桥梁健康监测中的关键性问题和损伤识别方法

针对大型桥梁结构健康监测的特点,分析了桥梁健康监测中的关键性问题。阐述了几种传统的损伤识别方法,并介绍了一些新兴理论在损伤识别中的应用,分析了不同损伤识别方法的特点。最后提出基于多传感器信息融合的桥梁结构损伤识别策略,并对桥梁健康监测中损伤识别的发展进行了展望。     

苏通大桥结构健康监测及安全评价系统简介

介绍苏通大桥结构健康监测及安全评价系统的技术设计成果,结合对近年来桥梁健康监测系统研究所取得的主要进展和尚待进一步研究的关键性问题的综合性评述,阐述了苏通大桥结构健康监测与安全评价系统的系统构成、系统目标、布点策略、监测仪器的选择、损伤识别及安全评价方法策略等问题,并对大跨桥梁结构健康监测及安全评价系统的发展方向进行了探讨。     

桥梁结构的损伤识别研究

本文针对大型桥梁结构健康监测的特点,总结了桥梁健康监测中的关键性问题,阐述了桥梁结构中所作的研究工作,并分别介绍了桥梁结构损伤检测中的基本方法的,并分析和比较了各方法在实践工程中的应用状况以及前景,并提出了相应的改进方案。     

桥梁结构的健康监测

讨论了工程结构（特别是大跨桥）健康监测系统的背景、特点、核心技术、所涉及的多学科研究进展及发展前景，指出其主要目的是监测累积损伤，桥梁的自动交通管理设施和验收试验为桥梁健康监测系统打下了基础。世界上许多新建的大桥都安装有监测系统。目前的健康监测系统不具备识别能力，而真正的健康监测必须具备自动识别损伤的能力。自动识别损伤是结构健康监测系统的核心技术之一，也是当代国际的研究热点。结构健康监测系统涉及许     

桥梁结构健康监测技术研究进展

桥梁结构的健康监测研究是近年国际学术研究的热点问题之一,涉及许多不同的研究领域,如结构分析、信号处理、计算机采集系统等。该文综述了桥梁结构健康监测的研究现状,对以往有关桥梁损伤识别和健康诊断方法进行了总结和评价,讨论了各种方法在理论和实际应用中的优点和存在的问题,分析了当前桥梁结构健康监测的技术困难和发展方向。     

基于机器学习的超大跨度悬索桥健康状态评估

随着桥梁健康监测系统及其应用的不断完善,采用机器学习进行桥梁健康状态评估成为必要趋势。以超大跨度悬索桥为研究对象,基于桥梁监测数据与机器学习算法,建立了一种以提取结构损伤特征为目标的回归网络,并以峰值系数法和连续小波变换法作为对比,采用密度聚类法对桥梁结构的健康状态进行评估。结果表明:采用改进四分位距法可有效消除监测数据中的异常跳点,回归网络提取的损伤特征与密度聚类法在桥梁健康状态评估中的适用性良好。研究成果为机器学习下的超大跨桥梁健康状态评估提供了理论借鉴和方法参考。     

马鞍山长江公路大桥结构健康监测系统研究

本文介绍了马鞍山长江大桥结构健康监测系统方案的设计成果。主要内容包括:设计原则、系统的目标、构成和主要子系统的功能、监测难点和主要监测内容、监测手段与监测仪器的选择等。文中较为系统地论述了目前大跨桥梁健康监测系统建立与研究中的主要问题,阐述了大跨桥梁健康监测系统的发展方向。     

分层式桥梁综合健康管理系统的研究与应用

提出了桥梁健康管理中监测与检测相结合、实时监测与适时监测相结合、运营健康监测与施工监控相结合的原则,构建了分层式桥梁综合健康管理系统,并结合工程实例进行了详细的说明。该系统采用了多样化的健康信息获取方式,以综合信息为基础进行桥梁损伤识别,弥补了当今相关研究和设计的不足,并通过实际工程验证了该系统的有效性。     

桥梁结构的损伤现代检测与评估

基于结构振动理论和系统识别技术的桥梁健康监测系统已显示出了良好的发展前景．本文对桥梁结构损伤检测与评估技术中的热点问题进行了评述．包括传感器的优化布置、桥梁损伤识别方法、环境激励下的系统响应识别、专家系统等,并介绍了一些实例。     

统筹施工与使用状态的桥梁结构监测体系与方法研究

本文以施工监控与健康监测在硬件、软件、传输、数据等方面的融合为切入点,提出统筹施工与使用状态的结构监测体系,并结合之江大桥工程健康监测系统的设计与建设提出了实施流程,实现了该系统与施工监控的统筹、融合。     

桥梁结构损伤识别研究现状与展望

随着经济的快速发展,结构损伤识别作为桥梁健康监测的核心也得到了迅猛地发展。为了全面总结现有桥梁结构损伤的识别方法,从基于结构响应类型的损伤识别方法、基于分析过程的损伤识别方法和结构智能损伤识别方法三个层面进行了详尽的剖析与总结,理清了各种结构损伤识别方法的脉络关系和技术演变过程。通过系统化分析,汇总了上述三大类损伤识别方法的主流算法,分析了各算法的优势与不足,最终对桥梁结构损伤研究领域未来的研究方向与走势进行了展望。     

