CN117290692B - 基于IoT智慧感知的伸缩缝装置服役性能评估方法及系统 - Google Patents
基于IoT智慧感知的伸缩缝装置服役性能评估方法及系统 Download PDFInfo
- Publication number
- CN117290692B CN117290692B CN202311577526.1A CN202311577526A CN117290692B CN 117290692 B CN117290692 B CN 117290692B CN 202311577526 A CN202311577526 A CN 202311577526A CN 117290692 B CN117290692 B CN 117290692B
- Authority
- CN
- China
- Prior art keywords
- expansion joint
- joint device
- data
- expansion
- service performance
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 39
- 230000008447 perception Effects 0.000 title claims abstract description 26
- 238000013210 evaluation model Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000007774 longterm Effects 0.000 claims abstract description 35
- 230000004044 response Effects 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 24
- 201000010099 disease Diseases 0.000 claims description 46
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 46
- 238000006073 displacement reaction Methods 0.000 claims description 18
- 230000007613 environmental effect Effects 0.000 claims description 16
- 230000008602 contraction Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 14
- 239000000463 material Substances 0.000 claims description 9
- 229910000639 Spring steel Inorganic materials 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 description 11
- 238000013145 classification model Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 229920001971 elastomer Polymers 0.000 description 6
- 239000004567 concrete Substances 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 229920000642 polymer Polymers 0.000 description 3
- 239000002861 polymer material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 description 2
- 239000000806 elastomer Substances 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 239000011513 prestressed concrete Substances 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 239000003566 sealing material Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及道路桥梁工程技术领域,特别是基于IoT智慧感知的伸缩缝装置服役性能评估方法及系统。本发明所提供的方法包括如下步骤:在伸缩缝装置上布设IoT智慧感知系统,并利用IoT智慧感知系统采集伸缩缝装置在服役过程中的响应数据和环境数据;构建伸缩缝装置的实时服役性能评估模型,并利用实时服役性能评估模型结合响应数据和环境数据,评估伸缩缝装置的当前服役性能;构建伸缩缝装置的长期服役性能预测模型,并利用长期服役性能预测模型结合响应数据和环境数据,预测伸缩缝装置的长期服役性能。本发明所提供的方法通过IoT智慧感知技术,满足了伸缩缝装置的实时性能评估需求和长期性能预测需求,有助于提高桥梁工程的可维护性和安全性。
Description
技术领域
本发明涉及道路桥梁工程技术领域,特别是基于IoT智慧感知的伸缩缝装置服役性能评估方法及系统。
背景技术
由于桥梁受气温变化影响,混凝土梁体产生热胀冷缩变形;为保证混凝土梁体能自由伸缩变形,避免混凝土梁体因温度变化变形受阻而产生应力,造成混凝土梁体结构破坏,一般会在相邻两端或梁与桥台背墙之间设置可变形的桥面伸缩缝装置。
在道路桥梁工程技术领域,桥面伸缩缝装置是确保桥梁运营安全和服役性能的关键部件,其主要功能是在温度变化和材料变形等因素的影响下,使桥梁上部结构能够自由伸缩,保证行车安全和舒适性。
