上行驶的情况下，车辆各个轴的轴重对桥梁的影响相互独立，因此随机生成的不同车辆加载到桥梁上引起的响应可以表示为各个车轴引起的桥梁响应的叠加。假设车辆保持速度V匀速行驶，将桥梁响应函数和桥梁倾斜影响线函数离散为桥梁响应向量R和桥梁倾斜影响线向量Φ，得到关系式R＝WΦ，其中，W为包括车辆的轴重信息的荷载矩阵。在已经得到车辆轴重区间的边界值的情况下，采集到随机车辆荷载作用效应叠加引起的桥梁响应，即可计算桥梁倾斜影响线的上界数据和下界数据，具体表示为：
Figure BDA0003561397680000026
Figure BDA0003561397680000027
根据上述计算桥梁倾斜影响线矩阵的上界数据和下界数据的计算方法，可以计算得到桥梁无损伤状态下倾斜影响线的上界数据，下界数据以及桥梁损伤状态下倾斜影响线的上界数据和下界数据。
由于真实影响线的解趋向计算的影响线边界，在真实车辆轴重在车辆轴重区间内随机满布的情况下，真实影响线位于影响线的上界数据和下界数据的交汇处，因此，可以利用支持向量机(support vector machines，SVM)算法对上界数据和下界数据进行训练，用于识别桥梁倾斜影响线。
对桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁损伤状态的倾斜影响线。
在一种可能的实施方式中，对桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行SVM训练，得到桥梁损伤状态的倾斜影响线。在二维空间中，上述上界数据和下界数据无法通过一个超平面完全分离，因此，根据高斯核函数，将桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据映射到高维空间中，在高维空间中，上述上届数据和下届数据可以通过一个超平面最大程度地分离。根据网格搜索法、上述上届数据和下届数据，确定高斯核函数参数的第一最优取值以及惩罚因子的第一最优取值，根据高斯核函数参数的第一最优取值和惩罚因子的第一最优取值，确定桥梁损伤状态的倾斜影响线，该桥梁损伤的倾斜影响线可以将上述桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行区分。
在另一种可能的实施方式中，对桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据进行SVM训练，得到桥梁无损伤状态的倾斜影响线。根据高斯核函数，将上述桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据映射到高维空间中，根据网格搜索法、上述上届数据和下届数据，确定高斯核函数参数的第二最优取值以及惩罚因子的第二最优取值，根据高斯核函数参数的第二最优取值和惩罚因子的第二最优取值，确定桥梁无损伤状态的倾斜影响线，该桥梁无损伤状态的倾斜影响线可以将上述桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据进行区分。
根据桥梁损伤状态的倾斜影响线和桥梁无损伤状态的倾斜影响线，确定桥梁损伤位置和损伤程度。
根据桥梁损伤状态的倾斜影响线和桥梁无损伤状态的倾斜影响线，确定倾斜影响线差值曲线，确定桥梁损伤位置。
在第二方面一种可能的实施方式中，以简支桥梁损伤模型作为研究对象，其中，简支桥梁的梁长为l，抗弯刚度为EI，桥梁的损伤范围为[c-ε，c+ε]，在桥梁的损伤范围内，桥梁的抗弯刚度为EI’。根据上述数据可以计算得到单位荷载作用下，桥梁起始截面的影响线差值与单位荷载Fp距桥梁起始截面的距离
Figure BDA0003561397680000031
之间的表达式。
在
Figure BDA0003561397680000032
的情况下，桥梁无损伤，计算得到影响线差值的表达式为：
Figure BDA0003561397680000033
在
Figure BDA0003561397680000034
的情况下，桥梁存在局部损伤，计算得到影响线差值的表达式为：
Figure BDA0003561397680000035
Figure BDA0003561397680000041
在
Figure BDA0003561397680000042
的情况下，桥梁无损伤，计算得到桥梁影响线差值的表达式为：
Figure BDA0003561397680000043
由上述关系式可知，桥梁倾斜影响线的差值曲线对应的表达式在桥梁损伤区域和桥梁无损伤区域存在差异，因此可以根据桥梁倾斜影响线差值曲线确定桥梁损伤位置。
在以超静定桥梁损伤结构作为研究对象的情况下，可以利用有限元模型，计算得到桥梁影响线在损伤前后的差值曲线，从而可以对桥梁损伤位置进行定位，对比多个桥梁损伤之间损伤程度的大小。
根据桥梁损伤状态的倾斜影响线、桥梁无损伤状态的倾斜影响线和桥梁对应的刚度矩阵，确定桥梁损伤前后倾斜影响线的差值与刚度改变量之间的关系，确定桥梁损伤程度。
根据柔度矩阵表示桥梁倾斜影响线值RIL：
RIL＝SFQ
其中，S表示输出影响线的选择矩阵，Q表示荷载输入矩阵，F表示结构的柔度矩阵。由于柔度矩阵与刚度矩阵之间的关系为K＝F-1，因此，可以得到桥梁的倾斜影响线值与刚度矩阵之间的关系：
RIL＝SK-1Q
首先，进行刚度矩阵的特征值分解与组合，在单元刚度矩阵不满秩的条件下，假设单元刚度矩阵的秩为r，单元刚度矩阵的特征值分解可表示为：
Figure BDA0003561397680000044
其中，
Figure BDA0003561397680000045
表示单元i刚度矩阵Ki的第j个特征值，
Figure BDA0003561397680000046
表示单元i刚度矩阵Ki的第j个特征向量，∧i表示单元i刚度矩阵对应的矩阵特征值，Ui表示单元i刚度矩阵对应的特征向量矩阵。
令
