CN114943108B - 考虑多因素的公轨两用悬索桥吊索疲劳智能化预测方法 - Google Patents
考虑多因素的公轨两用悬索桥吊索疲劳智能化预测方法 Download PDFInfo
- Publication number
- CN114943108B CN114943108B CN202210570358.2A CN202210570358A CN114943108B CN 114943108 B CN114943108 B CN 114943108B CN 202210570358 A CN202210570358 A CN 202210570358A CN 114943108 B CN114943108 B CN 114943108B
- Authority
- CN
- China
- Prior art keywords
- fatigue
- sling
- vehicle
- traffic flow
- bridge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 239000000725 suspension Substances 0.000 title claims abstract description 64
- 230000006378 damage Effects 0.000 claims abstract description 83
- 230000009471 action Effects 0.000 claims abstract description 58
- 230000000694 effects Effects 0.000 claims abstract description 25
- 230000002411 adverse Effects 0.000 claims abstract description 9
- 230000002354 daily effect Effects 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 230000003203 everyday effect Effects 0.000 claims description 8
- 230000002349 favourable effect Effects 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 7
- 208000027418 Wounds and injury Diseases 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 208000014674 injury Diseases 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 239000000969 carrier Substances 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000002301 combined effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 13
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002226 simultaneous effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Neurology (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了考虑多因素的公轨两用悬索桥吊索疲劳智能化预测方法,属于桥梁技术领域,包括以下步骤:基于实测交通流量确定疲劳标准车模型;模拟多种荷载对吊索的作用;悬索桥吊索疲劳损伤分析;选择模型预测公路车流量;基于车流预测的悬索桥吊索剩余寿命评估。本发明方法考虑了超大型预制构件运输车对悬索桥吊索疲劳损伤的影响,疲劳损伤分析结果会更加可靠;考虑风荷载、车辆荷载和轨道荷载同时作用以及多车道效应、双轨道效应和荷载作用顺序等多因素影响来评估桥梁疲劳损伤,分析方式更贴合实际情况,预测结果更加精准。对轨道疲劳标准车选取,风荷载作用以及车轨同时作用时都是以最不利的情况进行考虑,得到的结果更加安全。
Description
技术领域
本发明涉及桥梁技术领域,尤其涉及考虑多因素的公轨两用悬索桥吊索疲劳智能化预测方法。
背景技术
随着桥梁建造技术的发展,目前越来越多的公轨两用桥投入使用,已有的公轨两用悬索桥公轨交通分开,一般是上层公路下层轨道,未出现下层同时存在公路交通和轨道交通的形式。该方法在进行公轨两用悬索桥的吊索疲劳分析时,考虑了U公路-D轻轨、U公路-D(公路+轻轨)两种不同类别的公轨两用悬索桥,其中U,D分别代表上层和下层。
对于成桥运营来说,悬索桥吊索部位的疲劳问题不可避免。虽然悬索桥吊索平行钢丝的强度不断提高,但这会导致钢丝的延性变差,脆性增加,抗疲劳性能变差,易发生疲劳断裂等问题。
市区内公轨两用悬索桥的运营需求大,而且交通流量不断增加,车辆和轨道等活载对吊索中平行钢丝的不良影响日益增加,因此悬索桥吊索的疲劳问题应得到足够的重视。