但是,当前并无针对桥面伸缩缝装置统一的服役性能评估方式,因此,亟需一种基于IoT智慧感知的伸缩缝装置服役性能评估方法及系统,对桥面伸缩缝装置的实时服役性能和长期服役性能进行评估和预测,以保证桥梁运营安全性和可维护性。
发明内容
针对实际应用的需求,本发明提供了一种基于IoT智慧感知的伸缩缝装置服役性能评估方法及系统,旨在不影响伸缩缝装置的正常使用状态的前提下,通过使用IoT智能感知技术,实现对伸缩缝装置的实时服役性能的评估,并实现对伸缩缝装置的长期服役性能的预测,以提高桥梁运营的安全性和可维护性。
第一方面,本发明所提供的基于IoT智慧感知的伸缩缝装置服役性能评估方法,包括如下步骤:在伸缩缝装置上布设IoT智慧感知系统,并利用所述IoT智慧感知系统采集伸缩缝装置在服役过程中的响应数据和环境数据,所述响应数据包括应变数据、位移数据以及音频数据,所述环境数据包括温度数据和湿度数据;构建所述伸缩缝装置的实时服役性能评估模型,所述实时服役性能评估模型包括承载性能评估模型、伸缩性能评估模型以及行驶舒适度评估模型;利用所述实时服役性能评估模型结合所述响应数据和所述环境数据,评估所述伸缩缝装置的当前服役性能;构建所述伸缩缝装置的长期服役性能预测模型,所述长期服役性能预测模型包括伸缩缝装置剩余寿命预测模型和典型病害预测模型;利用所述长期服役性能预测模型结合所述响应数据和所述环境数据,预测所述伸缩缝装置的长期服役性能。本发明所提供的基于IoT智慧感知的伸缩缝装置服役性能评估方法通过IoT智慧感知技术,能够实时监测伸缩缝装置的性能,以及时发现问题并采取维护措施,还可以预测装置的长期性能,帮助规划维护和更换计划,确保道路桥梁的安全和舒适性。本发明所提供的基于IoT智慧感知的伸缩缝装置服役性能评估方法,满足了伸缩缝装置的实时性能评估需求和长期性能预测需求,有助于提高桥梁工程的可维护性和安全性。
可选地,所述伸缩缝装置包括弹性伸缩组件和边缘固定组件;其中,所述弹性伸缩组件由高分子弹性聚合材料浇筑弹簧钢形成,所述弹性伸缩组件的一端与桥缝的一端通过所述边缘固定组件固定连接,所述弹性伸缩组件的另一端与所述桥缝的另一端通过所述边缘固定组件固定连接。本可选项所提供的伸缩缝装置,可维护性强,适用范围广,能够更好满足上述基于IoT智慧感知的伸缩缝装置服役性能评估方法的实施。
可选地,所述IoT智慧感知系统包括应变传感器、位移传感器、音频传感器、温度传感器以及湿度传感器;其中,所述应变传感器用于采集所述伸缩缝装置在服役过程中的应变数据;所述位移传感器用于采集所述伸缩缝装置在服役过程中的位移数据;所述音频传感器用于采集所述伸缩缝装置在服役过程中的音频数据;所述温度传感器用于采集所述伸缩缝装置在服役过程中的环境温度数据,所述湿度传感器用于采集所述伸缩缝装置在服役过程中的环境湿度数据。本可选项所提供的IoT智慧感知系统可以提供全面的信息,满足用于伸缩缝装置的实时性能评估和长期性能预测的数据需求。
可选地,所述承载性能评估模型,满足如下公式:,其中,/>表示伸缩缝装置的平均应变,/>表示应变数据中的有效组数,/>表示第/>组应变数据中的横向应变数据,/>示第/>组应变数据中的纵向应变数据。本可选项所提供的承载性能评估模型,利用多组应变数据的横向和纵向应变所计算的平均应变,实现了对伸缩缝装置承载性能的实时量化评估。本可选项所提供的承载性能评估模型在实际工程上的应用,有助于监测伸缩缝装置是否正常工作,以及是否需要进行维护或更换,在一定程度上确保了伸缩缝装置在桥梁工程中的安全性和性能。
可选地,所述伸缩性能评估模型,满足如下公式:,其中,/>表示当前伸缩缝装置伸缩性能,/>表示伸缩缝装置从初始时刻到当前时刻的实际伸缩量,/>表示伸缩缝装置从初始时刻到当前时刻由于温度变化引起的伸缩量,/>表示伸缩缝装置从初始时刻到当前时刻由于湿度引起的伸缩量,/>表示桥梁从初始时刻到当前时刻由于徐变引起的伸缩量,/>表示伸缩缝装置从初始时刻到当前时刻由于冲击作用引起的伸缩量。本可选项所提供的伸缩性能评估模型,通过综合考量不同因素引起的伸缩量,实现了对伸缩缝装置伸缩性能的实时评估。本可选项所提供的伸缩性能评估模型在实际工程上的应用,有助于监测伸缩缝装置是否能够在各种情况下正常工作,从而保障道路桥梁工程的可靠性和安全性,在一定程度上为维护和管理伸缩缝装置提供了有用的工具。
可选地,所述行驶舒适度评估模型,满足如下公式:,其中,/>,/>表示从初始时刻到当前时刻中第/>个时刻汇总的冲击音频短时能量,/>表示冲击音频短时能量中的最大值,/>表示第/>个采样时刻的桥面载荷对伸缩缝装置的冲击音频数据。本可选项所提供的行驶舒适度评估模型,通过跟踪载荷冲击音频的短时能量的变化,以确定伸缩缝装置在车辆通过时是否会引起不适或振动,进而实现道路桥梁工程的行驶舒适度的量化评估。本可选项所提供的行驶舒适度评估模型在实际工程上的应用,为维护和管理伸缩缝装置提供了有用的工具。
可选地,所述伸缩缝装置剩余寿命预测模型,满足如下公式:,其中,/>表示伸缩缝装置第/>次伸缩时的剩余寿命系数,/>表示温度修正系数,/>表示湿度修正系数,/>表示横向应变修正系数,/>表示纵向应变修正系数,/>表示伸缩缝装置第/>次伸缩时的实际伸缩量,/>表示伸缩缝装置疲劳极限累计伸缩量。本可选项所提供的伸缩缝装置剩余寿命预测模型,通过监测和计算伸缩缝装置的累计伸缩量,并考虑温度、湿度、应变等多项修正因素,实现对伸缩缝装置的剩余寿命进行估算。本可选项所提供的伸缩缝装置剩余寿命预测模型在实际工程上的应用,有助于对伸缩缝装置潜在的疲劳问题进行识别,进而为桥梁设施维护和更换提供了重要的信息,以确保道路桥梁工程的可维护性和安全性。
可选地,基于上述伸缩缝装置剩余寿命预测模型:当温度时,/>取值为1,否则,/>取值为1.5;当湿度/>时,/>取值为1,否则,/>取值为1.2;当横向应变时,/>取值为1,否则,/>取值为1.5;当纵向应变时,/>取值为1,否则,/>取值为1.3。本可选项所提供的修正系数根据环境和应变的不同情况来调整,以更准确地反映伸缩缝装置的实际情况,有助于剩余寿命系数预测准确性的提高。
