一种桥梁寿命预测方法

技术领域

本发明属于电子信息领域，特别是涉及一种桥梁寿命预测方法。

背景技术

现有的桥梁寿命预测主要是通过传感器对桥梁采集各种数据，并对采集后的数据进行人工分析或半自动化分析，主要是将数据交给专业人员，由专业人员通过数据判断桥梁是否能够通行，如果不能进行限行处理和进行后续是维修还是重建的判断，如果可以通行，将数据转换为寿命信息，推导过程只有专业人员知道。半自动化分析则是有一个辅助专业人员的工具，用来初步判断桥梁是否能够通行，自动化程度很低。

然而，人工分析方法的缺点在于数据量大，导致分析效率低，耗时较长，并且需要专业工作者，智力成本高，人力消耗大，同时采用人工分析难免出现错误，准确度需要多次的复检。半自动化分析对于人工的依赖程度较高，需要频繁地进行人机交互，决策时往往需要人工给定一个阈值范围，并且实时决策程度不高，无法保障安全性。

发明内容

本发明的目的是提供一种桥梁寿命预测方法，以解决上述现有技术存在的问题。

为实现上述目的，本发明提供了一种桥梁寿命预测方法，包括：

对桥梁进行建模，获取桥梁模型；

将所述桥梁模型分为多个局部区域；

对每个局部区域的抵抗力与破坏力进行分析；

构建循环神经网络，基于每个局部区域的抵抗力与破坏力对所述循环神经网络进行训练；

基于训练后的循环神经网络进行桥梁寿命预测。

可选地，获取桥梁模型之后的过程包括：对所述桥梁模型进行取点，模拟外力对桥梁损伤在时间上变化的过程，获取所述桥梁模型的各项数据变化。

可选地，将所述桥梁模型分为多个局部区域的过程包括：

基于局部化方法，对每一个所述局部区域的横截面进行力的积分，将每个力代表一个横截面。

可选地，对每个局部区域的抵抗力与破坏力进行分析的过程包括：

基于时变抗力计算对所述抵抗力进行分析；

基于时变承载效应计算对所述破坏力进行分析。

可选地，所述时变抗力的计算过程包括：

基于工程材料标准获取桥梁结构在不同时刻的抗力值；

计算抗力劣化函数；

基于所述抗力值与所述抗力劣化函数计算获取所述时变抗力。

可选地，所述抗力劣化函数的计算方法为：

其中，g(t)为抗力劣化函数，K

可选地，所述时变承载效应的计算方法为：

其中，S(t)为时变承载效应，M(t)为破坏力S(t)的变化函数。

可选地，基于每个局部区域的抵抗力与破坏力对所述循环神经网络进行训练的过程包括：

获取当前桥梁寿命；

将各个局部区域的时变抗力与时变承载效应作为训练集，将所述当前桥梁寿命作为标签，对所述循环神经网络进行训练。

本发明的技术效果为：

本发明通过循环神经网络，将传感器中获取的数据进行分析，取代专业人员计算桥梁寿命的过程，实现了预测寿命的自动化进行。本技术与人工勘测相比较，可实时采集实时报警，在采集数据时无需考虑天气影响，不受现场限制，数据有时序性，同时准确可靠，所投入的人力物力较少；与半自动化监测比较，在突发情况发生时，数据均会发生不正常波动，可以实时报警，同时本发明无需专业人员进行参与，节省智力投入。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为传统的桥梁寿命预测技术基础路线图；

图2为本发明实施例中的方法流程示意图；

图3为本发明实施例中的影响因素分类示意图；

图4为本发明实施例中的桥梁抵抗力计算示意图；

图5为本发明实施例中的神经网络训练过程示意图；

图6为本发明实施例中的桥梁寿命预测过程示意图；

图7为本发明实施例中的技术路线总图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

实施例一

如图1-7所示，本实施例中提供一种桥梁寿命预测方法，包括：

技术路线如图2所示，第一步，由于真实桥梁存在噪声等对传感器数据有影响的因素，这对神经网络训练过程有一定的影响，同时，在试验阶段，真实数据往往难取，所以采用ansys有限元建模软件对桥梁进行建模，构造出一个绝对健康的桥梁，桥梁搭建后，在模型中取点代替传感器，在桥梁上加压力代替车辆行驶过程，能够模拟外力对桥梁损伤在时间上变化的过程等，能够简单获取变化中桥梁的各项数据变化。

第二步，需要对桥梁取点位置进行分析，这里先将对桥梁有影响的因素进行分类，如图3所示，将对桥梁的影响因素分为内因和外因，内因是由桥梁各材料衰减导致，外因由外界环境对桥梁的影响导致，可以理解为抵抗力和破坏力的关系。抵抗力：桥梁结构的建筑材料在自然环境中随着时间的流失逐渐老化,随着时间的流失不同材料的性能及强度逐渐衰减，即桥梁的抵抗力随时间的流失而降低。不同材料的抵抗力通过参阅工程材料标准可获取不同时刻的抗力值，或者在实地桥梁上定时取样。破坏力：基于Ansys构建的桥梁数学模型，在模型中可直接通过取点获取桥梁局部结构力的值。在实际应用中，可通过相应的传感器获取值。接下来取点及传感器位置布置只与破坏力有关系，这里采取局部化的方法，取桥梁横截面作为一个局部，每一个局部进行力的积分，将一个力代表一个截面，这样做的好处：工程实践中使用拟合及积分的方法能够有效避免外力值的误差；局部结构中传感器安装位置不限,数量≥2可进行局部外力计算,非限定性能够有效降低项目成本。在此处，引入了局部的概念，将桥梁分为多个局部，对每个局部分抵抗力和破坏力，而局部与局部之间的关系对寿命预测的影响则通过神经网络自学习获得。

第三步，对抵抗力和破坏力分别计算，时变抗力R(t)作为抵抗力分析，主要公式如下：

R(t)＝g(t)·R

其中R0为结构初始抗力，g(t)为抗力劣化函数，其抗力值随时间变化与结构材料、类型、使用条件、受力等因素有关。Ks表示协同工作系数，Ra(t)，Ra0分别表示混凝土的时变强度与初始强度；Rg(t)，Rg0分别表示钢筋的时变屈服强度与初始屈服强度；Ag(t)，Ag0分别表示钢筋的时变截面积与初始截面面积。桥梁材料不同，这里使用的乘积不同，但是公式相通。最后结果如图4。对于破坏力，使用时变承载效应S(t)来表示，用一个积分表示累计损伤情况，公式如下：

M(t)为破坏力S(t)的变化函数。

第四步，将时变抗力R(t)和时变承载效应S(t)作为输入，对循环神经网络训练，训练集为对应时间的各个局部的R(t)和S(t)，及N个局部，同一时间就有N组R(t)和S(t)，标签为当前桥梁寿命，通过专业人员进行获取，训练后的网络可用于实时预测桥梁寿命，网络会学习数据的关系，从而学习专业人员处理数据的方式。训练过程如图5，预测过程如图6。

整个技术路线总图如图7所示。

以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。