已有研究中,很少有同时考虑风荷载、车辆和轨道多种因素同时作用对桥梁疲劳的影响。随着公轨两用悬索桥跨度增加,桥梁刚度降低,柔性增大,对外界激励更加敏感,因此需要考虑高频率作用的外界激励同时作用在桥梁上对疲劳性能的影响。对多因素作用下的悬索桥吊索疲劳分析能够得到更符合工程实际的疲劳预测模型,保证桥梁运营安全,并为桥梁关键部位的监测和养护提供参考依据,具有实际的工程意义。
现有的大部分技术都是利用当前交通流量对未来交通流量进行一次性预测。但是这种预测具有一定的时效性,不能达到根据实际情况更新,实时联动的效果。本发明中提出了利用卷积神经网络模型对未来的车流进行预测,并通过不断累积的数据库对模型进行及时优化,实现动态预测的效果。
发明内容
基于背景技术存在的技术问题,本发明提出了考虑多因素的公轨两用悬索桥吊索疲劳智能化预测方法,通过悬索桥吊索在车荷载、轨道荷载以及风荷载共同作用下的响应数据,实现对悬索桥吊索的疲劳损伤评估,并比选出最优的卷积神经网络模型获取未来车流信息,预测吊索的剩余疲劳寿命。
本发明采用的技术方案是:
考虑多因素的公轨两用悬索桥吊索疲劳智能化预测方法,其特征在于,包括以下步骤:
步骤1:基于实测交通流量确定疲劳标准车模型;
步骤2:模拟多种荷载对吊索的作用;
步骤3:悬索桥吊索疲劳损伤分析;
步骤4:选择模型预测公路车流量;
步骤5:基于车流预测的悬索桥吊索剩余寿命评估。
进一步地,步骤1所述的基于实测交通流量确定疲劳标准车模型,具体步骤为:
(1.1)在桥梁上安装多个智能摄像头,采集车辆实时图像,并将图像以帧为单位储存在***中;利用计算机视觉技术采用基于R-FCN的车辆识别网络监测车流信息并识别车辆类型(根据桥梁设计车型种类,按照车辆特征将其分为轿车、小客车、大客车、小货车、中货车、大货车等六种类型);
(1.2)由(1.1)可获得各种车型的车流量并按照设计标准选取各类型车辆的标准轴重;因为一些大型预制构件运输车的轴重会超出桥梁初始设计车型轴重的限制,而其高度却依然满足通过要求,所以本方法外加一种大型预制构件运输车类型的识别并获取其轴重数据;
(1.3)根据我国交通部门调查分析,能在城市繁华地段大桥引起疲劳损伤的车辆比例在10%左右。所以本方法只考虑所有车流数据中单车轴重前10%的车辆。按照疲劳损伤等效原理,以考虑车流总轴重等效的方式计算公路疲劳标准车荷载;ai(i=1,2,…,7)依次代表大型预制构件运输车、大货车、大客车、中货车、小货车、小客车和轿车的车流量占比;由计算总轴重前10%的车辆种类数n,且n为满足条件的最大整数值;然后对ai进行重新取值得到a'i,当i<n时,a'i取其对应车型的车流量占比,当i=n时,令/>当i>n时,取a'i=0;
公路疲劳标准车等效轴重计算公式如下:
其中,We为等效轴重;mi(i=1,2,…,7)依次代表大型预制构件运输车、大货车、大客车、中货车、小货车、小客车和轿车的标准轴重;
(1.4)确定轨道交通列车通行次数和轨道疲劳标准车形式,由于每次列车经过时乘客数量不同,因此根据监测得到的当日最大轴重作为轨道车载,建立轨道疲劳标准车模型。
进一步地,步骤2所述的模拟多种荷载对吊索的作用,具体步骤为:
(2.1)利用观测塔上得到的当日风荷载数据,计算得到当日的风功率谱密度函数,并进行风速模拟;得到悬索桥吊索各点轴力随时间的变化趋势,获得最不利时间点下的轴力状态;
(2.2)使用ANSYS软件提取各车道和轨道上布置单位移动荷载时的轴力影响线;在(2.1)中的最不利条件下,使用(1.3)和(1.4)中得到的疲劳标准车按影响线加载,从而得到考虑风荷载作用下各车道和轨道下的吊索轴力时程曲线;利用雨流计数法求得悬索桥各吊索的轴力频值谱,从而获取考虑风荷载作用下各车道和轨道加载一次的轴力疲劳幅和轴力循环次数,后续轨道作用选取轴力幅值最大的轨道进行计算;
(2.3)根据当日轨道通行时桥面上正在通行的能引起吊索疲劳损伤的车辆数量,计算出当日能引起车辆和轨道共同作用的概率。计算公式如下:
ω=10q/Q (2)
其中,ω为当日车辆和轨道共同作用的概率;q为轨道通行时当日能引起桥梁疲劳损伤的车次;Q为当日车流量;
将轨道通行时能引起疲劳损伤的车流全部视为在最不利公路车道上通行并与轨道共同作用,由于上下层均有公路车道,所以此时的最不利车道上下层均有可能出现;
(2.4)首先将前面的轴力变化转化为相应的应力变化,考虑车轨同时作用时,应该调整车荷载和轨道荷载作用下两个损伤的和作为其总损伤;将0.1Qω的车流量作为车轨同时作用的加载次数,使用调整系数修正公路和轨道的组合荷载,并通过雨流计数法得到车轨共同作用下的疲劳应力幅;将0.1Q(1-ω)的车流量按各车道能引起疲劳损伤车辆的比例重新分配,得到各个公路车道在考虑风荷载作用下的疲劳标准车车加载次数。
进一步地,步骤3所述的悬索桥吊索疲劳损伤分析,具体步骤为:
(3.1)首先需要对低应力幅做出修正,低应力幅指产生的疲劳应力幅S小于吊索应力幅门坎值Δσ0的应力幅,将低应力幅值转化为1000万次的等效疲劳荷载,计算方式如下:
其中ΔS'为修正的低应力幅等效荷载,ni为各低应力幅的循环次数,ΔSi为各低应力幅值;
然后再按下式换算得到200万次等效荷载应力幅:
其中ΔS200为200万次作用下的等效疲劳荷载应力幅,nj为大于Δσ0的应力幅循环次数,ΔSj为大于Δσ0的应力幅值;
(3.2)利用雨流计数法获取的数据,按(3)和(4)式分别计算出考虑风荷载作用下各车道单独作用以及车轨同时作用200万次的等效疲劳荷载应力幅,记为S'i和S”,i代表不同车道;在桥梁运营过程中存在两条轨道上列车同时经过桥梁的情况,考虑到双轨道组合效应,所以需要将S”除以一个系数k进行修正;