可选地,所述典型病害预测模型,满足如下公式:,其中,/>表示伸缩缝装置对于第/>种典型病害预警评估系数,/>表示测试伸缩缝装置典型病害的次数,/>表示第/>测试结果中识别出为第/>种典型病害的短时能量特征个数,/>表示表征第/>种典型病害的短时能量特征个数。本可选项所提供的典型病害预测模型,通过统计不同典型病害下短时能量特征的数量,实现对不同典型病害发生的可能性能评估,进而提前发现和预测潜在的问题,以便采取维护措施,确保道路桥梁工程的可维护性和安全性。
第二方面,本发明提供了一种基于IoT智慧感知的伸缩缝装置服役性能评估系统,包括输入设备、处理器、存储器和输出设备,所述输入设备、所述处理器、所述存储器和所述输出设备相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行第一方面所述的基于IoT智慧感知的伸缩缝装置服役性能评估方法。本发明所提供的基于IoT智慧感知的伸缩缝装置服役性能评估系统,结合了IoT智慧感知技术,允许实时监测和评估伸缩缝装置的性能,同时执行长期性能预测和典型病害预测,为维护和管理人员提供了重要信息和决策支持。
附图说明
图1为本发明实施例所提供的基于IoT智慧感知的伸缩缝装置服役性能评估方法流程图;
图2为本发明实施例所提供的伸缩缝装置的结构示意图;
图3为本发明实施例所提供的IoT智慧感知系统布设示意图;
图4为本发明实施例所提供的基于IoT智慧感知的伸缩缝装置服役性能评估系统结构示意图。
具体实施方式
下面将详细描述本发明的具体实施例,应当注意,这里描述的实施例只用于举例说明,并不用于限制本发明。在以下描述中,为了提供对本发明的透彻理解,阐述了大量特定细节。然而,对于本领域普通技术人员显而易见的是:不必采用这些特定细节来实行本发明。在其他实例中,为了避免混淆本发明,未具体描述公知的电路,软件或方法。
在整个说明书中,对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着:结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此,在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外,可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外,本领域普通技术人员应当理解,在此提供的示图都是为了说明的目的,并且示图不一定是按比例绘制的。
在一个可选的实施例中,请参见图1,图1为本发明实施例所提供的基于IoT智慧感知的伸缩缝装置服役性能评估方法流程图。如图1所示,所述基于IoT智慧感知的伸缩缝装置服役性能评估方法,包括如下步骤:
S01、在伸缩缝装置上布设IoT智慧感知系统,并利用所述IoT智慧感知系统采集伸缩缝装置在服役过程中的响应数据和环境数据,所述响应数据包括应变数据、位移数据以及音频数据,所述环境数据包括温度数据和湿度数据。
本发明所述的伸缩缝装置是设置于与桥面相邻两端之间或梁与桥台背墙之间的,用于确保桥梁建筑结构在各种条件下能够自由伸缩的重要结构。所述伸缩缝装置具体的设计和规格会因工程需求和所在地区的条件而有所不同;不同类型的伸缩缝装置会采用不同的材料以适应不同的应用需求,例如橡胶伸缩缝。
在一个可选的实施例中,请参见图2,图2为本发明实施例所提供的伸缩缝装置的结构示意图,在图2中,11表示高分子弹性聚合材料,12表示弹簧钢,2表示IoT智慧感知系统。如图2所示,所述伸缩缝装置包括弹性伸缩组件和边缘固定组件;其中,所述弹性伸缩组件由高分子弹性聚合材料浇筑弹簧钢形成,所述弹性伸缩组件的一端与桥缝的一端通过所述边缘固定组件固定连接,所述弹性伸缩组件的另一端与所述桥缝的另一端通过所述边缘固定组件固定连接。
其中,高分子弹性聚合材料是一类在化学实验室中合成的特殊材料,其主要成分是由聚合物分子构成的长链结构。这些聚合物链具有高度的柔韧性,类似于橡胶,但具有更高的弹性和耐久性。在本实施例中,所述高分子弹性聚合材料的物理和化学特性可以根据具体的合成方法和成分进行调整,以满足其在道路桥梁工程领域的应用需求。
进一步地,所述弹性伸缩组件中包括多条弹簧钢,多条弹簧钢沿行车方向并行布设,任两条相邻弹簧钢的空隙交错。其中,任两条相邻弹簧刚的空隙交错比例可根据实际工程需求确定。通过交错布设相邻弹簧钢,减少了单根弹簧钢在车辆载荷下的应力,延长了弹簧钢的使用寿命。
本实施例所提供的伸缩缝装置以高分子弹性聚合材料和弹簧钢的组合结构代替原有伸缩缝构造中的橡胶材料,在不改变桥梁上部结构原有受力体系的基础上,实现了桥梁伸缩装置的隐形无缝化。相较于采用橡胶材料作为密封材料的传统伸缩缝装置,在长期服役的情况下更能保证桥梁结构的安全性和司乘人员的行驶舒适性。
本发明所述的IoT智慧感知系统是一种基于物联网(IoT)技术的智能感知系统,通常包括各种类型的传感器、通信设备以及数据处理单元,分别用于采集、传输以及处理关于伸缩缝装置的响应数据(应变、位移、音频)以及环境数据(温度和湿度)。
进一步地,所述IoT智慧感知系统中的各个器件会根据数据采集的实际需求,布设在所述伸缩缝装置的不同位置。通常情况下,为了不影响伸缩缝装置的使用,所述IoT智慧感知系统中的各个器件会布设在所述伸缩缝装置背离桥面一侧的不同位置处。
基于上述实施例所提供的伸缩缝装置,在一个可选的实施例中,为更好地获取伸缩缝装置在服役过程中的各项响应数据,以评估及预测其实时服役性能和长期服役性能,所述IoT智慧感知系统中传感器类型及布设位置请参见图3,图3为本发明实施例所提供的IoT智慧感知系统布设示意图。如图3所示,所述IoT智慧感知系统包括应变传感器、位移传感器、音频传感器、温度传感器以及湿度传感器。
其中,所述应变传感器用于采集所述伸缩缝装置在服役过程中的应变数据;所述位移传感器用于采集所述伸缩缝装置在服役过程中的位移数据;所述音频传感器用于采集所述伸缩缝装置在服役过程中的音频数据;所述温度传感器用于采集所述伸缩缝装置在服役过程中的环境温度数据,所述湿度传感器用于采集所述伸缩缝装置在服役过程中的环境湿度数据。
