技术领域
[0001] 本
发明涉及一种基于神经网络技术的桥梁动载检测技术，尤其适用于各类桥梁结构的动载响应测试及进行桥梁动
力性能评估。
背景技术
[0002] 桥梁结构的动力特性是桥梁承载力评定的重要参数，同时也是识别桥梁结构工作性能和进行桥梁结构动力分析的重要参数。随着我国公路桥梁检验评定制度的推广以及桥梁安全评估的需要，桥梁动载试验越来越受到重视，已成为新桥成桥荷载试验和旧桥承载能力评定的重要手段。桥梁的动载试验主要包括跑车试验、
制动试验、跳车试验，具体如下：
[0003] 1)跑车试验主要是测试重车以各种不同时速驶过桥梁时，桥梁各主要特征部位的动力响应，由此得到冲击系数等。其车速可选择5、10、20、40、60、80km/h等，每种车速跑车3～4次，试验结果取平均值，且记录下每个跑车试验速度下各测点的时程曲线，求出每个车速下各测点的最大振幅值并分析其规律。
[0004] 2)制动试验中
汽车以设计最高时速的一半驶过桥梁，在桥梁制动墩的墩顶
位置刹车，测量桥梁各特征部位的竖向振幅、横向振幅和纵向振幅。分析汽车制动时顺桥向测点的衰减曲线，可求得桥梁的顺桥向自振
频率及阻尼比。
[0005] 3)跳车试验采用重车从15cm高的枕木上自由落体激振桥梁。由压电
加速度
传感器拾振，配电荷
放大器进行
信号转换，利用动态信号采集分析仪进行
数据采集和分析，同样可以得出
桥跨结构固有频率和阻尼比。
[0006] 以上常见的桥梁动载试验往往要花费几天时间，需要封闭部分桥梁交通，且受
温度、仪器
精度等影响，测试结果的精度不稳定，这些现实问题困扰着相关研究者。此外，桥梁结构除了承受本身自重和各种附加恒载以外，还要承受车辆、人群、
风力和
地震等活荷载，其振动影响因素复杂，仅靠现场试验分析还不能满足工程应用的需要，因此，引入神经网络技术与现场试验相结合的方法，来保证测试结果准确可靠且工作量减少。
[0007] 神经网络技术是人脑及其活动的一个理论化的数学模型，它是由大量的处理单元以适当的方式互连构成，是一个大规模的非线性自适应系统。它具有
大规模并行处理、分布式储存和容错性的结构特征，具有
自学习、自组织与自适应性的能力特征。神经网络不仅在形式上模拟了
生物神经系统，而且也具有大脑的一些基本特征，从系统构成的形式及连接模式上，基本上都是与生物神经系统相似的。由于
人工神经网络具有很强的学习和普化能力，能够将有效信息分布存放，将神经网络技术应用于桥梁动载试验中，能够克服现有桥梁动载响应完全需人工实测的不足，最大程度地减小实测工程量与工程
费用。
[0008] 结构的可靠性是指结构在规定时间内，在规定条件下，完成预定功能的能力，其可靠性指标常用可靠度来描述。可靠性检验的目的是对所需结果的可靠性进行控制，检验出不可靠的情况并及时进行处理，使其最终结果能达到结构安全评估要求。将可靠度检验应用于桥梁动载试验中，能够在减小实测工程量与工程费用的同时，保证测试结果的准确可靠，因此近年来可靠度检验在工程结构的健康监测及安全性评估领域得到了广泛的应用。
[0009] 本发明由此提出一种基于神经网络技术的桥梁动载测试技术，能很好地解决试验费用贵、时间长、精度不足及不具有普遍性等问题，并对未来的桥梁动载测试具有指导性作用。
发明内容
[0010] 技术问题：本发明对大量桥梁荷载试验中的实测动载数据进行了统计分析，在此
基础上，将结构参数等作为
输入层，结构动载响应作为
输出层，通过神经网络技术获得具有一定可靠度的桥梁动载响应值，进而进行桥梁安全性能评估，对未来的桥梁动载测试技术的发展起到一定的促进作用。
[0011] 技术方案：为了能够发展一种基于神经网络技术的桥梁动载测试方法，以克服现有桥梁动载测试中存在的较多不足，本发明统计分析已有的大量桥梁动载实测数据，从中提取出桥梁动载响应影响参数，利用神经网络技术推导出具有一定可靠度的特定桥梁动载响应，方便桥梁工作者进行桥梁性能评估。
[0012] 解决上述技术问题所采用的技术方案是：统计分析已有的大量桥梁动载测试数据，确定出桥梁结构动载响应影响参数；将桥梁结构的动载响应影响参数作为神经网络的输入层，并将其在不同车辆运行速度下的动载响应作为输出层，构造神经网络模型，推导出结构在不同车速下的动载响应；对桥梁进行动载实测，仅实测某一速度下的动载响应，并采用实测结果对神经网络推导结果进行可靠度检验，以确保神经网络推导结果的可靠性；从而分析得到桥梁结构的动力特性、强迫振动响应、动力性能，识别桥梁结构工作性能。