(3.3)根据线性疲劳损伤准则,计算出每日多因素荷载作用下的等效疲劳应力和循环次数,然后得到每日疲劳损伤;对于线性疲劳损伤准则,存在条件∑(ni/Ni)=1,认为不同应力幅对结构作用的先后顺序不影响疲劳寿命,但是实际情况和这种简化假定存在偏差,所以∑(ni/Ni)往往不等于1;在试验中,一般认为这两者的偏差较小,但是为了在理论分析中将这种影响考虑在内,本方法对疲劳损伤整体除以一个系数kc(kc接近1且小于1)。故当日疲劳损伤的计算式如下:
其中,D0为多因素作用下的每日疲劳损伤;σD为悬索桥吊索对应疲劳寿命为200万次的疲劳应力幅。
进一步地,步骤4所述的选择模型预测公路车流量,具体步骤为:
(4.1)由于轨道的发车次数一般是不变的,所以本方法中只进行公路车流量信息预测。桥梁运行一段时间后(比如一年),将每日得到的车流数据按式(6)的形式计入每日车辆类型数量样本集合:
xi=(bi,ci,di,ei,fi,gi,hi)T (6)
其中bi,ci,di,ei,fi,gi,hi分别依次代表每日大型预制构件运输车、大货车、大客车、中货车、小货车、小客车和轿车的数量;i代表天数;
(4.2)使用Python语言进行编程,引入Numpy库导入储存的向量样本,并将向量样本按时间排序分为训练集A、验证集B和测试集C三部分,且满足条件(A+B):C=8:2和A:B=8:2;将训练集中的数据以(xl+1,xl+2,…xl+n)(l=0,1,2…且n为训练集样本数的80%)为输入,xl+n+1为输出来训练DST-ResNet、Deep-CNN和CNN-LSTM三个模型;
(4.3)训练过程采反向传播算法。反向传播网络计算示意图如图2所示。l-1层为第一层,输入x=(x1,x2,...,xn);l层为第二层,L1为相应层中所有的神经元,为l层中第j个神经元的净激活值,f为激活函数,/>为l层中第j个神经元连接l-1层中第i个神经元的权重,/>则为l层中第j个神经元的阈值;同理,l+1层相对应为Ll+1、/> 即/>l-1层中输入信息则为/>
网络中任意层的前向传播计算公式如下:
其中Wl为权重矩阵。
输出层(第k层)的损失函数定义为:
其中t(j)为给定的实际值;
模型构建完毕后,通过损失由顶层到底层的反向传播对参数进行估计;通过梯度下降法来推导,定义神经元节点的灵敏度为损失对前一层输入的变化率,即:
经过推导可以得到损失函数对各参数的梯度为:
上述式子均在单个节点的基础上推导,对于各层所有节点用矩阵的方式表示为:
运算符⊙表示矩阵或者向量中的对应元素相乘,最终得各层参数的更新公式为:
式中,δl为学习率且η∈(0,1);
(4.4)调整Batchsize、学习率δl和epoch三个超参数;Batch为每一次传进模型的样本量(一般取2n),Batch size值太小时会无法收敛到最优值或者不会收敛,Batch size值太大时会导致训练次数不足,使收敛的时间成本增加;所以,先在各个Batchsize取值下(2,4,8,16,32…)进行相同次数的迭代选取验证集精度最高点,然后再以损失函数为判别指标,选择最优收敛的Batchsize值;在保证损失函数收敛的条件下,得到损失函数随学习率的变化规律,lr取值范围为10-6~10-1,步长为10-0.2,确定最优学习率;当学习率大于最优值时,训练误差会显著提升,当学习率过小时会导致收敛非常缓慢;最后考虑损失函数、验证集精度和综合评价指标(F-Measure)来选取最大epoch值,F-Measure表达式如下:
其中,P为准确率(Persion),R为召回率(Recall),α为参数,取α=1得到当F1较高时能说明方法比较有效;
(4.5)用测试集验证训练好的DST-ResNet、Deep-CNN和CNN-LSTM三个模型,选择预测效果最好的模型作为未来车流信息预测模型。
进一步地,步骤5所述的基于车流预测的悬索桥吊索剩余寿命评估,具体步骤为:
(5.1)由于前面风荷载的作用是按照最不利情况选取,所以在预测吊索剩余疲劳寿命时风荷载的作用取监测历史中的最不利情况;通过前面步骤4获得的预测车流信息,按照步骤1-3的方式计算未来每日的疲劳损伤;将疲劳每日累计损伤和大于悬索桥吊索临界损伤作为终止条件,得到吊索的剩余疲劳寿命;
D≥∑Di+∑Dj (14)
其中,D代表吊索的临界疲劳损伤;Di代表根据实际车流和风荷载计算出的吊索每日疲劳损伤;Dj代表按最不利风荷载和预测车流计算出的吊索未来每日疲劳损伤;i代表桥梁已使用天数;j代表桥梁预测可使用天数;
在桥梁运行中,每天都会得到实际车流和风荷载信息,用实际的车流信息代替预测车流,不断更新式(14)中∑Di的值,从而得到新的j值,这样便可以实现对桥梁吊索剩余疲劳寿命的每日动态预测;
(5.2)存储新获取的每日车流信息,经过一段时间后,将新的更大的样本数据集合再次按照步骤4的方式重新建立模型预测未来车流量,使模型拥有更准确的预测效果。
本发明的优点是:
1、根据实际的交通发展情况,本发明方法考虑了超大型预制构件运输车对悬索桥吊索疲劳损伤的影响,超大型预制构件运输车已应用于实际交通,但已有的疲劳预测中均未考虑到该车型。如果不考虑超大型预制构件运输车辆,则会使其被识别到其他类型的车辆中,导致最后计算出的轴重偏小,同时使按影响线加载后通过雨流计数法得到的应力幅随之变小,最后得到的疲劳损伤也会偏小,存在一定的安全隐患。同时当仅采用能引起桥梁疲劳损伤的车流进行计算时,疲劳损伤分析结果会更加可靠。
2、考虑风荷载、车辆荷载和轨道荷载同时作用以及多车道效应、双轨道效应和荷载作用顺序等多因素影响来评估桥梁疲劳损伤,相比现有的疲劳损伤分析方法考虑的因素更加全面,该疲劳损伤的分析方式更贴合实际情况,预测结果更加精准。
