一种随机车辆荷载作用下桥梁损伤识别方法及计算系统

1.本发明涉及桥梁健康检测领域，尤其涉及一种随机车辆荷载作用下桥梁损伤识别方法及计算系统。


背景技术：

2.当前，我国基建迅速发展，建造了大量的桥梁，所有桥梁自建成开始即伴随结构损伤。桥梁损伤对人民财产安全存在巨大的隐患，因此，需要长期对桥梁的健康状态进行评估，桥梁健康状态评估需要确定桥梁是否损伤，损伤位置以及损伤程度。
3.桥梁损伤往往是局部损伤，目前常用的评估桥梁健康状态的方法无法准确识别桥梁的损伤位置，并且需要阻断桥梁交通，成本较高，存在一定的缺陷，因此，如何高效准确地识别桥梁损伤是一个需要解决的问题。


技术实现要素：

4.本发明实施例提供一种随机车辆荷载作用下桥梁损伤识别方法及计算系统，利用该方法能够解决目前无法快速识别、定位桥梁损伤，且无法对桥梁损伤进行量化的问题。
5.第一方面，本发明实施例提供了一种随机车辆荷载作用下桥梁损伤识别计算系统，该系统包括多个传感器以及服务器，其中，多个传感器布置在桥梁上，用于长期获取桥梁实际运营状态下的桥梁响应向量，桥梁的倾角位移等数据，并将数据传输至服务器中。
6.服务器用于根据随机生成的车辆，确定车辆轴重区间、桥梁损伤状态的响应向量和桥梁无损伤状态的响应向量，其中，随机生成的车辆可以是桥梁运营中随机经过的车辆，桥梁的响应向量可以从多个传感器中获取对应的数据。
7.服务器用于根据车辆轴重区间和桥梁损伤状态的响应向量，得到桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据，根据车辆的轴重区间和桥梁无损伤状态的响应向量，得到桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据。
8.服务器用于对桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁损伤状态的倾斜影响线，对桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁无损伤状态的倾斜影响线。
9.服务器用于根据桥梁损伤状态的倾斜影响线和桥梁无损伤状态的倾斜影响线，确定桥梁损伤位置和损伤程度。
10.第二方面，本发明实施例提供了一种随机车辆荷载作用下桥梁损伤识别方法，该方法可以应用于上述第一方面提供的系统中。该方法包括以下步骤：根据随机生成的车辆，确定车辆轴重区间、桥梁损伤状态的响应向量和桥梁无损伤状态的响应向量，根据车辆轴重区间和桥梁损伤状态的响应向量，得到桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据，并且根据车辆的轴重区间和桥梁无损伤状态的响应向量，得到桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据。对桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁损伤状态的倾斜影响线，同样，对桥梁无损伤状态的倾斜影响
线矩阵的上界数据和下界数据进行训练，得到桥梁无损伤状态的倾斜影响线，根据桥梁损伤状态的倾斜影响线和桥梁无损伤状态的倾斜影响线，确定桥梁损伤位置和损伤程度。
11.根据随机生成的车辆，将车辆轴重区间以仿射矩阵的形式表示，通过仿射算法，确定车辆轴重区间。
12.首先，车辆轴重区间可以转化为仿射向量，得到：
[0013][0014]
其中，w
0n
表示区间中值，xn表示区间半径，εn表示值域为[-1，1]的噪声元，区间变量表示第n轴轴重wn的极小值和极大值，真实轴重存在于该区间中。
[0015]
在得到上述车辆轴重区间的仿射向量后，可以将上述公式转化为仿射矩阵形式，得到：
[0016]
w＝w0 w1ε1 w2ε2
…
wnεn[0017]
其中，w0表示包含各个区间中值的中值矩阵，w1、w2...wn表示包含各个区间半径的半径矩阵。
[0018]
利用仿射算法，根据上述车辆轴重的仿射矩阵，即可求解车辆轴重区间的边界值，计算得到：
[0019][0020][0021]
其中，
[0022]
将随机生成的车辆加载到损伤桥梁上，得到桥梁损伤状态的响应向量，将随机生成的车辆加载到无损伤桥梁上，得到桥梁无损伤状态的响应向量。
[0023]