[0013] 基于神经网络技术的桥梁动载测试方法包括以下步骤：
[0014] 第一步：根据已有的动载测试数据统计分析出在不同动载响应影响参数下不同的动载响应值，确定出相应的动载响应影响参数，包括车速、桥跨、桥型、截面几何参数、设计基准期、已使用年限和环境因素；
[0015] 第二步：将桥梁结构的动载响应影响参数作为神经网络输入层，将不同车辆运行速度下的动载响应作为输出层，从而构造神经网络模型；
[0016] 第三步：将需要进行动载测试桥梁的相关参数输入到第二步所构造的神经网络模型当中，获得由神经网络模型推导出的结构动载响应；
[0017] 第四步：对桥梁进行动载实测，仅实测某一速度下的动载响应，并采用实测结果对第三步中所得推导结果进行可靠度检验，以确保神经网络推导结果的可靠性；
[0018] 第五步：若第四步中的可靠度检验结果不满足要求，则将该实测数据按照20％～40％的比重加入样本层，重复1～4步骤，保证该速度下动载响应可靠性满足要求；且重新补充不同速度下的动载响应实测，进行可靠度检验，直至第三步所得结构动载响应的可靠性得到保证；
[0019] 第六步：得到该桥梁结构的动载响应与动力特性，用于评估结构的安全性能。
[0020] 在第二步中，将桥梁结构的动载响应影响参数作为神经网络的输入层，在不同车辆运行速度下的动载响应作为输出层，运用矩阵实验室(matlab)中纽夫(newff)函数构造神经网络模型；该模型输入层有n个神经元x，x∈(x1，x2L xn)，隐含层有d个神经元h，h∈(h1，h2L hd)，输出层有m个神经元y，y∈(y1，y2L ym)；输入层与隐含层之间的权值和
阈值分别为wij和θj，隐含层与输出层之间的权值和阈值分别为wjk和θk：
[0022] 输出层节点： 其中f(x)为传递函数。
[0023] 在第四步中采用实测结果对第三步中所得推导结果进行可靠度检验，具体为：由神经网络模型训练得到的动载响应值作为理论推导值μ，动载试验实测得到某一速度下动载响应值作为实测值 对理论值进行可靠度检验： 若α∈[-5％，5％]则表明理论值具有满足可靠度要求；若上述可靠度检验结果不满足要求，则将该实测数据按照20％～40％比重加入样本层，重复第一步～第四步，保证该速度下动载响应可靠性满足要求；且重新补充不同速度下的动载响应实测，进行可靠度检验，直至所得结构动载响应的可靠性得到保证为止。
[0024] 有益效果：现有的桥梁动载测试技术种类虽然较多，但均有着明显的不足之处，如测试时间长、影响
桥面交通、造成结构损伤、工程费用巨大等。针对上述问题，本
专利发明了基于神经网络技术的桥梁动载测试法，该方法结合了常规动载测试方法的优点，并且运用了神经网络技术来优化动载测试过程，由单一车速下的跑车测试试验结果来推断桥梁在不同车速下的动载响应，大大减少了其中跑车试验的次数。本专利能够在保证测试结果准确可靠的基础上，大大减小常规动载测试所造成的结构损伤，提高分析效率和可操作性。鉴于我国交通基础设施日益完善，旧桥危桥也随之越来越多，迫切需要发展一套科学、准确、可靠、便捷的桥梁监测技术。因此，本专利在未来桥梁动载测试中必将具有广泛的应用前景，产生显著的社会和经济效益。
附图说明
[0025] 图1基于神经网络技术桥梁动载测试法技术
流程图；
[0026] 图2神经网络模型示意图；
[0027] 图3正态分布示意图。
具体实施方式
[0028] 本发明实现方案的主要流程具体如下(参见图1)：
[0029] 1)对已有的大量桥梁结构动载测试数据进行统计分析，确定出动载响应影响参数，如车速、桥跨、桥型、截面几何参数、设计基准期、已使用年限、环境因素等；
[0030] 2)将桥梁结构的动载响应影响参数作为神经网络的输入层，并将其在不同车辆运行速度下的动载响应作为输出层，构造神经网络模型，神经网络
算法模型输入层有n个神经元x，x∈(x1，x2L xn)，隐含层有d个神经元h，h∈(h1，h2L hd)，输出层有m个神经元y，y∈(y1，y2L ym)。输入层与隐含层之间的权值和阈值分别为wij和θj，隐含层与输出层之间的权值和阈值分别为wjk和θk(参见图2)：
[0031] 隐含层节点：
[0032] 输出层节点：
[0033] 上式中f(x)为传递函数。