3、由于桥梁上下两层都有公路,所以车轨的共同作用更加频繁,最不利车道也与下层没有公路时不同,这与以往只有上层存在公路车辆的情况有所区别。
4、对轨道疲劳标准车选取,风荷载作用以及车轨同时作用时都是以最不利的情况进行考虑,相当于给吊索疲劳损伤增加了一个安全系数,得到的结果更加安全。
5、利用计算机视觉获取车流信息,能实时监测桥面的情况,得到准确的车流数据结果。而且每日都能得到新的数据更新数据库,可以持续优化神经网络模型,从而实现实时联动,使预测更加准确。
6、对多个卷积神经网络模型进行训练,比较得到最优的预测模型(未来开发出新的模型时也可以用样本对其训练)。然后进行预测车流下的疲劳损伤计算,使得本方法不仅能够对桥梁吊索的疲劳损伤进行每日分析,还能预测桥梁吊索达到疲劳极限的时间,确保能及时进行维护,为桥梁运行的安全性提供保障。
附图说明
图1为本发明方法的流程图;
图2为反向传播网络计算示意图;
图3为本发明实施例中某桥梁主梁标准断面图;
图4为车流信息图像采集示意图;
图5为本发明方法得到的公路疲劳标准车模型;
图6为本发明方法得到的轨道疲劳标准车模型;
图7为某公轨两用悬索桥有限元模型图;
图8为基于监督学习的车流量预测思路图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
实施例1。
如图1所示,考虑多因素的公轨两用悬索桥吊索疲劳智能化预测方法,其特征在于,包括以下步骤:
步骤1:基于实测交通流量确定疲劳标准车模型;
步骤2:模拟多种荷载对吊索的作用;
步骤3:悬索桥吊索疲劳损伤分析;
步骤4:选择模型预测公路车流量;
步骤5:基于车流预测的悬索桥吊索剩余寿命评估。
进一步地,步骤1所述的基于实测交通流量确定疲劳标准车模型,具体步骤为:
(1.1)在桥梁上安装多个智能摄像头,采集车辆实时图像,并将图像以帧为单位储存在***中;利用计算机视觉技术采用基于R-FCN的车辆识别网络监测车流信息并识别车辆类型(根据桥梁设计车型种类,按照车辆特征将其分为轿车、小客车、大客车、小货车、中货车、大货车等六种类型);
(1.2)由(1.1)可获得各种车型的车流量并按照设计标准选取各类型车辆的标准轴重;因为一些大型预制构件运输车的轴重会超出桥梁初始设计车型轴重的限制,而其高度却依然满足通过要求,所以本方法外加一种大型预制构件运输车类型的识别并获取其轴重数据;
(1.3)根据我国交通部门调查分析,能在城市繁华地段大桥引起疲劳损伤的车辆比例在10%左右。所以本方法只考虑所有车流数据中单车轴重前10%的车辆。按照疲劳损伤等效原理,以考虑车流总轴重等效的方式计算公路疲劳标准车荷载;ai(i=1,2,…,7)依次代表大型预制构件运输车、大货车、大客车、中货车、小货车、小客车和轿车的车流量占比;由计算总轴重前10%的车辆种类数n,且n为满足条件的最大整数值;然后对ai进行重新取值得到a'i,当i<n时,a'i取其对应车型的车流量占比,当i=n时,令/>当i>n时,取a'i=0;
公路疲劳标准车等效轴重计算公式如下:
其中,We为等效轴重;mi(i=1,2,…,7)依次代表大型预制构件运输车、大货车、大客车、中货车、小货车、小客车和轿车的标准轴重;
(1.4)确定轨道交通列车通行次数和轨道疲劳标准车形式,由于每次列车经过时乘客数量不同,因此根据监测得到的当日最大轴重作为轨道车载,建立轨道疲劳标准车模型。
进一步地,步骤2所述的模拟多种荷载对吊索的作用,具体步骤为:
(2.1)利用观测塔上得到的当日风荷载数据,计算得到当日的风功率谱密度函数,并进行风速模拟;得到悬索桥吊索各点轴力随时间的变化趋势,获得最不利时间点下的轴力状态;
(2.2)使用ANSYS软件提取各车道和轨道上布置单位移动荷载时的轴力影响线;在(2.1)中的最不利条件下,使用(1.3)和(1.4)中得到的疲劳标准车按影响线加载,从而得到考虑风荷载作用下各车道和轨道下的吊索轴力时程曲线;利用雨流计数法求得悬索桥各吊索的轴力频值谱,从而获取考虑风荷载作用下各车道和轨道加载一次的轴力疲劳幅和轴力循环次数,后续轨道作用选取轴力幅值最大的轨道进行计算;
(2.3)根据当日轨道通行时桥面上正在通行的能引起吊索疲劳损伤的车辆数量,计算出当日能引起车辆和轨道共同作用的概率。计算公式如下:
ω=10q/Q (2)
其中,ω为当日车辆和轨道共同作用的概率;q为轨道通行时当日能引起桥梁疲劳损伤的车次;Q为当日车流量;
将轨道通行时能引起疲劳损伤的车流全部视为在最不利公路车道上通行并与轨道共同作用,由于上下层均有公路车道,所以此时的最不利车道上下层均有可能出现;
(2.4)首先将前面的轴力变化转化为相应的应力变化,考虑车轨同时作用时,应该调整车荷载和轨道荷载作用下两个损伤的和作为其总损伤;将0.1Qω的车流量作为车轨同时作用的加载次数,使用调整系数修正公路和轨道的组合荷载,并通过雨流计数法得到车轨共同作用下的疲劳应力幅;将0.1Q(1-ω)的车流量按各车道能引起疲劳损伤车辆的比例重新分配,得到各个公路车道在考虑风荷载作用下的疲劳标准车车加载次数。
进一步地,步骤3所述的悬索桥吊索疲劳损伤分析,具体步骤为:
(3.1)首先需要对低应力幅做出修正,低应力幅指产生的疲劳应力幅S小于吊索应力幅门坎值Δσ0的应力幅,将低应力幅值转化为1000万次的等效疲劳荷载,计算方式如下:
其中ΔS'为修正的低应力幅等效荷载,ni为各低应力幅的循环次数,ΔSi为各低应力幅值;
然后再按下式换算得到200万次等效荷载应力幅:
其中ΔS200为200万次作用下的等效疲劳荷载应力幅,nj为大于Δσ0的应力幅循环次数,ΔSj为大于Δσ0的应力幅值;
(3.2)利用雨流计数法获取的数据,按(3)和(4)式分别计算出考虑风荷载作用下各车道单独作用以及车轨同时作用200万次的等效疲劳荷载应力幅,记为S'i和S”,i代表不同车道;在桥梁运营过程中存在两条轨道上列车同时经过桥梁的情况,考虑到双轨道组合效应,所以需要将S”除以一个系数k进行修正;
(3.3)根据线性疲劳损伤准则,计算出每日多因素荷载作用下的等效疲劳应力和循环次数,然后得到每日疲劳损伤;对于线性疲劳损伤准则,存在条件∑(ni/Ni)=1,认为不同应力幅对结构作用的先后顺序不影响疲劳寿命,但是实际情况和这种简化假定存在偏差,所以∑(ni/Ni)往往不等于1;在试验中,一般认为这两者的偏差较小,但是为了在理论分析中将这种影响考虑在内,本方法对疲劳损伤整体除以一个系数kc(kc接近1且小于1)。故当日疲劳损伤的计算式如下:
其中,D0为多因素作用下的每日疲劳损伤;σD为悬索桥吊索对应疲劳寿命为200万次的疲劳应力幅。
进一步地,步骤4所述的选择模型预测公路车流量,具体步骤为:
(4.1)由于轨道的发车次数一般是不变的,所以本方法中只进行公路车流量信息预测。桥梁运行一段时间后(比如一年),将每日得到的车流数据按式(6)的形式计入每日车辆类型数量样本集合:
xi=(bi,ci,di,ei,fi,gi,hi)T (6)
其中bi,ci,di,ei,fi,gi,hi分别依次代表每日大型预制构件运输车、大货车、大客车、中货车、小货车、小客车和轿车的数量;i代表天数;
(4.2)使用Python语言进行编程,引入Numpy库导入储存的向量样本,并将向量样本按时间排序分为训练集A、验证集B和测试集C三部分,且满足条件(A+B):C=8:2和A:B=8:2;将训练集中的数据以(xl+1,xl+2,…xl+n)(l=0,1,2…且n为训练集样本数的80%)为输入,xl+n+1为输出来训练DST-ResNet、Deep-CNN和CNN-LSTM三个模型;
(4.3)训练过程采反向传播算法。反向传播网络计算示意图如图2所示。l-1层为第一层,输入x=(x1,x2,...,xn);l层为第二层,L1为相应层中所有的神经元,为l层中第j个神经元的净激活值,f为激活函数,/>为l层中第j个神经元连接l-1层中第i个神经元的权重,/>则为l层中第j个神经元的阈值;同理,l+1层相对应为Ll+1、/> 即/>l-1层中输入信息则为/>
网络中任意层的前向传播计算公式如下:
其中Wl为权重矩阵。
输出层(第k层)的损失函数定义为:
其中t(j)为给定的实际值;
模型构建完毕后,通过损失由顶层到底层的反向传播对参数进行估计;通过梯度下降法来推导,定义神经元节点的灵敏度为损失对前一层输入的变化率,即:
经过推导可以得到损失函数对各参数的梯度为:
上述式子均在单个节点的基础上推导,对于各层所有节点用矩阵的方式表示为:
运算符⊙表示矩阵或者向量中的对应元素相乘,最终得各层参数的更新公式为:
式中,δl为学习率且η∈(0,1);
(4.4)调整Batchsize、学习率δl和epoch三个超参数;Batch为每一次传进模型的样本量(一般取2n),Batch size值太小时会无法收敛到最优值或者不会收敛,Batch size值太大时会导致训练次数不足,使收敛的时间成本增加;所以,先在各个Batchsize取值下(2,4,8,16,32…)进行相同次数的迭代选取验证集精度最高点,然后再以损失函数为判别指标,选择最优收敛的Batchsize值;在保证损失函数收敛的条件下,得到损失函数随学习率的变化规律,lr取值范围为10-6~10-1,步长为10-0.2,确定最优学习率;当学习率大于最优值时,训练误差会显著提升,当学习率过小时会导致收敛非常缓慢;最后考虑损失函数、验证集精度和综合评价指标(F-Measure)来选取最大epoch值,F-Measure表达式如下:
其中,P为准确率(Persion),R为召回率(Recall),α为参数,取α=1得到当F1较高时能说明方法比较有效;
(4.5)用测试集验证训练好的DST-ResNet、Deep-CNN和CNN-LSTM三个模型,选择预测效果最好的模型作为未来车流信息预测模型。
进一步地,步骤5所述的基于车流预测的悬索桥吊索剩余寿命评估,具体步骤为:
(5.1)由于前面风荷载的作用是按照最不利情况选取,所以在预测吊索剩余疲劳寿命时风荷载的作用取监测历史中的最不利情况;通过前面步骤4获得的预测车流信息,按照步骤1-3的方式计算未来每日的疲劳损伤;将疲劳每日累计损伤和大于悬索桥吊索临界损伤作为终止条件,得到吊索的剩余疲劳寿命;
D≥∑Di+∑Dj (14)
其中,D代表吊索的临界疲劳损伤;Di代表根据实际车流和风荷载计算出的吊索每日疲劳损伤;Dj代表按最不利风荷载和预测车流计算出的吊索未来每日疲劳损伤;i代表桥梁已使用天数;j代表桥梁预测可使用天数;
在桥梁运行中,每天都会得到实际车流和风荷载信息,用实际的车流信息代替预测车流,不断更新式(14)中∑Di的值,从而得到新的j值,这样便可以实现对桥梁吊索剩余疲劳寿命的每日动态预测;
(5.2)存储新获取的每日车流信息,经过一段时间后,将新的更大的样本数据集合再次按照步骤4的方式重新建立模型预测未来车流量,使模型拥有更准确的预测效果。
下面根据一个案例对本方法进行详细说明。
