公路车-桥耦合振动的理论和应用研究进展

为了推动公路车-桥耦合振动理论的发展和仿真技术的广泛应用,从公路车-桥耦合振动理论研究和应用研究2个方面系统性梳理了公路车-桥耦合振动相关领域的学术研究现况、既有研究成果、发展前景、存在的问题和对策。理论研究方面,系统总结了车-桥耦合振动研究中车-桥、桥梁、路面不平整度等参数的数学模型和车-桥耦合时变系统动力学方程的数值解法。基于调研和分析发现,经过国内外学者长期的努力,车-桥系统数值模型已经可以越来越真实地模拟实际车辆、桥梁以及路面不平整度等其他条件因素。在未来的研究中应持续改进有限元建模技术和优化数值算法,以进一步提高车-桥耦合振动仿真分析的精度和效率,扩展其应用范围。应用研究方面,以桥梁动力冲击系数、桥梁疲劳分析、桥梁结构损伤识别、桥梁振动控制、桥上行车舒适性以及桥上车辆荷载动态识别等6个问题为例,综述了车-桥耦合振动仿真技术在桥梁安全相关研究领域的应用现状,并对目前研究仍存在的局限和后续的研究方向进行了初步探讨。研究表明,车-桥耦合振动仿真技术已成为众多相关研究领域内的重要研究方法,在部分研究领域已展现了良好的应用前景。后续研究中,一方面应针对具体问题的特点改进车-桥耦合振动模型的适用性和计算精度,另一方面应针对具体研究问题进一步完善相关理论,并从工程实用性角度提出新的或改进的技术和方法。     

基于桥梁结构的动态称重系统算法研究

基于桥梁结构影响线加载的动态称重系统（B—WIM）便携且可循环使用,近几年在国外引起了学者深刻关注,并开发了相应的商业设备,而我国对此进行相关研究见于文献的很少。该系统可为中小跨径桥梁开展汽车荷载调查提供新的思路,并为中小跨径桥梁汽车活载评估提供直接参数。详细介绍了该系统算法原理,以三轴汽车荷载作为示例介绍了影响线坐标值标定过程,并给出了汽车荷载计算的通用矩阵表达式,为下一步进行设备开发的软件程序提供了理论支持。     

汽车行驶称重系统的算法研究与精度分析

对一种基于橡胶油管传感器的新型汽车行驶称重（WIM）系统的算法进行了研究,针对诸多因素对WIM系统的输出值产生影响,提出了结合神经网络的计算模型。同时对WIM系统精度的定义和划分进行了分析与研究。经大量试验验证,该系统可用于交通数据采集和辅助实施汽车超载的检查。     

人工神经网络在车辆行驶称重技术中的应用

车辆行驶称重技术是通过测量分析车辆轮胎与路面作用力,从而计算车辆的静态载荷和静态轴载等相关参数的车辆载荷检测技术。基于人工神经网络综合分析了影响轮胎作用力的各个因素的影响关系,通过自行研制的油管传感器式车辆行驶称重仪进行了相关试验验证,达到了预定的精度和实用要求。     

车辆轴限对钢筋混凝土桥梁可靠度和加固费用的影响

为了分析车辆限载对钢筋混凝土桥梁可靠度和加固费用的影响，基于实测车辆动态称重数据和可靠度理论，研究了桥梁可靠度及其年均加固费用与车辆轴限值的关系。首先根据车辆动态称重数据统计得到交通荷载资料，在保持车货运输总重不变的前提下，采用蒙特卡罗法模拟不同轴限值约束下的随机车流。然后，计算桥梁在不同轴限值下的时变可靠度，结合不同加固方案所引起的可靠指标变化确定桥梁剩余使用寿命及其年均加固费用，并拟合确定轴限值与年均加固费用的关系曲线。最后，以湖南某地区的实测车辆动态称重数据及一座典型的钢筋混凝土简支T梁桥为例进行分析说明。研究结果表明：对桥梁进行限载可以减缓桥梁可靠指标的下降速率；在车货运输总重保持不变的条件下，轴限值越大，桥梁的可靠指标下降越快，桥梁使用寿命越短；当轴限值不超过10 t时，桥梁使用寿命可以达到设计使用年限，而当轴限值超过16 t后，桥梁结构的可靠指标随时间下降明显，在达到设计使用年限之前需要采取加固措施；采用3种常见的方案对桥梁进行加固后，桥梁剩余使用寿命随轴限值的增加均呈明显的下降趋势；随着轴限值继续增大，3种加固方案对桥梁剩余使用寿命的影响越来越小，而桥梁年均加固费用却随轴限值的增大呈指数型增长。     

交通视频辅助的桥梁动态称重方法研究

为了进一步提升既有的桥梁动态称重技术，提出一种交通视频辅助的新型桥梁动态称重方法。首先介绍基于深度神经网络的计算机视觉目标检测技术和一种计算机视觉坐标转换方法，实现从交通监控视频中实时地探测与定位桥上行驶的车辆和车轴。然后引入桥梁应变分解方法和应变影响面识别方法，建立车重、车辆位置与桥梁应变之间的映射关系，从而建立一种综合利用时间和空间冗余信息对车辆进行称重的方法。该方法构建超定的影响面加载方程组，使用最小二乘法求解该方程组以得到桥上行驶车辆的轴重和总重。最后总结出一套交通视频辅助的桥梁动态称重方法框架。为验证以上方法，在某连续大箱梁桥的缩尺模型以及实桥上进行试验。试验包含单车、双车、跟车、并行、直行、变道、匀速、变速等复杂交通工况。模型试验结果表明：该方法的车辆总重识别误差均值为-2.02%，标准差为4.77%；车辆轴重的识别误差均值为4.77%，标准差为17.50%。实桥试验结果表明：该方法的车辆总重识别误差均值为0.21%，标准差为1.53%；车辆轴重的识别误差均值为-3.59%，标准差为42.67%。除此以外，所提出的方法还可用于识别桥上车辆的数量、类型、轴数、实时位置、运动轨迹、行驶速度等多粒度交通信息。     

适应性之动态测重站控制策略(英文)

公路管理机构常用动态测重技术(WIM)来减少车辆滞留和执行超重车辆通行法.一般的做法是采用固定阈值(即合法重量极值)来初步过滤和分类车辆.如果某卡车的动态测重读数超过该阈值,该卡车会被指示去静态测重作进一步的检查,如:超重属实则可能开出处罚传票.适应性测重阈值法能充分利用动态测重技术并增强其操作效率.当在测重站等候的车辆很多时,阈值将增大,以避免测站阻塞,同时仍然可以逮住严重超重的违规车辆.当等候车辆少时,该阈值降低,以尽量多地检查车辆.主要阐述对适应性测重法的操作和设计的估算,并建立了一个高速路匝道出口动态测重站的微观模拟模型.然后,模拟和测试了动态阈值调节策略.结果表明,在广泛的条件下,适应性法总是优于传统的静态阈值操作法.在交通流量需求很大条件下,该算法抓住的超重卡车比静态操作的多44%以上,同时,其平均车辆滞留只为在静态操作情况下的30%.换句话说,所提出的适应性测重法更有效地控制了超重并满足了交通流量的要求.     

A statistical process control approach using cumulative sum control chart analysis for traffic data quality verification and sensor calibration for weigh-in-motion systems

Weigh-in-motion systems have been widely used by state agencies to collect the traffic data on major state roadways and bridges to support traffic load forecasting, pavement design and analysis, infrastructure investment decision making, and transportation planning. However, the weigh-in-motion system itself poses difficulties in obtaining accurate data due to sensor characteristics that can be sensitive to vehicle speed, weather conditions, and changes in surrounding pavement conditions. This study focuses on developing a systematic methodology to detect weigh-in-motion sensor bias and enhance current practices for weigh-in-motion calibration. A mixture modeling technique using an expectation maximization algorithm was developed to divide the vehicle class 9 gross vehicle weight into three normally distributed components: unloaded, partially loaded, and fully loaded trucks. Then the well-known statistical process control technique cumulative sum control chart analysis was applied to expectation maximization estimates of daily mean gross vehicle weight for fully loaded trucks to identify and estimate shifts in the weigh-in-motion sensor. Special attention was given to the presence of autocorrelation in the data by fitting an autoregressive time-series model and then performing cumulative sum control chart analysis on the fitted residuals. Results from the analysis suggest that the proposed methodology is able to estimate a shift in the weigh-in-motion sensor accurately and also indicate the time point when the system went out of calibration. This methodology can be effectively implemented by state agencies, resulting in more accurate and reliable weigh-in-motion data.