桥梁健康监测技术的适用性

为了掌握桥梁在各种工作环境下的结构行为和状态,并利用监测信息及早发现桥梁的异常或损伤,在总结了多座斜拉桥病害特点的基础上,以1座典型斜拉桥的有限元模型模拟了多种可能的损伤情形,并通过计算得到各种损伤情况下的结构动、静力反应及其变化。通过对损伤引起的结构变化和现代监测技术的工作性能及环境对结构行为影响的比较,调查典型桥梁健康监测方法的适用性。结果表明:以目前的监测手段获得的数据难以用来实现桥梁的损伤预警。     

基于神经网络技术的结构损伤检测

结构损伤会导致其振动频率的变化，因此测量结构振动频率可以判断结构是否存在损伤，同时，基于频率测量的结构损伤识别方法具有测试简便，精度较好的优点。在分析结构固有频率的基础上，把结构损伤识别问题分为损伤辨别、损伤定位、损伤程度标定3个子模块，对每个子模块用模态参数构造对损伤敏感的标识量，并作为特征参数输入到神经网络中实现损伤识别。将BP网络和频率相结合进行了矩形梁的损伤检测，计算分析结果表明，该方法在结构损伤检测中具有较好的识别效果。最后对神经网络方法在损伤检测中的发展前景作了展望。     

桥梁健康监测技术研究现状及展望

为进一步推进桥梁健康监测技术的发展,保障桥梁运营安全,依据近20年国内外桥梁健康监测（BHM）领域的学术研究现状,总结了BHM在系统及适用性、结构损伤监测算法、监测数据预处理、损伤结构安全预警及数字孪生技术方面取得的最新进展,确定BHM技术目前的研究热点和未来的发展方向。综合分析表明：在BHM系统及适用性方面,研究结构响应参数与健康指标的关联机制,研发长寿命非接触自动采集的智能传感装置,建立针对多源数据采集、传输、存储、分析、评价、预警于一体的自动化、网络化、智能化综合系统是重点研发方向;在结构损伤监测算法方面,设置针对异质场景的不同人工神经网络及修正方法选择建议集,针对多源信息流构建基于数据驱动与模型修正实时交互的多层级耦合智能算法是主要研究热点;在监测数据预处理方面,进一步研发基于深度学习的多源异构数据融合方法,建立复杂环境影响下的损伤结构动态信号提取算法,实现结构监测数据的精准分离是未来研究的热点;在损伤结构安全预警方面,研究重心集中于预警指标和预警体系的建立以及基于可靠度理论与监测数据的常规损伤安全评估,以结构监测数据反映总体力学行为并结合局部损伤的智能检测信息进行服役性能评价是未来的主要发展方向;数字孪生技术在BHM中尚属起步,将数字孪生技术融入多层级复合算法,建立结构多源异构大数据智能融合机制,形成数字联通、实时互动的智能化桥梁运维监测体系是重要发展方向。     

冻融循环对不同塑性路基土剪切强度的影响研究

为了研究冻融循环对不同塑性路基土剪切强度的影响,通过室内三轴试验和冻融循环试验对3种塑性指数的土样进行了研究。结果得到:当冻融循环次数增加时,剪切强度随着塑性指标的增加而有所增大;当塑性指数相同时,剪切强度随冻融次数增加与围压增加改变各不相同,与冻融循环次数成反比,与围压成正比。并且冻融循环6~7次后,3种塑性指数土样的剪切强度的变化均会趋于平缓。     

城市地下道路隧道结构健康监测研究

城市交通隧道的数量随着经济发展不断增多,隧道结构健康监测系统作为掌握隧道结构安全状态的有效措施也得到一定的发展。地下道路隧道由于投资规模、隧道长度较小等原因,致使结构健康系统较少应用在地下道路隧道中。本文依托园腾路地下道路隧道,采用“半智能化”结构健康监测的方式,降低结构健康系统成本的前提下,对隧道结构健康状态进行必要的监测。同时,对比测缝计、静力水准仪及形状传感器的监测结果,验证了形状传感器在接缝张开量、接缝两侧不均匀沉降的可行性。对城市地下道路等短隧道,降低结构健康监测系统的智能化程度、应用新型传感器现降低成本,提高结构健康监测系统在短隧道的使用率,对于提高管养质量、保障地下道路隧道结构安全上具有重要意义。     

基于模态分析理论和神经网络的斜拉桥拉索损伤识别研究

将振动模态分析和神经网络技术结合起来,以振动模态构造的损伤标识量作为神经网络识别输入的特征参数,进行结构健康监测。根据云阳长江公路大桥设计资料,考虑桥梁拉索结构的单构件损伤、2个构件损伤、3个构件损伤3类损伤工况,分别采用了模态频率、位移振型模态、曲率模态3种指标作为神经网络的输入参数,共建立9个BP神经网络模型进行了桥梁损伤识别的研究。研究结果表明基于振动模态分析理论和BP神经网络的桥梁损伤识别方法可用于识别斜拉桥拉索结构的损伤位置和损伤程度。     

基于特征提取和机器学习的异常数据识别算法

结构健康监测系统的大力发展每天都在产生大量的监测数据。对于结构健康监测系统来说，判断这些产生的监测数据是否正常是对结构健康状态进行分析的第一步，也是关键的一步。同时，监测数据的异常与否也是判断传感器、采集设备、传输设备等是否正常工作的关键性依据。对于一段数据进行识别，判断数据是属于什么样的异常，是一个多分类的问题。采用基于特征提取和机器学习相结合的算法，对时序数据进行分类，能够快速地判断数据是否异常和异常的类型。