在本实施例中,具体包括5组应变传感器以实现整个伸缩缝装置的应变数据采集,任一组应变传感器均布设在所述伸缩缝装置背离桥面一侧的横向中央,相邻两组应变传感器之间的间隔为10cm。进一步地,任一组应变传感器中包括两个应变传感器:一个是沿行车方向布设的纵向应变传感器211,以测量所述伸缩缝装置的纵向应变;一个是沿垂直行车方向布设的横向应变传感器212,以测量所述伸缩缝装置的横向应变/>;两个应变传感器形“T”字结构,以实现对应布设位置的横向应变数据和纵向应变数据的实时采集。
在本实施例中,所述位移传感器为拉绳式位移传感器22,所述拉绳式位移传感器22的两端分别锚碇在伸缩缝装置的两端,具体地,所述拉绳式位移传感器22的任一端布设在所述伸缩缝装置背离桥面一侧的横向中央。
在本实施例中,所述IoT智慧感知系统中布设了两个音频传感器,任一个音频传感器均布设在所述伸缩缝装置背离桥面一侧的横向中央,具体地,一个音频传感器231沿行车方向布设,另一个音频传感器232沿垂直行车方向布设。
在本实施例中,所述IoT智慧感知系统中的温度传感器和湿度传感,选用的是集成式的温湿度传感器24,实现了对所述伸缩缝装置在服役过程中的环境温度数据和环境湿度数据的同时采集。
在其他的一个或者多个可选的实施例中,所述IoT智慧感知系统还包括定位器25,所述定位器25用于定位伸缩缝装置的安装位置。进一步地,所述定位器包括基于GNSS北斗芯片的定位器,所述基于GNSS北斗芯片的定位器是利用卫星定位技术为运维人员提供精准的位置数据的定位装置,使运维人员能够知道伸缩缝装置的确切地理位置。如果出现问题或紧急情况,准确的位置信息可以帮助紧急服务人员更快地到达现场。
S02、构建所述伸缩缝装置的实时服役性能评估模型,所述实时服役性能评估模型包括承载性能评估模型、伸缩性能评估模型以及行驶舒适度评估模型。
本发明所述的实时服役性能是指在伸缩缝装置正常运行和使用过程中,针对不同条件和环境下的性能表现,具体包括:承载性能、伸缩性能以及行驶舒适度。其中,所述承载性能是指伸缩缝装置在负载情况下的变形和应力分布,用于确保桥梁结构能够安全承受车辆和交通负荷。所述伸缩性能是指伸缩缝装置在温度变化、湿度变化等环境条件下的伸缩能力,用于保证伸缩缝装置在不同气候条件下的自由伸缩,避免环境变化引起的损坏。所述行驶舒适度具体是指伸缩缝装置给行车人员带来的舒适度体验,具体表现在行车通过伸缩缝装置时产生的异常噪声、震动等方面。
在一个可选的实施例中,步骤S02所构建的所述伸缩缝装置的实时服役性能评估模型,具体包括承载性能评估模型,所述承载性能评估模型用于评估伸缩缝装置的负载承受能力。可以理解的是,承载性能的评估是为了确保伸缩缝装置在承受负载(如车辆、行人等)时能够有效传递负载,以防止伸缩缝装置或相关结构的损坏。进一步地,承载性能的评估有助于确保伸缩缝装置的结构安全和可维护性。
在本实施例中,所述承载性能评估模型满足如下公式:,其中,/>表示伸缩缝装置的平均应变,/>表示应变数据中的有效组数,/>表示第/>组应变数据中的横向应变数据,/>示第/>组应变数据中的纵向应变数据。
在一个可选的实施例中,步骤S02所构建的所述伸缩缝装置的实时服役性能评估模型,具体还包括伸缩性能评估模型,所述伸缩性能评估模型用于评估伸缩缝装置的伸缩性能。伸缩性能的评估是为了确保伸缩缝装置能够在温度变化等因素的影响下自由伸缩,以避免因过度伸缩或不足伸缩而导致的结构损坏。进一步地,所述伸缩性能的评估有助于保持伸缩缝装置的功能完整性和耐久性。
在本实施例中,所述伸缩性能评估模型满足如下公式:,其中,/>表示当前伸缩缝装置伸缩性能,/>表示伸缩缝装置从初始时刻到当前时刻的实际伸缩量,/>表示伸缩缝装置从初始时刻到当前时刻由于温度变化引起的伸缩量,/>表示伸缩缝装置从初始时刻到当前时刻由于湿度引起的伸缩量,/>表示桥梁从初始时刻到当前时刻由于徐变引起的伸缩量,/>表示伸缩缝装置从初始时刻到当前时刻由于冲击作用引起的伸缩量。
在又一个可选的实施例中,所述伸缩性能评估模型中的各项参数满足如下公式:,其中,/>表示伸缩缝装置在初始时刻的长度,/>表示伸缩缝装置在当前时刻的长度;/>,其中,/>表示伸缩缝装置的膨胀系数,/>表示桥梁的初始长度,表示初始时刻的环境温度,/>表示当前时刻的环境温度;/>,其中,/>表示伸缩缝装置的膨胀系数,/>表示初始时刻的环境湿度,/>表示当前时刻的环境湿度;/>,其中,/>表示桥梁中预应力混凝土的预应力导致的平均轴向应力,/>表示桥梁的徐变系数,/>表示桥梁的初始长度,/>表示桥梁的收缩递减系数,/>表示桥梁中混凝土弹性模量;/>,其中,/>表示伸缩缝装置在初始时刻的长度。进一步地,在本实施例中,所述伸缩性能评估模型具体满足如下公式:。
在一个可选的实施例中,步骤S02所构建的所述伸缩缝装置的实时服役性能评估模型,具体还包括行驶舒适度评估模型,所述行驶舒适度评估模型用于评估伸缩缝装置对行驶舒适性的影响,特别是与冲击音频数据相关的冲击音频短时能量。行驶舒适度的评估是为了确保伸缩缝装置不会对车辆和乘客的行驶舒适性造成不必要的影响。进一步地,行驶舒适度的评估有助于提供更舒适的行驶体验。
在本实施例中,所述行驶舒适度评估模型满足如下公式:,其中,/>,/>表示从初始时刻到当前时刻中第/>个时刻汇总的冲击音频短时能量,/>表示冲击音频短时能量中的最大值,/>表示第/>个采样时刻的桥面载荷对伸缩缝装置的冲击音频数据。具体地,越大,则表示车辆载荷经过伸缩缝装置时冲击强度较高,行驶舒适度较差;反之,如果/>较小,表示冲击强度较低,行驶舒适度较好。
S03、利用所述实时服役性能评估模型结合所述响应数据和所述环境数据,评估所述伸缩缝装置的当前服役性能。
容易理解的是,步骤S03可通过各项实时服役性能评估模型,结合对应的实时响应数据和环境变化数据,实现对伸缩缝装置当前性能状态的评估。进一步地,在一个或者一些实施例中,还结合了历史响应数据,以实现对伸缩缝装置当前性能状态的评估。
在一个可选的实施例中,为实现对伸缩缝装置当前承载性能的评估,步骤S03中获取的实时响应数据包括当前时刻各个应变传感器所采集的应变数据。在本实施例中,包括多组应变传感器,任一组应变传感器包括一个是沿行车方向布设的纵向应变传感器,以测量所述伸缩缝装置的纵向应变;一个是沿垂直行车方向布设的横向应变传感器,以测量所述伸缩缝装置的横向应变/>。
