时间序列分析在桥梁应力监测数据预警中的应用

目前国内越来越多的干线公路桥梁部署实施了安全监测系统,开展针对包括应力在内的桥梁结构各类响应的监测,海量的监测数据在记录桥梁状态、损伤的同时,数据处理及及时的结构预警也成为了管理者的难题。为此,将数据挖掘中时间序列分析方法引入到桥梁应力监测数据分析中,提出了基于时间序列分析的桥梁应力监测预测,为桥梁应力监测数据处理和预警提供了新思路。     

基于光栅传感的桥梁预应力孔道磨损误差预测

针对传统孔道磨损误差预测方法中预测精度低的问题,提出基于光栅传感技术的桥梁预应力孔道磨损误差预测方法。根据桥梁预应力孔道的实际结构,搭建相应的有限元模型。在该模型下设置测点,安装光栅传感器设备从而采集预应力数据,得出桥梁预应力孔道磨损的实际监测数据。估算桥梁有效预应力和磨损量,通过与监测数据的相减计算,得出孔道磨损误差的预测结果。通过对比试验得出结论:与传统孔道磨损误差预测方法相比,设计预测方法的磨损量预测误差降低了0.55MJ,即在预测精度方面更具优势。     

基于灰色理论的桥梁刚度性能退化预测方法研究

桥梁结构刚度退化可以从侧面反映出桥梁的健康状况,以子牙新河特大桥简易健康监测系统监测数据为样本,采用灰色预测中数列预测的方法对子牙新河特大桥刚度的退化趋势进行了预测,计算出了10年之后桥梁刚度退化状态,并与五年实测数据进行了对比分析,验证了基于灰色理论的桥梁结构刚度性能退化预测的可行性和有效性.     

�����������SARIMA���ģ�͵Ķ��ڽ�ͨ��Ԥ��

为了更精确地预测短期交通流,提出由季节自回归求和移动平均模型(SARIMA)和广义回归神经网络(GRNN)模型所构成的组合模型(SARIMA-GRNN模型),该模型结合了时间序列模型和神经网络模型进行时间序列预测的优点。构造该组合模型的两个组成模型,即SARIMA模型和GRNN模型,也被用于预测研究以便于验证该组合模型在预测上的优势。实证研究结果表明,组合模型的预测精度高于SARIMA模型,但是却并不必然高于GRNN模型。然而,合理选择组合模型中神经网络部分的输入变量以及输出变量将显著地改善模型的预测精度,本文所构造的这个组合模型不仅具有很好的预测表现而且结构简单,非常适合城市道路短期交通流的实时预测。     

基于时序分析的桥梁健康监测数据预测研究

为了发现桥梁在使用过程中所存在的隐患并且把桥梁运营结构状态预测得更加精准,确保桥梁结构使用的安全性能,以沈阳环城高速公路某立交桥梁健康监测作为依托的背景,根据现场大量的位移、应变实时监测的桥梁数据,利用ARMA时间序列预测模型的分析方法,建立预测函数表达式。分析结果显示,修正后的预测函数表达式给出的预测值与传感器采集的真实值比较,误差小、预测结果准确,结果符合预期要求。     

高家花园大桥挠度快速监测系统研究

通过设计、安装重庆嘉陵江高家花园大桥快速挠度监测系统,并分析了该桥火灾后的监测数据,结果对指导桥梁状态评估起到较好作用。在桥梁受火灾后很短时间内该系统就可以开始观察、监测桥梁后期挠度变化情况,因此相关数据对研究桥梁火灾后结构变化具有一定指导意义。     

