大跨度桥梁吊索损伤智能评估方法
本技术提出一种可广泛适用于悬索桥、斜拉桥和提篮拱桥等大跨度桥梁吊索的刚度退化监测与损伤评估的基于自注意力神经网络的新方法,属于桥梁结构健康监测与安全评估领域。
背景技术:
1、悬索桥、斜拉桥等大跨度桥梁中吊索作为核心受力构件,主要承担着主缆与加劲梁之间的力传递功能,其健康状态直接决定桥梁结构安全与服役寿命。目前,随着运营年限增长,吊索易受车辆荷载、环境侵蚀、材料老化等因素影响,发生腐蚀、疲劳、断丝等损伤,进而导致刚度损失,若未能及时精准评估,可能引发桥面下沉、结构垮塌等重大安全事故。
2、随着现有人工智能技术的应用,部分研究成果中采用了神经网络进行损伤识别,但仍存在如下明显局限性:一是,将静态与动态数据割裂处理,无法兼顾局部精度与全局表征;二是,依赖预设损伤工况,通过分类算法实现预测难以适配实际工程中损伤参数的不确定性;三是,相关评估模型抗噪能力与可解释性不足,难以满足工程应用需求。
3、现有技术缺乏系统性的特征融合与智能建模体系,无法实现吊索刚度损失的实时、精准评估,难以兼顾结构安全与运维效率。因此,当前亟需开发一种融合多源特征、自适应学习、高精度预测的智能模型及评估方法,解决现有技术瓶颈。有鉴于此,特提出本技术。
技术实现思路
1、本技术提出的大跨度桥梁吊索损伤智能评估方法,在于解决上述现有技术存在的问题而基于自注意力神经网络,通过多源特征融合与先进神经网络建模以实现高精度与自适应评估,为桥梁智能化运维及全生命周期安全管理提供可靠技术支撑。
2、为此,本技术所述的大跨度桥梁吊索损伤智能评估方法,首先,采集桥群中多座大跨度缆索结构桥梁的图像数据与传感器数据,经去噪、标准化等预处理后,构建“整体-局部”多尺度有限元模型;然后,提取多维度损伤特征,包括基于高斯分布函数拟合的静态特征向量、基于fft变换的动态特征向量及基于cnn的局部损坏特征,基于超拉丁立方抽样生成多类损伤工况,融合实测与仿真数据构建多源异构损伤数据库;进而,训练融合自注意力机制的tractgraphformer混合模型;最后,将模型部署于运维系统,实现吊索刚度损失及风险等级的实时输出。
3、该方法包括有下述步骤:
4、步骤(1)、数据采集与预处理;
5、采集桥群中多座大跨度缆索结构桥梁的结构数据;
6、对图像数据采用去噪、灰度增强、尺寸归一化处理;
7、采用中值滤波与高斯滤波结合的方式去除噪声,通过直方图均衡化实现灰度增强,将图像尺寸归一化为固定分辨率;设原始输入图像为,其中表示图像像素的二维坐标,,,为原始图像的分辨率,预处理后输出图像为;
8、步骤(2)、多尺度有限元模型构建;
9、依据桥梁设计图纸、材料检测报告等资料,提取吊索几何尺寸、材料特性、节点连接细节;采用midascivil、ansys等有限元仿真软件,构建“整体-局部”多尺度有限元模型,即建立结构整体多尺度有限元模型与吊索局部子模型;
10、步骤(3)、多维度损伤特征提取;
11、包括静态特征向量提取、动态特征向量提取和局部损坏特征提取;静态特征向量通过计算吊索损伤与健康状态下的加劲梁挠度差,采用n阶高斯分布函数拟合后提取核心参数获得;动态特征向量通过对桥面振动数据进行fft变换,计算前三阶自振周期及对应刚度变化率的负自然对数值获得;局部损坏特征通过cnn模型对吊索图像分割后,提取形状特征与纹理特征获得;
12、步骤(4)、损伤数据库构建;
13、基于超拉丁立方抽样,生成涵盖损伤位置、数量、程度的三维损伤工况,抽样过程确保样本在参数空间均匀分布;
14、代入多尺度有限元模型模拟力学响应,融合仿真提取特征与实测特征作为输入参量,以损伤工况数值作为输出参量,构建数据库并按8:2划分为训练集与测试集;
15、将各损伤工况代入步骤(2)构建的整体多尺度有限元模型及吊索局部子模型,模拟不同损伤状态下桥梁的力学响应,提取对应工况的静态特征向量、动态特征向量及局部损坏特征;融合实际测量获取的三类特征与仿真提取的三类特征,形成输入特征矩阵;
16、步骤(5)、智能模型训练;
17、构建融合自注意力机制的tractgraphformer混合模型,对数据集进行训练;
18、步骤(6)、模型应用与运维指导;
19、将训练完成的tractgraphformer混合模型部署于实际桥梁运维系统,输入实时预处理后的三类特征,输出吊索刚度损失评估结果。