在本实施例中,上述承载性能评估模型结合对应实时响应数据,可获得的伸缩缝装置的平均应变。具体地,所述伸缩缝装置的实时承载性能与所述平均应变的大小负相关,即当前平均应变/>值越小,伸缩缝装置的承载性能越好。
在一个可选的实施例中,为实现对伸缩缝装置当前伸缩能力的评估,步骤S03中获取的实时响应数据包括伸缩缝装置在服役过程中由各种因素引起的伸缩量。具体地,在本实施例中,所述伸缩量包括伸缩缝装置的实际伸缩量,其可通过拉绳式位移传感器在初始时刻和当前时刻所测量的长度差值表示;所述伸缩量还包括由环境温度和湿度变化引起的伸缩量,其可通过伸缩缝装置本身材料的性质结合温度和/或湿度的变化数据获得;所述伸缩量还包括桥梁自身的伸缩量,其可以通过桥梁自身徐变性质获得。
在本实施例中,上述伸缩性能评估模型结合对应的响应数据,可获得当前伸缩缝装置伸缩性能。具体地,通过本实施例提供的实时伸缩性能评估模计算获得的/>,越趋近于1,则表示当前伸缩缝装置伸缩性能越好。
在一个可选的实施例中,为实现对伸缩缝装置对行驶舒适性的影响,步骤S03中获取的实时响应数据包括车辆荷载通过伸缩缝装置处冲击声音的音频数据,其可以由音频传感器获得。具体地在,在本实施例中,获取的音频数据满足如下表征模型:,其中,/>表示初始时刻的桥面载荷冲击音频数据,/>表示当前时刻的桥面载荷冲击音频数据。进一步地,冲击音频数据的采样长度,具体根据所构建的行驶舒适度评估模型的需求来确定。
本实施例中,上述行驶舒适度评估模型结合对应的响应数据,可获得从初始时刻到当前时刻中冲击音频短时能量中的最大值。具体地,/>越大,则表示车辆载荷经过伸缩缝装置时冲击强度较高,行驶舒适度较差;反之,如果/>较小,表示冲击强度较低,行驶舒适度较好。
S04、构建所述伸缩缝装置的长期服役性能预测模型,所述长期服役性能预测模型包括伸缩缝装置剩余寿命预测模型和典型病害预测模型。
本发明所述的长期服役性能是指伸缩缝装置在长期暴露于各种环境和操作条件下,能够持续保持其设计性能、功能完整性的寿命长短以及存在典型病害的可能性。其中,寿命预测是指预测伸缩缝装置能够在多长时间内继续正常运行,而不会出现严重性能下降或失效;寿命预测有助于规划维护和更换计划,以确保装置的可靠性和安全性。病害预测是指预测可能出现的典型病害、损伤或劣化情况,如腐蚀、裂纹、疲劳、变形等;通过预测伸缩缝装置的典型病害,可以提前采取预防性措施,减轻维修和替换的负担,以延长伸缩缝装置的使用寿命。
在一个可选的实施例中,步骤S04所构建的伸缩缝装置的长期服役性能预测模型,具体包括伸缩缝装置剩余寿命预测模型,所述伸缩缝装置剩余寿命预测模型,满足如下公式:,其中,/>表示伸缩缝装置第/>次伸缩时的剩余寿命系数,/>表示温度修正系数,/>表示湿度修正系数,/>表示横向应变修正系数,/>表示纵向应变修正系数,/>表示伸缩缝装置第/>次伸缩时的实际伸缩量,/>表示伸缩缝装置疲劳极限累计伸缩量。
进一步地,所述伸缩缝装置剩余寿命预测模型中各项系数的设置,满足如下规则:当温度时,/>取值为1,否则,/>取值为1.5;当湿度/>时,/>取值为1,否则,/>取值为1.2;当横向应变/>时,/>取值为1,否则,/>取值为1.5;当纵向应变/>时,/>取值为1,否则,/>取值为1.3。
在一个可选的实施例中,步骤S04所构建的伸缩缝装置的长期服役性能预测模型,具体还包括典型病害预测模型。具体地,构建所述典型病害预测模型,包括如下步骤:
S041、获取多种典型病害的短时能量特征,并基于所述短时能量特征搭建典型病害分类模型。
可以理解的是,不同典型病害所对应的短时能量特征是不同的,因此,步骤S041以典型病害对应的短时能量作为区分特征,进行多种典型病害分类模型的搭建。进一步地,所述典型特征包括松动开裂、渗水漏水、异物堵塞、错台跳车等。
所述典型病害分类模型是将不同典型病害的音频特征(短时能量特征)与其对应的病害类型建立联系,以便对伸缩缝装置存在的典型病害进行识别和分类的机器模型。进一步地,所述典型病害分类模型可以采用各种机器学习技术,如支持向量机、神经网络或其他分类算法。
S042、基于所述典型病害分类模型的分类结果,构建所述伸缩缝装置的典型病害预测模型。
在本实施例中,基于上述典型病害分类模型的分类结果所构建的典型病害预测模型,满足如下公式:,其中,/>表示伸缩缝装置对于第/>种典型病害预警评估系数,/>表示测试伸缩缝装置典型病害的次数,/>表示第/>测试结果中识别出为第/>种典型病害的短时能量特征个数,/>表示表征第/>种典型病害的短时能量特征个数。
S05、利用所述长期服役性能预测模型结合所述响应数据和所述环境数据,预测所述伸缩缝装置的长期服役性能。
容易理解的是,步骤S05可通过各项长期服役性能评估模型,结合对应的响应数据和环境数据,实现对伸缩缝装置长期性能的预测。进一步地,步骤S05的实施可以提前了解伸缩缝装置的长期性能和可能的问题,以支持维护和管理决策,从而延长伸缩缝装置的使用寿命,提高其可靠性和性能,以及确保其在长期暴露于各种环境和操作条件下仍能保持其设计性能和功能完整性。
在一个可选的实施例,为预测对伸缩缝装置的剩余寿命,步骤S05中获取的实时响应数据包括伸缩缝装置在服役过程中外部因素(载荷因素、环境因素等)作用下的各项性能响应数据(应变、伸缩等),以及伸缩缝装置的环境数据(温度、湿度)。在本实施例中,上述伸缩缝装置剩余寿命预测模型结合对应的响应数据和环境数据,可获得伸缩缝装置在第次伸缩后的剩余寿命系数/>。具体地,剩余寿命系数/>越大,表征伸缩缝装置在第/>次伸缩后的剩余寿命越长。
在一个可选的实施例中,为预测伸缩缝装置存在某种典型病害的可能性,步骤S05中获取的响应数据包括长期服役过程中的音频数据,具体可以通过音频传感器获得。在本实施例中,基于上述典型病害预测模型结合对应的响应数据,可获得伸缩缝装置对于不通典型病害的预警评估系数。具体地,当伸缩缝装置对于第/>种典型病害预警评估系数/>越大,则表示在长期服役状态下,所述伸缩缝装置存在第/>种典型病害的可能性越大。
