基于神经网络的大跨度桥梁线形控制

合集下载

大跨桥梁结构电磁驱动AMD系统输入电压的在线控制研究

Ｆｔ（）＝Ｆ（－ｔ）
』Ｌｒ儿
（）２
１大跨桥梁结构电磁驱动ＡＤ振动控制系统Ｍ的力电模型
由经典的物理学电磁理论，引入直线电机产品并表征电气特征的两项指标：电常数和反向电动势力常数，以定义电磁驱动Ａ可ＭＤ振动控制系统的输
理，出一种新型的结构振动Ａ提ＭＤ控制系统．电磁驱动ＡＭＤ控制系统（ＭＤ）－］它将直线电机的初级和Ｅ４，
次级线圈分离开来，别安装到Ａ分ＭＤ控制系统质量块
和结构中，用电磁场耦合产生非接触式电磁力作为利
维普资讯
振
第２７卷第９期
动
与
冲
击
ＪＯＵＲＮＡＬＯＦＶＩＢＲＡＴＯＮＡＮＤＨＯＣＫＩＳ
大跨桥梁结构电磁驱动ＡＭＤ系统输入电压的在线控制研究
何敏，王建国
２００）３０９
出力与线圈输入电压及速度关系－］３为）：
』儿ｒ
电磁驱动ＡＭＤ系统的伺服放大器存在如下形式
的线性电压关系Ｋｏ（）３是线性比例系数，由伺服放大器输入输出电
＝
式中，
压范围确定；是伺服放大器得Ｋｍ＝（）４
（肥工业大学土木与水利工程学院，肥合合

某公路特大桥大跨连续梁线性控制施工技术

某公路特大桥大跨连续梁线性控制施工技术摘要：本文介绍某公路特大桥连续梁施工过程中应力、标高等施工监测的内容以及实测值与理论计算值数据对比析的方法，阐述大跨度预应力混凝土连续梁桥的应力、高程控制方法，对同类桥型的施工及控制具有一定指导意义和参考值。

关键词：连续梁；施工控制；合龙Abstract: this paper introduces some highway super major bridge construction process of continuous beam in stress, such as the elevation of the content of the construction monitoring and measurement values and the calculated data contrast analysis method, this paper expounds the large span prestressed concrete continuous girder bridge elevation control methods of str ess, of the similar bridge’s construction and control which is significant and references.Keywords: continuous beam; Construction control; closure一、工程概况某公路特大桥（DK99+714.59－DK112+663）连续梁为混凝土大跨度变截面单箱单室连续箱梁、主梁截面为单室直腹板箱形梁，截面梁高8.70m ～5.40m，梁高按圆曲线变化，圆曲线半径R＝423.1m。

其梁体根据横向和竖向以及纵向全预应力设计，预应力大桥钢筋使用低松驰高强度钢绞线，大桥竖向预应力筋使用高强精轧螺纹粗钢筋，混凝土采用C50混凝土。

大跨度连续梁线型监控pptx

传感器布置
布置原则
根据施工方案和结构特点，选择关键部位进行传感器布置。
常用传感器类型
包括位移计、应变计、陀螺仪等。
布置要求
确保传感器安装牢固、不妨碍施工和测量精度。
数据采集与处理
01
02
03
数据采集系统
采用自动化数据采集系统，减少人为误差。
数据处理
对采集的数据进行滤波、修正、计算等处理，得到准确的监测结果。
安全预警
根据监测结果，对可能出现的施工风险进行预警，及时采取措施保障施工安全。
03
实施过程
施工准备
监控方案设计
根据桥梁的设计要求，制定详细的监控方案，包括监控点位布置、传感器选择、数据采集频率等。
监测设备采购
按照监控方案，采购相应的监测设备，包括传感器、数据采集仪、传输设备等。
监测人员培训
技术现状
01
目前，大跨度连续梁的线型监控技术已经取得了一定的成果。
02
各种先进的测量技术和数据分析方法被应用于连续梁的施工监
测。
然而，仍然存在一些技术挑战，如监测数据的实时性、准确性
03
以及监测系统的稳定性等。
监控的重要性
1
实时监测连续梁的线型变化，有助于及时发现施工过程中的问题，保障施工安全。
05
结论与展望
结论
总结词
通过先进的测量设备和技术手段，对大跨度连续梁的线型进行精确监控，有效提高了桥梁施工的质量和安全性。
VS
详细描述
大跨度连续梁是现代桥梁工程中广泛采用的一种结构形式，其线型监控对于保证桥梁的施工质量和安全性具有重要意义。本文通过对监控方法的比较和分析，提出了一种基于先进测量设备和技术手段的线型监控方法，可实现高精度、实时、动态的监控，有效提高了桥梁施工的质量和安全性。

