CN117291072B - 一种桥梁损伤识别方法 - Google Patents
一种桥梁损伤识别方法 Download PDFInfo
- Publication number
- CN117291072B CN117291072B CN202311218504.6A CN202311218504A CN117291072B CN 117291072 B CN117291072 B CN 117291072B CN 202311218504 A CN202311218504 A CN 202311218504A CN 117291072 B CN117291072 B CN 117291072B
- Authority
- CN
- China
- Prior art keywords
- bridge
- damage
- vehicle
- target
- deflection response
- 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 53
- 230000004044 response Effects 0.000 claims abstract description 66
- 238000004088 simulation Methods 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000008878 coupling Effects 0.000 claims abstract description 15
- 238000010168 coupling process Methods 0.000 claims abstract description 15
- 238000005859 coupling reaction Methods 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 230000003137 locomotive effect Effects 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 239000002245 particle Substances 0.000 claims description 14
- 238000007619 statistical method Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 5
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 claims description 4
- 238000005303 weighing Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000013016 damping Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000011002 quantification Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000012614 Monte-Carlo sampling Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001151 non-parametric statistical test Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012360 testing method Methods 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]
- G06F30/20—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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请公开了一种桥梁损伤识别方法，包括步骤：S1、建立目标桥梁的初始有限元模型以进行车桥耦合分析得到仿真挠度响应，结合实测挠度响应对初始有限元模型进行优化得到修正有限元模型；S2、采集一定时间内目标桥梁的交通流车辆荷载数据，数理统计分析确定各车型车辆的物理参数信息并建立标准车辆物理模型，利用采样方法进行随机采样，生成随机车流样本序列；S3、设计目标桥梁的不同损伤工况，根据不同的损伤工况、修正有限元模型进行随机车流下的车桥耦合分析，得到桥梁仿真挠度响应数据；S4、以不同的损伤工况及对应的桥梁仿真挠度响应数据构建训练数据集建立损伤识别模型以对目标桥梁进行损伤识别。本申请能实现实时在线的桥梁损伤定位与量化。
Description
技术领域
本申请涉及桥梁健康监测领域，具体涉及一种桥梁损伤识别方法。
背景技术