基于模糊信息粒与SVM的道路交通状态波动分析

为分析道路交通状态波动范围,提出了一种基于模糊信息粒化与支持向量机组合预测的建模方法。分析了道路交通状态波动特点和交通参数选择原则,以模糊理论和时间序列预测为基础,通过模糊信息粒以15 min时间窗将样本数据模糊化,得到Low、R、Up这3组时间序列;并利用支持向量机模型分别对其进行预测,获得道路交通状态的波动范围与变化趋势。实例分析时,在验证数据采集路段属性相近的前提下,用该组合模型对早、晚高峰和平峰等3个时段的交通波动状态进行验证,验证结果有较高精度,能有效预测交通状态波动情况。     

高家花园大桥挠度快速监测系统研究

通过设计、安装重庆嘉陵江高家花园大桥快速挠度监测系统,并分析了该桥火灾后的监测数据,结果对指导桥梁状态评估起到较好作用.在桥梁受火灾后很短时间内该系统就可以开始观察、监测桥梁后期挠度变化情况,因此相关数据对研究桥梁火灾后结构变化具有一定指导意义.     

桥梁结构安全监测技术与应用

结合工程实例,应用全站仪、智能弦式应变计和柔性导电涂料裂缝监测技术等对该桥梁结构的变形、应力和裂缝变化情况进行测试,可确定桥梁结构的整体运营状态和局部病害的变化情况,预测其变化趋势和规律,通过对测试数据分析,对桥梁状态做出评价,为桥梁养护决策提供技术支撑。     

基于GM（1,1）与AR模型的轨道不平顺状态预测

反映轨道几何状态变化的轨道几何检测数据是一个随时间变化的时间序列,具有随机性特点.本文将经过普遍适应性改进的灰色GM（1,1）与随机线性AR模型相结合,研究轨道水平不平顺状态在点、单元区段范围随时间变化趋势,并对GM（1,1）预测的残差进行修正,从轨道水平的几何状态变化的随机数据序列中找寻变化规律.用得到的几何状态变化模型分别对轨道的短期、中长期状态进行预测分析,预测结果表明模型是有效的,满足预定精度的要求.     

�����ƽ˳ʱ�����й����ȼ���仯�����о�

轨道几何形状检测数据是一个随时间变化具有随机特征的时间序列,反映轨道几何状态的变化.在本文中,灰色关联度理论用于研究轨道水平不平顺时间序列数据,挖掘时间序列数据之间隐含的关系;经过普遍适应性改进和残差修正改进的灰色GM（1,1）模型预测固定测点轨道不平顺长期状态变化趋势,随机线性AR和卡尔曼滤波模型分析单元区段轨道不平顺短期变化趋势,探索轨道状态变化随机数据序列中隐藏的规律并进行预测.短期和长期预测模型验证结果表明,三种模型是有效的,能够达到预期的精度.     

基于主成分分析的桥梁结构服役状态评估

为提高桥梁结构健康状态检测过程的效率和检测结果的可靠性,基于数据挖掘技术建立了桥梁结构全寿命健康状态检测模型,解决了现有桥梁结构健康状态检测过程中存在的检测误差大、检测效率低的问题。首先,利用无线传感网络信息收集技术获取有关桥梁结构健康数据,利用核心主成分分析对桥梁结构健康数据进行预处理,消除桥梁结构健康数据的冗余特征,缩减桥梁结构信息的维度,保留了数据本身的有用信息。然后,利用粒子群优化算法计算出支持向量机关键参数。结果表明,本模型可以精准预测桥梁健康状态,具有高精度高可靠性,可以为桥梁结构运营状态检测提供新思路。     

浅埋黄土地区隧道健康监测之结构变形的时间序列预测模型

黄土地区修建的各类隧道,由于地质、环境、荷载等因素的影响而导致结构劣化。时间序列分析理论近年来得到迅速的发展,并被应用于工程技术的许多领域。本研究在此基础上结合观测的黄土地区隧道位移的测量数据,研究了简便准确且符合工程实际情况的隧道监测数据时间序列分析方法,建立了相应的时间序列ARMA模型,并对隧道截面的量测数据进行了时间序列分析,对黄土地区公路隧道位移变化量进行了预报。结果证明该方法具有简便性和合理性,可以用于隧道监测数据的分析和健康状况预测中,及时判断异常情况以便采取有利的预防和补救措施,避免可能发生的事故。     