基于优化极限学习机的大跨径连续桥梁施工线形预测

基于优化极限学习机的大跨径连续桥梁施工线形预测大跨径桥梁结构的分段施工需要经历长期、复杂的施工和结构体系的转换，对施工桥梁线形的精确控制可以保证各跨的顺利合龙和线形最优[1]。

由于设计参数与实际施工时存在一定差异、施工荷载具有一定的不确定性、桥梁预应力存在一定的张拉误差以及混凝土随时间变化存在一定的收缩和徐变，在施工过程中，桥梁的实际状态与设计状态不可能没有偏差。

这种偏差在施工的过程中不断累积，使得桥梁结构的受力状态发生变化，桥梁线形严重偏离设计目标。

如果没有有效的施工过程控制技术，桥梁的使用性和可靠性会受到严重的影响[2]。

因此，根据已完成桥段的结构数据，计算相应的调整参数，用于控制待施工桥段的施工过程，可以提高桥梁施工的安全系数，确保施工完成后，桥梁性能及线形能够符合设计要求[3]。

最小二乘法、卡尔曼滤波法、灰色理论法[4-6]等被广泛用于桥梁线形的预测和调整，但这些方法具有工作量大，只能进行线性关系的处理，且只考虑少量参数等缺点。

随着机器学习和模式识别方法的发展，人工神经网络(Artificial Neural Network, ANN)被广泛应用于桥梁健康检测[7]和混凝土强度预测[8-9]等场合。

与灰色理论、卡尔曼滤波等方法相比，神经网络不需要精确的数学模型，可以根据输入、输出之间的关系建立非线性映射。

误差反向传递(Back Propagation, BP)神经网络作为最常见的一种神经网络，已被用于大跨径梁桥线形施工控制中[10-12]，BP神经网络非线性映射能力强、耐噪声、容错能力强、鲁棒性好，可以有效拟合输入和输出之间的多参数、非线性映射关系[13-14]。

然而，BP神经网络通常使用梯度下降法训练网络参数，即沿着误差函数的负梯度方向调整权阈值，因此需要多次迭代计算，收敛速度慢[15]。

极限学习机(Extreme Learning Machine, ELM)是近期提出的一种适用于单隐含层前馈神经网络(Single-hidden Layer Feed-forward Neural Networks, SLFNs)的高效学习方法[16]，该方法不需要多次迭代训练，只需设置隐含层节点个数，并通过正则化最小二乘算法，即可得到输出层权值的唯一解。

大跨度连续梁线型监控x

2023-11-07CATALOGUE目录•工程概述•监控方案•监控数据采集与分析•监控技术与方法•工程应用案例•结论与展望01工程概述随着我国交通基础设施建设的快速发展，大跨度连续梁桥已成为重要的桥梁形式，具有跨越能力大、外形美观、结构合理等优点。