由于日益增长的交通量与环境因素的影响，许多使用年限较长，例如使用二十年以上的桥梁，会出现混凝土裂缝、剥落等病害。虽然主流的桥梁定检可以较为全面地排查出桥梁结构各个部位的病害，并实施相应的维修加固措施，但是检查频次较低，效率与经济性较差，对桥梁结构整体状态的识别滞后性较大。
目前，实际工程中应用较多的损伤识别方法为异常检测，该类方法通过处理传感器测得的桥梁结构响应数据，构建对损伤敏感性较大的损伤因子，最后与桥梁结构健康状态下的损伤因子进行分析比对，从而检测出当前桥梁结构是否发生损伤，但这种方法在损伤的定位与量化方面有一定局限性。
发明内容
本申请的一个目的在于提供一种桥梁损伤识别方法，实现实时在线的桥梁损伤定位与量化。
为达到以上目的，本申请采用的技术方案为：一种桥梁损伤识别方法，其包括步骤：
S1、建立目标桥梁的初始有限元模型，基于所述初始有限元模型对目标桥梁进行车桥耦合分析的仿真计算，得到目标桥梁目标测点的仿真挠度响应，设置在目标桥梁上的结构动挠度测量仪器测得目标测点的实测挠度响应，结合目标测点的所述仿真挠度响应与所述实测挠度响应，通过优化算法对所述初始有限元模型进行修正，得到修正有限元模型；
S2、采集一定时间内目标桥梁的交通流车辆荷载数据，车辆荷载数据至少包括车型、车重与轴间距，数理统计分析得到车型、车重、轴间距的分布类型，其中车型根据车辆轴数分类，根据车型与车重的数理统计分析结果，确定各车型车辆的物理参数信息，所述物理参数信息至少包括车重范围、轴间距、各轴轴重分布，依据所述物理参数信息建立各车型的标准车辆物理模型，基于数理统计分析结果利用采样方法对车重、轴间距进行随机采样，生成以所述标准车辆物理模型为单位的随机车流车辆荷载样本序列；
S3、设计目标桥梁的不同损伤工况，将目标桥梁划分为若干损伤区域划分段，所述损伤工况包括各个所述损伤区域划分段的刚度降低率，根据不同的所述损伤工况、所述修正有限元模型与所述车辆荷载序列样本进行随机车流下的车桥耦合分析，循环计算得到不同所述损伤工况下的桥梁仿真挠度响应数据；
S4、以不同的所述损伤工况及对应的所述桥梁仿真挠度响应数据构建训练数据集，基于所述训练数据集建立损伤识别模型，通过采集目标桥梁的实测车辆荷载数据，以判断是否执行损伤识别模型程序，同时所述结构动挠度测量仪器测得目标测点对应的实测挠度响应并输入到所述损伤识别模型，对目标桥梁进行损伤识别；
其中，步骤S1与步骤S2不分先后。
作为一种优选，步骤S1中根据桥梁施工图纸中桥梁的几何尺寸、材料特性与支座布置建立目标桥梁的初始有限元模型，利用基于Python开发的PyMAPDL来实现ANSYS APDL程序化建模车桥耦合分析。
作为一种优选，步骤S1中通过粒子群优化算法对所述初始有限元模型进行修正。
作为一种优选，通过粒子群优化算法对所述初始有限元模型进行修正具体包括步骤：
S11、定义一适应度函数，其中，E、I、ρ分别为所述初始有限元模型中桥梁目标截面处对应的弹性模量、惯性矩、密度，a0、a1为目标桥梁瑞利阻尼的系数，/>为目标测点的仿真挠度响应，/>为目标测点的实测挠度响应，n为目标桥梁目标截面的目标测点的数量；
S12、确定E、I、ρ、a0、a1各个参数的取值范围，并依据各参数的取值范围随机生成若干向量组（E，I，ρ，a0，a1），若干向量组（E，I，ρ，a0，a1）构成一粒子群，通过调用车桥耦合分析的仿真计算程序计算出仿真挠度响应，并且读取所述结构动挠度测量仪器测得目标测点的实测挠度响应，计算每一所述向量组（E，I，ρ，a0，a1）的适应度函数值，根据i的不同取值，对每一代粒子群的所述适应度函数值进行筛选迭代，直到所述适应度函数收敛，此时对应的（E，I，ρ，a0，a1）为最优参数向量，根据该最优参数向量对所述初始有限元模型进行优化得到修正有限元模型。
作为一种优选，步骤S2中通过桥梁动态称重系统采集一定时间内目标桥梁的交通流车辆荷载数据作为样本，利用K-S检验法进行数理统计分析，对采集到的样本分布进行拟合，得到车型、车重、轴间距的分布类型。
作为一种优选，步骤S2中利用基于Python开发的PyMAPDL，结合各车型车辆的所述物理参数信息，对各车型车辆进行编程建模，建立出各车型的所述标准车辆物理模型，并根据数理统计分析结果，运用蒙特卡洛采样方法对车重、轴间距进行随机采样，生成以所述标准车辆物理模型为单位的随机车流车辆荷载样本序列。
作为一种优选，针对中小跨径桥梁，步骤S3中根据桥梁的结构形式来设计目标桥梁的不同损伤工况，当目标桥梁为小截面多主梁体系的桥梁时，以不同主梁/横向连接结构划分得到所述损伤区域划分段，采用降低不同主梁/横向连接结构刚度的方法来模拟目标桥梁的损伤；当目标桥梁为大截面单梁体系的桥梁时，沿桥梁的纵向等长度来划分所述损伤划分段，采用降低不同所述损伤划分段的刚度的方法来模拟目标桥梁的损伤。
作为一种优选，步骤S4中“以不同的所述损伤工况及对应的所述桥梁仿真挠度响应数据构建训练数据集”具体包括步骤：针对步骤S3中设计的不同的所述损伤工况制作损伤向量标签，对于划分有m个所述损伤划分段的目标桥梁，其所述损伤向量标签共有m项，其中第x项的数值代表第x个所述损伤划分段的刚度下降系数；对步骤S3中计算得到不同所述损伤工况下的桥梁仿真挠度响应数据，截取若干车重大于等于5吨情况下计算得到的不同所述损伤工况下的所述桥梁仿真挠度响应数据，分别计算出对应车辆荷载下目标桥梁未损伤工况下的桥梁挠度响应，计算出不同所述损伤工况下的所述桥梁仿真挠度响应数据与对应车辆荷载、未损伤工况下的桥梁挠度响应之间的欧氏距离，并结合各个所述损伤工况对应的所述损伤向量标签形成所述训练数据集。
