CN116611302B - 考虑车载随机性影响的桥梁校验系数的预测方法 - Google Patents
考虑车载随机性影响的桥梁校验系数的预测方法 Download PDFInfo
- Publication number
- CN116611302B CN116611302B CN202310880292.1A CN202310880292A CN116611302B CN 116611302 B CN116611302 B CN 116611302B CN 202310880292 A CN202310880292 A CN 202310880292A CN 116611302 B CN116611302 B CN 116611302B
- Authority
- CN
- China
- Prior art keywords
- bridge
- data
- check coefficient
- discriminator
- coefficient
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000000694 effects Effects 0.000 title description 4
- 230000004044 response Effects 0.000 claims abstract description 42
- 230000001133 acceleration Effects 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 24
- 238000005259 measurement Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 13
- 230000003068 static effect Effects 0.000 claims description 12
- 238000006073 displacement reaction Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013016 damping Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000002265 prevention Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 8
- 230000006378 damage Effects 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 abstract description 2
- 230000036541 health Effects 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 229910000831 Steel Inorganic materials 0.000 description 5
- 239000010959 steel Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008485 antagonism Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Structural Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Mathematical Optimization (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及桥梁损伤识别技术领域,公开了一种考虑车载随机性影响的桥梁校验系数的预测方法,桥梁结构作为交通运输中的重要构成之一,需要进行定期的监测工作。但是,依然传统的检测方法,则需要对相关道路进行封闭,在检测期间不允许社会车辆上桥,极大的影响了出行的便利度,且制造了较大的交通拥堵。此外,公路车辆型号较多,轴重载重、车速变化较大,存在较强的随机特性。本发明针对桥梁结构的校验系数,采用深度学习,通过车辆过桥所得加速度响应结果,实现校验系数的精准预测,进而判断桥梁的健康状况。可考虑车辆荷载的诸多随机特性以及获得“不封闭”交通情况下的桥梁校验系数结果。
Description
技术领域
本发明涉及桥梁损伤识别技术领域,具体为一种考虑车载随机性影响的桥梁校验系数的预测方法。
背景技术
随着我国经济迅猛发展、社会日益繁荣昌盛,人民对便利交通的需求越来越高。交通是兴国之要、强国之基,为建设出以人民满意、保障有力、世界前列为总目标的交通强国,我国规划打造出一流的综合交通设施网络体系。桥梁作为交通系统的重要组成部分,也得到了大力发展。根据2021年交通运输部发表的《交通运输行业发展统计公报》显示,截止2020年末,全国公路桥梁91.28万座、6628.55万延米,相比2019年末分别增加3.45万座、565.10万延米,其中特大桥梁6444座、1162.97万延米,大桥119935座、3277.77万延米。桥梁在长期使用中,在自然环境(大气侵蚀、温度与湿度变化)和使用环境(材料与结构的疲劳效应、荷载作用与使用频率的增加)的作用下,容易产生不可逆转的损伤现象,同时随着桥梁使用时间与使用频率的增加,桥梁又会不可避免地出现老化现象。这些病害问题若不及时发现与处理,就容易引发桥梁安全事故。