在一个可选的实施例中,为更好地实施上述基于IoT智慧感知的伸缩缝装置服役性能评估方法,还提供了一种基于IoT智慧感知的伸缩缝装置服役性能评估系统,请参见图4,图4为本发明实施例所提供的基于IoT智慧感知的伸缩缝装置服役性能评估系统结构示意图。
如图4所示,所述基于IoT智慧感知的伸缩缝装置服役性能评估系统包括输入设备、处理器、存储器和输出设备,所述输入设备、所述处理器、所述存储器和所述输出设备相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述的基于IoT智慧感知的伸缩缝装置服役性能评估方法。
其中,所述输入设备用于接收来自伸缩缝装置的各种数据和信息。这些数据可以包括实时响应数据(如应变、温度、湿度、声音等)、环境数据(如气象信息、交通流量等)以及其他相关的传感器数据。
所述处理器是系统的中央计算单元,负责执行计算机程序中的程序指令,对输入数据进行处理、分析和评估。所述处理器使用算法和模型来评估伸缩缝装置的实时和长期性能,并生成相应的输出。具体地,所述处理器可以是高性能计算机、嵌入式系统或云服务器,具体取决于系统的规模和需求。
所述存储器用于存储计算机程序、输入数据、处理中间结果和生成的输出数据。这包括程序指令、模型参数、历史性能数据以及评估结果。具体地,所述存储器可以包括硬盘驱动器、固态驱动器、云存储或数据库系统,以满足数据存储和访问的需求。
所述输出设备用于呈现系统的评估结果,通常以可读性高的形式,如文本报告、图形、图表、警报或通知。这样,相关的维护人员或操作者可以及时采取必要的行动。具体地,所述输出设备可以是计算机屏幕、打印机、警报系统、移动应用程序或Web界面。
本发明所提供的基于IoT智慧感知的伸缩缝装置服役性能评估系统,结合了IoT智慧感知技术,允许实时监测和评估伸缩缝装置的性能,同时执行长期性能预测和典型病害预测,为维护和管理人员提供了重要信息和决策支持。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (5)
1.基于IoT智慧感知的伸缩缝装置服役性能评估方法,其特征在于,包括如下步骤:
在伸缩缝装置上布设IoT智慧感知系统,并利用所述IoT智慧感知系统采集伸缩缝装置在服役过程中的响应数据和环境数据,所述响应数据包括应变数据、位移数据以及音频数据,所述环境数据包括温度数据和湿度数据;
构建所述伸缩缝装置的实时服役性能评估模型,所述实时服役性能评估模型包括承载性能评估模型、伸缩性能评估模型以及行驶舒适度评估模型;
利用所述实时服役性能评估模型结合所述响应数据和所述环境数据,评估所述伸缩缝装置的当前服役性能;
构建所述伸缩缝装置的长期服役性能预测模型,所述长期服役性能预测模型包括伸缩缝装置剩余寿命预测模型和典型病害预测模型;
利用所述长期服役性能预测模型结合所述响应数据和所述环境数据,预测所述伸缩缝装置的长期服役性能;
所述承载性能评估模型,满足如下公式:,其中,/>表示伸缩缝装置的平均应变,/>表示应变数据中的有效组数,/>表示第/>组应变数据中的横向应变数据,示第/>组应变数据中的纵向应变数据;
所述伸缩性能评估模型,满足如下公式:,其中,/>表示当前伸缩缝装置伸缩性能,/>表示伸缩缝装置从初始时刻到当前时刻的实际伸缩量,/>表示伸缩缝装置从初始时刻到当前时刻由于温度变化引起的伸缩量,/>表示伸缩缝装置从初始时刻到当前时刻由于湿度引起的伸缩量,/>表示桥梁从初始时刻到当前时刻由于徐变引起的伸缩量,/>表示伸缩缝装置从初始时刻到当前时刻由于冲击作用引起的伸缩量;
所述行驶舒适度评估模型,满足如下公式:,其中,/>,/>表示从初始时刻到当前时刻中第/>个时刻汇总的冲击音频短时能量,/>表示冲击音频短时能量中的最大值,/>表示第/>个采样时刻的桥面载荷对伸缩缝装置的冲击音频数据;
所述伸缩缝装置剩余寿命预测模型,满足如下公式:,其中,/>表示伸缩缝装置第/>次伸缩时的剩余寿命系数,/>表示温度修正系数,/>表示湿度修正系数,/>表示横向应变修正系数,/>表示纵向应变修正系数,/>表示伸缩缝装置第/>次伸缩时的实际伸缩量,/>表示伸缩缝装置疲劳极限累计伸缩量;
所述典型病害预测模型,满足如下公式:,其中,/>表示伸缩缝装置对于第/>种典型病害预警评估系数,/>表示测试伸缩缝装置典型病害的次数,/>表示第/>测试结果中识别出为第/>种典型病害的短时能量特征个数,/>表示表征第/>种典型病害的短时能量特征个数。
2.根据权利要求1所述的基于IoT智慧感知的伸缩缝装置服役性能评估方法,其特征在于,所述伸缩缝装置包括弹性伸缩组件和边缘固定组件;
其中,所述弹性伸缩组件由高分子弹性聚合材料浇筑弹簧钢形成,所述弹性伸缩组件的一端与桥缝的一端通过所述边缘固定组件固定连接,所述弹性伸缩组件的另一端与所述桥缝的另一端通过所述边缘固定组件固定连接。
3.根据权利要求1所述的基于IoT智慧感知的伸缩缝装置服役性能评估方法,其特征在于,所述IoT智慧感知系统包括应变传感器、位移传感器、音频传感器、温度传感器以及湿度传感器;
其中,所述应变传感器用于采集所述伸缩缝装置在服役过程中的应变数据;所述位移传感器用于采集所述伸缩缝装置在服役过程中的位移数据;所述音频传感器用于采集所述伸缩缝装置在服役过程中的音频数据;所述温度传感器用于采集所述伸缩缝装置在服役过程中的环境温度数据,所述湿度传感器用于采集所述伸缩缝装置在服役过程中的环境湿度数据。
4.根据权利要求1所述的基于IoT智慧感知的伸缩缝装置服役性能评估方法,其特征在于:
当温度时,/>取值为1,否则,/>取值为1.5;
当湿度时,/>取值为1,否则,/>取值为1.2;
当横向应变时,/>取值为1,否则,/>取值为1.5;
当纵向应变时,/>取值为1,否则,/>取值为1.3。
