原文传递
基于机器学习的公路桥梁车流荷载监测方法研究
| 论文题名： | 基于机器学习的公路桥梁车流荷载监测方法研究 |
| 关键词： | 公路桥梁;车流荷载;实时监测;机器学习 |
| 摘要： | 数量极其庞大的中小跨径桥梁面对日益剧增的交通荷载存在难以忽视的安全风险，对路网桥梁车流荷载进行不干扰交通的实时监测具有重要意义，目前发展路面动态称重技术和桥梁动态称重技术仍然需要深入研究发展。本文从机器学习方法出发，采用不同的神经网络模型，针对不同场景下的公路桥梁发展出三套效率高、精度好的桥梁车流荷载识别方法，主要研究内容及成果包括： (1) 针对于高速公路桥梁在车流荷载识别的需求，本文提出了一套基于摄像视频与ETC数据融合的高速公路车辆荷载识别方法。首先，采用YOLOv5和DeepSORT算法实现了包括车辆轮廓、车辆轮胎、车辆头部和车辆牌照的多目标检测与追踪，在实桥应用中检测精度高达90%，在考虑视频帧的连续识别准确率可以达到100%；通过路面反光点建立了图像坐标自动校准方法，对于纵向和横向位置的最大相对误差分别为 5.1%和4.5%；通过LPRNet对车牌字符进行识别，并与ETC系统记录车牌信息进行模糊匹配，通过设定合适的字符匹配精度可以达到近95%准确率；根据车牌字符关联的车辆重量，采用KNN算法推定车辆轴重。工程案例应用表明，本方法可以比较准确得再现车流荷载在桥面的分布，根据识别车流荷载计算的桥梁响应与监测响应具有很好吻合。 (2) 针对于缺乏ETC的普通公路桥梁在车流荷载识别的需求，提出了一套基于GAN的BWIM方法框架，通过由GAN衍生出来的变体网络结构GAN-Autoencoder以及基于生成对抗机制的网络结构分别实现了对桥梁影响线和车辆轴重的动态识别，并通过车桥耦合动力数值分析算法验证所提出网络架构对影响线和车辆轴重的识别效果。与传统的Moses算法和基于物理约束下的GAN结构进行对比论证，无论在车辆总重和轴重上，基于对抗生成机制的轴重识别网络相较于传统Moses算法和基于物理约束下的GAN识别精度都要更高，在B级粗糙度下，所提出方法对于不同车重，不同速度，不同轴距的车辆，识别轴重的最高相对误差为13.04%，总重最高相对误差为1.41%，对于总重的识别误差基本在1%以内。 (3) 针对多组未明确车重的车致桥梁响应，本文提出了一套基于迁移学习的桥梁动态称重方法，该方法通过采用 DANN 实现了能够从不同桥梁响应数据中进行车辆的轴重识别，并通过改进后的MSCA程序验证所提出网络对车辆轴重的识别效果，与不同数据量下进行训练迁移以后的神经网络对不同的桥梁应变数据进行轴重和总重预测并对比论证，DANN模型对于大型车辆的识别精度相当于采用源域数据集30%-40%大小的训练数据对预训练模型进行训练以后的迁移学习网络模型。 |
| 作者： | 李钜泽 |
| 专业： | 土木工程 |
| 导师： | 周军勇;黄海云 |
| 授予学位： | 硕士 |
| 授予学位单位： | 广州大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