本发明是一种考虑多因素的公轨两用悬索桥吊索疲劳智能化预测方法,流程如图1所示,具体方法有“基于实测交通流量确定疲劳标准车模型”,“模拟多种荷载对吊索的作用”,“悬索桥吊索疲劳损伤分析”,“选择模型预测公路车流量”和“基于车流量预测的悬索桥吊索剩余寿命评估”五个步骤,具体实施过程上文已经给出,下面通过一个案例说明发明的使用方法和特点。
在本案例中,桥梁的断面形式如图3所示,可以看出该公轨两用桥具有10个车道(上层6车道下层4车道)和两个轨道。
首先采用高速摄像机获取的车流信息(如图4),然后按照(1.3)和(1.4)计算出公路和轨道的疲劳标准车的模型数据,如图5和图6所示。
通过选取风荷载作用的最不利状态,在有限元软件中将疲劳标准车按悬索桥吊索影响线加载得到各个车道和轨道在风荷载作用下的轴力历程,桥梁有限元模型如图7所示。按照(2)式计算出公路车辆和轨道共同作用的概率,然后按照(2.4)重新计算出在风荷载作用下各车道单独加载以及车轨同时作用的应力幅和循环次数,再按照步骤3计算出当日的疲劳损伤。
经过一年的数据收集之后,将收集到的车流信息数据,对DST-ResNet、Deep-CNN和CNN-LSTM三个卷积神经网络模型进行训练,然后按照步骤4进行车流量预测。按照(14)式计算得到j的最大值作为剩余疲劳寿命,得到新的每日车流信息之后用其计算出的当日疲劳损伤替换预测车流计算出的损伤,更新吊索累计疲劳损伤以及剩余疲劳寿命。后续积累了更多的数据信息之后,可以用得到的所有样本集合重新按照步骤4训练模型,提升车流量预测的准确性。用卷积神经网络模型预测车流量的思路如图8所示。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (4)
1.考虑多因素的公轨两用悬索桥吊索疲劳智能化预测方法,其特征在于,包括以下步骤:
步骤1:基于实测交通流量确定疲劳标准车模型;
步骤2:模拟多种荷载对吊索的作用;
步骤3:悬索桥吊索疲劳损伤分析;
步骤4:选择模型预测公路车流量,用测试集验证训练好的DST-ResNet、Deep-CNN和CNN-LSTM三个模型,选择预测效果最好的模型作为未来车流信息预测模型;
步骤5:基于车流预测的悬索桥吊索剩余寿命评估;
步骤1所述的基于实测交通流量确定疲劳标准车模型,具体步骤为:
(1.1)在桥梁上安装多个智能摄像头,采集车辆实时图像,并将图像以帧为单位储存在***中;利用计算机视觉技术采用基于R-FCN的车辆识别网络监测车流信息并识别车辆类型,车辆类型分为轿车、小客车、大客车、小货车、中货车、大货车六种类型;
(1.2)由(1.1)可获得各种车型的车流量并按照设计标准选取各类型车辆的标准轴重;
(1.3)按照疲劳损伤等效原理,以考虑车流总轴重等效的方式计算公路疲劳标准车荷载;
ai,i=1,2,…,7,依次代表大型预制构件运输车、大货车、大客车、中货车、小货车、小客车和轿车的车流量占比;由计算总轴重前10%的车辆种类数n,且n为满足条件的最大整数值;然后对ai进行重新取值得到a'i,当i<n时,a'i取其对应车型的车流量占比,当i=n时,令/>当i>n时,取a'i=0;
公路疲劳标准车等效轴重计算公式如下:
其中,We为等效轴重;mi,i=1,2,…,7,依次代表大型预制构件运输车、大货车、大客车、中货车、小货车、小客车和轿车的标准轴重;
(1.4)确定轨道交通列车通行次数和轨道疲劳标准车形式,根据监测得到的当日最大轴重作为轨道车载,建立轨道疲劳标准车模型;
步骤3所述的悬索桥吊索疲劳损伤分析,具体步骤为:
(3.1)首先需要对低应力幅做出修正,低应力幅指产生的疲劳应力幅S小于吊索应力幅门坎值Δσ0的应力幅,将低应力幅值转化为1000万次的等效疲劳荷载,计算方式如下:
其中ΔS'为修正的低应力幅等效荷载,ni为各低应力幅的循环次数,ΔSi为各低应力幅值;
然后再按下式换算得到200万次等效荷载应力幅:
其中ΔS200为200万次作用下的等效疲劳荷载应力幅,nj为大于Δσ0的应力幅循环次数,ΔSj为大于Δσ0的应力幅值;
(3.2)利用雨流计数法获取的数据,按(3)和(4)式分别计算出考虑风荷载作用下各车道单独作用以及车轨同时作用200万次的等效疲劳荷载应力幅,记为S'i和S”,i代表不同车道;在桥梁运营过程中存在两条轨道上列车同时经过桥梁的情况,考虑到双轨道组合效应,所以需要将S”除以一个系数k进行修正;
(3.3)根据线性疲劳损伤准则,计算出每日多因素荷载作用下的等效疲劳应力和循环次数,然后得到每日疲劳损伤;当日疲劳损伤的计算式如下:
其中,D0为多因素作用下的每日疲劳损伤;σD为悬索桥吊索对应疲劳寿命为200万次的疲劳应力幅。
2.根据权利要求1所述的考虑多因素的公轨两用悬索桥吊索疲劳智能化预测方法,其特征在于,步骤2所述的模拟多种荷载对吊索的作用,具体步骤为:
(2.1)利用观测塔上得到的当日风荷载数据,计算得到当日的风功率谱密度函数,并进行风速模拟;得到悬索桥吊索各点轴力随时间的变化趋势,获得最不利时间点下的轴力状态;
(2.2)使用ANSYS软件提取各车道和轨道上布置单位移动荷载时的轴力影响线;在(2.1)中的最不利条件下,使用(1.3)和(1.4)中得到的疲劳标准车按影响线加载,从而得到考虑风荷载作用下各车道和轨道下的吊索轴力时程曲线;利用雨流计数法求得悬索桥各吊索的轴力频值谱,从而获取考虑风荷载作用下各车道和轨道加载一次的轴力疲劳幅和轴力循环次数,后续轨道作用选取轴力幅值最大的轨道进行计算;
(2.3)根据当日轨道通行时桥面上正在通行的能引起吊索疲劳损伤的车辆数量,计算出当日能引起车辆和轨道共同作用的概率;计算公式如下:
ω=10q/Q (2)