分析桥梁结构监测数据预处理方法及其应用

科学技术的进步推动了我国交通运输业的发展,桥梁成为交通运输业中的重要组成部分.而桥梁结构在投入使用的过程中,不仅需要承受通行车辆产生的荷载,而且还受到温度、湿度等环境因素的影响,桥梁质量和使用寿命受到极大的影响.因此对桥梁结构的数据资料进行收集,以判断桥梁结构的健康状态,由于收集的数据资料庞大,因此需要对数据先进行预处理.为此,对桥梁结构监测数据的预处理方法进行概述,并阐述了桥梁结构监测数据预处理方法的应用.     

桥梁技术状况预测的灰色马尔可夫链模型研究

提出将灰色马尔可夫链用于桥梁的技术状况预测中,以解决传统的回归分析模型无法考虑不确定因素对结构技术状况的影响和概率型模型对单一桥梁预测的局限性问题,提出了将灰色模型GM(1,1)与马尔可夫链有机结合起来,利用二者的优点充分考虑了桥梁技术状况的整体趋势和局部波动情况,最大限度地利用历史信息.通过对国外某桥的技术状况进行预测分析并与传统的预测方法进行对比,证实了该模型的预测精度.     

基于监测数据标准场构建的桥梁结构 状态评估方法研究

文章在分析基于健康监测的桥梁结构状态评估中所存在的主要技术瓶颈的基础上,提出了一种基于健康监测数据的桥梁状态标准场分析方法,通过将多维、强耦合的桥梁环境影响分解为一系列波动范围较小的环境标准场,然后在各标准场内对结构响应指标进行观察,从而减小了环境因素对观测结果的影响。该方法有利于将高维、复杂问题简化为低维、简单问题,便于充分利用健康监测所获得的大量数据,通过同一位置不同时间测量结果的变化来识别结构状态。     

大跨度预应力混凝土箱梁桥的挠度预测研究

以某大跨度预应力混凝土箱梁桥为依托,对该桥挠度监测数据进行处理分析,采用改进灰色模型软件,从结构视角对该桥不同阶段的挠度变形值进行预测分析,具有较高的精度,可为桥梁建设与管理部门对桥梁维护提供参考与借鉴。     

灰色模型与其组合模型的比较

运用灰色模型和二元回归模型的组合模型进行交通量的预测,结果表明,组合模型比单一的灰色模型具有更高的预测精度。     

基于EMD-ARIMA模型的边坡位移分析与预测

针对波动性大、规律性差且含噪声的高速公路边坡位移监测时间序列,提出了一种基于经验模态分解技术(EMD)和自回归移动平均(ARIMA)相结合的预测算法,基本思想为"数据分解-数据预测-数据合成"。通过对重庆奉云高速公路247 d边坡位移监测数据的预测和分析,表明EMD-ARIMA具有较高的精度,好于单一ARIMA模型,可为工程建设及防灾减灾提供技术指导。     

改进小波包与长短时记忆组合模型的短时交通流预测

为克服非稳定交通流状态下短时交通流预测精度不高、过分依赖大样本历史数据的缺陷,提出一种改进小波包分析和长短时记忆神经网络组合(IWPA-LSTM)的短时交通流预测方法. 利用功率谱细化的思想改进小波包分析算法对小样本交通流时间序列进行多尺度分解和单支重构. 对低频序列和高频序列进行相空间重构,完成长短时记忆模型的逐层构建,实现本地保存并根据预测精度进行自适应更新,将重构的子序列输入模型训练和预测. 将各子序列的预测值叠加输出IWPA-LSTM最终预测值. 实验结果表明,提出的IWPA-LSTM模型在小样本情况下的预测精度优于经典深度学习模型,具有较强的实用性.