在随机生成的车辆沿直线在桥梁上行驶的情况下，车辆各个轴的轴重对桥梁的影响相互独立，因此随机生成的不同车辆加载到桥梁上引起的响应可以表示为各个车轴引起的桥梁响应的叠加。假设车辆保持速度v匀速行驶，将桥梁响应函数和桥梁倾斜影响线函数离散为桥梁响应向量r和桥梁倾斜影响线向量φ，得到关系式r＝wφ，其中，w为包括车辆的轴重信息的荷载矩阵。在已经得到车辆轴重区间的边界值的情况下，采集到随机车辆荷载作用效应叠加引起的桥梁响应，即可计算桥梁倾斜影响线的上界数据和下界数据，具体表示为：
[0024][0025][0026]
根据上述计算桥梁倾斜影响线矩阵的上界数据和下界数据的计算方法，可以计算得到桥梁无损伤状态下倾斜影响线的上界数据，下界数据以及桥梁损伤状态下倾斜影响线
的上界数据和下界数据。
[0027]
由于真实影响线的解趋向计算的影响线边界，在真实车辆轴重在车辆轴重区间内随机满布的情况下，真实影响线位于影响线的上界数据和下界数据的交汇处，因此，可以利用支持向量机(support vector machines，svm)算法对上界数据和下界数据进行训练，用于识别桥梁倾斜影响线。
[0028]
对桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁损伤状态的倾斜影响线。
[0029]
在一种可能的实施方式中，对桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行svm训练，得到桥梁损伤状态的倾斜影响线。在二维空间中，上述上界数据和下界数据无法通过一个超平面完全分离，因此，根据高斯核函数，将桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据映射到高维空间中，在高维空间中，上述上届数据和下届数据可以通过一个超平面最大程度地分离。根据网格搜索法、上述上届数据和下届数据，确定高斯核函数参数的第一最优取值以及惩罚因子的第一最优取值，根据高斯核函数参数的第一最优取值和惩罚因子的第一最优取值，确定桥梁损伤状态的倾斜影响线，该桥梁损伤的倾斜影响线可以将上述桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行区分。
[0030]
在另一种可能的实施方式中，对桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据进行svm训练，得到桥梁无损伤状态的倾斜影响线。根据高斯核函数，将上述桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据映射到高维空间中，根据网格搜索法、上述上届数据和下届数据，确定高斯核函数参数的第二最优取值以及惩罚因子的第二最优取值，根据高斯核函数参数的第二最优取值和惩罚因子的第二最优取值，确定桥梁无损伤状态的倾斜影响线，该桥梁无损伤状态的倾斜影响线可以将上述桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据进行区分。
[0031]
根据桥梁损伤状态的倾斜影响线和桥梁无损伤状态的倾斜影响线，确定桥梁损伤位置和损伤程度。
[0032]
根据桥梁损伤状态的倾斜影响线和桥梁无损伤状态的倾斜影响线，确定倾斜影响线差值曲线，确定桥梁损伤位置。
[0033]
在第二方面一种可能的实施方式中，以简支桥梁损伤模型作为研究对象，其中，简支桥梁的梁长为l，抗弯刚度为ei，桥梁的损伤范围为[c-ε，c ε]，在桥梁的损伤范围内，桥梁的抗弯刚度为ei’。根据上述数据可以计算得到单位荷载作用下，桥梁起始截面的影响线差值与单位荷载f
p
距桥梁起始截面的距离之间的表达式。
[0034]
在的情况下，桥梁无损伤，计算得到影响线差值的表达式为：
[0035][0036]
在的情况下，桥梁存在局部损伤，计算得到影响线差值的表达式为：
[0037]
[0038][0039]
在的情况下，桥梁无损伤，计算得到桥梁影响线差值的表达式为：
[0040][0041]
由上述关系式可知，桥梁倾斜影响线的差值曲线对应的表达式在桥梁损伤区域和桥梁无损伤区域存在差异，因此可以根据桥梁倾斜影响线差值曲线确定桥梁损伤位置。
[0042]
在以超静定桥梁损伤结构作为研究对象的情况下，可以利用有限元模型，计算得到桥梁影响线在损伤前后的差值曲线，从而可以对桥梁损伤位置进行定位，对比多个桥梁损伤之间损伤程度的大小。
[0043]
