英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
连续铁路桥梁的损伤鉴定实验研究
Deshan SHAN，付春宇，李桥
(西南交通大学，成都610031，中国)
摘要：考虑到铁路桥梁损伤识别误判的问题，提出了一种将逐步损伤检测方法与统计模式识别相结合的方法来检测铁路连续梁桥的结构损伤。损伤识别的整个过程分为三个识别子步骤，即损伤预警，损伤位置和损伤程度识别。向量体系的多类型分类算法和向量体系的回归算法分别用于识别损伤位置和损伤程度。为了验证所提出的方法，提出的方法和优化方法都用于处理从特定的铁路连续梁模型桥获得的测量数据。结果表明，该方法不仅可以正确识别损伤位置，还可以准确获得与实验结果一致的损伤程度。通过对有限元分析和损伤识别，归一化索引，寻找最大余量的分离超平面，提出的方法在广泛化和抗噪声方面具有更多的优势。因此，它具有识别损伤位置和破坏程度的能力，能适用于实际桥梁结构中的损伤识别。
关键词：铁路桥梁; 损伤鉴定; 向量; 分步; 模型测试
1.简介
灾难性的桥梁倒塌事故不仅造成财产大量损失，而且也造成严重的社会影响。因此，桥梁损伤检测研究越来越受到重视，成为世界桥梁工程领域学者和工程师的研究重点之一。
铁路桥梁结构的损伤识别是一个跨学科的研究课题，它涉及弱信号检测，信号处理，工程力学，桥梁工程，人工智能，随机事件，数学统计等知识。各国学者致力于这一领域，在过去20年中取得了大量的研究成果[3-5]。
通常采用基于静态测试数据的损伤检测算法来计算桥梁的运行性能。所有这些研究都采用优化算法来检测损伤，但是对桥梁状态的错误判断或损坏发生的位置及范围的不精确判断是由测量误差和识别结果的局部最小值和优化算法的缺点引起的。
因此，本文提出了一种将逐步损伤识别方案[11]与统计模式识别相结合的方法，以确定铁路桥梁结构损伤。铁路桥梁结构损伤识别问题被视为统计模式识别问题，逐步解决了铁路桥梁结构的损伤识别，每个求解步骤采用不同的统计模式识别方法。使用特定铁路连续梁桥模型试验的测量数据对所提出的方法和优化方法进行了测试。
- 铁路桥梁损伤识别的统计模式识别
模式识别被广泛用于在许多学科中，它能正确地对特定的数据进行分类。统计模式识别[11]是通过将模式类作为模式的随机向量的集合来进行模式识别的分类方法。从统计模式的角度来识别，相同类别之间的区别部分是由环境噪声和传感器引起的，部分是由于模式本身在铁路桥梁结构的损伤检测中的随机性引起的。
2.1.损伤识别过程
铁路桥梁结构破坏鉴定有三个基本问题：结构损坏预警，损坏位置和程度识别。对于诸如铁路桥梁的大型复杂结构，通过优化算法直接解决这三个问题是非常困难的，其解决方案往往是不合理的。为了降低解决难度，提高识别结果的准确性，损伤检测的全过程分为与损伤鉴定三个基本问题相对应的三个识别步骤，并通过不同步骤引入不同的模式识别算法逐步解决。铁路桥梁结构的损伤识别程序如图1所示。
测试结构反应谱
N
破坏发生
Y
破坏识别
二类分类器
多类分类器
破坏位置
回归处理器
破坏延伸
图 1铁路桥梁损伤识别的统计模式识别过程
2.1.1 结构破坏预警
铁路桥梁是否损坏是模式识别的一个典型的二类分类问题。测量数据可以通过准确的仪器和荷载获得，并将这些数据与相应荷载情况下完整桥结构状态下的理论响应进行比较。如果在相同加载条件下的测量和理论响应之间的差异是可以允许的，并且结构处于完整状态，则终止识别过程。否则，结构损坏，损坏位置和现场识别进行。结构响应通常是指桥梁静态试验中的位移或应变，它们与结构刚度有关。可以选择测量的位移或应变作为损伤指数。 同时，为了可比性，应对破坏指标进行统一化。取xi =（xi1，xi2，Ă，xin）（n是xi的维度）作为损伤指数，其归一化表示为：
其中是xiq的归一化结果。
2.1.2 结构损坏位置
从模式识别的角度来看，结构损伤位置识别问题是一个多类别的分类问题。 根据样本的相似性，通过分类算法将样本划分为不同的类别。 对于损伤位置识别，对应于相同损伤位置的结构响应数据被视为同一类，并应为不同的损伤位置计算出多个等级。 从理论计算或现有实验结果预先获得不同类的结构响应数据。 此外，形成了对应于不同损坏位置的多个等级。 然后建立支持向量机的分类模型。 最后，模型是对新的测量数据进行分类，并进行破坏位置。