20、所述的步骤(1)包括有:
21、(1a)中值滤波与高斯滤波结合去噪;
22、首先,对原始图像进行中值滤波,抑制脉冲噪声,记中值滤波算子为,滤波窗口大小为(为奇数),中值滤波后图像为,公式为:
23、 (1)
24、然后,对中值滤波后的图像进行高斯滤波,平滑高斯噪声,记高斯滤波算子为,高斯核函数为(为高斯标准差),滤波后去噪图像为,公式为:
25、 (2)
26、 (3)
27、其中,表示二维卷积运算,实现滤波算子与图像的卷积平滑;
28、(1b)直方图均衡化实现灰度增强;
29、设去噪后图像的灰度级范围为(为灰度级数,通常),执行步骤如下:
30、首先,计算图像灰度直方图,即灰度级出现的像素个数: (4)
31、然后,计算灰度累积分布函数:
32、 (5)
33、其次,直方图均衡化映射函数,将原始灰度级映射为增强后的灰度级:
34、 (6)
35、其中,表示四舍五入取整,确保灰度级为整数,为归一化累积分布函数,得到如下灰度增强后的图像:
36、,当时; (7)
37、(1c)图像尺寸归一化;
38、将灰度增强后的图像归一化为固定分辨率(),采用双线性插值法实现坐标映射,设归一化后图像坐标为,,,坐标映射关系为:
39、 (8)
40、 (9)
41、其中,表示向下取整,、为原始图像与归一化图像的坐标映射值,双线性插值计算归一化后像素值:
42、 (10)
43、其中,,为插值权重系数(),当或时,取边界像素值;
44、(1d)图像预处理整体可表示为复合映射关系:
45、 (11)
46、其中,表示中值滤波与高斯滤波的组合去噪运算,表示直方图均衡化灰度增强运算,表示尺寸归一化运算。
47、所述的步骤(1),对传感器数据采用异常值剔除、平滑滤波、标准化处理;采用3σ准则剔除异常值,通过滑动平均滤波进行平滑处理,采用z-score标准化方法统一数据量纲;包括有,
48、(2a)3σ准则剔除异常值;
49、首先,计算各个传感器的数据序列的均值和标准差:
50、 (12)
51、 (13)
52、然后,根据3σ准则,当数据样本满足时,判定为异常值并剔除,得到剔除异常值后的有效数据序列(为有效样本索引),即:
53、 (14)
54、(2b)滑动平均滤波平滑处理;
55、设滑动窗口大小为(为正整数,且),对有效数据序列进行滑动平均滤波,得到平滑后的数据序列,公式为: (15)
56、其中,,当窗口超出数据范围时,采用边界延拓法(取边界值填充)确保滤波完整性;
57、(2c)z-score标准化统一量纲;
58、对平滑后的数据序列采用z-score标准化方法,消除量纲差异,得到标准化后的数据序列,公式为:
59、 (16)
60、其中,为平滑后数据的均值,为其标准差,计算如下:
61、 (17)
62、 (18)
63、(2d)整体映射;
64、新增数据处理流程整体可表示为复合运算关系:
65、 (19)
66、其中,表示3σ准则异常值剔除运算,表示滑动平均滤波运算,表示z-score标准化运算。
67、所述的步骤(3)包括:
68、步骤(3.1)、静态特征向量提取;
69、基于吊索结构力学理论与模态分析方法,首先,通过有限元模型计算吊索健康状态下的加劲梁挠度基准值,然后计算不同损伤工况下的挠度实测值或仿真值,得到损伤状态与健康状态的加劲梁挠度差如下:
70、δw=w_d-w0 (20)
71、其中,
w_d为损伤状态挠度,
w
0为健康状态最不利荷载下的挠度;
72、采用n阶高斯分布函数对离散挠度差数据进行拟合,拟合方式根据损伤工况适配:单损伤工况下采用一阶高斯函数,多损伤工况下采用多阶叠加形式:
73、y=a·exp[-(x-b)2/(2c2)]
(21)
74、y=σai·exp[-(x-bi)2/(2ci2)] (22)
75、其中,x为沿桥长方向坐标,y为挠度差值;
76、提取高斯函数中的核心参数,包括幅值
a、均值
b、标准差
c,形成三维静态特征向量,实现损伤局部特征的精准表征;
77、步骤(3.2)、动态特征向量提取;
78、对预处理后的桥面振动数据进行快速傅里叶变换,将时域信号转换为频域信号,分离环境干扰噪声与结构有效振动信号,识别结构前三阶自振频率
f
1
、f
2
、f