根据桥梁损伤状态的倾斜影响线、桥梁无损伤状态的倾斜影响线和桥梁对应的刚度矩阵，确定桥梁损伤前后倾斜影响线的差值与刚度改变量之间的关系，确定桥梁损伤程度。
[0044]
根据柔度矩阵表示桥梁倾斜影响线值ril：
[0045]
ril＝sfq
[0046]
其中，s表示输出影响线的选择矩阵，q表示荷载输入矩阵，f表示结构的柔度矩阵。由于柔度矩阵与刚度矩阵之间的关系为k＝f-1
，因此，可以得到桥梁的倾斜影响线值与刚度矩阵之间的关系：
[0047]
ril＝sk-1q[0048]
首先，进行刚度矩阵的特征值分解与组合，在单元刚度矩阵不满秩的条件下，假设单元刚度矩阵的秩为r，单元刚度矩阵的特征值分解可表示为：
[0049][0050]
其中，表示单元i刚度矩阵ki的第j个特征值，表示单元i刚度矩阵ki的第j个特征向量，∧i表示单元i刚度矩阵对应的矩阵特征值，ui表示单元i刚度矩阵对应的特征向量矩阵。
[0051]
令得到单元为i的刚度矩阵ki表示为：
[0052][0053]
其中，r表示单元刚度矩阵的秩，ci表示单元为i的刚度关联矩阵，维度为r*n。
[0054]
整体刚度矩阵可以通过整体坐标系下单元刚度矩阵的叠加得到，整体刚度矩阵k表示为：
[0055][0056]
其中，n为单元数，c为刚度转换矩阵，p为单元损伤系数矩阵，在桥梁无损伤状态的情况下，该矩阵p为单位矩阵，在某一单元损伤的情况下，该矩阵p的对角线上的对应值不为1。
[0057]
根据整体刚度矩阵的表达式可以计算得到桥梁损伤前后整体刚度的改变量：
[0058][0059]
根据上述刚度损伤的改变量以及影响线值的表达式，可以计算得到影响线差值与单元刚度损伤的之间的关系表达式：
[0060]
δril＝sδk-1
q＝s(c-1
)
t
(δp)-1
c-1q[0061]
根据桥梁损伤前后的倾斜影响线矩阵，即可根据δp计算得到单元损伤系数，从而可以对桥梁的损伤程度进行定量计算，确定桥梁损伤程度。
[0062]
第三方面，本技术提供一种随机车辆荷载作用下桥梁损伤识别的装置，该装置包括：生成单元，用于随机生成车辆；计算单元，用于根据随机生成的车辆，确定车辆轴重区间、桥梁损伤状态的响应向量和桥梁无损伤状态的响应向量，用于根据车辆轴重区间和桥梁损伤状态的响应向量，得到桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据，根据车辆的轴重区间和桥梁无损伤状态的响应向量，得到桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据；训练单元，用于对桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁损伤状态的倾斜影响线，用于对桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁无损伤状态的倾斜影响线；损伤识别单元，用于根据无损伤桥梁影响线和损伤桥梁影响线，确定桥梁损伤位置和损伤程度。
[0063]
生成单元具体用于随机生成不同的车辆。
[0064]
计算单元具体用于根据随机生成的车辆，将车辆轴重区间以仿射矩阵形式表示，通过仿射算法，确定车辆轴重区间，用于将随机生成的车辆加载到损伤桥梁上，得到桥梁损伤状态的响应向量，用于将随机生成的车辆加载到无损伤桥梁上，得到桥梁无损伤状态的响应向量。
[0065]
训练单元具体用于根据高斯核函数，将桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据映射到高维空间中，根据网格搜索法和桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据，确定高斯核函数参数的第一最优取值以及惩罚因子的第一最优取值，根据高斯核函数参数的第一最优取值和惩罚因子的第一最优取值，确定桥梁损伤状态的倾斜影响线，该倾斜影响线可以将桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行区分。按照上述方式，训练单元还可以用于确定桥梁无损伤状态的倾斜影响线，该桥梁无损伤状态的倾斜影响线可以用于将桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据进行区分。
[0066]
损伤识别单元具体用于根据桥梁损伤状态的倾斜影响线和桥梁无损伤状态的倾斜影响线，确定倾斜影响线差值曲线，确定桥梁损伤位置。
