CN115688555B - 一种桥梁寿命预测方法 - Google Patents
一种桥梁寿命预测方法 Download PDFInfo
- Publication number
- CN115688555B CN115688555B CN202211088670.4A CN202211088670A CN115688555B CN 115688555 B CN115688555 B CN 115688555B CN 202211088670 A CN202211088670 A CN 202211088670A CN 115688555 B CN115688555 B CN 115688555B
- Authority
- CN
- China
- Prior art keywords
- bridge
- resistance
- time
- varying
- neural network
- 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 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 230000001066 destructive effect Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 14
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 9
- 230000006866 deterioration Effects 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 claims description 4
- 238000006731 degradation reaction Methods 0.000 claims description 4
- 229910001294 Reinforcing steel Inorganic materials 0.000 claims description 2
- 229910000831 Steel Inorganic materials 0.000 claims description 2
- 230000004807 localization Effects 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 239000010959 steel Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Bridges Or Land Bridges (AREA)
Abstract
本发明公开了一种桥梁寿命预测方法,包括:对桥梁进行建模,获取桥梁模型;将所述桥梁模型分为多个局部;对每个局部的抵抗力与破坏力进行分析;构建循环神经网络,基于每个局部的抵抗力与破坏力对所述循环神经网络进行训练;基于训练后的循环神经网络进行桥梁寿命预测。本发明通过循环神经网络,将传感器中获取的数据进行分析,取代专业人员计算桥梁寿命的过程,实现了预测寿命的自动化进行。本技术与人工勘测相比较,可实时采集实时报警,在采集数据时无需考虑天气影响,不受现场限制,数据有时序性,同时准确可靠。
Description
技术领域
本发明属于电子信息领域,特别是涉及一种桥梁寿命预测方法。
背景技术
现有的桥梁寿命预测主要是通过传感器对桥梁采集各种数据,并对采集后的数据进行人工分析或半自动化分析,主要是将数据交给专业人员,由专业人员通过数据判断桥梁是否能够通行,如果不能进行限行处理和进行后续是维修还是重建的判断,如果可以通行,将数据转换为寿命信息,推导过程只有专业人员知道。半自动化分析则是有一个辅助专业人员的工具,用来初步判断桥梁是否能够通行,自动化程度很低。
然而,人工分析方法的缺点在于数据量大,导致分析效率低,耗时较长,并且需要专业工作者,智力成本高,人力消耗大,同时采用人工分析难免出现错误,准确度需要多次的复检。半自动化分析对于人工的依赖程度较高,需要频繁地进行人机交互,决策时往往需要人工给定一个阈值范围,并且实时决策程度不高,无法保障安全性。
发明内容
本发明的目的是提供一种桥梁寿命预测方法,以解决上述现有技术存在的问题。
为实现上述目的,本发明提供了一种桥梁寿命预测方法,包括:
对桥梁进行建模,获取桥梁模型;
将所述桥梁模型分为多个局部区域;
对每个局部区域的抵抗力与破坏力进行分析;
构建循环神经网络,基于每个局部区域的抵抗力与破坏力对所述循环神经网络进行训练;
基于训练后的循环神经网络进行桥梁寿命预测。
可选地,获取桥梁模型之后的过程包括:对所述桥梁模型进行取点,模拟外力对桥梁损伤在时间上变化的过程,获取所述桥梁模型的各项数据变化。
