【技術實現步驟摘要】
本專利技術屬于橋梁健康監測領域，涉及橋梁動態稱重，具體涉及一種基于時序深度學習網絡的橋梁動態稱重識別方法。
技術介紹
1、橋梁動態稱重技術將橋梁視作“秤”，利用車輛過橋產生的橋梁響應識別車輛靜荷載。該技術對于監測橋梁健康狀態，監控車輛超載現象都具有重要的意義。
2、然而，橋梁動態稱重技術依舊難以在工程實際中應用，其主要原因在于無法準確感知橋面上車輛的實時空間坐標，進而也難以識別多車輛工況下的車輛靜荷載，這導致工程實際中難以運用影響線方法識別車輛的靜荷載。雖然現已有基于神經網絡的算法能夠無需車輛空間位置即可實現車輛靜荷載的識別，但這類方法目前僅停留在數值仿真和實驗室試驗條件下，要實現車輛靜荷載識別的工程應用，仍需要進一步研究。
技術實現思路
1、專利技術目的：為了克服現有技術中存在的不足，提供一種基于時序深度學習網絡的橋梁動態稱重識別方法，能夠準確從車致橋梁位移中估計車輛信息，且無需先驗獲取車輛空間坐標信息。
2、技術方案：為實現上述目的，本專利技術提供一種基于時序深度學習網絡的橋梁動態稱重識別方法，包括如下步驟：
3、s1：進行數據統計，得到車輛荷載譜；
4、s2：根據車輛荷載譜，利用蒙特卡洛隨機抽樣技術，抽取車輛信息樣本，形成隨機車流信息；
5、s3：建立橋梁有限元模型并修正；
6、s4：根據隨機車流中單輛車的車輛信息，基于修正后的橋梁有限元模型建立車橋耦合模型，利用車橋耦合模型模擬車輛過橋的橋梁響應，建立車
7、s5：搭建神經網絡框架，基于車輛信息映射橋梁響應數據集訓練神經網絡，得到車輛信息識別的代理模型；
8、s6：利用代理模型從實測的車致橋梁響應中識別車輛信息。
9、進一步地，所述步驟s1中采用當地相同類型的橋梁的動態稱重系統數據進行統計，統計內容包括車道、車型、車速、車軸荷載、軸距和車輛時距。
10、進一步地，所述步驟s3中根據監測橋梁的圖紙建立橋梁的有限元模型，根據橋梁現場模態測試的模態參數修正有限元模型。
11、進一步地，所述步驟s4中車橋耦合模型中車橋耦合系統的動力方程為：
12、
13、其中，mb、cb和kb分別為橋梁模型的質量、阻尼和剛度矩陣，可通過有限元軟件建模得到；和yb分別為橋梁的加速度、速度和位移向量；mv、cv和kv分別為車輛模型的質量、阻尼和剛度矩陣；cvb、cbv、和cbb為耦合的阻尼矩陣；kvb、kbv、和kbb為耦合的剛度矩陣；fv和fb分別是車橋耦合系統的車輛荷載分量和橋梁荷載分量。
14、進一步地，所述步驟s5中采用卷積神經網絡搭建橋梁動態稱重技術框架，該網絡框架接受來自車致橋梁響應信號作為輸入，對每個樣本執行歸一化，通過卷積層，剩余塊，池化層等層塊提取信號特征，從橋梁響應的中分辨出車輛信息。
15、有益效果：本專利技術與現有技術相比，能通過修正后的有限元數值模型，模擬車輛信息映射橋梁響應的數據集，利用該數據集生成神經網絡的代理模型，最后利用該模型從實測的車致橋梁響應中識別車輛。該方法由于通過時序深度學習網絡訓練，無需提取車輛的實時空間坐標，即可自適應從橋梁橋梁響應中識別車輛軸數、車軸靜重、所在車道和車輛速度。
本文檔來自技高網...【技術保護點】
1.一種基于時序深度學習網絡的橋梁動態稱重識別方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于時序深度學習網絡的橋梁動態稱重識別方法，其特征在于，所述步驟S1中采用當地相同類型的橋梁的動態稱重系統數據進行統計，統計內容包括車道、車型、車速、車軸荷載、軸距和車輛時距。
3.根據權利要求1所述的一種基于時序深度學習網絡的橋梁動態稱重識別方法，其特征在于，所述步驟S3中根據監測橋梁的圖紙建立橋梁的有限元模型，根據橋梁現場模態測試的模態參數修正有限元模型。
4.根據權利要求1所述的一種基于時序深度學習網絡的橋梁動態稱重識別方法，其特征在于，所述步驟S4中車橋耦合模型中車橋耦合系統的動力方程為：
5.根據權利要求1所述的一種基于時序深度學習網絡的橋梁動態稱重識別方法，其特征在于，所述步驟S5中采用卷積神經網絡搭建橋梁動態稱重技術框架，該網絡框架接受來自車致橋梁響應信號作為輸入，對每個樣本執行歸一化，通過層塊提取信號特征，從橋梁響應的中分辨出車輛信息。
6.根據權利要求5所述的一種基于時序深度學習網絡的橋梁動態稱重
7.根據權利要求3所述的一種基于時序深度學習網絡的橋梁動態稱重識別方法，其特征在于，所述步驟S3中有限元模型的修正方式為：通過修改結構的剛度、質量和約束條件，使模型與實橋具有相同的自振頻率。
...【技術特征摘要】
1.一種基于時序深度學習網絡的橋梁動態稱重識別方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于時序深度學習網絡的橋梁動態稱重識別方法，其特征在于，所述步驟s1中采用當地相同類型的橋梁的動態稱重系統數據進行統計，統計內容包括車道、車型、車速、車軸荷載、軸距和車輛時距。
3.根據權利要求1所述的一種基于時序深度學習網絡的橋梁動態稱重識別方法，其特征在于，所述步驟s3中根據監測橋梁的圖紙建立橋梁的有限元模型，根據橋梁現場模態測試的模態參數修正有限元模型。
4.根據權利要求1所述的一種基于時序深度學習網絡的橋梁動態稱重識別方法，其特征在于，所述步驟s4中車橋耦合模型中車橋耦合系統的動力方程為...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。