[0067]
损伤识别单元还用于根据桥梁损伤状态的倾斜影响线、桥梁无损伤状态的倾斜影响线和桥梁对应的刚度矩阵，确定桥梁损伤前后倾斜影响线的差值与刚度改变量之间的关系，确定桥梁损伤程度。
[0068]
第四方面，本发明实施例提供了一种计算设备，该计算设备包括处理器、存储器、通信接口以及总线。其中，处理器、存储器、通信接口可以通过内部总线相互连接也可以通过无线传输等其他手段实现通信。通信接口可以接收布置在桥梁上的传感器长期获取桥梁
实际运营中记录的桥梁的响应向量、倾角位移等数据。存储器可以存储计算机指令，处理器用于执行第二方面或第三方面任一种可能的实现方式，实现各个模块的功能。
[0069]
第五方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，所述指令在所述计算设备上运行，使所述计算设备执行上述各方面所述的方法。
[0070]
本技术在上述各方面提供的实现方式的基础上，还可以进行进一步组合以提供更多实现方式。
[0071]
综上可知，本技术提供的一种随机车辆荷载作用下桥梁损伤识别方法。这一方法首先通过随机生成的车辆，确定车辆的轴重区间和桥梁的响应向量，得到桥梁倾斜影响线的上界数据和下界数据，根据影响线的上界数据和下界数据，利用支持向量机算法对数据进行训练，得到桥梁损伤状态的倾斜影响线和桥梁无损伤状态的倾斜影响线，最后根据桥梁损伤前后倾斜影响线的差值曲线确定桥梁损伤位置和损伤程度。这种识别桥梁损伤的方法无需封闭交通，过程方便高效，可以更好地节约成本，并且对桥梁损伤识别的灵敏度更高。
附图说明
[0072]
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。
[0073]
图1是本发明实施例提供的一种随机车辆荷载作用下桥梁损伤识别系统的结构示意图；
[0074]
图2是本发明实施例提供的一种随机车辆荷载作用下桥梁损伤识别方法的流程图；
[0075]
图3是本发明实施例提供的一种简支桥梁损伤模型的示意图；
[0076]
图4是本发明实施例提供的一种桥梁损伤前后的倾斜影响线差值计算结果的示意图；
[0077]
图5是本发明实施例提供的一种随机车辆荷载作用下桥梁损伤识别装置的结构示意图；
[0078]
图6是本发明实施例提供的一种计算设备的结构示意图。
具体实施方式
[0079]
本技术提供了一种随机车辆荷载作用下桥梁损伤识别方法，该方法可以应用于图1所示的系统中。
[0080]
如图1所示，图1是本技术提供的一种随机车辆荷载作用下桥梁损伤识别系统的结构示意图。该桥梁损伤识别系统包括：服务器和多个传感器。其中，多个传感器用于长期获取桥梁实际运营中的桥梁响应向量，倾角位移等数据，并将数据传输至服务器中。
[0081]
服务器用于根据随机生成的车辆，确定车辆轴重区间、桥梁损伤状态的响应向量和桥梁无损伤状态的响应向量。在实际应用中，随机生成的车辆可以看作桥梁上随机经过的车辆，通过布置在桥梁上的传感器可以确定桥梁损伤状态的响应向量和桥梁无损伤状态的响应向量。
[0082]
服务器用于根据车辆轴重区间和桥梁损伤状态的响应向量，得到桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据，根据车辆的轴重区间和桥梁无损伤状态的响应向量，得到桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据。
[0083]
服务器用于对桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁损伤状态的倾斜影响线，对桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁无损伤状态的倾斜影响线。
[0084]
服务器用于根据桥梁损伤状态的倾斜影响线和桥梁无损伤状态的倾斜影响线，确定桥梁损伤位置和损伤程度。
[0085]
在桥梁建造完成后，即可根据桥梁的相关参数，通过服务器计算得到桥梁无损伤状态的倾斜影响线，之后，可以根据传感器采集的数据，计算桥梁损伤状态的倾斜影响线，根据桥梁损伤前后的倾斜影响线的差值，确定桥梁损伤位置和损伤程度，用于长期监控桥梁健康状态。
[0086]
