论文部分内容阅读
长期健康监测系统是当今大跨度桥梁不可或缺的组件之一,桥梁管理部门希望其能确定桥梁结构当前的健康状态,并为桥梁的安全运营和维修决策等提供科学依据。然而,目前桥梁健康监测系统所能够实现的功能与此预设目标相去甚远,其根本原因在于:长期健康监测数据与桥梁结构状态之间呈现十分复杂的非线性关系,尽管目前积累了海量的监测数据,也难以建立监测数据与桥梁结构损伤状态之间的对应关系,从而难以通过监测数据确定桥梁结构的健康状态。如何从海量的长期监测数据提取对损伤敏感的数据特征、进而实现桥梁结构的损伤识别,是一个具有挑战性的前沿课题。本文通过数值实验获得不同类型桥梁结构在大量损伤工况下的监测数据,并基于机器学习算法提出了桥梁结构的损伤识别方法,相比于传统算法提高了损伤识别的灵敏度和精度。论文的主要研究内容及成果如下:(1)基于平面梁和连续刚构桥模型,建立了大量损伤工况下的模拟监测数据库。该数据库不仅可以为论文后续的损伤识别方法研究提供数据基础,而且可以为结构损伤识别领域的科研工作者提供数据支持,便于不同损伤识别方法的对比验证。(2)针对现有损伤识别方法存在的抗噪声能力差、难以适用于实际桥梁损伤识别的难题,探究适用于大跨度桥梁结构的损伤识别方法,提出了一种时空窗下的主成分分析(Double-Window Pincipal Component Analysis,DWPCA)损伤识别方法。该方法在传统的主成分分析方法的基础上同时施加时间和空间窗口,通过时间窗口可以及时地区分结构的健康状态和有损状态,通过空间窗口可以有效地剔除对损伤不敏感的监测数据,从而获得了相比于现有方法更高灵敏度和精度的损伤识别能力。(3)在DWPCA损伤识别方法的基础上,进一步地提出采用DWPCA计算获得的特征向量的模长及方向角作为新的损伤识别指标,以代替传统的特征向量坐标分量的损伤识别指标。结果证明,新指标提高了损伤识别的灵敏度和精度,具有更强的鲁棒性,并且具有适用于实际桥梁损伤识别的应用潜力。(4)发展了一种基于长期健康监测数据的人工智能损伤识别方法。以建立的数据集为基础,应用机器学习建立移动主成分分析(Moving Principal Component Analysis,MPCA)所获得的特征与结构损伤状态之间的对应关系。研究结果表明,相比于采用原始结构响应作为特征的传统损伤识别方法,该方法提高了损伤识别的能力,能较精确对远离传感器的损伤或微小程度的损伤进行定位和定量识别。