基于钢-砼组合梁样本数据的桥梁安全状态评价方法探索
发布时间：2021-10-10 22:04
本文依托导师主持的国家自然科学基金面上项目“基于影像轮廓线叠差分析获取桥梁全息变形及结构状态演绎方法探索（51778094）”,借助机器学习构建监测数据与桥梁安全状态之间的映射关系,尝试将机器学习与桥梁结构长期健康监测进行结合,对机器学习在桥梁安全状态识别中的应用开展了相关研究。主要研究内容如下。1、基于原始数据相似度矩阵的钢桁混凝土组合梁训练数据样本繁衍方法研究在实验室内设计并制作缩尺的钢桁-混凝土组合梁试件,对多种损伤工况下的钢桁-混凝土组合梁开展静载试验,获取试验梁的挠度数据和杆件的应变数据。提出了基于协方差矩阵的训练样本相似度算法,根据训练样本相似度矩阵的正态分布特征,提出基于置信区间的训练样本数据繁衍准则。研究具备离散数据处理能力的生成对抗神经网络,建立了由生成网络和判别网络共同组成的生成对抗神经网络系统。利用数据繁衍准则和生成对抗神经网络,人工生成了各损伤工况下的挠度和应变数据。2、基于变形（应变,挠度）数据样本的桥梁损伤识别方法研究针对组合梁试件挠度和应变数据特征,构建BP（Back propagation）神经网络架构,选择适合于机器理解结构力学非线性行为的sigmoi...
【文章来源】：重庆交通大学重庆市
【文章页数】：149 页
【学位级别】：硕士
【部分图文】：
近年来典型
第一章绪论第一章绪论1.1研究背景及意义随着社会经济的高速发展，人们对交通的依赖程度日益突出，桥梁安全是道路畅通的重要保障，任何阻碍和中断交通所造成的损失都远非工程本身造价所能比拟。桥梁结构的安全检查包括三年一次的定期检测和每月不少于一次的桥梁结构经常性巡检。对于第二种桥梁结构经常性安全检查而言，往往是通过巡检工人对桥面或是桥梁立面开展人工肉眼巡查，亦或是借助望远镜远距离观察桥面。这种巡检方式难以避免的带来一个问题就是，针对量大面广的常规桥梁，由于管养从业人员的数量、素质、经费及手段的限值，往往是有其形而少其实，难以及时发现桥梁结构的安全隐患。这一情况不仅在我国，包括西方发达国家在内的世界各国均普遍存在，致近年来国内外桥梁坍塌事故逐趋频发，如图1.1所示。传统以人工视觉巡查为主的桥梁经常性安全检查缺乏量化的科学依据，难以达到及时发现桥梁结构安全隐患的实效。(a)台湾高屏大桥(b)盘锦田庄台辽河大桥(c)攀枝花倮果大桥图1.1近年来典型的桥梁坍塌事故因此，为提高特大型或特重要桥梁运营安全的可靠性，国内目前大量采用对桥梁安装结构长期健康监测系统，即在桥梁结构的关键点安装相应类型的传感器（如图1.2所示），以获取结构在相应点的位移、应变、索力、加速度、倾斜度等动静力响应数据，还可安装计重器、交通视频监测器、温湿度计等以获得桥梁的直接和环境作用数据，并以无线或有线方式传输至终端进行分析处理，使桥梁的安全状态评价具有量化的科学依据，并可实时监测桥梁运营及结构状况，比传统的人工肉眼巡查具有突出的优势。显然，所采用传感器的数量越多、质量越高，所获得桥梁的输入及输出信息越全面和可靠，监测评价结果越准确。
重庆交通大学硕士学位论文图1.2桥梁远程健康监测系统然而在实际桥梁结构健康监测过程中，目前存在“重系统构建，轻系统应用；重数据收集、轻数据分析”的问题，即目前上述桥梁远程健康监测系统的应用还存在盲区，对系统传回的海量数据还显得“心有余而力不足”，导致这样的原因本文分析有四点：第一，桥梁结构受制于其复杂的地貌环境，施工过程存在很大的不确定性，施工质量把控相对而言也比较难，这一施工特点导致桥梁结构成型后与结构设计状态存在较大的差别，这也是桥梁结构数值模拟很难真实反映结构本身安全状态的关键原因之一，也是桥梁就结构安全状态识别领域目前存在的技术瓶颈。因此，大部分桥梁结构的实测数据还不能直接与有限元模型相结合来判断结构的安全状态。第二，桥梁本身是由复合材料组成的各向异性的复杂结构体系，大部分桥梁还是超静定结构，这就导致桥梁结构的空间受力状态复杂，不同损伤部位对结构监测数据的表征敏感度不尽相同，很难通过单一的监测结果就能反映出结构的损伤特性，但是盲目的增加传感器的数量和监测位置又会导致监测成本剧增。第三点也是最重要的一点，目前桥梁结构健康监测设备的硬件技术还不尽成熟，监测设备普遍存在噪声高和寿命与桥梁结构寿命不匹配的问题。桥梁结构健康监测设备传回的数据带有大量的噪声这已经成为结构健康监测需要解决的首要问题，甚至往往对降噪投入的精力大于了结构健康监测本身，监测传感器的降噪技术虽然有很多成果和创新，但是噪声会掩盖结构损伤信号，为桥梁结构损伤识别带来困扰已是不争的事实。另一方面，传感器的寿命无法与桥梁结构动辄几十年的寿命周期相匹配，监测的精度会随着结构服役年限的增加不断降低，回传数据质量不佳也是导致监测数据在结构损伤识别中应用困难?
【参考文献】：
期刊论文
[1]基于支持向量机和改进BP神经网络的路基边坡稳定性研究[J]. 史笑凡,杨春风,王可意. 公路交通科技. 2019(01)
[2]基于生成对抗网络的遮挡图像修复算法[J]. 曹志义,牛少彰,张继威. 北京邮电大学学报. 2018(03)
[3]结合地震易损性分析的桥梁地震损伤识别[J]. 单德山,周筱航,杨景超,李乔. 振动与冲击. 2017(16)
[4]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[5]深度学习研究综述[J]. 尹宝才,王文通,王立春. 北京工业大学学报. 2015(01)
[6]基于静力应变及遗传优化神经网络的城市立交桥梁损伤识别[J]. 宫亚峰,程永春,焦峪波. 吉林大学学报(工学版). 2011(S2)
[7]基于模态曲率理论及神经网络的简支梁桥损伤识别[J]. 刘寒冰,焦峪波,程永春,宫亚峰. 吉林大学学报(工学版). 2011(04)
[8]铁路桥梁损伤的统计模式识别[J]. 单德山,付春雨,李乔. 桥梁建设. 2011(01)
[9]基于支持向量机的静力损伤识别方法[J]. 付春雨,单德山,李乔. 中国铁道科学. 2010(05)
[10]基于模糊聚类和支持向量机的损伤识别方法[J]. 冉志红,李乔. 振动工程学报. 2007(06)
硕士论文
[1]基于异常变形的钢—砼组合梁损伤识别试验研究[D]. 雷杨崑.重庆交通大学 2018
[2]基于深度学习理论的桥梁损伤识别研究[D]. 谢祥辉.西南交通大学 2018
[3]对话生成的对抗学习的研究[D]. 张海平.华中师范大学 2018
[4]基于CloudStack云平台的神经网络分类器的设计与实现[D]. 吕俊蒙.北京交通大学 2015
[5]基于支持向量机的梁桥损伤识别[D]. 孙卫泉.西南交通大学 2008
[6]基于特征融合与神经网络的手写体数字识别技术研究[D]. 袁氢.武汉科技大学 2007
[7]有限元模型修正技术在桥梁工程中的应用研究[D]. 陈宇.西南交通大学 2006
本文编号：3429232
【文章来源】：重庆交通大学重庆市
【文章页数】：149 页
【学位级别】：硕士
【部分图文】：
近年来典型
第一章绪论第一章绪论1.1研究背景及意义随着社会经济的高速发展，人们对交通的依赖程度日益突出，桥梁安全是道路畅通的重要保障，任何阻碍和中断交通所造成的损失都远非工程本身造价所能比拟。桥梁结构的安全检查包括三年一次的定期检测和每月不少于一次的桥梁结构经常性巡检。对于第二种桥梁结构经常性安全检查而言，往往是通过巡检工人对桥面或是桥梁立面开展人工肉眼巡查，亦或是借助望远镜远距离观察桥面。这种巡检方式难以避免的带来一个问题就是，针对量大面广的常规桥梁，由于管养从业人员的数量、素质、经费及手段的限值，往往是有其形而少其实，难以及时发现桥梁结构的安全隐患。这一情况不仅在我国，包括西方发达国家在内的世界各国均普遍存在，致近年来国内外桥梁坍塌事故逐趋频发，如图1.1所示。传统以人工视觉巡查为主的桥梁经常性安全检查缺乏量化的科学依据，难以达到及时发现桥梁结构安全隐患的实效。(a)台湾高屏大桥(b)盘锦田庄台辽河大桥(c)攀枝花倮果大桥图1.1近年来典型的桥梁坍塌事故因此，为提高特大型或特重要桥梁运营安全的可靠性，国内目前大量采用对桥梁安装结构长期健康监测系统，即在桥梁结构的关键点安装相应类型的传感器（如图1.2所示），以获取结构在相应点的位移、应变、索力、加速度、倾斜度等动静力响应数据，还可安装计重器、交通视频监测器、温湿度计等以获得桥梁的直接和环境作用数据，并以无线或有线方式传输至终端进行分析处理，使桥梁的安全状态评价具有量化的科学依据，并可实时监测桥梁运营及结构状况，比传统的人工肉眼巡查具有突出的优势。显然，所采用传感器的数量越多、质量越高，所获得桥梁的输入及输出信息越全面和可靠，监测评价结果越准确。
重庆交通大学硕士学位论文图1.2桥梁远程健康监测系统然而在实际桥梁结构健康监测过程中，目前存在“重系统构建，轻系统应用；重数据收集、轻数据分析”的问题，即目前上述桥梁远程健康监测系统的应用还存在盲区，对系统传回的海量数据还显得“心有余而力不足”，导致这样的原因本文分析有四点：第一，桥梁结构受制于其复杂的地貌环境，施工过程存在很大的不确定性，施工质量把控相对而言也比较难，这一施工特点导致桥梁结构成型后与结构设计状态存在较大的差别，这也是桥梁结构数值模拟很难真实反映结构本身安全状态的关键原因之一，也是桥梁就结构安全状态识别领域目前存在的技术瓶颈。因此，大部分桥梁结构的实测数据还不能直接与有限元模型相结合来判断结构的安全状态。第二，桥梁本身是由复合材料组成的各向异性的复杂结构体系，大部分桥梁还是超静定结构，这就导致桥梁结构的空间受力状态复杂，不同损伤部位对结构监测数据的表征敏感度不尽相同，很难通过单一的监测结果就能反映出结构的损伤特性，但是盲目的增加传感器的数量和监测位置又会导致监测成本剧增。第三点也是最重要的一点，目前桥梁结构健康监测设备的硬件技术还不尽成熟，监测设备普遍存在噪声高和寿命与桥梁结构寿命不匹配的问题。桥梁结构健康监测设备传回的数据带有大量的噪声这已经成为结构健康监测需要解决的首要问题，甚至往往对降噪投入的精力大于了结构健康监测本身，监测传感器的降噪技术虽然有很多成果和创新，但是噪声会掩盖结构损伤信号，为桥梁结构损伤识别带来困扰已是不争的事实。另一方面，传感器的寿命无法与桥梁结构动辄几十年的寿命周期相匹配，监测的精度会随着结构服役年限的增加不断降低，回传数据质量不佳也是导致监测数据在结构损伤识别中应用困难?
【参考文献】：
期刊论文
[1]基于支持向量机和改进BP神经网络的路基边坡稳定性研究[J]. 史笑凡,杨春风,王可意. 公路交通科技. 2019(01)
[2]基于生成对抗网络的遮挡图像修复算法[J]. 曹志义,牛少彰,张继威. 北京邮电大学学报. 2018(03)
[3]结合地震易损性分析的桥梁地震损伤识别[J]. 单德山,周筱航,杨景超,李乔. 振动与冲击. 2017(16)
[4]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[5]深度学习研究综述[J]. 尹宝才,王文通,王立春. 北京工业大学学报. 2015(01)
[6]基于静力应变及遗传优化神经网络的城市立交桥梁损伤识别[J]. 宫亚峰,程永春,焦峪波. 吉林大学学报(工学版). 2011(S2)
[7]基于模态曲率理论及神经网络的简支梁桥损伤识别[J]. 刘寒冰,焦峪波,程永春,宫亚峰. 吉林大学学报(工学版). 2011(04)
[8]铁路桥梁损伤的统计模式识别[J]. 单德山,付春雨,李乔. 桥梁建设. 2011(01)
[9]基于支持向量机的静力损伤识别方法[J]. 付春雨,单德山,李乔. 中国铁道科学. 2010(05)
[10]基于模糊聚类和支持向量机的损伤识别方法[J]. 冉志红,李乔. 振动工程学报. 2007(06)
硕士论文
[1]基于异常变形的钢—砼组合梁损伤识别试验研究[D]. 雷杨崑.重庆交通大学 2018
[2]基于深度学习理论的桥梁损伤识别研究[D]. 谢祥辉.西南交通大学 2018
[3]对话生成的对抗学习的研究[D]. 张海平.华中师范大学 2018
[4]基于CloudStack云平台的神经网络分类器的设计与实现[D]. 吕俊蒙.北京交通大学 2015
[5]基于支持向量机的梁桥损伤识别[D]. 孙卫泉.西南交通大学 2008
[6]基于特征融合与神经网络的手写体数字识别技术研究[D]. 袁氢.武汉科技大学 2007
[7]有限元模型修正技术在桥梁工程中的应用研究[D]. 陈宇.西南交通大学 2006
本文编号：3429232
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3429232.html