可选地,将所述桥梁模型分为多个局部区域的过程包括:
基于局部化方法,对每一个所述局部区域的横截面进行力的积分,将每个力代表一个横截面。
可选地,对每个局部区域的抵抗力与破坏力进行分析的过程包括:
基于时变抗力计算对所述抵抗力进行分析;
基于时变承载效应计算对所述破坏力进行分析。
可选地,所述时变抗力的计算过程包括:
基于工程材料标准获取桥梁结构在不同时刻的抗力值;
计算抗力劣化函数;
基于所述抗力值与所述抗力劣化函数计算获取所述时变抗力。
可选地,所述抗力劣化函数的计算方法为:
其中,g(t)为抗力劣化函数,Ks表示协同工作系数,Ra(t),Ra0分别表示混凝土的时变强度与初始强度;Rg(t),Rg0分别表示钢筋的时变屈服强度与初始屈服强度;Ag(t),Ag0分别表示钢筋的时变截面积与初始截面面积。
可选地,所述时变承载效应的计算方法为:
其中,S(t)为时变承载效应,M(t)为破坏力S(t)的变化函数。
可选地,基于每个局部区域的抵抗力与破坏力对所述循环神经网络进行训练的过程包括:
获取当前桥梁寿命;
将各个局部区域的时变抗力与时变承载效应作为训练集,将所述当前桥梁寿命作为标签,对所述循环神经网络进行训练。
本发明的技术效果为:
本发明通过循环神经网络,将传感器中获取的数据进行分析,取代专业人员计算桥梁寿命的过程,实现了预测寿命的自动化进行。本技术与人工勘测相比较,可实时采集实时报警,在采集数据时无需考虑天气影响,不受现场限制,数据有时序性,同时准确可靠,所投入的人力物力较少;与半自动化监测比较,在突发情况发生时,数据均会发生不正常波动,可以实时报警,同时本发明无需专业人员进行参与,节省智力投入。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为传统的桥梁寿命预测技术基础路线图;
图2为本发明实施例中的方法流程示意图;
图3为本发明实施例中的影响因素分类示意图;
图4为本发明实施例中的桥梁抵抗力计算示意图;
图5为本发明实施例中的神经网络训练过程示意图;
图6为本发明实施例中的桥梁寿命预测过程示意图;
图7为本发明实施例中的技术路线总图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1-7所示,本实施例中提供一种桥梁寿命预测方法,包括:
技术路线如图2所示,第一步,由于真实桥梁存在噪声等对传感器数据有影响的因素,这对神经网络训练过程有一定的影响,同时,在试验阶段,真实数据往往难取,所以采用ansys有限元建模软件对桥梁进行建模,构造出一个绝对健康的桥梁,桥梁搭建后,在模型中取点代替传感器,在桥梁上加压力代替车辆行驶过程,能够模拟外力对桥梁损伤在时间上变化的过程等,能够简单获取变化中桥梁的各项数据变化。
第二步,需要对桥梁取点位置进行分析,这里先将对桥梁有影响的因素进行分类,如图3所示,将对桥梁的影响因素分为内因和外因,内因是由桥梁各材料衰减导致,外因由外界环境对桥梁的影响导致,可以理解为抵抗力和破坏力的关系。抵抗力:桥梁结构的建筑材料在自然环境中随着时间的流失逐渐老化,随着时间的流失不同材料的性能及强度逐渐衰减,即桥梁的抵抗力随时间的流失而降低。不同材料的抵抗力通过参阅工程材料标准可获取不同时刻的抗力值,或者在实地桥梁上定时取样。破坏力:基于Ansys构建的桥梁数学模型,在模型中可直接通过取点获取桥梁局部结构力的值。在实际应用中,可通过相应的传感器获取值。接下来取点及传感器位置布置只与破坏力有关系,这里采取局部化的方法,取桥梁横截面作为一个局部,每一个局部进行力的积分,将一个力代表一个截面,这样做的好处:工程实践中使用拟合及积分的方法能够有效避免外力值的误差;局部结构中传感器安装位置不限,数量≥2可进行局部外力计算,非限定性能够有效降低项目成本。在此处,引入了局部的概念,将桥梁分为多个局部,对每个局部分抵抗力和破坏力,而局部与局部之间的关系对寿命预测的影响则通过神经网络自学习获得。
第三步,对抵抗力和破坏力分别计算,时变抗力R(t)作为抵抗力分析,主要公式如下:
R(t)=g(t)·R0
其中R0为结构初始抗力,g(t)为抗力劣化函数,其抗力值随时间变化与结构材料、类型、使用条件、受力等因素有关。Ks表示协同工作系数,Ra(t),Ra0分别表示混凝土的时变强度与初始强度;Rg(t),Rg0分别表示钢筋的时变屈服强度与初始屈服强度;Ag(t),Ag0分别表示钢筋的时变截面积与初始截面面积。桥梁材料不同,这里使用的乘积不同,但是公式相通。最后结果如图4。对于破坏力,使用时变承载效应S(t)来表示,用一个积分表示累计损伤情况,公式如下:
M(t)为破坏力S(t)的变化函数。
第四步,将时变抗力R(t)和时变承载效应S(t)作为输入,对循环神经网络训练,训练集为对应时间的各个局部的R(t)和S(t),及N个局部,同一时间就有N组R(t)和S(t),标签为当前桥梁寿命,通过专业人员进行获取,训练后的网络可用于实时预测桥梁寿命,网络会学习数据的关系,从而学习专业人员处理数据的方式。训练过程如图5,预测过程如图6。
