钟玉琪,张红,张舸,周立成*,刘泽佳,刘逸平,蒋震宇,杨宝,汤立群.基于组合荷载响应特征融合的桥梁结构智能损伤识别方法[J].实验力学,2023,38(2):151~164 基于组合荷载响应特征融合的桥梁结构智能损伤识别方法 An intelligent damage identification method based on response feature fusion under combined loadings for bridge structures 投稿时间：2022-07-20  修订日期：2022-09-06 DOI：10.7520/1001-4888-22-179 中文关键词:  结构健康监测  损伤识别  移动主成分分析  组合荷载  特征融合  机器学习 英文关键词:structural health monitoring  damage identification  moving principal component analysis  combined loadings  feature fusion  machine learning 基金项目:国家自然科学基金(11972162); 中国博士后科学基金(2021M700886)资助 作者 单位 钟玉琪  1.华南理工大学 土木与交通学院， 广东广州 510641； 2.华南理工大学 亚热带建筑科学国家重点实验室， 广东广州 510641  张红  1.华南理工大学 土木与交通学院， 广东广州 510641； 2.华南理工大学 亚热带建筑科学国家重点实验室， 广东广州 510641  张舸  1.华南理工大学 土木与交通学院， 广东广州 510641； 2.广东省建筑科学研究院集团股份有限公司， 广东广州 510599  周立成*  1.华南理工大学 土木与交通学院， 广东广州 510641； 2.华南理工大学 亚热带建筑科学国家重点实验室， 广东广州 510641  刘泽佳  1.华南理工大学 土木与交通学院， 广东广州 510641； 2.华南理工大学 亚热带建筑科学国家重点实验室， 广东广州 510641  刘逸平  1.华南理工大学 土木与交通学院， 广东广州 510641； 2.华南理工大学 亚热带建筑科学国家重点实验室， 广东广州 510641  蒋震宇  1.华南理工大学 土木与交通学院， 广东广州 510641； 2.华南理工大学 亚热带建筑科学国家重点实验室， 广东广州 510641  杨宝  1.华南理工大学 土木与交通学院， 广东广州 510641； 2.华南理工大学 亚热带建筑科学国家重点实验室， 广东广州 510641  汤立群  1.华南理工大学 土木与交通学院， 广东广州 510641； 2.华南理工大学 亚热带建筑科学国家重点实验室， 广东广州 510641  摘要点击次数: 1253 全文下载次数: 116 中文摘要:       桥梁在运营过程中面临着组合荷载的复杂环境，因此发展组合荷载下的损伤识别方法具有重要意义。本文提出了一种基于组合荷载响应特征融合的桥梁结构智能损伤识别方法，基于移动主成分分析对自重静载、温度准静态荷载、动态荷载下的结构响应数据分别进行特征挖掘，并将不同荷载下第一特征向量的组合作为机器学习模型的输入，建立结构的损伤识别方法。最后，以双跨连续梁的仿真模型进行了验证，研究结果表明，即使在大噪声水平下，以组合荷载特征向量进行损伤定位和定量的准确率分别可达91.65%和97.22%，比传统的单荷载下的准确率最高分别提升了32.40%和18.00%，表现出优异的损伤检测性能和抗噪性。 英文摘要:       Bridges face a complex environment with combined loadings during operation, therefore it is important to develop damage identification methods under combined loadings. An intelligent damage identification method based on response feature fusion under combined loadings for bridge structures was proposed. The method began with the moving principal component analysis for the structural response data under static self-weight loading, quasi-static temperature loading, and dynamic loading, to obtain the first eigenvectors as damage-sensitive features. Subsequently, the combination of the first eigenvectors under different loadings wass used as the input of the machine learning model, so as to establish the intelligent damage identification method. Finally, a simulation model of a two-span continuous beam was used for validation. The results demonstrate that the accuracy of damage localization and quantification with the eigenvectors of combined loadings can reach 91.65% and 97.22%, respectively, even under a large noise level, which is up to 32.40% and 18.00% higher than that under the conventional single loading, showing excellent damage detection performance and noise immunity. 查看全文  下载PDF阅读器 关闭

网站版权：《实验力学》编辑部
您是本站第 65668497 位访问者,今日一共访问831次,当前在线人数: 0
技术支持：本系统由北京勤云科技发展有限公司设计