但同时大跨度连续梁桥的施工难度较大，需要进行严格的监控和管理。

项目背景本工程为某高速公路上的大跨度连续梁桥，主桥采用三跨连续梁结构，桥梁全长360米，其中主跨跨度为180米。

工程规模较大，涉及的施工环节较多，需要采取科学有效的监控措施以保证施工质量和安全。

工程规模本工程位于山区，地形起伏较大，施工环境较为复杂。

工程特点施工环境复杂由于桥梁跨度大，需要采用挂篮施工等高难度技术，施工难度较大。

施工难度大为了保证施工质量和安全，需要采取严格的监控措施，对施工过程中的变形、应力、温度等参数进行实时监测和数据分析。

监控要求高02监控方案监控方案设计确定监控内容对大跨度连续梁的挠度、应力、温度等关键参数进行监测，同时记录施工过程中的材料性能、荷载情况等。

选择监控方法和设备采用非接触式测量方法，如激光测距、红外线测温等，同时使用计算机控制系统进行数据采集和远程监控。

确定监控目的确保大跨度连续梁施工过程中的线型符合设计要求，避免施工误差和变形，保障工程质量。

1监控方案实施23在关键部位设置监测点，安装传感器和数据采集设备，连接电源和网络，确保数据传输的稳定性和安全性。

现场布置通过计算机控制系统自动采集数据，并实时传输到数据中心，以便进行数据分析和处理。

数据采集与传输确保施工现场的安全，采取措施如设置警戒线、安装安全警示标志等，保障工作人员和设备的安全。

现场安全措施对采集到的数据进行处理和分析，提取关键指标，如挠度、应力等，并进行对比和分析，以评估施工质量和安全性。

数据处理与分析监控方案效果评估根据监测结果进行风险评估，对可能存在的风险和问题进行预测和判断，采取相应的应对措施，以确保施工质量和安全。

大跨度曲线连续梁转体桥线形控制施工技术

ＣｏｎｔｉｎｕｏｕｓＣｕｒｖｅｄＢｒｉｄｇｅｓ
梁安军（中铁十二局集团第二工程有限公司，山西运城０３００３２）
摘
要：在桥梁转体施工过程中，测量控制是很
施工顺序与动态仿真模拟阶段说明
采用分段悬臂＋支架浇注（普通悬臂施工连续梁的挂篮改用
图２浇筑２混凝土并张拉相应预应力后的位移图
支架）的施工方式，每个梁体分段都要经过搭架、立模、浇筑养护以及张拉预应力的过程。由于预应力损失、混凝土收缩徐变、温度变化等原因，结构内力和变形在梁段的施工过程中不断变化。为了严格控制与分析集包铁路霸王河１特大桥
安
徽
建
筑
２０１３年第１期（总１８９期）
大跨度曲线连续梁转体桥线形控制施工技
ＣｏｎｓｔｒｕｃｔｉｏｎＴｅｃｈｎｏｌｏｇｙｏｆＬｉｎｅａｒｉｔｙＣｏｎｔｒｏｌｆｏｒＢｏｄｙＲｏｔａｔｉｎｇＢｒｉｄｇｅｗｉｔｈＬａｒｇｅ — Ｓｐａｎ
立模预拱度值（ｍ）浇注后梁顶面值（ｍ）
过程中易产生一定的形变，易导致梁体实
际位置（立面标高、平面位置）与预期状态
有偏差，危及桥梁合拢，或者使梁体线型不符合正常使用要求。因此，为了使偏差在允
许范围之内，必须严格控制线形，保证成桥线形满足设计标准。对于曲线桥而言，受曲

大跨度连续梁线性控制技术

大跨度连续梁线性控制技术摘要:大跨度桥梁施工中最为重要的就是在连续梁施工中控制其线性指标,保证整个桥梁的形变尽量与设计曲线向吻合,以此保证桥梁在使用过程中不会因为形变而影响行程速度或者平整度。

关键词:线性控制线性预测线性控制措施1 大跨度连续梁的线性预测在大跨度连续梁的线性控制的主要循环过程是“施工-测量-修正-预告-施工”的循环过程,由此看出应根据结构分析对整个连续梁进行参数计算,确定箱梁的理论模型高度并进行施工,然后进行测量已浇筑完成的梁段的高层和平面位置进行测量,将已完成的高层和计算高程向比较,对其产生的偏差进行分析,并以此对未浇注的梁段的浇注模高层和平面位置进行控制和调整,即完成了整个控制过程。

从具体的过程看可以从以下几个方面进行预测。

1.1 线性预测和监控大跨度梁的线性预测主要增加的一个预测的过程,即“预测-施工-测量-修正-预测“,也就是在浇注前根据实际的组织设计、设计资料、已知参数、经验参数等为基础,采用各种软件对梁体的施工状态进行正向和反向的模拟,以此形成在不同的施工状况中梁的挠度变化,并指导实际的施工过程；大跨度梁是的过程中,通过检测梁体结构在不同的施工阶段的变形情况对整个结构的挠度变化进行及时的检测,并随时对得到的数据进行分析,并提出修正的参数,并经过计算调整下一个梁段的立模的高程参数,如此反复循环就是完成了对整个过程的预测与监控,达到控制线性变形范围的目的。