根据模式识别理论，铁路桥梁破坏识别（预警，损伤位置和识别程度）的每个识别步骤也分为三个子步骤[13]，即损伤指数选择，样本库的构建和模式识别算法的选择。
2.2.1破坏索引选择
选择的结构损坏指标应表示结构特征[3]。 测量的向量机制与支持向量相关，因此选择与支持向量相似的样本，并丢弃其他非支持向量样本。 本文采用内核子空间样本选择方法[15]来选择样本。
2.2.2 示例图书馆建设
选择破坏指标后，计算与可能的荷载组合情况下不同结构损坏状态相关的损伤指标值，并将这些值全部收集在一个数据库里集中，即样本库。
如果所有可能的破坏状态都包含在样本库中，则样本库的大小将是巨大的，因为在实际桥结构中存在无限的破坏样本。如果采用所有这些样本直接形成样本库，这将导致不合理数量的计算存储器重新生成并且会对计算速度产生不利地影响。因为减少搜索范围的损伤，减少识别难度大，提高识别准确度，铁路桥梁结构的重大损伤状态通过结构损伤敏感性分析进行。铁路桥梁结构的结构力学性能分析和缺陷调查这两种方法都能够进行结构损伤敏感性分析[14]。发现在所有可能的荷载组合下最可能的破坏状态是通过结构力学性能进行分析的。通过桥梁缺陷调查获得了由人为或自然环境的影响引起的桥梁倾斜缺陷，这些缺陷通过结构力学性能分析是无法获得的，但是它们肯定存在于铁路桥梁结构中。
然后，采用最可能的损害状态和缺陷倾向来构建样本库，来确定有关的损害赔偿。样品选择后结合形成样品库。 样本选择的目的是保持（或很少）分类算法的生成性能，并减少分类算法的存储需求和时间消耗。选择有助于分类和预测的关键样本用于不同的分类器。例如，支持向量机的决策与支持向量相关，因此选择与支持向量相似的样本，并丢弃其他非支持向量样本。本文采用内核子空间样本选择方法[15来]选择样本。
虽然支持向量器是从解决分类问题或模式识别问题开发的，但也可以扩展到解决回归估算问题。实现该功能的一个关键点是在扩展中引入损失函数，然后将回归问题转化为由损失函数辅助的分类。 因此，支持向量机算法可用于实现参数回归估计[。
算法和核函数的选择在支持向量机的应用中起着至关重要的作用。 通过对支持向量机的深入研究，提出了除标准支持向量机算法外的许多变换算法，如C支持向量机，最小二乘支持向量机和线性规划支持向量机。本文采用C支持向量机识别损伤位置和程度。
2.2.3。 模式识别算法选择
近几十年来，模式识别研究取得了很多成果，已经提出了许多新的方法，成功应用于许多领域。统计学习理论[16]是为小样本的专门设计的分类器理论。 作为统计学习理论的特殊算法之一，支持向量机具有优势，优化泛化能力等优点。 在支持向量机算法辅助下，通过非线性变换将输入向量空间转化为新的高维空间，然后在该新的高维空间中获得最优线性分类表面。
取（xi，yi）（xiisin;Rn，yię{-1,1}，i = 1,2，Ă，i，其中i是样本的大小）作为样本库，并且最优线性分类表面问题可以转化为典型的二次规划问题[17]：
min aT Ha – eT a
S.t . aT y = 0,
aT y ge; 0,
alpha;=（alpha;1，alpha;2，...,，alpha;i，...alpha;l），alpha;是拉格朗日乘数; y =（y1，y2，...，yl）;e =（1,1，...，1）; K（xi，xj）（iisin;{1,2，...，l}，jisin;{1,2，...，l}）是核函数，这意味着损坏指数在较高维数中的内积空间[17]。 alpha;* =（alpha;1*，alpha;2 *，...，alpha;l *）是最优的，可以通过求解方程式来获得alpha;和alpha;*的解。（2）一个积极的成分a *组件，然后可以计算。
b* = yj–Sigma;yialpha;iK ( xi , xm )
对于一个新的输入索引x，其决策函数应该表示为：
f ( x) = sgn(Ʃai yi K ( xi , x) b ).