现实中一系列灾难性事故表明,及时的桥梁检测与维修是十分有必要的。若不及时检修、保养桥梁,就有可能发生桥毁人亡的工程悲剧,严重影响人民的生命财产安全。因此,桥梁检测技术的发展与进步格外重要。目前,我国应用最广泛的桥梁检测方法为桥梁表观检测与桥梁承载力荷载试验等,但由于需要现场试验,为了保证试验人员的安全一般都会在桥梁的两端增加禁止通行的标志或者围挡,所以其存在阻塞交通等缺点。因此,找到一个能检测快速且不妨碍交通的桥梁检测方法具有重要的现实价值和深远意义。
发明内容
针对上述问题,本发明的目的在于提供一种考虑车载随机性影响的桥梁校验系数的预测方法,将条件对抗神经网络(Conditional Generative Adversarial Nets,CGAN)应用到桥梁校验系数的预测中,并提出基于CGAN与动力测试数据的桥梁结构性能评价理论,CGAN通过额外的信息对模型进行约束,使得预测数据更加真实可靠,从而将无监督学习转换为有监督学习使得其可以更好的在掌控中进行学习,且有效的解决了阻塞交通的情况。技术方案如下:
一种考虑车载随机性影响的桥梁校验系数的预测方法,包括以下步骤:
步骤1:通过有限元软件Ansys建立车辆模型和桥梁模型,建立车辆模型的动力学方程,通过计算出自振频率来验证桥梁和车辆模型的准确性;
步骤2:确定车辆模型的多种类型,明确其对应的参数及变异系数,获取随机参数;
步骤3:采用纽马克法,根据不同类型车辆、车辆不确定性参数以及路面不平度,求出对应的车桥耦合随机振动系统响应数据;
步骤4:在有限元软件中,模拟基准车型静止于桥梁跨中位置,获取得到桥梁的基准垂向位移y 1;
步骤5:模拟不同车型静止在桥梁中间位置,获得对应的桥梁垂向位移y i ,进而求解得到校验系数一;
步骤6:随机选取若干条车辆过桥的桥梁结构加速度响应样本作为输入数据,将对应类型汽车所计算得到的校验系数一作为输出数据;
步骤7:结合实际数据在训练之前对所提出的CGAN进行超参数设置;
步骤8:完成超参设置后,开展汽车过桥的现场试验,得到试验桥梁结构的校验系数二;
步骤9:通过选定输入数据和输出数据将其代入CGAN中,通过目标函数对所述若干条响应样本进行运算,基于CGAN获得桥梁结构预测校验系数三;
步骤10:将实际测量得到的桥梁校验系数二与通过CGAN预测得到的校验系数三进行验证对比,以确定CGAN模型的正确性;
步骤11:通过CGAN,基于桥梁上传感器所得数据,实现桥梁结构校验系数的精准预测。
进一步的,所述桥梁和车辆模型的动力学方程为:
式中,M、C、K、F分别代表车桥系统的质量、阻尼、刚度矩阵和荷载向量;分别代表车桥系统的加速度、速度和位移。
更进一步的,所述CGAN神经网络算法由一个判别器和生成器组成,生成器是由白噪声生成所需数据,再由生成器生成的数据与输入在判别器中的真实数据进行判别,鉴别生成的数据是否达到要求,如果达到则输出,没有达到则继续进行博弈直至达到要求为止。
更进一步的,所述生成器与判别器各有5层的隐层,每一层隐层内部依次进行反卷积/卷积、批标准化、激活函数、防止过拟合操作;
判别器定义5次卷积,以挖掘出数据隐藏的特征;输入样本经过逐层卷积操作,特征通道数逐渐增加,而每个特征的数据尺寸逐渐减小,5个卷积层的特征通道数分别为15、60、240、640和960,而对应的特征数据尺寸分别为20×20、20×20、20×20、10×10和5×5;特征通道数的逐层增加;对经多次卷积操作并完成特征提取后的数据,将其重新排列成一维数组,即扁平化操作,再将其输入softmax判别层,以实现其“真”和“假”的判别;
生成器采用与判别器完全对称的结构,生成器的输入矢量采用长度为400的随机噪声;首先,将这一随机噪声重塑成1×1×400的三维矩阵,并通过全连接层映射为5×5×960大小的三维矩阵;然后,神经网络利用反卷积技术,将上一层的特征信息,逐渐减少特征通道数,而增加数据尺寸的大小;最后得到20×20×15三维矩阵,将此数据进行重新排列成一维数组,即得到所需生成的长度为6000的桥梁校验系数数据。
更进一步的,所述步骤11中获得预测数据具体为:
为使判别器更好的区分样本桥梁校验系数与生成桥梁校验系数数据,在输入真实桥梁校验系数数据时,使判别器输出的概率值尽可能接近1,在输入生成数据时,使判别器输出的概率值尽可能接近0,生成器的损失函数为,式中,/>为判别器的损失函数,/>为生成数据与0的距离,/>为真实数据与1的距离;
优化过程表示为一个判别器与生成器零和博弈的极小极大化问题,对抗过程用下式描述:
式中,表示对抗输出期望函数,/>表示生成输出期望函数,D表示判别器,/>表示判别器输出数据,/>表示神经网络博弈过程的极大极小值;表示生成器生成数据;
所述步骤7至步骤11的训练预测过程为:当判别器对经由生成器对训练样本即模拟桥梁校验系数数据的真实分布进行特征提取并映射而成的生成数据输出为1时,此时/>取值最大,说明判别器能够有效的鉴定数据来源于校验系数数据还是生成的校验系数数据,由/>输出为桥梁校验系数/>;当判别器输出/>为0时,判别器性能已经得到足够的提升,生成的桥梁校验系数数据样本精度与真实性将无法满足使用要求,将会继续重复生成对抗的过程直至满足要求;此时的生成桥梁校验系数数据精度与真实性能够达到使用需求,即得到最优的生成器,则桥梁校验系数/>为通过博弈输出的生成校验系数样本。