1.2 梁体线性的预测要点1.2.1 利用理论模型对参数进行修正第一,对混凝土的容重进行预测,利用设计图纸计算出各个梁段的容重的参数,以此建立起理论模型并确定赋初值；然后再根据施工中实际采用的混凝土的实测容重与之进行对比,并对理论赋初值进行修正,以此消除理论模型与实际梁体容重的偏差。

第二,对梁体实际浇注尺寸的控制。

建立模型的时候依据设计形成的梁体截面积为依据,并将实际施工中还应对浇注体尺寸包括:梁段长度、顶底部板厚度等,以此计算出梁体尺寸与设计尺寸之间的差距,根据实际测量的值来修正梁体模型的参数。

桥梁施工控制技术现状分析

【马保林．３１高墩大跨连续刚构桥ｆ１Ｍ．北京：民人交通出版社。０１２０．ｆ】４汪哲荪，刚构一连续葙粱桥悬臂浇筑法施工挠度控制ｌ．东公路，９（）１．Ｊ华Ｊ１８：—２９３９ｆ１培．尔曼滤波法在斜拉桥施工中的应５琳元卡用『．Ｊ土木工程学报，９３１（：１．１１８，６） — ４３７【刘来君．径桥梁施工控制不确定因素分６】大跨析【］Ｄ．西安：长安大学，０２２０．ｆ卢哲安，７］于清亮，汪娟娟．灰色理论在连续梁桥施工控制中的应用『＿Ｊ武汉理工大学学报，ｌ２０，８）３８．０６２（： —５３８Ｉｌ８王鹏．大跨度预应力混凝土连续刚构桥施工控制研究『１Ｄ．武汉：武汉理工大学，０７２０．
－
２－３０
标高，在施工中监测的结果对误差进行分析，号，计出系统的真实状态，后用估计出状态通出版社，０１并估然２０．
预测和调整下一阶段的立模标高，从而保证成变量按确定性的控制规律对系统进行控制。桥后桥面线形和内力以及合拢段两悬臂端标高在最近２年里，卡尔曼滤波法集中运用０的相对偏差不大规范值。于斜拉桥的控制中［取得了较好的效果。基于５１，尽管按照现有较为成熟的理论和方法可灰色理论与灰色模型的控制，为灰色控制，以它以方便地求出主粱各施工阶段的变形值和内力系统行为数据为采集信息，按新陈代谢原理，建值，但实际施工中受各种因素的干扰，混凝土桥立灰色模型，用所建的模型预测系统行为的发梁除了本身材料的非匀质和材料特性的不稳定展，即预测未来的行为数据，然后将行为预测值外，它还要受温度、湿度、时间等因素的影响，加与行为给定值进行比较，以确定系统的超前控上采用悬臂施工这种自架设体系施工方法，各制值，这种控制行为称为灰色预测控制。这种控节段混凝土或各层混凝土相互影响，且这种相制方法具有实时性好、较强的适应性，同时方法互影响又有差异，这就必然造成各节段或层的简单，精确度高，还有进行多变量控制等特点。内力和位移随着混凝土浇筑或块件拼装过程变从有关文献中看出，灰色预测控制系统已成功化而偏离设计值的现象，甚至出现超过设计允运用于斜拉桥、连续刚构、悬索桥的施工控制许的内力和位移。对这种情况，若不通过有效的中，并取得较好的效果。神经网络方法中ＢＰ网施工控制及时发现、及时调整，就势必造成成桥络是应用得最为广泛的，它可以通过对若干样

