详情

原文传递基于深度迁移学习的桥梁移动荷载识别研究

论文题名：	基于深度迁移学习的桥梁移动荷载识别研究
关键词：	桥梁工程;移动荷载;深度卷积神经网络;迁移学习
摘要：	桥梁是公路的咽喉，是交通运输互联互通的关键节点，在国民社会经济发展中发挥着重要的作用。桥梁在服役期间承受的最主要外部荷载是由车辆所引起的移动荷载。在长期的移动荷载（尤其是超重车辆）作用下，桥梁结构极其容易造成损伤累计、损伤加重，甚至在极端情况下会引发灾难性事故。尽管桥梁动态称重系统是一种较为直接和简便的测量方式，但由于其昂贵的硬件设施和繁琐的维护工作，导致其普及程度不高。因此，利用比较容易获得的桥梁响应或车辆响应更快速、准确地识别桥梁上的移动荷载，及时对超限车辆进行监控预警，对于提升桥梁的管养水平、保障桥梁的运营安全，具有重要的科学研究意义与工程应用价值。　　本文围绕桥梁移动荷载的快速准确识别需求，采用理论分析、算法开发、数值模拟、实桥验证等研究手段，结合深度卷积神经网络以及迁移学习策略，开展了基于深度迁移学习的桥梁移动荷载识别方法研究。本文的主要研究内容与结论如下：　　（1）提出了基于深度卷积神经网络和迁移学习的桥梁移动荷载识别方法。首先，将桥梁移动荷载识别问题转化为移动荷载参数的分类任务；其次，将桥梁的动态响应数据转化为时频图像作为输入样本；然后，基于迁移学习理论，将预训练好的深度卷积神经网络模型的浅层特征提取能力迁移到移动荷载识别任务上，基于对输入样本深层特征的学习，实现桥梁移动荷载参数的识别。最后，基于最优模型开展了输入敏感性分析。结果表明：在车速识别和车重识别任务中，VGG16、AlexNet、ResNet和MobileNetV2模型对测试集的识别率都在94%以上；与VGG16、AlexNet、ResNet相比，轻量级卷积神经网络MobileNetV2的训练时间减少了50%以上，车重识别速度提高了42.2%，车速识别速度提高了50%；在进行车辆速度识别时，加速度样本输入的识别效果优于速度和位移输入的识别效果；在进行车辆重量识别时，位移样本输入的识别效果优于加速度和速度输入的识别效果。　　（2）开展了基于深度卷积神经网络和迁移学习的桥梁移动荷载识别方法影响因素分析。首先，建立参数化的数值模型，通过参数化的数值模拟来更改不同参数信息；然后，获取不同参数工况下的桥梁动态响应数据并转化为时频图像样本；最后，通过迁移学习理论利用深度卷积神经网络来对时频图像样本进行特征学习，并对移动荷载参数进行识别。结果表明：路面不平整度等级越高，路面越粗糙，模型对车速、车重信息识别准确率越低；随着测点数量的减少，该方法对车速、车重信息的识别准确率基本不变；随着桥梁跨径增加、样本数据中的信噪比增大、样本分类数增多，模型识别准确率降低。　　（3）基于深度卷积神经网络和迁移学习的桥梁移动荷载识别方法的实桥验证。首先，让加载车辆以不同车速行驶通过试验桥面，通过传感器来采集桥梁的加速度时程数据；然后，将采集的加速度时程数据通过连续小波变换转换为时频图像构造样本库；最后，结合迁移学习理论利用轻量级卷积神经网络MobileNetV2来对时频图像样本进行特征学习，利用训练后的模型对测试集样本进行分类，以此对车速信息进行识别。结果表明，基于 MobileNetV2 和迁移学习的桥梁移动荷载识别方法在两座实桥的荷载试验中对车速识别准确率分别为88.33%和85.00%，能够较为准确地识别移动荷载信息。
作者：	覃怡伦
专业：	土木工程
导师：	杨先一;周建庭
授予学位：	硕士
授予学位单位：	重庆交通大学
学位年度：	2023