Figure BDA0003561397680000047
得到单元为i的刚度矩阵Ki表示为：
Figure BDA0003561397680000048
其中，r表示单元刚度矩阵的秩，ci表示单元为i的刚度关联矩阵，维度为r*N。
整体刚度矩阵可以通过整体坐标系下单元刚度矩阵的叠加得到，整体刚度矩阵K表示为：
Figure BDA0003561397680000049
其中，N为单元数，C为刚度转换矩阵，P为单元损伤系数矩阵，在桥梁无损伤状态的情况下，该矩阵P为单位矩阵，在某一单元损伤的情况下，该矩阵P的对角线上的对应值不为1。
根据整体刚度矩阵的表达式可以计算得到桥梁损伤前后整体刚度的改变量：
Figure BDA00035613976800000410
根据上述刚度损伤的改变量以及影响线值的表达式，可以计算得到影响线差值与单元刚度损伤的之间的关系表达式：
ΔRIL＝SΔK-1Q＝S(C-1)T(ΔP)-1C-1Q
根据桥梁损伤前后的倾斜影响线矩阵，即可根据ΔP计算得到单元损伤系数，从而可以对桥梁的损伤程度进行定量计算，确定桥梁损伤程度。
第三方面，本申请提供一种随机车辆荷载作用下桥梁损伤识别的装置，该装置包括：生成单元，用于随机生成车辆；计算单元，用于根据随机生成的车辆，确定车辆轴重区间、桥梁损伤状态的响应向量和桥梁无损伤状态的响应向量，用于根据车辆轴重区间和桥梁损伤状态的响应向量，得到桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据，根据车辆的轴重区间和桥梁无损伤状态的响应向量，得到桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据；训练单元，用于对桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁损伤状态的倾斜影响线，用于对桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁无损伤状态的倾斜影响线；损伤识别单元，用于根据无损伤桥梁影响线和损伤桥梁影响线，确定桥梁损伤位置和损伤程度。
生成单元具体用于随机生成不同的车辆。
计算单元具体用于根据随机生成的车辆，将车辆轴重区间以仿射矩阵形式表示，通过仿射算法，确定车辆轴重区间，用于将随机生成的车辆加载到损伤桥梁上，得到桥梁损伤状态的响应向量，用于将随机生成的车辆加载到无损伤桥梁上，得到桥梁无损伤状态的响应向量。
训练单元具体用于根据高斯核函数，将桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据映射到高维空间中，根据网格搜索法和桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据，确定高斯核函数参数的第一最优取值以及惩罚因子的第一最优取值，根据高斯核函数参数的第一最优取值和惩罚因子的第一最优取值，确定桥梁损伤状态的倾斜影响线，该倾斜影响线可以将桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行区分。按照上述方式，训练单元还可以用于确定桥梁无损伤状态的倾斜影响线，该桥梁无损伤状态的倾斜影响线可以用于将桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据进行区分。
损伤识别单元具体用于根据桥梁损伤状态的倾斜影响线和桥梁无损伤状态的倾斜影响线，确定倾斜影响线差值曲线，确定桥梁损伤位置。
损伤识别单元还用于根据桥梁损伤状态的倾斜影响线、桥梁无损伤状态的倾斜影响线和桥梁对应的刚度矩阵，确定桥梁损伤前后倾斜影响线的差值与刚度改变量之间的关系，确定桥梁损伤程度。
第四方面，本发明实施例提供了一种计算设备，该计算设备包括处理器、存储器、通信接口以及总线。其中，处理器、存储器、通信接口可以通过内部总线相互连接也可以通过无线传输等其他手段实现通信。通信接口可以接收布置在桥梁上的传感器长期获取桥梁实际运营中记录的桥梁的响应向量、倾角位移等数据。存储器可以存储计算机指令，处理器用于执行第二方面或第三方面任一种可能的实现方式，实现各个模块的功能。
第五方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，所述指令在所述计算设备上运行，使所述计算设备执行上述各方面所述的方法。
本申请在上述各方面提供的实现方式的基础上，还可以进行进一步组合以提供更多实现方式。
综上可知，本申请提供的一种随机车辆荷载作用下桥梁损伤识别方法。这一方法首先通过随机生成的车辆，确定车辆的轴重区间和桥梁的响应向量，得到桥梁倾斜影响线的上界数据和下界数据，根据影响线的上界数据和下界数据，利用支持向量机算法对数据进行训练，得到桥梁损伤状态的倾斜影响线和桥梁无损伤状态的倾斜影响线，最后根据桥梁损伤前后倾斜影响线的差值曲线确定桥梁损伤位置和损伤程度。这种识别桥梁损伤的方法无需封闭交通，过程方便高效，可以更好地节约成本，并且对桥梁损伤识别的灵敏度更高。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。
图1是本发明实施例提供的一种随机车辆荷载作用下桥梁损伤识别系统的结构示意图；
图2是本发明实施例提供的一种随机车辆荷载作用下桥梁损伤识别方法的流程图；
图3是本发明实施例提供的一种简支桥梁损伤模型的示意图；
图4是本发明实施例提供的一种桥梁损伤前后的倾斜影响线差值计算结果的示意图；
图5是本发明实施例提供的一种随机车辆荷载作用下桥梁损伤识别装置的结构示意图；
图6是本发明实施例提供的一种计算设备的结构示意图。
具体实施方式
本申请提供了一种随机车辆荷载作用下桥梁损伤识别方法，该方法可以应用于图1所示的系统中。