改进的小波神经网络在桥梁施工控制中的应用

ｔｅｔｓｓｓｏｓｔａｈｅｈｄｈｓｅｆｃｉｅｆｒｃｓｉｇｐｅｉｉｎｉｈｒｄｅｃｎｔｕｔｏｏｔｏ．ｈｅｔｈｗｈｔｔｅｍｔｏａｆｅｔｏｅａｔｎｒｃｓｏｎｔｅｂｉｇｏｓｒｃｉｎｃｎｒ１ｖ
ｐｏｕｅｙｔｅｍｅｓｒｄｄｔ。ａｄｔｅｏｉｅＢｅｒｌｎｔｒｔｏｌｔｗａｅｅｏｅｔｂｉｈａｒｄｃｄｂｈａｕｅａａｎｈｎｃｍｂｎＰｎｕａｅｗｏｋｗｉＭｒｅｖｌｔｔｓａｌｈｓｕｅｕｖｌｔｎｕａｅｗｏｋｍｏｅｉｈｉｐｌｄｔｏｅａｔｔｅｂａｆｄｃｌｖｔｏ．Ｔｈｅｕｔｏｓｆ１ｗａｅｅｅｒｌｔｒｄｌｎｗｈｃＳａｐｉｏｆｒｃｓｈｉｓｏｅｋｅｅａｉｎｅｅｒｓｌｆ
和非线性等特点。目前，梁线形的预测与调整主桥
数代替ＢＰ网络中的Ｓｇｉｉｍｏｄ型激活函数来优化网
络结构形成小波ＢＰ网络。将大跨度桥梁混凝土悬
行消噪处理，Ｂ将Ｐ神经网络与Ｍｏｌ小波结合起来，ｒｔｅ建立相应的小波神经网络模型，并对桥面标高偏差进行预测。结果表明，用该方法对桥梁施工控制有较好的预测精度。采
关键词：工控制；波分析；经网络；差预测施小神偏中图分类章编号：０８５９（０２０—０１０１０ —６６２１）４０１—４

大跨径桥梁线形监控测量技术

Ａｂｔａｔｓｒｃ：Ｔｈａｅｉｃｓｅｈａｔｌｖｒｂａｏｏｇｓａｅｐｐｒｄｓｕｓｓｔｅｃｎｉｅｅｍｆｌｎ－ｐｎｅｌｅｒｍｏｉｏｉｇｔｃｎｌｇ，ｉｃｕｉｇｅｅａｉｎｂｎｈａｋｓｉａｎｔｒｎｅｈｏｏｙｎｌｄｎｌｖｔｅｃｍｒｓｅ — ｎｏｔｂｉｈｎ，ｏｓｒａｉｎｐｉｔｌｙｕ，ｍｏｉｏｉａｕｅｎ，ａｌｍｅｔｂｅｖｔｏｎａｏｔｓｏｎｔｒｎｍｅｓｒｍｅｔｇａｄｐｏｉｅｅｅｅｃｏｉｌｒｂｉｇｏｓｒｃｉｎｎｒｖｄｓａｒｆｒｎｅｆｒｓｍｉｒｄｅｃｎｔｕｔ．ａｏ
参考文献：
Ｅｉ徐桂平．ｌ桥梁预制节段测量控制技术口］城市道桥与防．
洪，０４４：７９．２０（）８－０
Ｅ３李宝仓，白琳．孟溪大桥施工监控测量技术Ｅ］企业２何南Ｊ．
技术开发，０６２（）４－８２０，５４：７４．
（）６二期恒载后进行主梁线形观测。
的作用效果。
（）７二期恒载半年后全面进行主桥线形观测。４结束语通过上述监控测量技术的应用，沪杭高铁５标段ｌ２处连续梁已全部成功合拢，且各项精度均满足设计要求，质量优良。因此该技术值得在同类桥梁施工中推广。
Ｋｅｒｓａｔｅｅｏｓｒｃｉｎｂａ；ｈｉｈａｕ；ｃｎｒｌｙｗｏｄ：ｃｎｉｖｒｃｎｔｕｔｏｅｍｌｅｇｔｄｔｍｏｔｏ

基于遗传算法与神经网络的桥梁结构健康监测系统研究

基于遗传算法与神经网络的桥梁结构健康监测系统研究一、本文概述随着现代桥梁结构的日益复杂化和大型化，其健康监测与维护问题日益凸显。

为了有效应对这一挑战，本文提出了一种基于遗传算法与神经网络的桥梁结构健康监测系统。

该系统结合了遗传算法的全局优化能力和神经网络的强大学习功能，旨在实现对桥梁结构的实时、精确监测，以及及时预警和有效维护。

本文首先概述了桥梁结构健康监测的重要性和紧迫性，以及传统监测方法存在的局限性和不足。

然后，详细介绍了遗传算法和神经网络的基本原理及其在桥梁结构健康监测中的应用。

在此基础上，构建了一种基于遗传算法与神经网络的桥梁结构健康监测系统框架，并阐述了其工作流程和实现方法。

通过实验验证和对比分析，本文证明了所提系统的有效性和优越性。

该系统不仅能够实时监测桥梁结构的健康状态，还能够对潜在的安全隐患进行预警和评估，为桥梁结构的维护和管理提供了有力的技术支持。

本文总结了研究成果，并展望了未来的研究方向和应用前景。

本文的研究工作不仅有助于推动桥梁结构健康监测技术的发展，也为其他领域的智能监测和维护提供了新的思路和方法。

二、桥梁结构健康监测技术概述桥梁结构健康监测技术是近年来土木工程领域的研究热点，它综合运用了传感器技术、信号处理技术、结构分析方法和等手段，旨在实时评估桥梁的安全性能和运营状态。

桥梁健康监测不仅对于保障交通安全、预防重大事故具有重要意义，同时也是桥梁养护和维修决策的重要依据。

传统的桥梁健康监测方法主要依赖于人工巡检和定期的结构检测，这些方法不仅效率低下，而且难以全面覆盖桥梁的各个关键部位。

随着科技的进步，尤其是传感器技术的发展，桥梁健康监测逐渐实现了自动化和智能化。

通过在桥梁关键部位布置传感器，可以实时监测桥梁的应力、变形、振动等关键参数，为后续的结构分析和健康评估提供数据支持。

在桥梁健康监测中，数据的处理和分析是至关重要的一环。

一方面，由于监测数据往往具有多维、海量、非线性的特点，传统的数据处理方法往往难以应对。

公路大跨度连续梁线型监测和控制技术

公路大跨度连续梁线型监测和控制技术【摘要】随着城市化建设进程的快速发展，我国的公路建设也飞快的发展起来，并取得了不错的成绩。

在公路建设施工中桥梁施工占据着较大的比重，桥梁结构的设计施工中存在各种各样的安全性问题，尤其是复杂的大型桥梁。

当前大跨度桥梁建设正处于上升趋势，对于这种桥梁的施工通常会采用预应力混凝土连续梁的方案，来增强桥梁的稳定性和安全性。

近年来，公路桥梁的安全逐渐受到了社会各界的广泛关注，为了保障公路桥梁施工过程的安全，提高施工的质量，就需要对桥梁的施工过程进行质量控制和监控，本文主要分析了公路大跨度连续梁的施工技术以及施工过程的控制，希望可以给读者提供相关参考和帮助。

【关键词】公路大跨度连续梁；施工技术；施工过程控制1、公路大跨度连续桥梁施工技术流程本技术主要采用计算机建模的方式，对数据进行直接的传输，从而可以准确、及时的绘制出变形图形，从而适用于大跨度的连续梁施工。

在连续施工过程中，系统可以监测每一层施工阶段主梁结构的变形情况，从而可以及时的做出应对措施。

系统通过分析施工过程中的各种数据，制定出具体的施工方案，从而确保工程结构的质量安全。

经过精确的分析和计算，从而调整下一悬浇梁段的立模高程，以保证成桥后的梁体线形和受力状态跟设计基本吻合，施工控制的对象为主梁挠度和内力，具体的施工技术为参数识别法和灰色预测结合法[1]。

1.1技术流程大跨度连续梁桥的施工控制是一个循环的过程，这个过程主要包括“施工——测量——识别——修正——预测——施工”，施工过程中首先要保证大桥结构的安全，只有确保了施工过程的安全性，才能控制大桥施工过程的结构，进而确保桥梁设计达到预期的目标。

