基于CNN-LSTM深度学习的列车荷载与桥面系局部健康状态识别研究

摘要：

桥梁健康监测数据的深度分析是发挥健康监测系统作用的必然途径,由于监测测点的有限性和监测数据受环境效应等因素影响,很多监测结果可利用率不高.在此背景下,以某公铁两用大跨度钢桁架桥桥面系纵梁应变及温度长期监测数据为依据,基于CNN-LSTM深度学习,对有限应变监测数据在桥梁列车和局部健康状态识别应用进行有益探索;采用集合经验模态分解(EEMD)算法对车致应变进行提取与分析,根据列车过桥应变峰值进行列车荷载和车型识别.实际数据有效性检验结果表明,纵梁截面单一应变测试结果对该桥列车荷载识别准确率可达92.3％.利用提取的桥面纵梁测点应变监测数据训练CNN-LSTM模型,并进行残差预测,使用指数加权移动平均法,结合列车荷载因素进行桥面系局部损伤预警阈值分析,利用实测数据对模型进行深入训练和验证,并与CNN、RNN和LSTM模型进行对比分析.分析结果表明,本文模型在该桥桥面系测试节间纵梁损伤识别准确度优于其他模型,可在桥梁局部出现损伤时,进行健康状态判别与预警;随着测试截面的增加,可进一步扩展本文方法识别范围,提高识别效果.

关键词：桥梁健康监测、列车荷载识别、健康状态识别、深度学习、CNN-LSTM

所属期刊栏目：44

分类号：U446(桥涵工程)

资助基金：国家自然科学基金;河北省重点研发计划

在线出版日期：2022-10-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：135-145