其中,ω为当日车辆和轨道共同作用的概率;q为轨道通行时当日能引起桥梁疲劳损伤的车次;Q为当日车流量;
将轨道通行时能引起疲劳损伤的车流全部视为在最不利公路车道上通行并与轨道共同作用;
(2.4)首先将前面的轴力变化转化为相应的应力变化,考虑车轨同时作用时,应该调整车荷载和轨道荷载作用下两个损伤的和作为其总损伤;将0.1Qω的车流量作为车轨同时作用的加载次数,使用调整系数修正公路和轨道的组合荷载,并通过雨流计数法得到车轨共同作用下的疲劳应力幅;将0.1Q(1-ω)的车流量按各车道能引起疲劳损伤车辆的比例重新分配,得到各个公路车道在考虑风荷载作用下的疲劳标准车车加载次数。
3.根据权利要求2所述的考虑多因素的公轨两用悬索桥吊索疲劳智能化预测方法,其特征在于,步骤4所述的选择模型预测公路车流量,具体步骤为:
(4.1)桥梁运行一段时间后,将每日得到的车流数据按式(6)的形式计入每日车辆类型数量样本集合:
xi=(bi,ci,di,ei,fi,gi,hi)T (6)
其中bi,ci,di,ei,fi,gi,hi分别依次代表每日大型预制构件运输车、大货车、大客车、中货车、小货车、小客车和轿车的数量;i代表天数;
(4.2)使用Python语言进行编程,引入Numpy库导入储存的向量样本,并将向量样本按时间排序分为训练集A、验证集B和测试集C三部分,且满足条件(A+B):C=8:2和A:B=8:2;将训练集中的数据以(xl+1,xl+2,…xl+n)为输入,l=0,1,2…且n为训练集样本数的80%,xl+n+1为输出来训练DST-ResNet、Deep-CNN和CNN-LSTM三个模型;
(4.3)训练过程采反向传播算法,l-1层为第一层,输入x=(x1,x2,...,xn);l层为第二层,L1为相应层中所有的神经元,为l层中第j个神经元的净激活值,f为激活函数,/>为l层中第j个神经元连接l-1层中第i个神经元的权重,/>则为l层中第j个神经元的阈值;同理,l+1层相对应为Ll+1、/> 即/>l-1层中输入信息则为/>
网络中任意层的前向传播计算公式如下:
其中Wl为权重矩阵;
输出层第k层的损失函数定义为:
其中t(j)为给定的实际值;
模型构建完毕后,通过损失由顶层到底层的反向传播对参数进行估计;通过梯度下降法来推导,定义神经元节点的灵敏度为损失对前一层输入的变化率,即:
经过推导可以得到损失函数对各参数的梯度为:
上述式子均在单个节点的基础上推导,对于各层所有节点用矩阵的方式表示为:
运算符⊙表示矩阵或者向量中的对应元素相乘,最终得各层参数的更新公式为:
式中,δl为学习率且η∈(0,1);
(4.4)调整Batch size、学习率δl和epoch三个超参数;Batch为每一次传进模型的样本量,Batch size值太小时会无法收敛到最优值或者不会收敛,Batch size值太大时会导致训练次数不足,使收敛的时间成本增加;所以,先在各个Batch size取值下进行相同次数的迭代选取验证集精度最高点,各个Batch size取值为2,4,8,16,32…,然后再以损失函数为判别指标,选择最优收敛的Batch size值;在保证损失函数收敛的条件下,得到损失函数随学习率的变化规律,lr取值范围为10-6~10-1,步长为10-0.2,确定最优学习率;当学习率大于最优值时,训练误差会显著提升,当学习率过小时会导致收敛非常缓慢;最后考虑损失函数、验证集精度和综合评价指标F-Measure来选取最大epoch值,F-Measure表达式如下:
其中,P为准确率Persion,R为召回率Recall,α为参数,取α=1得到当F1较高时能说明方法有效。
4.根据权利要求3所述的考虑多因素的公轨两用悬索桥吊索疲劳智能化预测方法,其特征在于,步骤5所述的基于车流预测的悬索桥吊索剩余寿命评估,具体步骤为:
(5.1)通过前面步骤4获得的预测车流信息,按照步骤1-3的方式计算未来每日的疲劳损伤;将疲劳每日累计损伤和大于悬索桥吊索临界损伤作为终止条件,得到吊索的剩余疲劳寿命;
D≥∑Di+∑Dj (14)
其中,D代表吊索的临界疲劳损伤;Di代表根据实际车流和风荷载计算出的吊索每日疲劳损伤;Dj代表按最不利风荷载和预测车流计算出的吊索未来每日疲劳损伤;i代表桥梁已使用天数;j代表桥梁预测可使用天数;
在桥梁运行中,每天都会得到实际车流和风荷载信息,用实际的车流信息代替预测车流,不断更新式(14)中∑Di的值,从而得到新的j值,这样便可以实现对桥梁吊索剩余疲劳寿命的每日动态预测;
(5.2)存储新获取的每日车流信息,经过一段时间后,将新的更大的样本数据集合再次按照步骤4的方式重新建立模型预测未来车流量,使模型拥有更准确的预测效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210570358.2A CN114943108B (zh) | 2022-05-24 | 2022-05-24 | 考虑多因素的公轨两用悬索桥吊索疲劳智能化预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210570358.2A CN114943108B (zh) | 2022-05-24 | 2022-05-24 | 考虑多因素的公轨两用悬索桥吊索疲劳智能化预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114943108A CN114943108A (zh) | 2022-08-26 |