[0034] 3)将特定桥梁的相关参数输入到第二步所构造的神经网络模型当中，获得由神经网络模型推导出的结构不同车速下的动载响应；对桥梁进行动载实测，仅实测某一速度下的动载响应，并采用实测结果对所得的推导结果进行可靠度检验，以确保神经网络推导结果的可靠性。
[0035] 基于神经网络技术桥梁动载测试法的关键是对神经网络输出层理论值与动载试验实测值进行可靠度检验，得到具有一定可靠度的结构动力响应和动力特性，从而对桥梁2
进行准确安全评估。根据数理统计知识，设X1，X2，X3，L，Xn是正态总体N(μ，σ)的样本，
2
X，σ 分别是样本均值和样本方差，则有(参见图3)：
[0036]
[0037] 其中：
[0038] 定义 按照统计学的常规和桥梁安全评估的要求，当α∈[-5％，5％]时满足可靠度要求，这就对动载响应理论值的可靠性有了定量的估计。值得一提的是，不同结构形式或不同检测，对于可靠度和估计精度的要求不同，故应依据实际情况进行适当调整。
[0039] 若上述可靠度检验结果不满足要求，则将该实测数据按照20％～40％的比重加入样本层，重复1～3步骤，保证该速度下动载响应可靠性满足要求；且重新补充不同速度下的动载响应实测，进行可靠度检验，直至结构动载响应的可靠性得到保证为止；
[0040] 4)得到该桥梁结构的动载响应与动力特性，如冲击系数、阻尼比、自振频率、加速度最大值等。按《公路桥涵设计通用规范》(JTGD60-2004)规定，由冲击系数来判断被测桥梁能否有效避免异常的冲击对桥梁造成的影响；根据阻尼比、自振频率等的变化来进行结构的有限元模型修正以及结构的损伤识别；根据加速度最大值与人体舒适度指标的对比等，来综合评判被测桥梁结构的安全性能。
[0041] 目前，大量桥梁结构包括新建桥梁和旧桥都针对不同的需求进行过荷载试验。根据大量已有桥梁的动载测试数据，统计分析出其参数输入对象即动载响应影响参数，根据已有的动载测试数据统计分析出在不同动载响应影响参数下不同的动载响应值，具体影响参数如车速(5m/s、10m/s、20m/s、30m/s、40m/s、50m/s)、桥跨(10～200m，10m递增)、桥型(简支、连续、刚构、拱)、截面几何参数(截面类型、面积、惯性矩)、设计基准期(30年、50年、70年、100年、120年)、已使用年限(1～120年)、环境因素(按规范规定为I级、II级、III级、IV级)；
[0042] 运用matlab中newff函数生成神经网络，newff函数常用的格式为：
[0043] net＝newff(PR，[S1，S2L，SN]，{TF1，TF2L，TFN}，BTE) (4)[0044] 式(4)中，PR为R×2维数组，表示R维输入矢量中每维输入的最小值与最大值之间的范围；若神经网络具有N层，则[S1，S2L，SN]中各元素分别表示各层神经元数目；{TF1，TF2L，TFN}中各元素分别表示各层神经元采用的传递函数；BTE表示神经网络训练时所使用的训练函数。
[0045] 构造神经网络模型主要依据如下两条指导原则：
[0046] ①对于一般问题，采用三层网络即可很好解决；
[0047] ②三层网络中，隐含层神经元个数d和输入层神经元个数n的关系如式(5)，但值得注意是，隐含层神经元的最佳数目并不是固定的，需要通过实际训练不断进行调整：
[0048] d＝2n+1 (5)
[0049] 运用matlab工具构造出神经网络模型，由神经网络模型训练得到该桥在不同车速下的动载响应值，该值为理论推导值μ；对实测桥梁进行动载试验，仅实测某一速度下的动载响应，该值为实测值
[0050] 对理论值进行可靠度检验： 若α∈[-5％，5％]则表明理论值满足可靠度要求，则其他速度下的动载响应值可直接使用；
[0051] 若上述可靠度检验结果不满足要求，则将该实测数据按照20％～40％的比重加入样本层，重复实现方案中1～4步骤，保证该速度下动载响应可靠性满足要求；且重新补充不同速度下的动载响应实测，进行可靠度检验，直至所得结构动载响应的可靠性得到保证为止；得到该桥梁结构的动载响应与动力特性，如冲击系数、阻尼比、自振频率、加速度最大值等。按《公路桥涵设计通用规范》(JTGD60-2004)规定，由冲击系数来判断被测桥梁能否有效避免异常的冲击对桥梁造成的影响；根据阻尼比、自振频率等的变化来进行结构的有限元模型修正以及结构的损伤识别；根据加速度最大值与人体舒适度指标的对比等，来综合评判被测桥梁结构的安全性能。
