System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种桥梁影响线提取和多个车辆荷载识别方法技术_技高网
当前位置: 首页 > 专利查询>天津大学专利>正文

一种桥梁影响线提取和多个车辆荷载识别方法技术

技术编号:40108423 阅读:7 留言:0更新日期:2024-01-23 18:47
本发明专利技术涉及一种桥梁影响线提取和多个车辆荷载的识别方法,通过传感器对桥梁跨中截面某点处的响应进行测量,并对测量所得响应中的动态部分进行消除,然后建立规则化求解方程并将反映影响线和响应关系的物理方程嵌入神经网络,实现桥梁影响线的提取。基于轴重和响应的系统模型,建立用于和多个车辆荷载识别的内嵌物理信息卷积神经网络,利用测量数据及其随机采样实现神经网络的训练,最终达到多个车辆荷载识别的目的。利用该方法可以避免矩阵分解、正则化系数优化等复杂计算过程,降低了问题的求解难度,提高了计算效率和精度。

【技术实现步骤摘要】

本专利技术属于物体识别领域,尤其是一种桥梁影响线提取和多个车辆荷载识别方法


技术介绍

1、影响线提取和车辆荷载识别在桥梁设计、健康监测、损伤识别中具有非常重要的作用。传统的做法是将影响线提取和车辆荷载识别问题转化为一组系统方程,然后通过矩阵分解、对角化、求逆等方法实现系统方程的求解,因此算法复杂,技术要求高。同时,为了获得理想的影响线,还需要对正则化系数进行优化计算,存在计算量大、系数选择主观性强等不足。


技术实现思路

1、本专利技术的目的在于克服现有技术的不足,提出一种桥梁影响线提取和多个车辆荷载识别方法,利用简单的矩阵乘法和加法就能实现问题求解,避免了大型矩阵分解、对角化、求逆等传统做法,同时也规避了正则化系数的优化计算,大大降低了问题的求解难度。

2、本专利技术解决其技术问题是采取以下技术方案实现的:

3、一种桥梁影响线提取和多个车辆荷载识别方法,包括以下步骤:

4、步骤1、基于已标定卡车的动态加载,用应变传感器对桥梁目标截面某点处的响应进行测量,得到应变响应;

5、步骤2、采用ceemdan算法对测量所得的应变响应中的动态效应进行滤波处理,得到准静态效应;

6、步骤3、利用tikhonov正则化算法和准静态效应建立正则化系统方程;

7、步骤4、将反映影响线和响应关系的物理方程嵌入全连接神经网络,构建用于桥梁影响线提取的内嵌物理信息神经网络;

8、步骤5、对步骤2中所得的数据进行随机采样,利用采样数据对内嵌物理信息神经网络进行有监督学习;

9、步骤6、基于轴重和响应的系统模型,建立用于多个车辆荷载识别的内嵌物理信息的卷积神经网络;

10、步骤7、采用步骤6中用于多个车辆荷载识别的内嵌物理信息的卷积神经网络对多个车辆荷载进行识别。

11、而且,所述步骤1的具体实现方法为:利用已标定的卡车低速通过桥梁并对桥梁进行动态加载,用应变传感器对桥梁目标截面某点处的响应进行测量,并完成应变响应数据的存储。

12、而且,所述步骤2中滤波处理包括:去噪并消除动态效应。

13、而且,所述动态效应消除的具体实现方法为:

14、

15、其中,ωi[n],i=1,…,i,为高斯白噪声的不同实现,运算符ej(·)用于生成由emd获得的第j阶模式,εj为信噪比,n为信号采样长度。

16、而且,所述步骤3中正则化的系统方程为:

17、

18、其中,r是测量响应,p是车辆荷载矩阵,φ是影响线向量,λ为正则化系数,l为正则化矩阵。而且,所述步骤4包括以下步骤:

19、步骤4.1、建立一个全连接神经网络;

20、步骤4.2、将建立的全连接神经网络方程和正则化的系统方程结合,建立内嵌物理信息的神经网络;

21、步骤4.3、设定约束条件并进行训练;

22、步骤4.4、训练结束后,根据桥梁纵向坐标和已有权重系数,利用model(x,θ)得到桥梁影响线。

23、而且,所述步骤6包括以下步骤:

24、步骤6.1、基于轴重和响应的系统模型,得到如下所示的目标函数:

25、

26、其中,r为测量得到的响应,il为识别到的影响线采样后形成的矩阵,p为荷载向量。

27、步骤6.2、基于上述目标函数,构建物理信息神经网络,根据轴重的加载时间和位置,通过采样得到影响线纵坐标矩阵;

28、步骤6.3、通过对准静态响应的采样实现神经网络的有监督学习;

29、步骤6.4、通过神经网络的训练,得到其网络参数值并对车辆轴重和总重进行预测。

30、本专利技术的优点和积极效果是:

31、本专利技术通过传感器对桥梁跨中截面某点处的响应进行测量和动态效应消除,然后建立规则化求解方程并将影响线和响应的物理方程嵌入神经网络,实现桥梁影响线的提取。基于荷载和响应的模型方程,建立用于和多个车辆荷载识别的内嵌物理信息卷积神经网络,利用测量数据及其采样实现神经网络的训练,最终达到多个车辆荷载识别的目的。利用该方法可以避免矩阵分解、正则化系数优化等复杂计算过程,大大降低了问题的求解难度,提高计算效率。

本文档来自技高网...

【技术保护点】

1.一种桥梁影响线提取和多个车辆荷载识别方法,其特征在于:包括以下步骤:

2.根据权利要求1所述的一种桥梁影响线提取和多个车辆荷载识别方法,其特征在于:所述步骤1的具体实现方法为:利用已标定的卡车低速通过桥梁并对桥梁进行动态加载,用应变传感器对桥梁目标截面某点处的响应进行测量,并完成应变响应数据的存储。

3.根据权利要求1所述的一种桥梁影响线提取和多个车辆荷载识别方法,其特征在于:所述步骤2中滤波处理包括:去噪并消除动态效应。

4.根据权利要求3所述的一种桥梁影响线提取和多个车辆荷载识别方法,其特征在于:所述消除动态效应的具体实现方法为:

5.根据权利要求1所述的一种桥梁影响线提取和多个车辆荷载识别方法,其特征在于:所述步骤3中正则化的系统方程为:

6.根据权利要求5所述的一种桥梁影响线提取和多个车辆荷载识别方法,其特征在于:所述步骤4包括以下步骤:

7.根据权利要求1所述的一种桥梁影响线提取和多个车辆荷载识别方法,其特征在于:所述步骤6包括以下步骤:

【技术特征摘要】

1.一种桥梁影响线提取和多个车辆荷载识别方法,其特征在于:包括以下步骤:

2.根据权利要求1所述的一种桥梁影响线提取和多个车辆荷载识别方法,其特征在于:所述步骤1的具体实现方法为:利用已标定的卡车低速通过桥梁并对桥梁进行动态加载,用应变传感器对桥梁目标截面某点处的响应进行测量,并完成应变响应数据的存储。

3.根据权利要求1所述的一种桥梁影响线提取和多个车辆荷载识别方法,其特征在于:所述步骤2中滤波处理包括:去噪并消除动态效应。

...

【专利技术属性】
技术研发人员:朱劲松李兴田高嫦娥
申请(专利权)人:天津大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1