应理解，图1只是本技术实施例提供的一种可能的桥梁损伤识别系统的划分方式，实际应用中，该识别桥梁损伤的系统还可以包括更多或更少的部件，本技术不作具体限定。
[0087]
本技术提供一种随机车辆荷载作用下桥梁损伤识别方法，如图2所示，图2是本技术提供的一种随机车辆荷载作用下桥梁损伤识别方法的流程图，该方法可以包括以下步骤。
[0088]
s210：根据随机生成的车辆，确定车辆轴重区间、桥梁损伤状态的响应向量和桥梁无损伤状态的响应向量。
[0089]
随机生成不同的车辆，确定车辆轴重区间。根据随机生成的车辆，将车辆轴重区间以仿射矩阵形式表示，通过仿射算法，确定车辆轴重区间。
[0090]
首先，车辆轴重区间可以用仿射向量形式表示，得到：
[0091][0092]
其中，w
0n
表示区间中值，xn表示区间半径，εn表示值域为[-1，1]的噪声元，区间变量表示第n轴轴重wn的极小值和极大值，真实轴重存在于该区间中。
[0093]
在得到上述车辆轴重区间的仿射向量后，可以将上述公式转化为仿射矩阵形式，得到：
[0094]
w＝w0 w1ε1 w2ε2
…
wnεn[0095]
其中，w0表示包含各个区间中值的中值矩阵，w1、w2...wn表示包含各个区间半径的半径矩阵。
[0096]
之后利用仿射算法，根据上述车辆轴重的仿射矩阵，即可求解车辆轴重区间的边界值，确定车辆轴重区间，计算得到：
[0097]
[0098][0099]
其中，i＝w
0-1
w0，ai＝w
0-1
wiεi。
[0100]
根据随机生成不同的车辆，确定桥梁损伤状态的响应向量和桥梁无损伤状态的响应向量。将随机生成的车辆加载到损伤桥梁上，计算得到桥梁损伤状态的响应向量，将随机生成的车辆加载到无损伤桥梁上，计算得到桥梁无损伤状态的响应向量。
[0101]
s220：根据车辆轴重区间和桥梁损伤状态的响应向量，得到桥梁损伤状态的倾斜影响线矩阵的上、下界数据，并且根据车辆的轴重区间和桥梁无损伤状态的响应向量，得到桥梁无损伤状态的倾斜影响线矩阵的上、下界数据。
[0102]
在随机生成的车辆沿直线在桥梁上行驶的情况下，车辆各个轴的轴重对桥梁的影响相互独立，因此随机生成的不同车辆加载到桥梁上引起的响应可以表示为各个车轴引起的桥梁响应的叠加。假设车辆保持速度v匀速行驶，将桥梁响应函数和桥梁倾斜影响线函数离散为桥梁响应向量r和桥梁倾斜影响线向量φ，存在桥梁响应向量，桥梁倾斜影响线向量和车辆轴重矩阵三者之间的关系式r＝wφ，其中，w为包括车辆的轴重信息的荷载矩阵。在已经得到车辆轴重区间的边界值的情况下，获取随机车辆荷载作用效应叠加引起的桥梁响应，即可计算得到桥梁倾斜影响线的上界数据和下界数据，具体表示为：
[0103][0104][0105]
根据上述计算影响线矩阵φ的上下界数据的计算方法，可以计算得到桥梁无损伤状态下影响线的上界数据，下界数据以及桥梁损伤状态下影响线的上界数据和下界数据。
[0106]
在真实的车辆轴重在通过仿射算法得到的车辆轴重区间内随机满布的情况下，真实桥梁倾斜影响线位于影响线的上界数据和下界数据的交汇处，可以将上界数据和下界数据区分开来，因此，可以利用支持向量机(support vector machines，svm)的分类模型对上界数据和下界数据进行训练，确定桥梁倾斜影响线。
[0107]
s230：对桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁损伤状态的倾斜影响线，对桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁无损伤状态的倾斜影响线。
[0108]
在一种可能的实施方式中，对桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行svm训练，得到桥梁损伤状态的倾斜影响线。在二维空间中，上述上界数据和下界数据无法通过一个超平面完全分离，因此，根据高斯核函数，可以将上述上届数据和下届数据映射到高维空间中，在高维空间中，上述上届数据和下届数据可以通过一个超平面最大程度地分离。根据网格搜索法、上届数据和下届数据，可以确定高斯核函数参数的第一最优取值以及惩罚因子的第一最优取值，应用于svm训练。根据高斯核函数参数的第一最优取值和惩罚因子的第一最优取值，即可确定桥梁损伤状态的倾斜影响线，该桥梁损伤状态的倾斜影响线可以将上届数据和下届数据进行区分。
[0109]