5.基于IoT智慧感知的伸缩缝装置服役性能评估系统,其特征在于,所述基于IoT智慧感知的伸缩缝装置服役性能评估系统包括输入设备、处理器、存储器和输出设备,所述输入设备、所述处理器、所述存储器和所述输出设备相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1至4任一项所述的基于IoT智慧感知的伸缩缝装置服役性能评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311577526.1A CN117290692B (zh) | 2023-11-24 | 2023-11-24 | 基于IoT智慧感知的伸缩缝装置服役性能评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311577526.1A CN117290692B (zh) | 2023-11-24 | 2023-11-24 | 基于IoT智慧感知的伸缩缝装置服役性能评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117290692A CN117290692A (zh) | 2023-12-26 |
CN117290692B true CN117290692B (zh) | 2024-02-13 |
Family
ID=89239387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311577526.1A Active CN117290692B (zh) | 2023-11-24 | 2023-11-24 | 基于IoT智慧感知的伸缩缝装置服役性能评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117290692B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850678A (zh) * | 2015-03-18 | 2015-08-19 | 黄跃平 | 基于行车走行性的公路桥梁伸缩装置走行服役性能评定方法 |
JP2016075090A (ja) * | 2014-10-07 | 2016-05-12 | 株式会社横河住金ブリッジ | 橋梁用伸縮継手システム |
CN108021732A (zh) * | 2017-10-26 | 2018-05-11 | 南京工程学院 | 一种索承桥梁模数式伸缩缝的在线损伤预警方法 |
CN109238374A (zh) * | 2018-10-26 | 2019-01-18 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 大跨度铁路钢桥梁端伸缩装置的智能监测体系 |
CN109556554A (zh) * | 2018-11-15 | 2019-04-02 | 安徽省交通控股集团有限公司 | 一种大跨桥梁伸缩缝监测评估方法 |
CN110083998A (zh) * | 2019-06-05 | 2019-08-02 | 安徽省交通控股集团有限公司 | 一种索承桥梁伸缩缝使用寿命评估方法 |
CN111256924A (zh) * | 2020-03-06 | 2020-06-09 | 东南大学 | 一种大跨度高铁桥梁伸缩缝智能监测方法 |
CN112626944A (zh) * | 2020-12-07 | 2021-04-09 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 一种大跨度铁路桥梁梁端伸缩装置监测方法及系统 |
CN112989456A (zh) * | 2021-02-10 | 2021-06-18 | 中铁大桥局集团有限公司 | 一种桥梁性能退化诊断方法及系统 |
CN114369997A (zh) * | 2021-11-23 | 2022-04-19 | 洛阳双瑞特种装备有限公司 | 一种预应力弹性体伸缩缝及成型方法 |
CN115683233A (zh) * | 2022-12-01 | 2023-02-03 | 江苏平山交通设施有限公司 | 模数式桥梁伸缩装置多参数监测装置及方法 |
-
2023
- 2023-11-24 CN CN202311577526.1A patent/CN117290692B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016075090A (ja) * | 2014-10-07 | 2016-05-12 | 株式会社横河住金ブリッジ | 橋梁用伸縮継手システム |
CN104850678A (zh) * | 2015-03-18 | 2015-08-19 | 黄跃平 | 基于行车走行性的公路桥梁伸缩装置走行服役性能评定方法 |
CN108021732A (zh) * | 2017-10-26 | 2018-05-11 | 南京工程学院 | 一种索承桥梁模数式伸缩缝的在线损伤预警方法 |
CN109238374A (zh) * | 2018-10-26 | 2019-01-18 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 大跨度铁路钢桥梁端伸缩装置的智能监测体系 |
CN109556554A (zh) * | 2018-11-15 | 2019-04-02 | 安徽省交通控股集团有限公司 | 一种大跨桥梁伸缩缝监测评估方法 |
CN110083998A (zh) * | 2019-06-05 | 2019-08-02 | 安徽省交通控股集团有限公司 | 一种索承桥梁伸缩缝使用寿命评估方法 |
CN111256924A (zh) * | 2020-03-06 | 2020-06-09 | 东南大学 | 一种大跨度高铁桥梁伸缩缝智能监测方法 |
CN112626944A (zh) * | 2020-12-07 | 2021-04-09 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 一种大跨度铁路桥梁梁端伸缩装置监测方法及系统 |
CN112989456A (zh) * | 2021-02-10 | 2021-06-18 | 中铁大桥局集团有限公司 | 一种桥梁性能退化诊断方法及系统 |