如图1所示，图1是本申请提供的一种随机车辆荷载作用下桥梁损伤识别系统的结构示意图。该桥梁损伤识别系统包括：服务器和多个传感器。其中，多个传感器用于长期获取桥梁实际运营中的桥梁响应向量，倾角位移等数据，并将数据传输至服务器中。
服务器用于根据随机生成的车辆，确定车辆轴重区间、桥梁损伤状态的响应向量和桥梁无损伤状态的响应向量。在实际应用中，随机生成的车辆可以看作桥梁上随机经过的车辆，通过布置在桥梁上的传感器可以确定桥梁损伤状态的响应向量和桥梁无损伤状态的响应向量。
服务器用于根据车辆轴重区间和桥梁损伤状态的响应向量，得到桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据，根据车辆的轴重区间和桥梁无损伤状态的响应向量，得到桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据。
服务器用于对桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁损伤状态的倾斜影响线，对桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁无损伤状态的倾斜影响线。
服务器用于根据桥梁损伤状态的倾斜影响线和桥梁无损伤状态的倾斜影响线，确定桥梁损伤位置和损伤程度。
在桥梁建造完成后，即可根据桥梁的相关参数，通过服务器计算得到桥梁无损伤状态的倾斜影响线，之后，可以根据传感器采集的数据，计算桥梁损伤状态的倾斜影响线，根据桥梁损伤前后的倾斜影响线的差值，确定桥梁损伤位置和损伤程度，用于长期监控桥梁健康状态。
应理解，图1只是本申请实施例提供的一种可能的桥梁损伤识别系统的划分方式，实际应用中，该识别桥梁损伤的系统还可以包括更多或更少的部件，本申请不作具体限定。
本申请提供一种随机车辆荷载作用下桥梁损伤识别方法，如图2所示，图2是本申请提供的一种随机车辆荷载作用下桥梁损伤识别方法的流程图，该方法可以包括以下步骤。
S210：根据随机生成的车辆，确定车辆轴重区间、桥梁损伤状态的响应向量和桥梁无损伤状态的响应向量。
随机生成不同的车辆，确定车辆轴重区间。根据随机生成的车辆，将车辆轴重区间以仿射矩阵形式表示，通过仿射算法，确定车辆轴重区间。
首先，车辆轴重区间可以用仿射向量形式表示，得到：
Figure BDA0003561397680000071
其中，w0n表示区间中值，xn表示区间半径，εn表示值域为[-1，1]的噪声元，区间变量
Figure BDA0003561397680000072
表示第n轴轴重wn的极小值和极大值，真实轴重存在于该区间中。
在得到上述车辆轴重区间的仿射向量后，可以将上述公式转化为仿射矩阵形式，得到：
W＝W0+W1ε1+W2ε2+…+Wnεn
其中，W0表示包含各个区间中值的中值矩阵，W1、W2...Wn表示包含各个区间半径的半径矩阵。
之后利用仿射算法，根据上述车辆轴重的仿射矩阵，即可求解车辆轴重区间的边界值，确定车辆轴重区间，计算得到：
Figure BDA0003561397680000073
Figure BDA0003561397680000074
其中，I＝W0 -1W0，Ai＝W0 -1Wiεi。
根据随机生成不同的车辆，确定桥梁损伤状态的响应向量和桥梁无损伤状态的响应向量。将随机生成的车辆加载到损伤桥梁上，计算得到桥梁损伤状态的响应向量，将随机生成的车辆加载到无损伤桥梁上，计算得到桥梁无损伤状态的响应向量。
S220：根据车辆轴重区间和桥梁损伤状态的响应向量，得到桥梁损伤状态的倾斜影响线矩阵的上、下界数据，并且根据车辆的轴重区间和桥梁无损伤状态的响应向量，得到桥梁无损伤状态的倾斜影响线矩阵的上、下界数据。
在随机生成的车辆沿直线在桥梁上行驶的情况下，车辆各个轴的轴重对桥梁的影响相互独立，因此随机生成的不同车辆加载到桥梁上引起的响应可以表示为各个车轴引起的桥梁响应的叠加。假设车辆保持速度V匀速行驶，将桥梁响应函数和桥梁倾斜影响线函数离散为桥梁响应向量R和桥梁倾斜影响线向量Φ，存在桥梁响应向量，桥梁倾斜影响线向量和车辆轴重矩阵三者之间的关系式R＝WΦ，其中，W为包括车辆的轴重信息的荷载矩阵。在已经得到车辆轴重区间的边界值的情况下，获取随机车辆荷载作用效应叠加引起的桥梁响应，即可计算得到桥梁倾斜影响线的上界数据和下界数据，具体表示为：
Figure BDA0003561397680000081
Figure BDA0003561397680000082
根据上述计算影响线矩阵Φ的上下界数据的计算方法，可以计算得到桥梁无损伤状态下影响线的上界数据，下界数据以及桥梁损伤状态下影响线的上界数据和下界数据。
在真实的车辆轴重在通过仿射算法得到的车辆轴重区间内随机满布的情况下，真实桥梁倾斜影响线位于影响线的上界数据和下界数据的交汇处，可以将上界数据和下界数据区分开来，因此，可以利用支持向量机(support vector machines，SVM)的分类模型对上界数据和下界数据进行训练，确定桥梁倾斜影响线。
S230：对桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁损伤状态的倾斜影响线，对桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁无损伤状态的倾斜影响线。
在一种可能的实施方式中，对桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行SVM训练，得到桥梁损伤状态的倾斜影响线。在二维空间中，上述上界数据和下界数据无法通过一个超平面完全分离，因此，根据高斯核函数，可以将上述上届数据和下届数据映射到高维空间中，在高维空间中，上述上届数据和下届数据可以通过一个超平面最大程度地分离。根据网格搜索法、上届数据和下届数据，可以确定高斯核函数参数的第一最优取值以及惩罚因子的第一最优取值，应用于SVM训练。根据高斯核函数参数的第一最优取值和惩罚因子的第一最优取值，即可确定桥梁损伤状态的倾斜影响线，该桥梁损伤状态的倾斜影响线可以将上届数据和下届数据进行区分。