整个技术路线总图如图7所示。
以上所述,仅为本申请较佳的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (1)
1.一种桥梁寿命预测方法,其特征在于,包括以下步骤:
对桥梁进行建模,获取桥梁模型;
将所述桥梁模型分为多个局部区域;
对每个局部区域的抵抗力与破坏力进行分析;
对每个局部区域的抵抗力与破坏力进行分析的过程包括:
基于时变抗力计算对所述抵抗力进行分析;
基于时变承载效应计算对所述破坏力进行分析;
所述时变抗力的计算过程包括:
基于工程材料标准获取桥梁结构在不同时刻的抗力值;
计算抗力劣化函数;
基于所述抗力值与所述抗力劣化函数计算获取所述时变抗力
所述抗力劣化函数的计算方法为:
其中,g(t)为抗力劣化函数,Ks表示协同工作系数,Ra(t),Ra0分别表示混凝土的时变强度与初始强度;Rg(t),Rg0分别表示钢筋的时变屈服强度与初始屈服强度;Ag(t),Ag0分别表示钢筋的时变截面积与初始截面面积;
所述时变承载效应的计算方法为:
其中,S(t)为时变承载效应,M(t)为破坏力S(t)的变化函数;
构建循环神经网络,基于每个局部区域的抵抗力与破坏力对所述循环神经网络进行训练;其中,局部与局部之间的关系对寿命预测的影响则通过神经网络自学习获得;
基于训练后的循环神经网络进行桥梁寿命预测;
获取桥梁模型之后的过程包括:对所述桥梁模型进行取点,模拟外力对桥梁损伤在时间上变化的过程,获取所述桥梁模型的各项数据变化;
将所述桥梁模型分为多个局部区域的过程包括:
基于局部化方法,对每一个所述局部区域的横截面进行力的积分,将每个力代表一个横截面;
基于每个局部区域的抵抗力与破坏力对所述循环神经网络进行训练的过程包括:
获取当前桥梁寿命;
将各个局部区域的时变抗力与时变承载效应作为训练集,将所述当前桥梁寿命作为标签,对所述循环神经网络进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211088670.4A CN115688555B (zh) | 2022-09-07 | 2022-09-07 | 一种桥梁寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211088670.4A CN115688555B (zh) | 2022-09-07 | 2022-09-07 | 一种桥梁寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115688555A CN115688555A (zh) | 2023-02-03 |
CN115688555B true CN115688555B (zh) | 2024-03-26 |
Family
ID=85060722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211088670.4A Active CN115688555B (zh) | 2022-09-07 | 2022-09-07 | 一种桥梁寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115688555B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220009057A (ko) * | 2020-07-15 | 2022-01-24 | 국토안전관리원 | 인공지능 기법을 활용한 케이블 지지 교량 모니터링 시스템 및 이를 이용한 교량 모니터링 방법 |
CN114626305A (zh) * | 2022-03-21 | 2022-06-14 | 西南交通大学 | 一种钢桥面板剩余疲劳寿命预测方法、装置、设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109300126B (zh) * | 2018-09-21 | 2022-01-07 | 重庆建工集团股份有限公司 | 一种基于空间位置的桥梁病害高精度智能检测方法 |
US11592377B2 (en) * | 2020-04-20 | 2023-02-28 | Vishay Measurements Group, Inc. | Fatigue life sensor for measuring repetitive loads applied to a structure based upon cracks propagating from crack initiation features of the sensor |