CN114369997A (zh) * | 2021-11-23 | 2022-04-19 | 洛阳双瑞特种装备有限公司 | 一种预应力弹性体伸缩缝及成型方法 |
CN115683233A (zh) * | 2022-12-01 | 2023-02-03 | 江苏平山交通设施有限公司 | 模数式桥梁伸缩装置多参数监测装置及方法 |
Non-Patent Citations (1)
Title |
---|
基于监测数据的斜拉桥伸缩缝服役性能评估;蔡邦国 等;公路(第05期);98-105 * |
Also Published As
Publication number | Publication date |
---|---|
CN117290692A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Integrated structural health monitoring in bridge engineering | |
Reiff et al. | Statistical bridge damage detection using girder distribution factors | |
Ni et al. | Integrating bridge structural health monitoring and condition-based maintenance management | |
Heitner et al. | Updating probabilities of bridge reinforcement corrosion using health monitoring data | |
NL2016794B1 (en) | Method for determining the structural integrity of an infrastructural element | |
KR20210085168A (ko) | 머신러닝 기반 건축 구조물 고유 진동값 학습을 통한 안전 진단 시스템 및 방법 | |
Mills et al. | Developing pavement performance models for Delaware | |
CN103226084A (zh) | 基于裂缝开展高度的梁桥损伤评估预警方法及预警系统 | |
Al-Khateeb et al. | Structural health monitoring of a cable-stayed bridge using regularly conducted diagnostic load tests | |
Sun et al. | Cumulative displacement-based detection of damper malfunction in bridges using data-driven isolation forest algorithm | |
Karimi et al. | Damage identification in bridge structures: review of available methods and case studies | |
CN114722858A (zh) | 一种预应力混凝土结构的安全评估方法 | |
CN118246134A (zh) | 基于机器学习的双塔斜拉桥全寿命周期安全管控系统 | |
Świt et al. | A prototype system for acoustic emission-based structural health monitoring of My Thuan bridge | |
CN118150088A (zh) | 一种用于桥梁健康监测系统的智能监测采集站 | |
Doa’ei et al. | Application of artificial intelligence and meta-heuristic algorithms in civil health monitoring systems | |
Sun et al. | Predicting bridge longitudinal displacement from monitored operational loads with hierarchical CNN for condition assessment | |
CN117290692B (zh) | 基于IoT智慧感知的伸缩缝装置服役性能评估方法及系统 | |
Qu et al. | Performance prediction for steel bridges using SHM data and bayesian dynamic regression linear model: a novel approach | |
Saberi et al. | Steel bridge service life prediction using bootstrap method | |
CN117290693B (zh) | 一种基于IoT智慧感知的伸缩缝装置实时服役性能评估方法 | |
Colford et al. | Structural health monitoring–a risk-based approach | |
CN117520798A (zh) | 一种基于IoT智慧感知的伸缩缝装置长期服役性能预测方法 | |
Enshaeian et al. | A review on bridge instrumentation in the United States | |
Mahini et al. | Monitoring timber beam bridge structural reliability in regional Australia |
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 |