一种基于车重-应变映射模型斜率的桥梁状态评估方法

1.本发明涉及桥梁健康状态评估领域，具体来说，涉及一种基于车重-应变映射模型斜率的桥梁状态评估方法。


背景技术：

2.随着交通运输需求的不断增大，桥梁在服役过程中承受的交通荷载也在日益增长。在众多影响现役桥梁安全状态和剩余寿命的因素中，车辆荷载是导致桥梁损伤的主要活载部分，尤其是对于混凝土桥梁，极易导致桥梁开裂，从而导致桥梁出现性能退化等安全问题，可能会造成工程事故的发生。为了满足交通运输的要求，需要在日益增长的交通流量与结构安全性能退化之间寻找平衡。通过分析桥梁车辆荷载与结构响应的内在联系，考虑桥梁在日常交通流量下的性能变化和表现，能够长期监测桥梁结构在交通荷载下的安全状态，为桥梁之后的安全运营和维护提供可靠依据。
3.随着动态称重系统与健康监测系统在桥梁结构中的广泛应用，海量的监测数据被用于桥梁安全状态评估中。而随着大数据时代的到来和机器学习的不断发展，各种人工智能网络和聚类等方法使得基于监测数据的桥梁状态评估方法更加准确和全面。但动态称重系统和健康监测系统通常被作为两个独立的模块，在桥梁服务中实现不同的功能。桥梁动态称重系统主要针对交通流量，能够有效收集过桥车重、车速等信息，而健康监测系统则被用于收集桥梁在各类环境及人为因素下的响应。
4.因此，为了考虑桥梁在交通荷载作用下的性能变化，有必要将动态称重系统与健康监测系统融合在一起，寻找一种可行性好、准确性高、适用性强的新方法，准确评估桥梁在日常交通流量影响下的安全状态。