3;利用频率与周期的对应关系f=1/t,计算前三阶自振周期
t
1
、t
2
、t
3;
79、基于悬索桥垂向运动微分方程,采用galerkin方法建立频率与刚度的关联模型,创新性提出损伤前后频率变化与刚度变化的量化关系,该量化关系兼具损伤程度较小时的敏感性与损伤程度较大时的稳定性,如下所示:
80、 (23)
81、计算刚度变化率并取负自然对数值,分别对应前三阶模态构建3维动态特征向量,实现整体刚度退化的量化表征;
82、步骤(3.3)、局部损坏特征提取;
83、针对预处理后的吊索局部图像数据,采用图卷积神经网络graphcnn完成吊索区域的定位与分割;cnn模型通过多层卷积与池化操作,自动学习吊索与背景的特征差异,实现吊索区域的精准提取,采用全连接层与softmax激活函数,完成分割区域的损伤识别;
84、从分割后的吊索区域中提取两类局部损坏特征。
85、所述的步骤(5),tractgraphformer混合模型由输入层、cnn卷积层、最大池化层、transformer层、自适应注意力层、全连接层及输出层组成,采用adam优化算法,设置超参数对模型进行训练,通过rmse、mae、r2、rpd四项指标评估模型精度;其中, tractgraphformer混合模型通过2层edgeconv算子对非欧氏空间拓扑关系进行特征聚合,1层conv1d算子对空间特征降维整合,经多组transformerlayers捕捉时序演化规律,通过残差式conv1d注意力模块增强关键损伤信息,最后由mlp网络输出预测结果。
86、所述的步骤(5)中,模型训练通过dropout与l2正则化抑制过拟合;以吊索损伤特征向量为节点特征,以吊索沿桥长的空间位置关联关系构建邻接矩阵adjacentmatrix;通过2层edgeconv算子,直接对吊索图像的非欧氏空间拓扑关系进行特征聚合,精准捕捉相邻吊索间的刚度损失传递效应,随后通过1层conv1d算子对空间特征降维整合,输出n×96维图结构特征。
87、本技术同时提出一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于:处理器执行所述程序时实现上述大跨度桥梁吊索损伤智能评估方法。
88、本技术同时提出一种计算机可读存储介质,其存储有计算机程序,其特征在于:当所述计算机程序被执行时,能够实现上述大跨度桥梁吊索损伤智能评估方法。
89、综上,本技术与现有技术相比主要具有以下优点和有益效果:
90、1、 本技术能够针对吊索时变刚度退化、多源特征响应及智能预测进行全流程分析,从而获得高精度的损伤评估结果,为桥梁运维提供科学指导,有效地弥补了现有技术吊索刚度损失评估方法中单维度分析、依赖预设工况、精度不足及缺乏系统性建模的技术缺陷。
91、2、 本技术具有适配性广、兼容多类桥型的优点,能够针对悬索桥、提篮拱桥、斜拉桥等不同类型大跨度缆索结构桥梁的吊索进行刚度损失评估,无需针对单一桥型重新设计模型,大幅提升方法的工程适用范围。
92、3、 本技术建立了多源融合与多维度特征体系,评估更全面精准,所构建的“静态-动态-局部”三维特征提取体系能够精准地定位局部损伤,动态特征反映整体刚度退化,局部特征捕捉表面损伤细节,三类特征互补融合,解决了现有技术特征信息单一的缺陷,结合超拉丁立方抽样构建的多场景损伤数据库,能够确保模型训练的全面性。
93、4、 本技术建立了多尺度建模与先进网络架构,泛化能力更强:采用“整体-局部”多尺度有限元模型,兼顾全桥力学响应与局部损伤细节。融合tractgraphformer混合模型,集成空间特征提取、时序规律捕捉与关键信息强化能力,可快速迁移至不同桥梁场景,进一步提升方法的工程实用性。
94、5、 本技术具有全流程自动化与标准化的特点,运维效率更高,能够实现从数据采集、预处理、特征提取、模型预测到运维指导的全流程自动化,无需人工干预,显著降低人力成本。
95、6、 本技术通过建立标准化的损伤工况定义、特征提取流程与模型评估体系,能够应用于桥群尺度的统一运维管理,为桥梁全生命周期安全运维提供精准数据支撑,避免过度维护或维护不及时造成的资源浪费与安全风险,具有显著的经济效益与社会效益。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com