在另一种可能的实施方式中，对桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据进行SVM训练，得到桥梁无损伤状态的倾斜影响线。根据高斯核函数，将桥梁无损伤状态的倾斜影响线矩阵的上届数据和下届数据映射到高维空间中，根据网格搜索法和上述上届数据、下届数据，可以确定高斯核函数参数的第二最优取值以及惩罚因子的第二最优取值，根据高斯核函数参数的第二最优取值和惩罚因子的第二最优取值，即可确定桥梁无损伤状态的倾斜影响线，该桥梁无损伤状态的倾斜影响线可以将上述上届数据和下届数据进行区分。
S240：根据桥梁损伤状态的倾斜影响线和桥梁无损伤状态的倾斜影响线，确定桥梁损伤位置和损伤程度。
根据桥梁损伤状态的倾斜影响线和桥梁无损伤状态的倾斜影响线，确定倾斜影响线差值曲线，确定桥梁损伤位置。
在以简支桥梁损伤模型作为研究对象的情况下，如图3所示，图3是本申请提供的一种简支桥梁损伤模型的示意图。该简支桥梁模型梁长为l，抗弯刚度为EI，损伤区域C的范围[c-ε，c+ε]，在桥梁的损伤区域C内，桥梁的抗弯刚度为EI′。根据桥梁无损伤状态的倾斜影响线和桥梁损伤状态的倾斜影响线，计算桥梁起始截面A处桥梁损伤前后的倾斜影响线差值与单位荷载Fp距桥梁起始截面A的距离
Figure BDA0003561397680000091
之间的表达式。
在
Figure BDA0003561397680000092
的范围内，桥梁无损伤，计算得到桥梁损伤前后的倾斜影响线差值的表达式为：
Figure BDA0003561397680000093
在
Figure BDA0003561397680000094
的范围内，桥梁存在局部损伤，计算得到桥梁损伤前后的倾斜影响线差值的表达式为：
Figure BDA0003561397680000095
在
Figure BDA0003561397680000096
的范围内，桥梁无损伤，计算得到桥梁损伤前后的倾斜影响线差值的表达式为：
Figure BDA0003561397680000097
由上述多个计算得到的关系式可知，桥梁损伤前后的倾斜影响线差值曲线对应的表达式在桥梁损伤区域和桥梁无损伤区域存在差异，因此可以根据桥梁损伤前后的倾斜影响线差值曲线确定桥梁损伤位置。
在以超静定桥梁损伤结构作为研究对象的情况下，直接计算桥梁损伤前后的倾斜影响线差值表达式较为复杂，可以利用有限元模型，计算得到桥梁在损伤前后倾斜影响线的差值曲线。如图4所示，图4是本申请提供的一种桥梁损伤前后的倾斜影响线差值计算结果的示意图。在图4对应的桥梁模型中，在距桥梁起始位置8米处加载一定程度的桥梁损伤，根据图中的曲线，可以确定桥梁倾斜影响线差值包括在桥梁损伤位置，倾斜影响线差值最大，差值曲线存在明显转折等特性。在图4对应的桥梁模型中，在距桥梁起始位置8米处加载损伤程度为10％，20％和30％三种不同程度的桥梁损伤，根据图中三种不同情况下的曲线，可以确定桥梁倾斜影响线差值存在当桥梁损伤程度越大时，倾斜影响线差值越大的特性。由图4可以确定，根据桥梁损伤前后的倾斜影响线差值的计算结果可以确定桥梁的损伤位置，对比多种情况下桥梁损伤程度的大小，但是无法定量计算桥梁的损伤程度。
根据桥梁损伤状态的倾斜影响线、桥梁无损伤状态的倾斜影响线和桥梁对应的刚度矩阵，确定桥梁损伤前后倾斜影响线的差值与刚度改变量之间的关系，确定桥梁损伤程度。
首先，桥梁倾斜影响线值(rotation influence line，RIL)可以根据柔度矩阵表示为：
RIL＝SFQ
其中，S表示输出影响线的选择矩阵，Q表示荷载输入矩阵，F表示结构的柔度矩阵。由于柔度矩阵与刚度矩阵之间的关系为K＝F-1，因此，可以得到RIL与刚度矩阵之间的关系表达式：
RIL＝SK-1Q
随后，根据有限元模型，对刚度矩阵的进行特征值的分解与组合，在单元刚度矩阵不满秩的条件下，假设单元刚度矩阵的秩为r，对单元刚度矩阵进行特征值分解，得到：
Figure BDA0003561397680000101
其中，
Figure BDA0003561397680000102
表示单元i的刚度矩阵Ki的第j个特征值，
Figure BDA0003561397680000103
表示单元i的刚度矩阵Ki的第j个特征向量，∧i表示单元i的刚度矩阵对应的矩阵特征值，Ui表示单元i的刚度矩阵对应的特征向量矩阵。
令
Figure BDA0003561397680000104
得到单元i的刚度矩阵Ki简化为：
Figure BDA0003561397680000105
其中，ci表示单元i的刚度关联矩阵，维度为r*N。
整体刚度矩阵可以通过整体坐标系下单元刚度矩阵的叠加得到，整体刚度矩阵K表示为：
Figure BDA0003561397680000106
其中，N为有限元模型中的总单元数，C为刚度转换矩阵，P为单元损伤系数矩阵，在桥梁无损伤状态的情况下，该矩阵P为单位矩阵，在某一单元损伤的情况下，该矩阵P的对角线上的对应值不为1。
相应地，桥梁损伤前后刚度矩阵的变化量可表示为：
Figure BDA0003561397680000107
最后，根据上述桥梁损伤前后刚度矩阵的变化量以及影响线值的表达式，可以计算得到桥梁在损伤前后的倾斜影响线差值与单元刚度损伤的之间的关系表达式：
ΔRIL＝SΔK-1Q＝S(C-1)T(ΔP)-1C-1Q
在获取得到桥梁损伤前后的倾斜影响线矩阵的情况下，即可根据ΔP得到单元损伤系数，从而对桥梁的损伤程度进行量化，确定桥梁损伤程度。
在一具体的实施方式中，桥梁为一座两车道简支T梁桥，该桥梁长度为30m，总宽度为12m，弹性模量E＝2.75×1010Pa，惯性矩I＝0.15m4，根据弹性模量和惯性矩可以计算得到桥梁的抗弯刚度为EI，由于绝大部分桥梁损伤都是由于刚度损伤造成的，因此本申请实施例中的桥梁损伤均以刚度损伤进行量化。建立桥梁有限元分析模型，将桥梁划分为30个单元，将所有单元以单一方向按顺序进行编号。在桥梁上加载一个速度为5m/s的二轴货车，在数据库中找到对应的车辆轴重区间，通过仿射算法计算得到确定的车辆轴重区间，在桥梁上没有加载损伤的情况下，确定桥梁无损伤状态的倾斜影响线的上下界数据。经SVM分类模型训练上下界数据，可以得到桥梁无损伤状态的倾斜影响线。在第8单元内给桥梁加载10％的损伤，以上述方式计算得到桥梁损伤状态下的倾斜影响线，可以确定在桥梁损伤位置倾角位移明显增大。随后还可以在桥梁的不同位置加载不同程度的桥梁损伤，计算不同的桥梁损伤对应的桥梁损伤倾斜影响线。由于在桥梁无损伤位置，无损伤状态下的倾斜影响线和损伤状态下的倾斜影响线区别不大，计算桥梁损伤前后的影响线差值曲线，可以得到桥梁损伤与倾斜影响线差值之间的关系，从而在实际应用中定位桥梁损伤，计算桥梁损伤程度。在其他的桥梁模型中上述方法同样适用，本申请对此不作具体限定。
综上所述，本申请提供的一种随机车辆荷载作用下桥梁损伤识别方法，先通过随机生成的车辆确定车辆的轴重区间、桥梁损伤状态的桥梁响应向量和桥梁无损伤状态的桥梁响应向量，计算得到桥梁倾斜影响线的上下界数据，进一步通过SVM算法训练样本，得到桥梁损伤状态的倾斜影响线和桥梁无损伤状态的倾斜影响线，从而根据桥梁倾斜影响线在损伤前后的差值曲线确定桥梁损伤位置和损伤程度。通过这一方法计算桥梁倾斜影响线不需要阻断桥梁交通，节约成本，过程高效，并且桥梁倾斜影响线对桥梁损伤的灵敏度更高，可以识别多处桥梁局部损伤的位置，定位准确。
图5是本申请提供的一种随机车辆荷载作用下桥梁损伤识别装置的结构示意图，该装置也可以应用于图1所示的系统中。该随机车辆荷载作用下桥梁损伤识别装置500包括：生成单元510、计算单元520、训练单元530和损伤识别单元540。生成单元510，用于随机生成车辆；计算单元520，用于根据随机生成的车辆，确定车辆轴重区间、桥梁损伤状态的响应向量和桥梁无损伤状态的响应向量，用于根据车辆轴重区间和桥梁损伤状态的响应向量，得到桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据，根据车辆的轴重区间和桥梁无损伤状态的响应向量，得到桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据；训练单元530，用于对桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁损伤状态的倾斜影响线，用于对桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁无损伤状态的倾斜影响线；损伤识别单元540，用于根据无损伤桥梁影响线和损伤桥梁影响线，确定桥梁损伤位置和损伤程度。
图6是本申请提供一种计算设备的结构示意图，该计算设备可以完成图1至图5实施例中的所有步骤。如图6所示，计算设备600包括：处理器610、存储器620、通信接口630和总线640。其中，处理器610，存储器620，通信接口630可以通过总线640相互连接也可以通过无线传输等其他手段实现通信。其中，通信接口630与安装在桥梁上的多个传感器相连，获取桥梁实际运营过程中的响应向量，倾角位移等数据。
处理器610可以由至少一个通用处理器构成，例如中央处理器(centralprocessing unit,CPU)，或者CPU和硬件芯片的组合。上述硬件芯片可以是专用集成电路(application-specific integrated circuit,ASIC)、可编程逻辑器件(programmablelogic device,PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complexprogrammable logic device,CPLD)、现场可编程逻辑门阵列(field-programmable gatearray,FPGA)、通用阵列逻辑(generic array logic,GAL)或其任意组合。处理器610用于执行各种类型的数字存储指令。
存储器620用于存储程序代码，并由处理器610来控制执行，以执行上述方法、装置等任一实施例中包括的所有的步骤。程序代码中可以包括一个或者多个软件模块，该软件模块可以是图5实施例中的生成单元、计算单元、训练单元和损伤识别单元，上述具体的实现方式可以参考图5的方法实施例，确定桥梁损伤位置及损伤程度，此处不再赘述。
存储器620可以包括只读存储器和随机存取存储器，并向处理器610提供指令和数据。存储器620还可以包括非易失性随机存取存储器。例如，存储器620还可以存储设备类型的信息。
存储器620可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data date SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，DR RAM)。还可以是硬盘(hard disk)、U盘(universal serial bus，USB)、闪存(flash)、SD卡(secure digitalmemory Card,SD card)、记忆棒等等，硬盘可以是硬盘驱动器(hard disk drive,HDD)、固态硬盘(solid state disk,SSD)、机械硬盘(mechanical hard disk,HDD)等，本申请不作具体限定。
总线640可以是快捷外围部件互联标准(Peripheral Component InterconnectExpress，PCIe)总线，或扩展工业标准结构(extended industry standard architecture，EISA)总线、统一总线(unified bus，Ubus或UB)、计算机快速链接(compute express link，CXL)、缓存一致互联协议(cache coherent interconnect for accelerators，CCIX)等。总线640可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示总线，但并不表示仅有一根总线或仅有一种类型的总线。
需要说明的，图6仅仅是本申请实施例的一种可能的实现方式，实际应用中，计算设备600还可以包括更多或更少的部件，这里不作具体限制。
本申请实施例，还提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其在处理器上运行时，图2所示的方法流程得以实现。
本申请实施例，还提供一种计算机程序产品，当计算机程序产品在处理器上运行时，图2所示的方法流程得以实现。
在计算机上加载或执行计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。
计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含至少一个可用介质集合的服务器、数据中心等数据存储节点。可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，高密度数字视频光盘(digital video disc,DVD)、或者半导体介质)。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (12)

1.一种随机车辆荷载作用下桥梁损伤识别方法，其特征在于，包括：
根据随机生成的车辆，确定车辆轴重区间、桥梁损伤状态的响应向量和桥梁无损伤状态的响应向量；
根据所述车辆轴重区间和所述桥梁损伤状态的响应向量，得到所述桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据，根据所述车辆的轴重区间和所述桥梁无损伤状态的响应向量，得到所述桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据；
对所述桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁损伤状态的倾斜影响线，对所述桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁无损伤状态的倾斜影响线；
根据所述桥梁损伤状态的倾斜影响线和所述桥梁无损伤状态的倾斜影响线，确定桥梁损伤位置和损伤程度。
2.根据权利要求1所述的方法，其特征在于，所述根据随机生成的车辆，确定车辆轴重区间，桥梁损伤状态的响应向量和桥梁无损伤状态的响应向量，包括：
根据所述随机生成的车辆，将所述车辆轴重区间以仿射矩阵形式表示，通过仿射算法，确定所述车辆轴重区间；
将所述随机生成的车辆加载到损伤桥梁上，得到所述桥梁损伤状态的响应向量；
将所述随机生成的车辆加载到无损伤桥梁上，得到所述桥梁无损伤状态的响应向量。
3.根据权利要求2所述的方法，其特征在于，所述将所述桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁损伤状态的倾斜影响线，包括：
根据高斯核函数，将所述桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据映射到高维空间中；
根据网格搜索法和所述桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据，确定所述高斯核函数参数的第一最优取值以及惩罚因子的第一最优取值；
根据所述高斯核函数参数的第一最优取值和所述惩罚因子的第一最优取值，确定桥梁损伤状态的倾斜影响线，所述桥梁损伤状态的倾斜影响线将所述桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行区分。
4.根据权利要求3所述的方法，其特征在于，所述将所述桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁无损伤状态的倾斜影响线包括：
根据高斯核函数，将所述桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据映射到高维空间中；
根据网格搜索法和所述桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据，确定所述高斯核函数参数的第二最优取值以及惩罚因子的第二最优取值；
根据所述高斯核函数参数的第二最优取值和所述惩罚因子的第二最优取值，确定桥梁无损伤状态的倾斜影响线，所述桥梁无损伤状态的倾斜影响线将所述桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据进行区分。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述根据所述桥梁损伤状态的倾斜影响线和所述桥梁无损伤状态的倾斜影响线，确定桥梁损伤位置和损伤程度，包括：
根据所述桥梁损伤状态的倾斜影响线和所述桥梁无损伤状态的倾斜影响线，确定倾斜影响线差值曲线，确定桥梁损伤位置；
根据所述桥梁损伤状态的倾斜影响线、所述桥梁无损伤状态的倾斜影响线和所述桥梁对应的刚度矩阵，确定桥梁损伤前后倾斜影响线的差值与刚度改变量之间的关系，确定桥梁损伤程度。
6.一种随机车辆荷载作用下桥梁损伤识别的装置，其特征在于，所述装置包括：
生成单元，用于随机生成车辆；
计算单元，用于根据所述随机生成的车辆，确定车辆轴重区间、桥梁损伤状态的响应向量和桥梁无损伤状态的响应向量，用于根据所述车辆轴重区间和所述桥梁损伤状态的响应向量，得到所述桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据，根据所述车辆的轴重区间和所述桥梁无损伤状态的响应向量，得到所述桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据；
训练单元，用于对所述桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁损伤状态的倾斜影响线，用于对所述桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁无损伤状态的倾斜影响线；
损伤识别单元，用于根据所述无损伤桥梁影响线和所述损伤桥梁影响线，确定桥梁损伤位置和损伤程度。
7.根据权利要求6所述的装置，其特征在于，所述计算单元具体用于：
根据所述随机生成的车辆，将所述车辆轴重区间以仿射矩阵形式表示，通过仿射算法，确定所述车辆轴重区间；
将所述随机生成的车辆加载到损伤桥梁上，得到所述桥梁损伤状态的响应向量；
将所述随机生成的车辆加载到无损伤桥梁上，得到所述桥梁无损伤状态的响应向量。
8.根据权利要求7所述的装置，其特征在于，所述训练单元具体用于：
根据高斯核函数，将所述桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据映射到高维空间中；
根据网格搜索法和所述桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据，确定所述高斯核函数参数的第一最优取值以及惩罚因子的第一最优取值；
根据所述高斯核函数参数的第一最优取值和所述惩罚因子的第一最优取值，确定所述桥梁损伤状态的倾斜影响线，所述桥梁损伤状态的倾斜影响线将所述桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行区分。
9.根据权利要求8所述的装置，其特征在于，所述训练单元具体用于：
根据高斯核函数，将所述桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据映射到高维空间中；
根据网格搜索法和所述桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据，确定所述高斯核函数参数的第二最优取值以及惩罚因子的第二最优取值；
根据所述高斯核函数参数的第二最优取值和所述惩罚因子的第二最优取值，确定所述桥梁无损伤状态的倾斜影响线，所述桥梁无损伤状态的倾斜影响线将所述桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行区分。
10.根据权利要求6至9任一项所述的装置，其特征在于，所述损伤识别单元具体用于：
根据所述桥梁损伤状态的倾斜影响线和所述桥梁无损伤状态的倾斜影响线，确定倾斜影响线差值曲线，确定桥梁损伤位置；
根据所述桥梁损伤状态的倾斜影响线、所述桥梁无损伤状态的倾斜影响线和所述桥梁对应的刚度矩阵，确定桥梁损伤前后倾斜影响线的差值与刚度改变量之间的关系，确定桥梁损伤程度。
11.一种计算设备，其特征在于，所述计算设备包括处理器和存储器，所述存储器存储计算机程序，所述处理器执行所述计算机程序，以使所述计算设备执行如权利要求1至5任一项所述的方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序，所述程序在计算设备上运行时，使所述计算设备执行如权利要求1至5任一项所述的方法。
CN202210292681.8A 2022-03-23 2022-03-23 一种随机车辆荷载作用下桥梁损伤识别方法及计算系统 Pending CN114676479A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210292681.8A CN114676479A (zh) 2022-03-23 2022-03-23 一种随机车辆荷载作用下桥梁损伤识别方法及计算系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210292681.8A CN114676479A (zh) 2022-03-23 2022-03-23 一种随机车辆荷载作用下桥梁损伤识别方法及计算系统

Publications (1)

Publication Number Publication Date
CN114676479A true CN114676479A (zh) 2022-06-28

Family

ID=82073346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210292681.8A Pending CN114676479A (zh) 2022-03-23 2022-03-23 一种随机车辆荷载作用下桥梁损伤识别方法及计算系统

Country Status (1)

Country Link
CN (1) CN114676479A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115859733A (zh) * 2022-12-20 2023-03-28 湘潭大学 高斯过程回归的裂纹t梁单元损伤程度计算方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108775993A (zh) * 2018-06-12 2018-11-09 中南大学 一种桥梁损伤检测方法
CN111912589A (zh) * 2020-06-16 2020-11-10 厦门大学 一种基于挠度影响线改变量识别梁结构损伤程度的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108775993A (zh) * 2018-06-12 2018-11-09 中南大学 一种桥梁损伤检测方法
CN111912589A (zh) * 2020-06-16 2020-11-10 厦门大学 一种基于挠度影响线改变量识别梁结构损伤程度的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
周宇: "基于影响线与柔度矩阵的桥梁损伤信息融合诊断研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑(月刊)》, no. 2022, 15 March 2022 (2022-03-15), pages 19 - 31 *
周赛: "基于车辆大数据与区间仿射求逆算法的中小桥梁结构识别", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(月刊)》, no. 2022, 15 March 2022 (2022-03-15), pages 19 - 24 *
张延庆;吴贵飞;邓洪亮;: "基于倾角影响线的简支梁桥损伤识别", 河北工业科技, no. 03, 31 May 2017 (2017-05-31), pages 177 - 182 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115859733A (zh) * 2022-12-20 2023-03-28 湘潭大学 高斯过程回归的裂纹t梁单元损伤程度计算方法
CN115859733B (zh) * 2022-12-20 2024-03-15 湘潭大学 高斯过程回归的裂纹t梁单元损伤程度计算方法

Similar Documents

Publication Publication Date Title
CN106095963B (zh) 互联网+时代下的车辆驾驶行为分析大数据公共服务平台
Qiao et al. A tool wear monitoring and prediction system based on multiscale deep learning models and fog computing
US20190370647A1 (en) Artificial intelligence analysis and explanation utilizing hardware measures of attention
Nguyen et al. Damage detection in slab structures based on two-dimensional curvature mode shape method and Faster R-CNN
CN109631997B (zh) 工程设备健康检测方法、装置以及电子设备
DE112014003591T5 (de) Detektionseinheit, Detektionsverfahren und Programm
CN114676479A (zh) 一种随机车辆荷载作用下桥梁损伤识别方法及计算系统
CN117824756A (zh) 一种建筑结构监测方法、设备及存储介质
CN115272257A (zh) 桥梁图像检测的方法、装置、电子设备及可读存储介质
CN114863170A (zh) 一种基于深度学习的新能源车电池自燃预警方法及装置
CN112633362B (zh) 一种旋转机械自适应故障诊断方法、装置、设备及介质
EP4009239A1 (en) Method and apparatus with neural architecture search based on hardware performance
Zhang et al. Long‐term bridge performance assessment using clustering and Bayesian linear regression for vehicle load and strain mapping model
US20220269899A1 (en) Image-based vehicle classification
CN115705279A (zh) 一种基于指标数据的智能故障预警方法和装置
CN113788023A (zh) 车辆驾驶故障检测方法、装置、设备及存储介质
CN116702000B (zh) 一种基于多层数据融合的路面质量动态监测与评估方法
CN112418460A (zh) 工程车辆的故障诊断方法和故障诊断装置
CN117272145A (zh) 转辙机的健康状态评估方法、装置和电子设备
Chandrvanshi et al. Bearing Fault Diagnosis Using Machine Learning Models
Li et al. Structural damage identification based on Wasserstein Generative Adversarial Network with gradient penalty and dynamic adversarial adaptation network
CN116736173B (zh) 一种储能电池模型构建和储能电池状态判定方法、装置
CN116663434B (zh) 一种基于lstm深度神经网络的整车载荷分解方法
Tselentis et al. Hybrid data envelopment analysis for large-scale smartphone data modeling
CN118573489B (zh) 一种工业互联网信息安全评估方法及系统

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