作为一种优选，步骤S4中的所述损伤识别模型为BiLSTM深度学习模型。
作为一种优选，步骤S4中，当检测到重型车辆通过目标桥梁时，触发所述损伤识别模型对目标桥梁进行损伤识别，所述重型车辆为车重大于等于55吨的车辆。
与现有技术相比，本申请的有益效果在于：（1）一方面通过优化算法将桥梁的初始有限元模型优化为修正有限元模型，使得根据修正有限元模型计算出的仿真挠度相应数据更接近实际的挠度响应值；另一方面通过对桥梁一定时间内的交通车流的监控统计车型、车重与轴间距等车辆荷载数据的分布，并用采样方法随机采样生成出随机车流车辆荷载样本序列，符合车辆过桥的这种随机过程，生成的随机车流车辆荷载样本序列更接近桥面上真实的车辆荷载；由于桥梁修正有限元模型、标准车辆物理模型、随机车流车辆荷载样本序列等主要因素均与实际情况相接近，计算的目标测点挠度响应同样也与实际桥梁结构挠度响应相近，即不同损伤工况下，仿真数据的源域样本分布与实际桥梁结构损伤的目标域样本分布大致相同，因此由仿真数据所训练得到的损伤识别模型可实现在线的进行桥梁损伤识别。（2）利用基于优化算法修正的桥梁数值模型在不同损伤工况下的先验知识来识别实际桥梁未发生的损伤情况，大大降低不同损伤工况下训练数据获取的成本，人工依赖度低，并且本识别方法中将目标桥梁划分为若干损伤区域划分段，更利于进行损伤定位，利于在识别出损伤后实施定向检测，进一步确定桥梁结构状态，提高桥梁人工检测的效率。（3）本申请既可以在重型车辆经过桥梁后触发识别程序，对桥梁进行及时的状态评估，也可以设定识别频率，如每月对桥梁进行识别与评估，保证桥梁在运营期间的安全可靠性。
附图说明
图1为本申请一实施例中桥梁损伤识别方法的流程图。
图2为本申请一实施例中桥梁初始有限元模型/修正有限元模型的结构示意图。
图3为二轴车车型下的实测WIM车辆荷载车重概率密度分布。
图4为三轴车车型下的实测WIM车辆荷载车重概率密度分布。
图5、图6分别为两个多主梁体系桥梁的损伤识别结果示例。
具体实施方式
下面，结合具体实施方式，对本申请做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
在本申请的描述中，需要说明的是，对于方位词，如有术语“中心”、 “横向”、“纵向”、“长度”、“宽度”、“厚度”、“上”、“下”、 “前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示方位和位置关系为基于附图所示的方位或位置关系，仅是为了便于叙述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定方位构造和操作，不能理解为限制本申请的具体保护范围。
需要说明的是，本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本申请的说明书和权利要求书中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
目前现有的桥梁损伤识别方法通过处理传感器测得的桥梁响应数据，构建对损伤敏感性较大的损伤因子，最后与桥梁健康状态下的损伤因子进行分析比对，从而检测出当前桥梁是否发生损伤。这一方法在损伤的定位与量化方面有一定局限性，为此本申请提出了基于数值仿真与深度学习的一种桥梁损伤识别方法。
一种桥梁损伤识别方法，如图1所示，其包括步骤：
S1、建立目标桥梁的初始有限元模型，基于初始有限元模型对目标桥梁进行车桥耦合分析的仿真计算，得到目标桥梁目标测点的仿真挠度响应，设置在目标桥梁上的结构动挠度测量仪器测得目标测点的实测挠度响应，结合目标测点的仿真挠度响应与实测挠度响应，通过优化算法对初始有限元模型进行修正，得到修正有限元模型；图2示意本申请一实施例中桥梁初始有限元模型或修正有限元模型的结构示意图；
S2、采集一定时间内目标桥梁的交通流车辆荷载数据，车辆荷载数据至少包括车型、车重与轴间距，数理统计分析得到车型、车重、轴间距的分布类型，其中车型根据车辆轴数分类，图3、图4分别示意二轴车和三轴车两种车型的实测车辆荷载车重概率密度分布，根据车型与车重的数理统计分析结果，确定各车型车辆的物理参数信息，物理参数信息至少包括车重范围、轴间距、各轴轴重分布，依据物理参数信息建立各车型的标准车辆物理模型，基于数理统计分析结果利用采样方法对车重、轴间距进行随机采样，生成以标准车辆物理模型为单位的随机车流车辆荷载样本序列；
S3、设计目标桥梁的不同损伤工况，将目标桥梁划分为若干损伤区域划分段，损伤工况包括各个损伤区域划分段的刚度降低率，根据不同的损伤工况、修正有限元模型与车辆荷载序列样本进行随机车流下的车桥耦合分析，循环计算得到不同损伤工况下的桥梁仿真挠度响应数据；