* *
虽然支持向量器是从解决分类问题或模式识别问题开发的，但也可以扩展到解决回归估算问题。实现该功能的一个关键点是在扩展中引入损失函数，然后将回归问题转化为由损失函数辅助的分类。 因此，支持向量机算法可用于实现参数回归估计[17]。
算法和核函数的选择在支持向量机的应用中起着至关重要的作用。 通过对支持向量机的深入研究，提出了除标准支持向量机算法外的许多变换算法，如C支持向量机，最小二乘支持向量机和线性规划支持向量机[18]。本文采用C支持向量机识别损伤位置和程度。
核函数的选择实际上是映射空间的选择，并且存在许多种类的内核函数，例如多项式核函数，高斯径向基核函数，内核函数等，并且公共多核函数的表达式如下所示：
K ( xi , x j) = [( xi · xj ) e]d ,
其中xi·xj是xi和xj的内积，e和d是常数，e和d值的确定应结合专业知识对具体的铁路桥梁损坏识别问题。
3模型测试
为了验证提出的损坏识别方法，将优化算法和提出的算法应用于特定连续梁模型桥进行损坏识别[19]。
3.1.模特设计
根据某些实际的铁路桥梁尺寸，模型桥由1:20规模设计。 如图2所示，该模型的跨距布置为5.0 9.6 5.0 m，主梁为预应力混凝土单箱梁。 如图3所示，中间支撑段，中跨段和端段处，梁高度分别为0.64m，0.32m和0.32m，并且梁高度随二次抛物线函数变化。
图2 模型桥高程（单位：厘米）
（a）支点界面 （b）中跨段
图3，桥梁截面尺寸（单位：cm）
3.2装载程序
如图4所示，模型桥上有三个装载点P1，P2和P3，分别距离左侧轴承中心线为2.2 m，9.8 m和17.4米。 测试中引入两个装载箱; 所有三个装载点都装载在装载箱I中，只有两端装载点装载在装载箱II中。为了验证数据采集系统的功能，首先实现预加载，其承载能力小于结构开裂荷载。 案例I和II的正常装载条件分别设计成使得这些部分分别位于主跨度和边跨裂缝的中间跨度处。 引入分步加载以破裂指定的部分，直到达到峰值，在每个加载步骤持续10分钟的荷载，然后逐步卸载。 该负载程序重复5次以保持裂纹。
3.3损伤识别
假设完整的第i个元素的刚度为EIi，其损伤刚度为EIi（1-thorn;i），其中thorn;i是第i个元素的损伤程度。 为了获得不同负荷情况下模型桥梁的真实反应，首先通过多变量统计分析实现了测试数据的完整性和优化[20] 之后，逐步进行损伤识别如下。
3.3.1损伤预警
如前所述，第2.2.1节中的损坏预警过程和2.2节中的损伤识别实施，采用结构挠度作为损伤预警指标矢量，并借助于模型桥梁在变形荷载情况下的理论损伤发生指数向量和载荷大
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[137906]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