技术实现要素：

5.技术问题：本发明所要解决的技术问题是：提供一种评估桥梁在日益增长的交通荷载影响下安全状态的方法，该方法可以准确进行桥梁安全状态异常的预警。
6.技术方案：本发明采用一种基于车重-应变映射模型斜率的桥梁状态评估方法，该方法以过桥车重与桥梁车致应变长期监测数据为对象，首先通过分析数据的统计特征对车重和应变数据进行聚类划分，接着采用metropolis-hastings算法对车重及应变数据进行随机模拟采样，获取长度一致的车重及应变采样数据，之后利用贝叶斯线性回归建立车重-应变线性相关性映射模型，最后以该模型斜率为指标制定了桥梁整体性能在长期服役过程中的评价方法。
7.一种基于车重-应变映射模型斜率的桥梁状态评估方法，包括如下步骤：
8.步骤1：获取待评估桥梁的车重数据与车致应变数据；
9.步骤2：分别进行车致应变数据与车重数据聚类；
10.步骤3：对步骤2聚类所得每一簇，根据设定要求，从每一簇的车致应变与车重数据中选取n组数据，生成长度一致的车致应变与车重随机采样数据；其中，n为正整数；
11.步骤4：将生成的每一组车致应变与车重随机采样数据作为一组样本，基于贝叶斯线性回归方法，生成一个车重-应变映射模型，并获得每一个车重-应变映射模型的斜率；
12.步骤5：计算每一簇中每一个车重-应变映射模型的斜率与该簇内车重-应变映射模型质心的斜率之间的距离，取各个簇中计算得到的距离最大值作为各个簇的评估阈值；
13.步骤6：周期性实时采集待评估桥梁的车重数据与车致应变数据，若连续超过m个周期，采用步骤2至4的方法得到结果中，每一簇至少有一个车重-应变映射模型的斜率与该簇内车重-应变映射模型斜率质心之间的距离大于该簇的评估阈值，则表明桥梁结构性能发生异常 (此时桥梁可能出现损伤，需要进行报警)，否则认为桥梁结构性能无异常；其中，m为正整数。
14.进一步地，步骤1中，获取桥梁车重数据与车致应变数据的方法如下：
15.桥梁安装动态称重系统和健康监测系统，实时采集桥梁结构每天各个时间段的过桥车辆信息及桥梁应变响应数据；
16.从过桥车辆信息中，提取过桥车辆的车重数据；
17.从桥梁应变响应数据中，分离桥梁温致应变，提取由车重引起的车致应变最大值数据。
18.进一步地，步骤2中分别进行车致应变数据与车重数据聚类的方法如下：
19.对车重数据进行分布拟合，获得车重数据的分布统计特征，并根据车重数据的分布统计特征对车重数据进行聚类；
20.对车致应变数据进行分布拟合，获得车致应变数据的分布统计特征，并根据车致应变数据的分布统计特征对车致应变数据进行聚类；
21.上述车致应变数据与车重数据聚类，所划分的簇类别一致，都为k簇。
22.进一步地，步骤3中，生成长度一致的车致应变与车重随机采样数据的方法如下：
23.对步骤2聚类所得每一簇，根据设定要求，从每一簇的车致应变与车重数据中选取n组数据作为随机采样的对象；
24.对每一组车重数据及车致应变数据，以其分布拟合函数为目标函数，以能够包络车重数据及车致应变数据概率分布的高斯分布为建议分布函数，采用metropolis-hastings算法对其进行随机模拟采样，生成一组服从原始车重数据及车致应变数据分布的具有相同数据长度的车重数据及车致应变随机采样数据。
25.进一步地，步骤4中，获取基于贝叶斯线性回归的车重-应变映射模型斜率的方法如下：
26.对于每一簇，将步骤3所获得的每一组车致应变与车重随机采样数据分别按由大至小顺序排列并一一对应，构成每一组的样本集；
27.基于每一组的样本集，采用贝叶斯线性回归方法，建立一个车重-应变映射模型，并获取该车重-应变映射模型的斜率。
28.进一步地，步骤5中计算每一簇中每一个车重-应变映射模型的斜率与该簇内车重-应变映射模型质心的斜率之间的欧氏距离。
29.有益效果：与现有技术相比，本发明具有以下有益效果：
30.1、准确考虑桥梁在日常交通流量影响下的安全状态
31.本发明通过分析车辆荷载与桥梁应变之间的内在联系，提供桥梁在车辆荷载影响
下的性能评估方法；通过聚类划分，能够建立更加精细的映射模型；通过随机模拟采样，能够保证车辆荷载与其所引起的桥梁应变间的对应；通过贝叶斯线性回归，能够有效考虑映射模型的不确定性；此外，通过分析桥梁长期监测过程中映射模型斜率的变化，保证了相应评价方法的准确性；
32.2、该评估方法过程简单，实用性高
33.本发明的评估方法以动态称体重系统及健康监测系统的长期监测数据为对象，简单实用，具有很好的可行性，数据提取及分析过程简单精准，具有较好的适用性，而且能够将动态称重系统与健康监测系统较好的融合在一起，使二者不再孤立发挥作用，实现数据价值最大化；同时，本发明的测定方法还可为桥梁混凝土开裂巡检和控制超重过桥车辆限行提供理论依据，可得到广泛推广和应用。
附图说明
34.图1为本发明方法的流程图；
35.图2为桥梁典型车致应变；
36.图3为桥梁车致应变及车重数据频数直方图及拟合结果，其中(a)为应变数据，(b)为车重数据；
37.图4为桥梁车致应变及车重数据聚类结果，其中(a)为应变数据，(b)为车重数据；
38.图5为簇1中某组车致应变及车重采样数据与原始数据对比示例图，其中(a)为应变数据，(b)为车重数据；
39.图6为簇1中某组车重-应变相关性映射模型示例图。
具体实施方式
40.下面将参照附图，通过实施例对本发明的技术方案进行详细的说明。
41.在一个实施例中，提供了一种基于车重-应变映射模型斜率的桥梁状态评估方法，如图1 所示，包括如下步骤：
42.步骤1：获取待评估桥梁的车重数据与车致应变数据；
43.步骤2：分别进行车致应变数据与车重数据聚类；
44.步骤3：对步骤2聚类所得每一簇，根据设定要求，从每一簇的车致应变与车重数据中选取n组数据，生成长度一致的车致应变与车重随机采样数据；其中，n为正整数；
45.步骤4：将生成的每一组车致应变与车重随机采样数据作为一组样本，基于贝叶斯线性回归方法，生成一个车重-应变映射模型，并获得每一个车重-应变映射模型的斜率；
46.步骤5：计算每一簇中每一个车重-应变映射模型的斜率与该簇内车重-应变映射模型质心的斜率之间的距离，取各个簇中计算得到的距离最大值作为各个簇的评估阈值；
47.步骤6：周期性实时采集待评估桥梁的车重数据与车致应变数据，若连续超过m个周期，采用步骤2至4的方法得到结果中，每一簇至少有一个车重-应变映射模型的斜率与该簇内车重-应变映射模型斜率质心之间的距离大于该簇的评估阈值，则表明桥梁结构性能发生异常 (此时梁可能出现损伤，需要进行报警)，否则认为桥梁结构性能无异常。
48.在一个实施例中，步骤1具体包括：
49.桥梁安装动态称重系统和健康监测系统，实时采集桥梁结构每天各个时间段的过
桥车辆信息及桥梁应变响应数据；
50.从过桥车辆信息中，提取过桥车辆的车重数据；
51.从桥梁应变响应数据中，分离桥梁温致应变，提取由车重引起的车致应变最大值数据。
52.在一个实施例中，步骤2具体包括：
53.对车重数据进行分布拟合，获得车重数据的分布统计特征，并根据车重数据的分布统计特征对车重数据进行聚类；
54.对车致应变数据进行分布拟合，获得车致应变数据的分布统计特征，并根据车致应变数据的分布统计特征对车致应变数据进行聚类；
55.上述车致应变数据与车重数据聚类，所划分的簇类别一致，都为k簇。
56.在一个实施例中，步骤3具体包括：
57.对步骤2聚类所得每一簇，根据设定要求，从每一簇的车致应变与车重数据中选取n组数据作为随机采样的对象；
58.对每一组车重数据及车致应变数据，以其分布拟合函数为目标函数，以能够包络车重数据及车致应变数据概率分布的高斯分布为建议分布函数，采用metropolis-hastings算法对其进行随机模拟采样，生成一组服从原始车重数据及车致应变数据分布的具有相同数据长度的车重数据及车致应变随机采样数据。
59.在一个实施例中，步骤4具体包括：
60.对于每一簇，将步骤3所获得的每一组车致应变与车重随机采样数据分别按由大至小顺序排列并一一对应，构成每一组的样本集；
61.基于每一组的样本集，采用贝叶斯线性回归方法，建立一个车重-应变映射模型，并获取该车重-应变映射模型的斜率。
62.在一个实施例中，步骤5具体为：
63.计算每一簇中每一个车重-应变映射模型的斜率与该簇内车重-应变映射模型质心的斜率之间的距离，取各个簇中计算得到的距离最大值作为各个簇的评估阈值。
64.在一个实施例中，以欧式距离为例，某一簇的评估阈值d
max
的计算公式为：
65.d
max
＝max|x
i-xc|
66.式中：i∈[1,n]，xi为该簇内第i个车重-应变映射模型的斜率，xc为该簇内车重-应变映射模型质心的斜率。
[0067]
在一个实施例中，以某年江苏省如皋某大桥动态称重系统采集的车重数据和健康监测系统采集的桥梁应变为例，说明本发明的具体实施过程。
[0068]
通过某大桥安装的动态称重系统和健康监测系统，提取某年过桥车重数据和应变响应，剔除应变响应中的温致应变成分，获得桥梁车致应变响应，如图2所示。
[0069]
分别对该年的车重数据与车致应变数据进行分布拟合，图3分别为车重及车致应变数据的频数直方图和拟合结果，从图中可看出车重与车致应变的长期分布相似。基于车重数据与车致应变的分布统计特征分别进行聚类，车重与车致应变各自被聚为3个簇，聚类结果见图 4。
[0070]
考虑到某大桥的实际情况，每一簇中每一组的数据长度设定为5-6天采集的数据，每簇均为60组。
[0071]
采用metropolis-hastings算法对每一组的车重数据及车致应变数据进行随机模拟采样，生成与原始车致应变数据及车重数据分布一致且具有相同数据长度的车致应变与车重随机采样数据。以聚类所得簇1中的某组的车致应变和车重数据为例进行展示，原始车重及应变数据分布与采样数据概率密度函数估算值对比示例见图5。
[0072]
将生成的每组车致应变与车重随机采样数据分别按由大至小顺序排列并一一对应，采用贝叶斯线性回归建立每组的车重-应变数字映射相关性模型并提取模型斜率，图6为簇1的某组车重与应变线性相关性模型示例图。对于聚类所得的3个簇，每簇均生成60个模型，计算这60个模型的斜率。
[0073]
计算各簇内的评估阈值，作为之后监测过程中判别桥梁性能变化的依据。
[0074]
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。