在另一种可能的实施方式中，对桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据进行svm训练，得到桥梁无损伤状态的倾斜影响线。根据高斯核函数，将桥梁无损伤状态的倾斜影响线矩阵的上届数据和下届数据映射到高维空间中，根据网格搜索法和上
述上届数据、下届数据，可以确定高斯核函数参数的第二最优取值以及惩罚因子的第二最优取值，根据高斯核函数参数的第二最优取值和惩罚因子的第二最优取值，即可确定桥梁无损伤状态的倾斜影响线，该桥梁无损伤状态的倾斜影响线可以将上述上届数据和下届数据进行区分。
[0110]
s240：根据桥梁损伤状态的倾斜影响线和桥梁无损伤状态的倾斜影响线，确定桥梁损伤位置和损伤程度。
[0111]
根据桥梁损伤状态的倾斜影响线和桥梁无损伤状态的倾斜影响线，确定倾斜影响线差值曲线，确定桥梁损伤位置。
[0112]
在以简支桥梁损伤模型作为研究对象的情况下，如图3所示，图3是本技术提供的一种简支桥梁损伤模型的示意图。该简支桥梁模型梁长为l，抗弯刚度为ei，损伤区域c的范围[c-ε，c ε]，在桥梁的损伤区域c内，桥梁的抗弯刚度为ei
′
。根据桥梁无损伤状态的倾斜影响线和桥梁损伤状态的倾斜影响线，计算桥梁起始截面a处桥梁损伤前后的倾斜影响线差值与单位荷载f
p
距桥梁起始截面a的距离之间的表达式。
[0113]
在的范围内，桥梁无损伤，计算得到桥梁损伤前后的倾斜影响线差值的表达式为：
[0114][0115]
在的范围内，桥梁存在局部损伤，计算得到桥梁损伤前后的倾斜影响线差值的表达式为：
[0116][0117]
在的范围内，桥梁无损伤，计算得到桥梁损伤前后的倾斜影响线差值的表达式为：
[0118][0119]
由上述多个计算得到的关系式可知，桥梁损伤前后的倾斜影响线差值曲线对应的表达式在桥梁损伤区域和桥梁无损伤区域存在差异，因此可以根据桥梁损伤前后的倾斜影响线差值曲线确定桥梁损伤位置。
[0120]
在以超静定桥梁损伤结构作为研究对象的情况下，直接计算桥梁损伤前后的倾斜影响线差值表达式较为复杂，可以利用有限元模型，计算得到桥梁在损伤前后倾斜影响线的差值曲线。如图4所示，图4是本技术提供的一种桥梁损伤前后的倾斜影响线差值计算结果的示意图。在图4对应的桥梁模型中，在距桥梁起始位置8米处加载一定程度的桥梁损伤，根据图中的曲线，可以确定桥梁倾斜影响线差值包括在桥梁损伤位置，倾斜影响线差值最大，差值曲线存在明显转折等特性。在图4对应的桥梁模型中，在距桥梁起始位置8米处加载损伤程度为10％，20％和30％三种不同程度的桥梁损伤，根据图中三种不同情况下的曲线，可以确定桥梁倾斜影响线差值存在当桥梁损伤程度越大时，倾斜影响线差值越大的特性。
由图4可以确定，根据桥梁损伤前后的倾斜影响线差值的计算结果可以确定桥梁的损伤位置，对比多种情况下桥梁损伤程度的大小，但是无法定量计算桥梁的损伤程度。
[0121]
根据桥梁损伤状态的倾斜影响线、桥梁无损伤状态的倾斜影响线和桥梁对应的刚度矩阵，确定桥梁损伤前后倾斜影响线的差值与刚度改变量之间的关系，确定桥梁损伤程度。
[0122]
首先，桥梁倾斜影响线值(rotation influence line，ril)可以根据柔度矩阵表示为：
[0123]
ril＝sfq
[0124]
其中，s表示输出影响线的选择矩阵，q表示荷载输入矩阵，f表示结构的柔度矩阵。由于柔度矩阵与刚度矩阵之间的关系为k＝f-1
，因此，可以得到ril与刚度矩阵之间的关系表达式：
[0125]
ril＝sk-1q[0126]
随后，根据有限元模型，对刚度矩阵的进行特征值的分解与组合，在单元刚度矩阵不满秩的条件下，假设单元刚度矩阵的秩为r，对单元刚度矩阵进行特征值分解，得到：
[0127][0128]
其中，表示单元i的刚度矩阵ki的第j个特征值，表示单元i的刚度矩阵ki的第j个特征向量，∧i表示单元i的刚度矩阵对应的矩阵特征值，ui表示单元i的刚度矩阵对应的特征向量矩阵。
[0129]
令得到单元i的刚度矩阵ki简化为：
[0130][0131]
其中，ci表示单元i的刚度关联矩阵，维度为r*n。
[0132]
整体刚度矩阵可以通过整体坐标系下单元刚度矩阵的叠加得到，整体刚度矩阵k表示为：
[0133][0134]
其中，n为有限元模型中的总单元数，c为刚度转换矩阵，p为单元损伤系数矩阵，在桥梁无损伤状态的情况下，该矩阵p为单位矩阵，在某一单元损伤的情况下，该矩阵p的对角线上的对应值不为1。
[0135]