CN114943108B true CN114943108B (zh) | 2024-06-11 |
Family
ID=82909678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210570358.2A Active CN114943108B (zh) | 2022-05-24 | 2022-05-24 | 考虑多因素的公轨两用悬索桥吊索疲劳智能化预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114943108B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480353A (zh) * | 2017-07-28 | 2017-12-15 | 武汉理工大学 | 基于不同时段随机车流的双层悬索桥疲劳性能评估方法 |
KR20220009058A (ko) * | 2020-07-15 | 2022-01-24 | 국토안전관리원 | 케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법 및 그 인공지능부 |
-
2022
- 2022-05-24 CN CN202210570358.2A patent/CN114943108B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480353A (zh) * | 2017-07-28 | 2017-12-15 | 武汉理工大学 | 基于不同时段随机车流的双层悬索桥疲劳性能评估方法 |
KR20220009058A (ko) * | 2020-07-15 | 2022-01-24 | 국토안전관리원 | 케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법 및 그 인공지능부 |
Also Published As
Publication number | Publication date |
---|---|
CN114943108A (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126868B (zh) | 一种道路交通事故发生风险确定方法及*** | |
CN111583628B (zh) | 基于数据质量控制的道路网重型货车交通流量预测方法 | |
CN114299742B (zh) | 一种高速公路的限速信息动态识别与更新推荐方法 | |
CN111783212B (zh) | 一种斜拉桥典型损伤识别方法 | |
CN116168356B (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
CN112598331A (zh) | 轨道交通的动态调度方法、***、计算机设备和存储介质 | |
CN116597642A (zh) | 一种交通拥堵状况的预测方法及*** | |
CN115938124A (zh) | 一种城市轨道交通突发事件影响预测方法、***及产品 | |
CN116933946A (zh) | 一种基于客流去向结构的轨道交通od客流预测方法及*** | |
CN114943108B (zh) | 考虑多因素的公轨两用悬索桥吊索疲劳智能化预测方法 | |
Lee | Freeway travel time forecast using artifical neural networks with cluster method | |
CN105608502A (zh) | 一种基于回归拟合的公交站点停靠时间预测方法 | |
CN117408598A (zh) | 基于动态路网的高速公路大件运输路径快速决策方法 | |
CN112232553A (zh) | 一种基于贝叶斯网络的高铁列车晚点影响因素诊断方法 | |
CN112685466A (zh) | 车辆超载预测模型训练方法、超载预测方法、***和介质 | |
CN116611864A (zh) | 一种基于rnn的城市轨道交通列车速度与客流量的预测方法 | |
Zheng et al. | Road traffic risk safety prediction based on BP neural network | |
CN116663742A (zh) | 基于多因素和模型融合的区域运力预测方法 | |
CN116341957A (zh) | 一种公路基础设施数字化率测度方法 | |
CN113642162B (zh) | 一种城市道路交通应急预案仿真综合分析方法 | |
CN116541786A (zh) | 基于驾驶行为的网约车识别方法、装置及*** | |
CN111832834B (zh) | 一种机场道面使用性能预测方法、装置和电子设备 | |
CN110956808B (zh) | 一种基于非全样定位数据的重型货车交通流量预测方法 | |
KR20220080837A (ko) | 딥러닝을 활용한 교량통행 차량하중 분석시스템 | |
Shafahi et al. | Track degradation prediction models, using Markov Chain, artificial neural and neuro-fuzzy network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |