论文部分内容阅读
桥梁是交通网络的重要组成部分,但桥梁自建成后便长期受到恶劣天气的侵蚀和交通载荷的作用,不可避免地出现结构损伤的积累和承载力的下降。为了更好地掌握桥梁的健康信息,各大桥梁逐步建立健康监测系统,面对系统长期监测得到的海量数据,需要采用有效的方法对其进行分析和挖掘才能发挥其价值。对桥梁健康监测数据进行关联性分析与损伤识别研究,一方面可以掌握桥梁的健康状态、指导桥梁的维修整治工作以及减少桥梁事故的发生,另一方面可以为后续的研究提供理论和实践基础。近年来在桥梁健康监测方面的研究主要集中在结构整体性评估和损伤识别上,而在损伤识别方面的研究可分为两类:一是基于传统信号处理的识别方法,该类方法在处理长期监测的海量数据时效果不理想;二是基于大数据分析的识别方法,该类方法主要存在识别精度低以及噪声抵抗能力差等问题。本文针对现有研究的不足,提出两个研究目标:一是对多工况下的数据关联性进行研究,并将其运用到损伤识别中;二是对精度更高的工况进行损伤位置和损伤程度识别。针对以上研究目标,本文进行了以下研究:1)研究桥梁健康监测数据的关联性,如温度与应变的关联性、不同测点应变之间的关联性以及不同工况下的关联性;2)研究桥梁健康监测数据的特征提取方法,如基于温度与应变关联性的特征提取方法、能量特征提取方法以及降维特征的提取方法;3)研究基于模型融合的损伤向量识别方法,融合策略主要包括Weighted策略、Blending策略和Stacking策略。本文针对上千种工况的桥梁数据集,设计了损伤向量的识别实验,通过数据预处理、特征提取、基模型选择、模型融合、参数调优等步骤,对损伤位置和损伤程度进行识别;并对原始数据集、特征提取后数据集上的模型识别效果进行了对比,还对单模型和融合模型的识别效果进行了对比,此外也与其他工作中的损伤识别方法进行了对比。实验结果表明:1)本文提取的特征能够明显提升模型的识别效果,说明本文特征提取方法是有效的;2)模型融合后的识别效果优于单模型的识别效果,说明模型融合是有效的;3)本文损伤识别方法的性能达到较高水平,并优于其他工作的损伤识别方法。