相应地，桥梁损伤前后刚度矩阵的变化量可表示为：
[0136][0137]
最后，根据上述桥梁损伤前后刚度矩阵的变化量以及影响线值的表达式，可以计算得到桥梁在损伤前后的倾斜影响线差值与单元刚度损伤的之间的关系表达式：
[0138]
δril＝sδk-1
q＝s(c-1
)
t
(δp)-1
c-1q[0139]
在获取得到桥梁损伤前后的倾斜影响线矩阵的情况下，即可根据δp得到单元损伤系数，从而对桥梁的损伤程度进行量化，确定桥梁损伤程度。
[0140]
在一具体的实施方式中，桥梁为一座两车道简支t梁桥，该桥梁长度为30m，总宽度为12m，弹性模量e＝2.75
×
10
10
pa，惯性矩i＝0.15m4，根据弹性模量和惯性矩可以计算得到桥梁的抗弯刚度为ei，由于绝大部分桥梁损伤都是由于刚度损伤造成的，因此本技术实施例中的桥梁损伤均以刚度损伤进行量化。建立桥梁有限元分析模型，将桥梁划分为30个单元，将所有单元以单一方向按顺序进行编号。在桥梁上加载一个速度为5m/s的二轴货车，在数据库中找到对应的车辆轴重区间，通过仿射算法计算得到确定的车辆轴重区间，在桥梁上没有加载损伤的情况下，确定桥梁无损伤状态的倾斜影响线的上下界数据。经svm分类模型训练上下界数据，可以得到桥梁无损伤状态的倾斜影响线。在第8单元内给桥梁加载10％的损伤，以上述方式计算得到桥梁损伤状态下的倾斜影响线，可以确定在桥梁损伤位置倾角位移明显增大。随后还可以在桥梁的不同位置加载不同程度的桥梁损伤，计算不同的桥梁损伤对应的桥梁损伤倾斜影响线。由于在桥梁无损伤位置，无损伤状态下的倾斜影响线和损伤状态下的倾斜影响线区别不大，计算桥梁损伤前后的影响线差值曲线，可以得到桥梁损伤与倾斜影响线差值之间的关系，从而在实际应用中定位桥梁损伤，计算桥梁损伤程度。在其他的桥梁模型中上述方法同样适用，本技术对此不作具体限定。
[0141]
综上所述，本技术提供的一种随机车辆荷载作用下桥梁损伤识别方法，先通过随机生成的车辆确定车辆的轴重区间、桥梁损伤状态的桥梁响应向量和桥梁无损伤状态的桥梁响应向量，计算得到桥梁倾斜影响线的上下界数据，进一步通过svm算法训练样本，得到桥梁损伤状态的倾斜影响线和桥梁无损伤状态的倾斜影响线，从而根据桥梁倾斜影响线在损伤前后的差值曲线确定桥梁损伤位置和损伤程度。通过这一方法计算桥梁倾斜影响线不需要阻断桥梁交通，节约成本，过程高效，并且桥梁倾斜影响线对桥梁损伤的灵敏度更高，可以识别多处桥梁局部损伤的位置，定位准确。
[0142]
图5是本技术提供的一种随机车辆荷载作用下桥梁损伤识别装置的结构示意图，该装置也可以应用于图1所示的系统中。该随机车辆荷载作用下桥梁损伤识别装置500包括：生成单元510、计算单元520、训练单元530和损伤识别单元540。生成单元510，用于随机生成车辆；计算单元520，用于根据随机生成的车辆，确定车辆轴重区间、桥梁损伤状态的响应向量和桥梁无损伤状态的响应向量，用于根据车辆轴重区间和桥梁损伤状态的响应向量，得到桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据，根据车辆的轴重区间和桥梁无损伤状态的响应向量，得到桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据；训练单元530，用于对桥梁损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁损伤状态的倾斜影响线，用于对桥梁无损伤状态的倾斜影响线矩阵的上界数据和下界数据进行训练，得到桥梁无损伤状态的倾斜影响线；损伤识别单元540，用于根据无损伤桥梁影响线和损伤桥梁影响线，确定桥梁损伤位置和损伤程度。
[0143]
图6是本技术提供一种计算设备的结构示意图，该计算设备可以完成图1至图5实施例中的所有步骤。如图6所示，计算设备600包括：处理器610、存储器620、通信接口630和总线640。其中，处理器610，存储器620，通信接口630可以通过总线640相互连接也可以通过无线传输等其他手段实现通信。其中，通信接口630与安装在桥梁上的多个传感器相连，获取桥梁实际运营过程中的响应向量，倾角位移等数据。
[0144]