S4、以不同的损伤工况及对应的桥梁仿真挠度响应数据构建训练数据集，基于训练数据集建立损伤识别模型，通过采集目标桥梁的实测车辆荷载数据，以判断是否执行损伤识别模型程序，同时结构动挠度测量仪器测得目标测点对应的实测挠度响应并输入到损伤识别模型，对目标桥梁进行损伤识别；
其中，步骤S1与步骤S2不分先后。
结合图1所示，本申请一方面对桥梁的仿真数值模型进行模型优化更新，解决了相关技术中，桥梁的仿真数值模型与实际桥梁结构存在较大误差、模型参数需要修正的空间较大，难以寻找到与实际桥梁结构响应相符的数值模型参数最优解的问题。另一方面对随机车流模拟部分进行了改进，解决了桥梁日常运营中的车辆荷载模型较难建立，需针对目标桥梁区域内的交通流量特性构建随机车流模拟所需的车辆统计模型，形成与实际情况相符的车辆荷载分布的问题。在桥梁模型优化更新与随机车流模拟后进行损伤识别模型训练，由于桥梁修正有限元模型、标准车辆物理模型、随机车流车辆荷载样本序列等主要因素均与实际情况相接近，计算的目标测点挠度响应同样也与实际桥梁结构挠度响应相近，即不同损伤工况下，仿真数据的源域样本分布与实际桥梁结构损伤的目标域样本分布大致相同，因此由仿真数据所训练得到的损伤识别模型可实现在线的进行桥梁损伤识别。同时，本申请利用基于优化算法修正的桥梁数值模型在不同损伤工况下的先验知识来识别实际桥梁未发生的损伤情况，大大降低不同损伤工况下训练数据获取的成本，人工依赖度低，并且本识别方法中将目标桥梁划分为若干损伤区域划分段，更利于进行损伤定位，利于在识别出损伤后实施定向检测，进一步确定桥梁结构状态，提高桥梁人工检测的效率。此外，本申请既可以在重型车辆经过桥梁后触发识别程序，对桥梁进行及时的损伤识别，也可以设定识别频率，如每月对桥梁进行损伤识别与评估，保证桥梁在运营期间的安全可靠性。
在一些实施例中，步骤S1中根据桥梁施工图纸中桥梁的几何尺寸、材料特性与支座布置建立目标桥梁的初始有限元模型。
在一些实施例中，步骤S1中利用基于Python开发的PyMAPDL来实现ANSYS APDL程序化建模车桥耦合分析。Python语言具有较为丰富且强大的第三方库，其中包括各类集成的优化算法，如粒子群优化算法，简称PSO优化算法。ANSYS APDL又称ANSYS参数化设计语言，PyMAPDL是基于Python开发的Ansys APDL参数化有限元分析工具包，可与PSO优化算法相互调用，实现高效地并行分析与模型优化更新。
在一些实施例中，步骤S1中通过粒子群优化算法对初始有限元模型进行修正，粒子群优化算法具有收敛速度快、设置参数少、易调试的优点。
在具体实施例中，通过粒子群优化算法对初始有限元模型进行修正具体包括步骤：
S11、定义一适应度函数，其中，E、I、ρ分别为初始有限元模型中桥梁目标截面处对应的弹性模量、惯性矩、密度，a0、a1为目标桥梁瑞利阻尼的系数，/>为目标测点的仿真挠度响应，/>为目标测点的实测挠度响应，n为目标桥梁目标截面的目标测点的数量；
S12、确定E、I、ρ、a0、a1各个参数的取值范围，并依据各参数的取值范围随机生成若干向量组（E，I，ρ，a0，a1），每一向量组可视为一粒子，若干向量组（E，I，ρ，a0，a1）构成一粒子群，通过调用车桥耦合分析的仿真计算程序计算出仿真挠度响应，并且读取结构动挠度测量仪器测得目标测点的实测挠度响应，计算每一向量组（E，I，ρ，a0，a1）的适应度函数值，根据i的不同取值，对每一代粒子群的适应度函数值进行筛选迭代，直到适应度函数收敛，此时对应的（E，I，ρ，a0，a1）为最优参数向量，根据该最优参数向量对初始有限元模型进行优化得到修正有限元模型。
在一些实施例中，步骤S2中通过桥梁动态称重系统采集一定时间内目标桥梁的交通流车辆荷载数据作为样本，并利用K-S检验法进行数理统计分析，对采集到的样本分布进行拟合，得到车型、车重、轴间距的分布类型。其中，桥梁动态称重系统简称WIM，是一种测量精度较高，测量时不影响车辆正常行驶的测量系统，本实施例中，桥梁动态称重系统具体包括设置在桥梁上的传感器，以获取车重信息，及摄像头，以获取车辆图片信息，从而进行车型识别。K-S检验法是一种非参数的统计检验方法，是针对连续分布的检验。
在一些实施例中，步骤S2中采集目标桥梁的交通流车辆荷载数据作为样本的时间大于等于一年。桥梁在日常通车下，不同车型的车辆经过桥面是一种随机过程，短时间内观测的交通车辆荷载样本分布难以描述真实过桥车辆荷载分布。而基于一年的WIM车辆荷载样本分布从数据量上已十分接近实际的目标桥梁车辆荷载分布。
在一些实施例中，步骤S2中利用基于Python开发的PyMAPDL，结合各车型车辆的物理参数信息，对各车型车辆进行编程建模，建立出各车型的标准车辆物理模型，以便进行随机车流下的车桥耦合分析时进行调用。
在一些实施例中，步骤S2中根据数理统计分析结果，运用蒙特卡洛采样方法对车重、轴间距进行随机采样，生成以所述标准车辆物理模型为单位的随机车流车辆荷载样本序列。基于蒙特卡洛的采样法具有随机性，也正符合车辆过桥的随机过程。因此，对基于实测WIM车辆荷载数据的各参数总体概率分布进行蒙特卡洛采样，生成的随机车流序列样本满足实际桥梁所受到的车辆荷载。
在一些实施例中，本申请的桥梁损伤识别方法应用于中小跨径桥梁，并且，针对中小跨径桥梁，步骤S3中根据桥梁的结构形式来设计目标桥梁的不同损伤工况，当目标桥梁为小截面多主梁体系的桥梁时，以不同主梁/横向连接结构划分得到损伤区域划分段，采用降低不同主梁/横向连接结构刚度的方法来模拟目标桥梁的损伤；当目标桥梁为大截面单梁体系的桥梁时，沿桥梁的纵向等长度来划分损伤划分段，采用降低不同损伤划分段的刚度的方法来模拟目标桥梁的损伤。
在一些实施例中，步骤S4中“以不同的损伤工况及对应的桥梁仿真挠度响应数据构建训练数据集”具体包括步骤：针对步骤S3中设计的不同的损伤工况制作损伤向量标签，对于划分有m个损伤划分段的目标桥梁，其损伤向量标签共有m项，其中第x项的数值代表第x个损伤划分段的刚度下降系数；对步骤S3中计算得到不同损伤工况下的桥梁仿真挠度响应数据，截取若干车重大于等于5吨情况下计算得到的不同损伤工况下的桥梁仿真挠度响应数据，分别计算出对应车辆荷载下目标桥梁未损伤工况下的桥梁挠度响应，计算出不同损伤工况下的桥梁仿真挠度响应数据与对应车辆荷载、未损伤工况下的桥梁挠度响应之间的欧氏距离，并结合各个损伤工况对应的损伤向量标签形成训练数据集。
具体的，一实施例中目标桥梁有16个主梁，以每个主梁划分为一损伤划分段，则m为16，损伤向量标签中第x项的数值代表第x个主梁的刚度下降系数，例如该目标桥梁的一损伤向量标签为（0，0，0.3，0，0，0，0.5，0，0，0，0.5，0，0，0，0，0），表示该多主梁体系结构的桥梁中第三片主梁刚度下降30%，第七、十一片主梁刚度下降50%，其余主梁均未发生损伤。当然，该损伤向量标签示例同样适用于横向连接结构，如铰缝与横隔板等。
在一些实施例中，步骤S4中的损伤识别模型为BiLSTM深度学习模型，深度学习模型支持并行计算与GPU加速。能够理解的是，构建与上述训练数据集相适应的BiLSTM深度学习模型时，需要选取合适的目标优化损失函数以及相应合理的超参数进行损伤识别模型的训练，直到损失函数值收敛到一定程度训练结束，再保存损伤识别模型的训练参数。BiLSTM深度学习模型上传至终端设备的系统管理平台后可进行实现在线的桥梁状态识别。
结合实际情况，在一些实施例中，步骤S4中，当检测到重型车辆通过目标桥梁时，触发损伤识别模型对目标桥梁进行损伤识别，所述重型车辆为车重大于等于55吨的车辆。本申请中重型车辆指代车重大于等于55吨的车辆，一些超载的车辆也包括在内。当重型车辆通过目标桥梁时，有可能对桥梁造成一定程度的损伤，因此需要实时在线的对桥梁进行损伤识别与评估，以确保桥梁是否出现损伤，以及针对损伤的位置与程度判定是否需要进行定向检查与维修加固。
在一些实施例中，步骤S4中预设一识别频率，损伤识别模型按预设频率对目标桥梁进行损伤识别，如每月对桥梁结构进行识别与评估，保证桥梁结构在运营旗期间的安全可靠性。
以上描述了本申请的基本原理、主要特征和本申请的优点。本行业的技术人员应该了解，本申请不受上述实施例的限制，上述实施例和说明书中描述的只是本申请的原理，在不脱离本申请精神和范围的前提下本申请还会有各种变化和改进，这些变化和改进都落入要求保护的本申请的范围内。本申请要求的保护范围由所附的权利要求书及其等同物界定。
Claims (7)
1.一种桥梁损伤识别方法，其特征在于，包括步骤：
S1、建立目标桥梁的初始有限元模型，基于所述初始有限元模型对目标桥梁进行车桥耦合分析的仿真计算，得到目标桥梁目标测点的仿真挠度响应，设置在目标桥梁上的结构动挠度测量仪器测得目标测点的实测挠度响应，结合目标测点的所述仿真挠度响应与所述实测挠度响应，通过粒子群优化算法对所述初始有限元模型进行修正，得到修正有限元模型；
S2、采集一定时间内目标桥梁的交通流车辆荷载数据，车辆荷载数据至少包括车型、车重与轴间距，数理统计分析得到车型、车重、轴间距的分布类型，其中车型根据车辆轴数分类，根据车型与车重的数理统计分析结果，确定各车型车辆的物理参数信息，所述物理参数信息至少包括车重范围、轴间距、各轴轴重分布，依据所述物理参数信息建立各车型的标准车辆物理模型，基于数理统计分析结果利用采样方法对车重、轴间距进行随机采样，生成以所述标准车辆物理模型为单位的随机车流车辆荷载样本序列；
S3、设计目标桥梁的不同损伤工况，将目标桥梁划分为若干损伤区域划分段，所述损伤工况包括各个所述损伤区域划分段的刚度降低率，根据不同的所述损伤工况、所述修正有限元模型与所述车辆荷载样本序列进行随机车流下的车桥耦合分析，循环计算得到不同所述损伤工况下的桥梁仿真挠度响应数据；
S4、以不同的所述损伤工况及对应的所述桥梁仿真挠度响应数据构建训练数据集，基于所述训练数据集建立损伤识别模型，通过采集目标桥梁的实测车辆荷载数据，以判断是否执行损伤识别模型程序，同时所述结构动挠度测量仪器测得目标测点对应的实测挠度响应并输入到所述损伤识别模型，对目标桥梁进行损伤识别；
其中，步骤S1与步骤S2不分先后，步骤S1中通过粒子群优化算法对所述初始有限元模型进行修正具体包括步骤：
S11、定义一适应度函数，其中，E、I、ρ分别为所述初始有限元模型中桥梁目标截面处对应的弹性模量、惯性矩、密度，a0、a1为目标桥梁瑞利阻尼的系数，/>为目标测点的仿真挠度响应，/>为目标测点的实测挠度响应，n为目标桥梁目标截面的目标测点的数量；
S12、确定E、I、ρ、a0、a1各个参数的取值范围，并依据各参数的取值范围随机生成若干向量组（E，I，ρ，a0，a1），若干向量组（E，I，ρ，a0，a1）构成一粒子群，通过调用车桥耦合分析的仿真计算程序计算出仿真挠度响应，并且读取所述结构动挠度测量仪器测得目标测点的实测挠度响应，计算每一所述向量组（E，I，ρ，a0，a1）的适应度函数值，根据i的不同取值，对每一代粒子群的所述适应度函数值进行筛选迭代，直到所述适应度函数收敛，此时对应的（E，I，ρ，a0，a1）为最优参数向量，根据该最优参数向量对所述初始有限元模型进行优化得到修正有限元模型；
步骤S4中“以不同的所述损伤工况及对应的所述桥梁仿真挠度响应数据构建训练数据集”具体包括步骤：针对步骤S3中设计的不同的所述损伤工况制作损伤向量标签，对于划分有m个所述损伤划分段的目标桥梁，其所述损伤向量标签共有m项，其中第x项的数值代表第x个所述损伤划分段的刚度下降系数；对步骤S3中计算得到不同所述损伤工况下的桥梁仿真挠度响应数据，截取若干车重大于等于5吨情况下计算得到的不同所述损伤工况下的所述桥梁仿真挠度响应数据，分别计算出对应车辆荷载下目标桥梁未损伤工况下的桥梁挠度响应，计算出不同所述损伤工况下的所述桥梁仿真挠度响应数据与对应车辆荷载、未损伤工况下的桥梁挠度响应之间的欧氏距离，并结合各个所述损伤工况对应的所述损伤向量标签形成所述训练数据集。
2.如权利要求1所述的桥梁损伤识别方法，其特征在于：步骤S1中根据桥梁施工图纸中桥梁的几何尺寸、材料特性与支座布置建立目标桥梁的初始有限元模型，利用基于Python开发的PyMAPDL来实现ANSYS APDL程序化建模车桥耦合分析。
3.如权利要求1或2所述的桥梁损伤识别方法，其特征在于：步骤S2中通过桥梁动态称重系统采集一定时间内目标桥梁的交通流车辆荷载数据作为样本，利用K-S检验法进行数理统计分析，对采集到的样本分布进行拟合，得到车型、车重、轴间距的分布类型。
4.如权利要求1或2所述的桥梁损伤识别方法，其特征在于：步骤S2中利用基于Python开发的PyMAPDL，结合各车型车辆的所述物理参数信息，对各车型车辆进行编程建模，建立出各车型的所述标准车辆物理模型，并根据数理统计分析结果，运用蒙特卡洛采样方法对车重、轴间距进行随机采样，生成以所述标准车辆物理模型为单位的随机车流车辆荷载样本序列。
5.如权利要求1所述的桥梁损伤识别方法，其特征在于：针对中小跨径桥梁，步骤S3中根据桥梁的结构形式来设计目标桥梁的不同损伤工况，当目标桥梁为小截面多主梁体系的桥梁时，以不同主梁/横向连接结构划分得到所述损伤区域划分段，采用降低不同主梁/横向连接结构刚度的方法来模拟目标桥梁的损伤；当目标桥梁为大截面单梁体系的桥梁时，沿桥梁的纵向等长度来划分所述损伤划分段，采用降低不同所述损伤划分段的刚度的方法来模拟目标桥梁的损伤。
6.如权利要求1所述的桥梁损伤识别方法，其特征在于：步骤S4中的所述损伤识别模型为BiLSTM深度学习模型。
7.如权利要求1所述的桥梁损伤识别方法，其特征在于：步骤S4中，当检测到重型车辆通过目标桥梁时，触发所述损伤识别模型对目标桥梁进行损伤识别，所述重型车辆为车重大于等于55吨的车辆。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311218504.6A CN117291072B (zh) | 2023-09-20 | 2023-09-20 | 一种桥梁损伤识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311218504.6A CN117291072B (zh) | 2023-09-20 | 2023-09-20 | 一种桥梁损伤识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117291072A CN117291072A (zh) | 2023-12-26 |
| CN117291072B true CN117291072B (zh) | 2024-03-15 |
Family
ID=89252865
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311218504.6A Active CN117291072B (zh) | 2023-09-20 | 2023-09-20 | 一种桥梁损伤识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117291072B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117592341B (zh) * | 2024-01-18 | 2024-03-29 | 苏州大学 | 一种t型桥梁健康状态的有限元预测方法和系统 |
| CN117909853B (zh) * | 2024-03-19 | 2024-05-31 | 合肥通用机械研究院有限公司 | 基于机理与工况大数据的设备损伤智能监测方法及系统 |
| CN118013157B (zh) * | 2024-04-08 | 2024-06-07 | 贵州大学 | 基于粒子群优化算法的桥梁模态参数车辆扫描方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110543706A (zh) * | 2019-08-21 | 2019-12-06 | 哈尔滨工业大学 | 一种基于车辆刹车作用的在役桥梁支座损伤诊断方法 |
| CN111027256A (zh) * | 2020-03-09 | 2020-04-17 | 杭州鲁尔物联科技有限公司 | 一种基于车辆荷载空间分布的桥梁风险预测方法及系统 |
| CN111832099A (zh) * | 2020-05-28 | 2020-10-27 | 东南大学 | 基于fbg和有限元模型修正的桥梁结构损伤识别方法 |
| CN112287586A (zh) * | 2020-11-05 | 2021-01-29 | 长安大学 | 基于中小桥损伤识别结果的快速可靠度评估方法 |
| CN112507588A (zh) * | 2020-12-03 | 2021-03-16 | 宁波朗达工程科技有限公司 | 一种超载车辆对桥梁影响的评估方法、系统及计算机设备 |
| CN115659782A (zh) * | 2022-09-27 | 2023-01-31 | 长沙理工大学 | 一种基于pgdnn在移动车辆荷载作用下的桥梁损伤识别方法 |
-
2023
- 2023-09-20 CN CN202311218504.6A patent/CN117291072B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110543706A (zh) * | 2019-08-21 | 2019-12-06 | 哈尔滨工业大学 | 一种基于车辆刹车作用的在役桥梁支座损伤诊断方法 |
| CN111027256A (zh) * | 2020-03-09 | 2020-04-17 | 杭州鲁尔物联科技有限公司 | 一种基于车辆荷载空间分布的桥梁风险预测方法及系统 |
| CN111832099A (zh) * | 2020-05-28 | 2020-10-27 | 东南大学 | 基于fbg和有限元模型修正的桥梁结构损伤识别方法 |
| CN112287586A (zh) * | 2020-11-05 | 2021-01-29 | 长安大学 | 基于中小桥损伤识别结果的快速可靠度评估方法 |
| CN112507588A (zh) * | 2020-12-03 | 2021-03-16 | 宁波朗达工程科技有限公司 | 一种超载车辆对桥梁影响的评估方法、系统及计算机设备 |
| CN115659782A (zh) * | 2022-09-27 | 2023-01-31 | 长沙理工大学 | 一种基于pgdnn在移动车辆荷载作用下的桥梁损伤识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117291072A (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117291072B (zh) | 一种桥梁损伤识别方法 | |
| CN110704801B (zh) | 桥梁集群结构运营安全智能监测与快速检测成套方法 | |
| US10139306B2 (en) | Method and system for bridge damage detection | |
| Dowling et al. | Adaptation of Cross Entropy optimisation to a dynamic Bridge WIM calibration problem | |
| Kim et al. | A comprehensive probabilistic model of traffic loads based on weigh-in-motion data for applications to bridge structures | |
| CN101334338B (zh) | 基于空间坐标监测的索结构中索系统的健康监测方法 | |
| Seo et al. | Integrated structural health monitoring system and multi-regression models for determining load ratings for complex steel bridges | |
| CN116958933A (zh) | 一种多车道荷载识别方法、系统、电子设备及存储介质 | |
| Jiao et al. | Damage identification of bridge based on Chebyshev polynomial fitting and fuzzy logic without considering baseline model parameters | |
| Li et al. | Bearing damage detection of a bridge under the uncertain conditions based on the Bayesian framework and matrix perturbation method | |
| Lei et al. | Condition level deteriorations modeling of RC beam bridges with U-Net convolutional neural networks | |
| CN117576919B (zh) | 车辆超载识别系统、方法及电子设备 | |
| Zhang et al. | Long‐term bridge performance assessment using clustering and Bayesian linear regression for vehicle load and strain mapping model | |
| Akintunde et al. | Singular value decomposition and unsupervised machine learning for virtual strain sensing: Application to an operational railway bridge | |
| Rosso et al. | Subspace features and statistical indicators for neural network-based damage detection | |
| Wang et al. | Study on damage identification of high-speed railway truss bridge based on statistical steady-state strain characteristic function | |
| Zhang et al. | Structural damage detection using convolutional neural networks based on modal strain energy and population of structures | |
| CN114580239B (zh) | 一种考虑不确定性的桥梁损伤识别方法 | |
| CN115452282A (zh) | 一种基于数据融合的铁路桥梁结构健康监测方法 | |
| CN109993211B (zh) | 基于结构加速度ar模型系数的损伤识别方法 | |
| Bahrami et al. | A sequence-to-sequence model for joint bridge response forecasting | |
| CN102288436A (zh) | 支座角位移时基于空间坐标监测的识别松弛的支承索的方法 | |
| Limongelli | Vibration-based structural health monitoring: Challenges and opportunities | |
| Lehký et al. | Neural network based damage detection of dynamically loaded structures | |
| CN113553754A (zh) | 存储器、火灾风险预测模型构建方法、系统和装置 |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 21-1, Building 028, Building 5, No. 15, Lane 587, Juxian Road, High tech Zone, Yinzhou District, Ningbo City, Zhejiang Province, 315000 Patentee after: Ningbo Langda Technology Co.,Ltd. Country or region after: China Address before: 21-1, Building 028, Building 5, No. 15, Lane 587, Juxian Road, High tech Zone, Yinzhou District, Ningbo City, Zhejiang Province, 315000 Patentee before: Ningbo Landa Engineering Technology Co.,Ltd. Country or region before: China |