-
2022
- 2022-09-07 CN CN202211088670.4A patent/CN115688555B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220009057A (ko) * | 2020-07-15 | 2022-01-24 | 국토안전관리원 | 인공지능 기법을 활용한 케이블 지지 교량 모니터링 시스템 및 이를 이용한 교량 모니터링 방법 |
CN114626305A (zh) * | 2022-03-21 | 2022-06-14 | 西南交通大学 | 一种钢桥面板剩余疲劳寿命预测方法、装置、设备及介质 |
Non-Patent Citations (4)
Title |
---|
何伟.中、下承式拱桥健康监测实践.中国环境出版社,2017,第2-4页. * |
基于时变可靠度分析的桥梁使用寿命预测;李海涛;中国安全科学学报;22(06);第100-103页 * |
基于桥梁长期健康监测数据的时变可靠性分析和寿命预测;雷秀强;中国优秀硕士学位论文全文数据库(第12期);第1-63页 * |
李海涛.基于时变可靠度分析的桥梁使用寿命预测.中国安全科学学报.2012,22(06),第100-103页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115688555A (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764601B (zh) | 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法 | |
CN109583570B (zh) | 基于深度学习确定桥梁健康监测***异常数据来源的方法 | |
CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及*** | |
CN111737909B (zh) | 基于时空图卷积网络的结构健康监测数据异常识别方法 | |
CN108873859B (zh) | 基于改进关联规则的桥式抓斗卸船机故障预测模型方法 | |
CN108399277B (zh) | 一种基于温度与应变关联性的桥梁损伤识别方法 | |
CN210924883U (zh) | 一种桥梁结构健康监测*** | |
CN115034578A (zh) | 一种基于数字孪生的水工金属结构设备智能管理构建方法及*** | |
CN115329812B (zh) | 一种基于人工智能的桥梁基础设施异常监测方法 | |
CN111881495A (zh) | 基于数字孪生的预应力钢结构安全评估方法 | |
CN113723010A (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
CN110728089B (zh) | 基于botda技术的大跨桥梁斜拉索结构损伤诊断方法 | |
Wenner et al. | The concept of digital twin to revolutionise infrastructure maintenance: The pilot project smartBRIDGE Hamburg | |
CN114118673A (zh) | 一种基于数字孪生技术的车间智能化故障诊断预警方法 | |
CN114707234B (zh) | 一种基于贝叶斯深度学习的航空发动机剩余寿命预测方法 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及*** | |
CN116341272A (zh) | 一种用于配网工程数字化的施工安全风险管控*** | |
CN115392089A (zh) | 一种智能预警方法 | |
CN115688555B (zh) | 一种桥梁寿命预测方法 | |
CN110262417A (zh) | 一种生产设备故障预测诊断方法 | |
CN116910879A (zh) | 一种随机车载作用下桥梁斜拉索的索力异常诊断方法及装置 | |
CN111160490A (zh) | 一种基于多时间序列的深度学习危岩变形预测方法及装置 | |
Wenner et al. | smartBRIDGE Hamburg: A digital twin to optimise infrastructure maintenance | |
CN111062827A (zh) | 一种基于人工智能模式的工程监理方法 |
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 | ||
GR01 | Patent grant |