详情

原文传递基于大数据分析的桥梁健康状态评估方法研究

论文题名：	基于大数据分析的桥梁健康状态评估方法研究
关键词：	桥梁监测;车辆荷载;深度学习;神经网络
摘要：	桥梁健康监测是为满足桥梁安全运营的需求发展起来的监测技术，旨在对桥梁结构状况进行监测和评估，保障桥梁安全运营。目前我国桥梁健康监测系统已经广泛应用于中大型桥梁的运维管理中。但是现存的桥梁健康监测系统尚未满足结构性能和健康状态实时评估和预警方面的需求。本文以江苏沿海高速公路盐城-南通段如皋烈士河大桥为工程背景，运用基于大数据的深度学习方法，构建桥梁多尺度响应非线性映射模型，实现了基于LSTM长短时神经网络技术的桥梁健康状态评估方法损伤预警。主要研究内容及结论如下：　　（1）基于烈士河大桥的WIN桥梁车辆动态称重系统采集到的车辆数据，根据轴数和轴距将车辆分为六种典型车型。对每种车型进行轴重和车速的统计分析，使用基于极大似然估计的EM算法和K-S检验方法对实测轴重数据和车速数据进行概率密度分布分析和拟合，得到通行车辆概率密度分布模型。针对烈士河大桥的结构形式，运用通用大型有限元计算软件ANSYS，采用梁格法对烈士河大桥进行有限元建模，构建烈士河大桥空间计算模型。对ANSYS有限元模型施加总数量为1000次的随机车辆荷载进行独立瞬态分析计算，得到了1000辆随机车辆在随机车速下行驶过大桥的局部响应数据和全局响应数据。通过得到的大量局部响应数据和全局响应数据构建数据集，为下文进行LSTM神经网络训练和验证提供数据支撑。　　（2）考察了烈士河大桥3个月采集到的动应变数据和动位移数据，采用小波包分解与重构的方法，分离温致应变和车致应变，并将温致应变剔除，得到车致应变。采用LSTM长短时神经网络技术，运用其对时间序列数据的优越处理性能，构建烈士河大桥多尺度响应非线性映射模型。多尺度数据选用烈士河大桥梁底纵向车致动应变作为车致荷载结构输入下的局部响应，竖向动位移作为相同结构输入下的全局响应。选取单维车致动应变数据作为输入，单维动位移作为输出。将全部数据集按90%∶9%∶1%的比例构建训练集、验证集和测试集。使用训练集进行训练，通过验证集校验模型是否通过，如果不通过则调整模型超参数重复训练，最终得到通过验证集校验的模型，再使用测试集检验模型性能。通过上述流程，单对单非线性映射模型的测试集Ta保持在0.0198，远低于控制上限0.075。采用相同流程训练多对多映射模型，利用测试集对其性能进行检验。多对多模型的回归预测偏差相较于单对单模型更小，模型性能明显优于单对单模型，其测试集平均Ta保持在0.0102，Ta较单对单模型减少48%；R2保持在0.9610，R2较单对单模型增加13%。这证明多维输入数据联合训练，能得到比仅对单维数据进行训练的模型具备更高准确率和稳定性的映射模型。　　（3）基于LSTM长短时神经网络方法，运用无损条件下烈士河大桥有限元数值模拟计算所得动应变和动位移数据，构建数值模拟条件下LSTM多尺度非线性映射模型。模型所得Ta仅为0.0133，验证了深度学习方法针对有限元数值计算所得响应数据依然适用。之后对烈士河大桥有限元模型跨中1m范围刚度折减20%，得到大桥损伤有限元模型。此时结构固有频率的下降幅度仅为0.02%，各梁跨中动位移在损伤后增加幅度最大仅为2.87%。在损伤模型上使用随机车辆荷载进行多次独立瞬态分析，产生损伤模型条件下局部响应和全局响应数值模拟数据集。在运用无损数值模拟模型局部响应和全局响应构建完成的无损LSTM模型上，输入损伤模型条件下的局部响应，对比损伤条件下的预测全局响应和实测全局响应，Ta平均涨幅可达256.03%，可以明显识别出该损伤结构产生的全局响应与预测全局响应之间的巨大偏差。这表明通过LSTM神经网络技术能够判断结构是否发生损伤。构建了一种基于PCA的桥梁健康状态评估损伤预警特征指标，当模拟桥梁结构发生轻微损伤时，根据模拟数据生成的多尺度非线性映射模型，通过五条箱梁跨中截面局部响应生成预测全局响应，计算预测全局响应和实测全局响应的绝对残差。对绝对残差进行主成分分析，选取其中贡献率占比超过85%的主成分，计算其T2统计量和SPE统计量，进而计算其综合指标。当结构没有发生损伤时，该指标有小幅波动，峰值最大为43.68；而当结构发生轻微损伤时，该指标发生剧烈振动，波峰最大为965.15。这表明该损伤预警特征指标能够敏感探知结构发生的轻微损伤。同时计算实测条件下的损伤预警特征指标，发现实测条件下该指标仅发生小幅波动，波动峰值最大为6.93，验证了在实际桥梁结构未发生影响结构健康状况的损伤破坏时，该指标能够保持稳定。因此在本文提出的桥梁健康状态评估计算方法框架内，将综合指标作为桥梁损伤预警特征指标，具备其应当具备的敏感性能和稳定性能。
作者：	董逸轩
专业：	建筑与土木工程
导师：	丁幼亮;夏叶飞
授予学位：	硕士
授予学位单位：	东南大学
学位年度：	2021