处理器610可以由至少一个通用处理器构成，例如中央处理器(central processing unit,cpu)，或者cpu和硬件芯片的组合。上述硬件芯片可以是专用集成电路(application-specific integrated circuit,asic)、可编程逻辑器件(programmable logic device,pld)或其组合。上述pld可以是复杂可编程逻辑器件(complex programmable logic device,cpld)、现场可编程逻辑门阵列(field-programmable gate array,fpga)、通用阵列逻辑(generic array logic,gal)或其任意组合。处理器610用于执行各种类型的数字存储指令。
[0145]
存储器620用于存储程序代码，并由处理器610来控制执行，以执行上述方法、装置等任一实施例中包括的所有的步骤。程序代码中可以包括一个或者多个软件模块，该软件模块可以是图5实施例中的生成单元、计算单元、训练单元和损伤识别单元，上述具体的实现方式可以参考图5的方法实施例，确定桥梁损伤位置及损伤程度，此处不再赘述。
[0146]
存储器620可以包括只读存储器和随机存取存储器，并向处理器610提供指令和数据。存储器620还可以包括非易失性随机存取存储器。例如，存储器620还可以存储设备类型的信息。
[0147]
存储器620可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data date sdram，ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synchlink dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，dr ram)。还可以是硬盘(hard disk)、u盘(universal serial bus，usb)、闪存(flash)、sd卡(secure digital memory card,sd card)、记忆棒等等，硬盘可以是硬盘驱动器(hard disk drive,hdd)、固态硬盘(solid state disk,ssd)、机械硬盘(mechanical hard disk,hdd)等，本技术不作具体限定。
[0148]
总线640可以是快捷外围部件互联标准(peripheral component interconnect express，pcie)总线，或扩展工业标准结构(extended industry standard architecture，eisa)总线、统一总线(unified bus，ubus或ub)、计算机快速链接(compute express link，cxl)、缓存一致互联协议(cache coherent interconnect for accelerators，ccix)等。总线640可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示总线，但并不表示仅有一根总线或仅有一种类型的总线。
[0149]
需要说明的，图6仅仅是本技术实施例的一种可能的实现方式，实际应用中，计算设备600还可以包括更多或更少的部件，这里不作具体限制。
[0150]
本技术实施例，还提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其在处理器上运行时，图2所示的方法流程得以实现。
[0151]
本技术实施例，还提供一种计算机程序产品，当计算机程序产品在处理器上运行
时，图2所示的方法流程得以实现。
[0152]
在计算机上加载或执行计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。
[0153]
计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含至少一个可用介质集合的服务器、数据中心等数据存储节点。可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，高密度数字视频光盘(digital video disc,dvd)、或者半导体介质)。
[0154]
以上，仅为本发明的具体实施方式，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，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。