与现有技术相比,本发明的有益效果是:
1、本发明的主要内容是通过条件生成式对抗网络,即CGAN,引入校验系数的概念,运用CGAN将桥梁加速度响应值作为输入条件信息,将桥梁静载实验获得校验系数作为真实值输入到神经网络模型中。通过前期的训练将模型训练好,通过后期安装在桥梁上的加速度测量仪器测得数据输入到训练好的模型中,预测得到实际工程中的桥梁的校验系数,通过此来判断桥梁的健康状态。
2、本发明利用生成式对抗网络的生成器与判别器提取桥梁校验系数的分布特征,通过对抗训练的过程优化调整,使得生成数据的分布特性逐渐接近真实数据的分布特性,从而获取精度以及分布特性与真实校验系数高度符合的生成校验系数,可以由训练好的生成模型获取任意桥梁任意车辆的校验系数,并应用于桥梁的损伤识别分析中,提供了一种分析桥梁健康状态的新手段,拓展了结构损伤分析的研究思路,同时可以有效的减少科研成本,提高计算效率。
3、本发明提出了CGAN神经网络运用至桥梁校验系数的预测工作当中,由于所提出的方法是采用Ansys等软件进行数值模拟得到的输入数据和输出数据进行训练和预测的,因此在不用到现场封闭交通进行实测的情况下就能完成此项工作,因此有效的解决了研究过程中阻塞交通的情况。
附图说明
图1为对条件抗神经网络计算流程图。
图2为对抗/生成神经网络结构图。
图3为判别器网络架构图。
图4为生成器网络架构图。
图5为纽马克-CGAN组合网络的流程图。
图6(a)为梁桥立面图之1×20mT梁桥立面图。
图6(b)为梁桥立面图之1×30mT梁桥立面图。
图7(a)为梁桥立面图之1×40mT梁桥立面图。
图7(b)为梁桥立面图之1×43m钢箱梁桥立面图。
图8为梁桥立面图之1×30mT梁车行天桥立面图。
图9为训练平均损失值图。
图10为梁桥测点布置图。
图11为车速20km/h样本1的数值模拟加速度响应时程曲线图之测点1和测点2,其中,1a为测点1,2a为测点2。
图12为车速20km/h样本1的数值模拟加速度响应时程曲线图之测点3和测点4,其中,3a为测点3,4a为测点4。
图13为车速20km/h样本1的数值模拟加速度响应时程曲线图之测点5和测点6,其中,5a为测点5,6a为测点6。
图14为车速20km/h样本1的数值模拟加速度响应时程曲线图之测点7和测点8,其中,7a为测点7,8a为测点8。
图15为车速20km/h样本1的数值模拟加速度响应时程曲线图之测点9和测点10,其中,9a为测点9,10a为测点10。
图16为车速20km/h样本1的数值模拟加速度响应时程曲线图之测点11和测点12,其中,11a为测点11,12a为测点12。
图17为车速20km/h样本1的数值模拟加速度响应时程曲线图之测点13和测点14,其中,13a为测点13,14a为测点14。
图18为车速20km/h样本1的数值模拟加速度响应时程曲线图之测点15和测点16,其中,15a为测点15,16a为测点16。
图19(a)为预测校验系数与实测值验证图之1×20m简支T梁桥两方法结果比较。
图19(b)为预测校验系数与实测值验证图之1×30m简支T梁桥两方法结果比较。
图20(a)为预测校验系数与实测值验证图之1×40m简支T梁桥两方法结果比较。
图20(b)为预测校验系数与实测值验证图之1×43m简支钢箱梁桥两方法结果比较。
图21为预测校验系数与实测值验证图之1×30m简支T梁车行天桥两方法结果比较。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细说明。
本发明将人工智能算法中的深度学习网络引用到桥梁的智能检测当中。提出将条件对抗神经网络(CGAN)应用到桥梁校验系数的预测中,并提出基于CGAN与动力测试数据的桥梁结构性能评价理论,探讨基于卷积神经网络预测简支梁桥挠度校验系数的可行性及准确性。与传统的对抗神经网络而言,CGAN可以增加一个额外的条件信息,生成器与判别器只有足够真实且与条件相符,才能通过判别器。通过额外的信息对模型进行约束,使得预测数据更加真实可靠,从而将无监督学习转换为有监督学习使得其可以更好的在我们的掌控中进行学习。由于其具备强大的非线性映射能力,可以为工程的检测分析提供一种有前途的工具。
在进行结构损伤分析时,需要提前获得桥梁的校验系数以及桥梁动力响应数据。首先,本发明利用纽马克法获得桥梁竖向加速度响应,对桥梁进行静载跨中扰度求解,其次是将获得的数据输入到CGAN中训练模型,将现场实测的数据也就是实桥的竖向加速度响应输入到训练好的模型中获得预测数据即预测实桥的校验系数。
本发明在物联网技术、深度学习理论的基础上,应用CGAN作为工具,先建立研究对象的有限元模型并对其进行模拟跑车试验以获取规定测点的加速度数据作为CGAN的训练集,再利用行车冲击振动获取桥梁结构规定测点的加速度数据作为CGAN的预测集,最后利用CGAN预测出实桥的挠度校验系数,值得注意的是CGAN的主要结构是由相互博弈的生成器和判别器构成,其工作流程为图1所示。
本发明采用的技术方案步骤如下:
步骤1:通过有限元软件Ansys建立车辆模型和桥梁模型,建立车辆模型的动力学方程,通过计算出来的自振频率来验证桥梁和车辆模型的准确性。
所述桥梁和车辆模型为:
(1)
式中,M、C、K、F分别代表车桥系统的质量、阻尼、刚度矩阵和荷载向量;分别代表系统的加速度、速度和位移;
步骤2:确定车辆模型的多种类型(小客车,大客车,货车等),明确其对应的参数及变异系数,获取随机参数;
步骤3:采用纽马克法,根据不同类型车辆、车辆不确定性参数以及路面不平度,求出对应的车桥耦合随机振动系统响应数据;
所述系统响应的求解办法,跟据纽马克法假设:
(2)
式中,Δt为时间步长;为系统的t+Δt时刻的加速度、速度、位移;/>为系统在t时刻的加速度、速度、位移;β、γ参数,由积分精度和稳定性确定。参数β、γ对该计算的影响比较大,根据研究表明,当满足以下关系时,纽马克法无条件稳定,此时时间步长Δt的值可以只根据精度的要求来确定。
β≥0.5,γ≥(0.5+β 2)/4(3)
当β、γ分别取值为0.5和0.25时,纽马克法就是平均加速度法。根据公式(2),将用/>以及Z t+Δt 来表示:
(4)
(5)
则t+Δt时刻系统的振动微分方程可表示为:
(6)
式中,F t+Δt 表示为t+Δt时刻的荷载,在Z t+Δt 可表示为:
(7)
其中:
(8)
(9)
式中,为系统的有效刚度;/>为系统的有效荷载向量。
根据公式(3)选择β、γ的值,根据精度要求选择适当的时间步长Δt,并计算下面的相关常数,/>,/>,/>,/>,,a 6=Δt(1-β),/>
将公式(8)进行整理,计算有效刚度矩阵:
=K+a 0 M+a 1 C(10)
将进行三角分解:
=LDL T (11)
式中,L、D、L T 分别代表车桥系统的振型数据矩阵、模型数据矩阵和振型数据的转置矩阵。
对每个时间步进行积分计算:
计算t+Δt时刻的有效荷载向量:
(12)
更进一步的,所述步骤3中获得车桥耦合随机振动系统响应数据,具体包括:
计算t+Δt时刻的位移:
(13)
计算t+Δt时刻的加速度和速度:
(14)
步骤4:在有限元软件中,模拟基准车型静止于桥梁跨中位置,获取得到桥梁的基准垂向位移;
步骤5:进一步模拟不同车型静止在桥梁中间位置,获得对应的桥梁垂向唯一,进而求解得到校验系数一/>(15);
步骤6:随机选取若干条车辆过桥的桥梁结构加速度响应样本作为输入数据,将对应类型汽车所计算得到的校验系数一作为输出数据;
步骤7:结合实际数据在训练之前对所提出的CGAN进行超参数设置。
采用完全对称的生成器与判别器,且生成器与判别器各有5层的隐层,每一层隐层内部依次进行反卷积/卷积、批标准化、激活函数、防止过拟合(dropout函数)等操作,如图2所示。
判别器:定义了5次卷积,以挖掘出数据隐藏的特征。如图3所示,输入样本经过逐层卷积操作,特征通道数逐渐增加,而每个特征的数据尺寸逐渐减小。其中,5个卷积层的特征通道数分别为15、60、240、640和960,而对应的特征数据尺寸分别为20×20、20×20、20×20、10×10和5×5。特征通道数的逐层增加,代表着网络对输入数据的特征提取越充分。对经多次卷积操作并完成特征提取后的数据,将其重新排列成一维数组,即扁平化操作,再将其输入softmax判别层,以实现其“真”和“假”的判别。
生成器:则采用与判别器完全对称的结构,如图4所示。生成器的输入矢量采用长度为400的随机噪声。首先,将这一随机噪声重塑成1×1×400的三维矩阵,并通过全连接层映射为5×5×960大小的三维矩阵。然后,神经网络利用反卷积技术,将上一层的特征信息,逐渐减少特征通道数,而增加数据尺寸的大小。这一过程与判别器的卷积过程是完全对称的,最后得到20×20×15三维矩阵,将此数据进行重新排列成一维数组,即得到所需生成的长度为6000的桥梁校验系数数据。
如图5所示,展示了Matlab中纽马克-CGAN组合网络完整的流程图,从校验系数样本的输入到预测桥梁校验系数样本的输出,经历了多个节点,更加直观了解本发明的基本流程;
步骤8:完成超参设置后,开展汽车过桥的现场试验,得到试验桥梁结构的校验系数二;
步骤9:通过选定输入数据和输出数据将其代入CGAN中,通过目标函数对所述若干条响应样本进行运算,基于CGAN获得桥梁结构预测校验系数三;
步骤10:将实际测量得到的桥梁校验系数二与通过CGAN预测得到的校验系数三进行验证对比,以确定CGAN模型的正确性;
步骤11:通过CGAN,基于桥梁上传感器所得数据,实现桥梁结构校验系数的精准预测。
为了使判别器更好的区分样本桥梁校验系数λ与生成桥梁校验系数数据,在输入真实桥梁校验系数数据时,要使判别器输出的概率值尽可能接近1,在输入生成数据时,使判别器输出的概率值尽可能接近0,生成器G的损失函数为/>,优化过程表示为一个判别器与生成器零和博弈的极小极大化问题,对抗过程可以用下式描述:
(16)
式中,表示对抗输出期望函数,/>表示生成输出期望函数,D表示判别器,/>表示判别器输出数据,/>表示神经网络博弈过程的极大极小值。所述步骤7至步骤11的训练预测过程为:当判别器对经由生成器对训练样本即模拟地震动数据的真实分布进行特征提取并映射而成的生成数据输出/>为1时,此时取值最大,说明判别器可以有效的鉴定数据来源于校验系数数据还是生成的校验系数数据,由/>输出为桥梁校验系数/>;当判别器输出/>为0时,判别器性能已经得到足够的提升,生成的桥梁校验系数数据样本精度与真实性将无法满足使用要求,将会继续重复生成对抗的过程直至满足要求。此时的生成地震动数据精度与真实性可以达到使用需求,即得到了最优的生成器,则/>为通过博弈输出的生成校验系数样本。
实例分析
采用有限元软件ANSYS建立选取的5座简支梁桥有限元模型,建模方法采用梁格法,为了使有限元模型与实际结构更为贴近,有限元模型选用有限元软件ANSYS中的beam4单元建模。图6(a)所示的1×20m简支T梁桥模型、图6(b)所示的1×30m简支T梁桥模型、图7(a)所示的1×40m简支T梁桥模型、图8为1×30m简支T梁天桥模型的主梁截面采用T梁截面,材料的弹性模量为E=3.45×104MPa,质量密度为2500kg/m3,T梁横向连接采取刚臂连接。图7(b)所示的1×43m简支钢箱桥模型主梁截面采用钢箱梁截面,材料的弹性模量为E=3.45×104MPa,质量密度为2500kg/m3。由于模型需要模拟考虑板式橡胶支座的转动刚度随机性,因此约束模型采用简化约束模型,约束处的弹簧单元采用combin14单元。本发明要模拟桥梁在车辆荷载作用下的结构振动,而beam4单元无法实现,因此模型需选用ANSYS中的mass21单元,将结构各节点转换为结构质点单元。
经过数值模拟与实体试验,每座桥分别得到了2000个加速度响应样本作为CGAN的训练集。CGAN的训练集、预测集与输出数据已收集好,接下来则需要将训练集与输出数据输入到CGAN网络中,并训练CGAN。CGAN识别准确性会受训练次数影响,图9展示了不同训练次数下的平均损失值,当训练次数大于20000次时,损失值下降趋势会趋于缓和,但是,训练次数的无限制增加会导致计算时间增加,因此经过综合考虑,本文的训练次数设置为20000次。本研究对象有5座不同的简支梁桥,需要设计5个不同的CGAN模型,并输入各自的数据进行训练。训练完成后将5座实体简支梁桥的各自6个样本进行归一化处理,处理完成后将其作为测试集输入到CGAN中,得出各自预测的校验系数。桥梁中的观测点如图10所示,以30米桥梁为例。
现列举出1×30m简支T梁桥的预测输入集数据图,如图11~图18为列车20km/h时的加速度响应的输入和预测值,其中,图11中1a表示测点1的加速度响应曲线、2a表示测点2的加速度响应曲线;图12中3a表示测点3的加速度响应曲线、4a表示测点4的加速度响应曲线;图13中5a表示测点5的加速度响应曲线、6a表示测点6的加速度响应曲线;图14中7a表示测点7的加速度响应曲线、8a表示测点8的加速度响应曲线;图15中9a表示测点9的加速度响应曲线、10a表示测点10的加速度响应曲线;图16中11a表示测点11的加速度响应曲线、12a表示测点12的加速度响应曲线;图17中13a表示测点13的加速度响应曲线、14a表示测点14的加速度响应曲线;图18中15a表示测点15的加速度响应曲线、16a表示测点16的加速度响应曲线,预测结果如表1~表3所示。
表1 20km/h样本CGAN预测结果
。
表2 30km/h样本CGAN预测结果
。
表3 40km/h样本CGAN预测结果
。
提取出静载试验测得的5座简支梁桥的各测点校验系数与CGAN网络模型预测出的5座简支梁桥的各测点校验系数,并作比较,结果如图19(a)~图19(b)为20m和30m简支T梁桥的校验系数值,在不同的车速情况下的对比结果,图20(a)~图20(b)为40m简支T梁桥和43m简支钢箱梁桥在不同车速作用下的桥梁校验系数值对比情况,图21为30m简支T梁车行天桥两方法结果比较。
由图19(a)~图19(b)、图20(a)~图20(b)、图21可知,CGAN网络模型预测出的校验系数较静载试验测出的校验系数误差不大,这说明CGAN能较准确地预测出简支梁桥的静载校验系数,因此通过运用CGAN预测桥梁静载校验系数的桥梁快速检测方法是可行的,值得开展更近一步地研究。
Claims (2)
1.一种考虑车载随机性影响的桥梁校验系数的预测方法,其特征在于,包括以下步骤:
步骤1:通过有限元软件Ansys建立车辆模型和桥梁模型,建立车辆模型的动力学方程,通过计算出自振频率来验证桥梁和车辆模型的准确性;
步骤2:确定车辆模型的多种类型,明确其对应的参数及变异系数,获取随机参数;
步骤3:采用纽马克法,根据不同类型车辆、车辆不确定性参数以及路面不平度,求出对应的车桥耦合随机振动系统响应数据;
步骤4:在有限元软件中,模拟基准车型静止于桥梁跨中位置,获取得到桥梁的基准垂向位移;
步骤5:模拟不同车型静止在桥梁中间位置,获得对应的桥梁垂向位移,进而求解得到校验系数一 />;
步骤6:随机选取若干条车辆过桥的桥梁结构加速度响应样本作为输入数据,将对应类型汽车所计算得到的校验系数一作为输出数据;
步骤7:结合实际数据在训练之前对所提出的CGAN进行超参数设置;
步骤8:完成超参设置后,开展汽车过桥的现场试验,得到试验桥梁结构的校验系数二;
步骤9:通过选定输入数据和输出数据将其代入CGAN中,通过目标函数对所述若干条响应样本进行运算,基于CGAN获得桥梁结构预测校验系数三;
步骤10:将实际测量得到的桥梁校验系数二与通过CGAN预测得到的校验系数三进行验证对比,以确定CGAN模型的正确性;
步骤11:通过CGAN,基于桥梁上传感器所得数据,实现桥梁结构校验系数的精准预测;
所述CGAN由一个判别器和生成器组成,生成器是由白噪声生成所需数据,再由生成器生成的数据与输入在判别器中的真实数据进行判别,鉴别生成的数据是否达到要求,如果达到则输出,没有达到则继续进行博弈直至达到要求为止;
所述生成器与判别器各有5层的隐层,每一层隐层内部依次进行反卷积/卷积、批标准化、激活函数、防止过拟合操作;
判别器定义5次卷积,以挖掘出数据隐藏的特征;输入样本经过逐层卷积操作,特征通道数逐渐增加,而每个特征的数据尺寸逐渐减小,5个卷积层的特征通道数分别为15、60、240、640和960,而对应的特征数据尺寸分别为20×20、20×20、20×20、10×10和5×5;特征通道数逐层增加;对经多次卷积操作并完成特征提取后的数据,将其重新排列成一维数组,即扁平化操作,再将其输入softmax判别层,以实现其“真”和“假”的判别;
生成器采用与判别器完全对称的结构,生成器的输入矢量采用长度为400的随机噪声;首先,将这一随机噪声重塑成1×1×400的三维矩阵,并通过全连接层映射为5×5×960大小的三维矩阵;然后,神经网络利用反卷积技术,将上一层的特征信息,逐渐减少特征通道数,而增加数据尺寸的大小;最后得到20×20×15三维矩阵,将此数据进行重新排列成一维数组,即得到所需生成的长度为6000的桥梁校验系数数据;
所述步骤11中获得预测数据具体为:
为使判别器更好的区分样本桥梁校验系数与生成桥梁校验系数数据,在输入真实桥梁校验系数数据时,使判别器输出的概率值尽可能接近1,在输入生成数据时,使判别器输出的概率值尽可能接近0,生成器的损失函数为,式中,为判别器的损失函数,/>为生成数据与0的距离,/>为真实数据与1的距离;
优化过程表示为一个判别器与生成器零和博弈的极小极大化问题,对抗过程用下式描述:
;
式中,表示对抗输出期望函数,/>表示生成输出期望函数,D表示判别器,/>表示判别器输出数据,/>表示神经网络博弈过程的极大极小值;/>表示生成器生成数据;
所述步骤7至步骤11的训练预测过程为:当判别器对经由生成器对训练样本即模拟桥梁校验系数数据的真实分布进行特征提取并映射而成的生成数据输出为1时,此时取值最大,说明判别器能够有效的鉴定数据来源于校验系数数据还是生成的校验系数数据,由/>输出为桥梁校验系数/>;当判别器输出为0时,判别器性能已经得到足够的提升,生成的桥梁校验系数数据样本精度与真实性将无法满足使用要求,将会继续重复生成对抗的过程直至满足要求;此时的生成桥梁校验系数数据精度与真实性能够达到使用需求,即得到最优的生成器,则桥梁校验系数/>为通过博弈输出的生成校验系数样本。
2.根据权利要求1所述的考虑车载随机性影响的桥梁校验系数的预测方法,其特征在于,桥梁和车辆模型的动力学方程为:
(1)
式中,M、C、K、F分别代表车桥系统的质量、阻尼、刚度矩阵和荷载向量;分别代表车桥系统的加速度、速度和位移。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310880292.1A CN116611302B (zh) | 2023-07-18 | 2023-07-18 | 考虑车载随机性影响的桥梁校验系数的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310880292.1A CN116611302B (zh) | 2023-07-18 | 2023-07-18 | 考虑车载随机性影响的桥梁校验系数的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116611302A CN116611302A (zh) | 2023-08-18 |
CN116611302B true CN116611302B (zh) | 2023-09-19 |
Family
ID=87675098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310880292.1A Active CN116611302B (zh) | 2023-07-18 | 2023-07-18 | 考虑车载随机性影响的桥梁校验系数的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116611302B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110377943A (zh) * | 2019-06-10 | 2019-10-25 | 中南大学 | 一种基于移动荷载试验的桥梁承载能力评估方法 |
CN113505415A (zh) * | 2021-06-17 | 2021-10-15 | 贵州顺康检测股份有限公司 | 一种基于深度学习的桥梁快速检测方法 |
CN114580239A (zh) * | 2022-03-07 | 2022-06-03 | 合肥工业大学 | 一种考虑不确定性的桥梁损伤识别方法 |
CN115718950A (zh) * | 2022-12-12 | 2023-02-28 | 东南大学 | 一种基于生成对抗神经网络的梁桥分跨智能设计方法 |
CN116011125A (zh) * | 2023-03-23 | 2023-04-25 | 成都理工大学 | 一种不确定车桥耦合系统响应预测的方法 |
CN116049937A (zh) * | 2022-12-21 | 2023-05-02 | 合肥工业大学 | 基于深度学习的跨域桥梁损伤识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220127004A (ko) * | 2021-03-10 | 2022-09-19 | 삼성전자주식회사 | 확률론적 콘투어 예측 시스템 및 확률론적 콘투어 예측 시스템의 제공 방법 및 확률론적 콘투어 예측 시스템을 이용한 EUV(Extreme Ultra violet) 마스크의 제공 방법 |
US11709979B1 (en) * | 2022-10-28 | 2023-07-25 | Hefei University Of Technology | Bridge damage identification method considering uncertainty |
-
2023
- 2023-07-18 CN CN202310880292.1A patent/CN116611302B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110377943A (zh) * | 2019-06-10 | 2019-10-25 | 中南大学 | 一种基于移动荷载试验的桥梁承载能力评估方法 |
CN113505415A (zh) * | 2021-06-17 | 2021-10-15 | 贵州顺康检测股份有限公司 | 一种基于深度学习的桥梁快速检测方法 |
CN114580239A (zh) * | 2022-03-07 | 2022-06-03 | 合肥工业大学 | 一种考虑不确定性的桥梁损伤识别方法 |
CN115718950A (zh) * | 2022-12-12 | 2023-02-28 | 东南大学 | 一种基于生成对抗神经网络的梁桥分跨智能设计方法 |
CN116049937A (zh) * | 2022-12-21 | 2023-05-02 | 合肥工业大学 | 基于深度学习的跨域桥梁损伤识别方法 |
CN116011125A (zh) * | 2023-03-23 | 2023-04-25 | 成都理工大学 | 一种不确定车桥耦合系统响应预测的方法 |
Non-Patent Citations (4)
Title |
---|
余佳代 ; 王赞芝 ; 王丹 ; 于世龙 ; .基于动应变识别桥梁移动荷载.国防交通工程与技术.2017,(05),全部页. * |
基于动应变识别桥梁移动荷载;余佳代;王赞芝;王丹;于世龙;;国防交通工程与技术(第05期);全部页 * |
基于生成式对抗网络的细小桥梁裂缝分割方法;李良福;胡敏;;激光与光电子学进展(第10期);全部页 * |
深度学习在图像识别中的应用研究综述;郑远攀;李广阳;李晔;;计算机工程与应用(第12期);全部页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116611302A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gonzalez et al. | BWIM aided damage detection in bridges using machine learning | |
Nguyen et al. | Damage detection in Ca-Non Bridge using transmissibility and artificial neural networks | |
Zhu et al. | Recent developments in inverse problems of vehicle–bridge interaction dynamics | |
Li et al. | Dynamic response prediction of vehicle-bridge interaction system using feedforward neural network and deep long short-term memory network | |
Story et al. | A structural impairment detection system using competitive arrays of artificial neural networks | |
Zhu et al. | A rapid structural damage detection method using integrated ANFIS and interval modeling technique | |
Wang et al. | Number of stress cycles for fatigue design of simply-supported steel I-girder bridges considering the dynamic effect of vehicle loading | |
Nguyen et al. | Damage detection in truss bridges using transmissibility and machine learning algorithm: Application to Nam O bridge | |
CN108053052A (zh) | 一种油罐车油气泄漏速度智能监测系统 | |
Yin et al. | Bridge damage identification under the moving vehicle loads based on the method of physics-guided deep neural networks | |
Aloisio et al. | Physics-based models, surrogate models and experimental assessment of the vehicle–bridge interaction in braking conditions | |
Jiao et al. | Damage identification of bridge based on Chebyshev polynomial fitting and fuzzy logic without considering baseline model parameters | |
Li et al. | Online classification of road roughness conditions with vehicle unsprung mass acceleration by sliding time window | |
Yessoufou et al. | One-class convolutional neural network (OC-CNN) model for rapid bridge damage detection using bridge response data | |
CN116049989A (zh) | 转向架数字孪生模型构建方法、系统、电子设备及介质 | |
Wang et al. | Bridge weigh-in-motion through bidirectional Recurrent Neural Network with long short-term memory and attention mechanism | |
Ok et al. | A study of the use of artificial neural networks to estimate dynamic displacements due to dynamic loads in bridges | |
Zhang et al. | Structural Damage Identification System Suitable for Old Arch Bridge in Rural Regions: Random Forest Approach. | |
CN116611302B (zh) | 考虑车载随机性影响的桥梁校验系数的预测方法 | |
Chalouhi et al. | Vibration-based SHM of railway bridges using machine learning: The influence of temperature on the health prediction | |
Sharma et al. | A review of modeling and data mining techniques applied for analyzing steel bridges | |
Li et al. | Efficient method based on recurrent neural networks for pavement evenness detection | |
Xiao et al. | A novel bridge damage diagnosis algorithm based on deep learning with gray relational analysis for intelligent bridge monitoring system | |
Hung et al. | Predicting dynamic responses of frame structures subjected to stochastic wind loads using temporal surrogate model | |
Gonera et al. | Modelling of floorpan wear in passenger vehicles using artificial neural networks |
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 |