连续桥梁施工过程非常复杂，影响施工的参数也比较多。

比如桥梁的重量、施工荷载、混凝土收缩徐变、结构强度以及温度、预应力等[2]。

过程中需要对施工过程中的控制参数进行求解，假设这些参数都是理想值。

由于设计参数取值不正确而导致施工设计和实际的施工不一致，因此需要系统准确的识别和预测这些参数。

基于神经网络的智能交通控制系统设计与实现

基于神经网络的智能交通控制系统设计与实现智能交通控制系统是一种基于神经网络技术的先进系统，旨在提高交通流量的效率、减少交通拥堵和交通事故。

本文将探讨基于神经网络的智能交通控制系统的设计和实施方案。

智能交通控制系统的设计和实现可以分为以下几个主要步骤：1. 数据收集和处理智能交通控制系统需要采集大量的数据来分析交通流量和交通模式。

传感器和摄像头可以用来收集车辆数量、流量、速度和车辆类型。

这些数据可以用作训练神经网络算法的输入。

另外，还需要考虑隐私和安全问题，确保采集的数据得到适当的加密和保护。

2. 神经网络算法设计神经网络是智能交通控制系统的核心组件。

它可以学习和分析交通模式，预测未来的流量和交通情况，并生成相应的控制策略。

神经网络的设计要考虑交通流量的复杂性和不确定性，以及实时性要求。

常见的神经网络模型包括多层感知机、卷积神经网络和循环神经网络。

3. 实时交通模拟和优化基于神经网络的智能交通控制系统需要在实时模拟交通情况的基础上进行优化。

这可以通过使用实时数据和模型对交通流量进行模拟和仿真来实现。

交通仿真可以帮助系统评估不同控制策略的效果，并根据神经网络的预测结果进行动态调整和优化。

4. 控制策略生成基于神经网络的智能交通控制系统通过分析和学习交通模式，生成相应的控制策略。

这些策略可以包括改变红绿灯时长、调整车道流量、优化车辆行驶路径等。

神经网络可以根据实时数据和预测，生成最优的控制策略，以提高交通流量和减少拥堵。

5. 实施和测试实施和测试是智能交通控制系统设计的最后一步。

在实施过程中，要确保系统的可靠性和稳定性。

系统需要与实际交通控制设备和基础设施进行集成和连接，并进行实地测试和验证。

通过与传统交通控制系统进行比较和评估，可以证明基于神经网络的智能交通控制系统的效果和性能。

基于神经网络的智能交通控制系统设计和实现面临一些挑战和问题。

首先，数据的准确性和可靠性是关键，因为神经网络的训练和预测结果取决于输入数据的质量。

大跨度桥梁的线形控制

目录第一篇大跨度桥梁的线形控制 (2)1桥梁线形控制的意义及目的 (2)2桥梁线形控制的工作流程 (2)3桥梁线形测试截面及测点总体布置 (3)4桥梁线形监控方法 (3)5桥梁线形监控影响因素 (3)6桥梁线形控制计算 (4)7桥梁线形监控要点 (4)8小榄水道特大桥施工监控实例介绍 (4)9沙田赣江特大桥施工监控实例介绍 (8)第一篇大跨度桥梁的线形控制1 桥梁线形控制的意义及目的桥梁线形控制不仅是桥梁施工技术的重要组成部分，也是确保桥梁施工宏观质量控制的关键及桥梁建设的安全保证，它在施工过程中起着安全预警、施工指导以及及时为设计提供依据。

任何体系的桥梁在每一个施工阶段的变形和内力是可以预计的，因此当施工中发现监测的实际值和预计值相差过大时，随即进行检查和分析，找出原因并排除问题后方可继续施工，避免出现事故，造成不必要的损失。

1 ）通过各桥梁施工过程中的线形监测，及时掌握桥梁施工过程中的线形状态，了解施工过程中各关键截面的挠度变化。

2）通过各桥梁施工过程中控制截面的应力测试，及时跟踪各施工阶段关键截面的应力大小，了解桥梁结构的应力状况。

3 ）通过测定新型结构桥梁施工过程中的温度效应、混凝土的收缩徐变效应，为施工过程中的相关决策提供数据依据。

4 ）通过对桥梁施工过程中关键工况的应力及变形监测，吊杆力、斜拉索力等的监测，了解施工过程最不利工况下关键截面的受力状况、关键截面的挠度，并与理论计算结果作对比，评价施工工艺的可行性，并在必要时提供改进建议。

2 桥梁线形控制的工作流程一般大跨度桥梁的施工控制是一个施工→量测→识别→修正→预告→施工的循环过程。

该过程中需要对主梁标高和应力实行双控。

它主要包括两个部分：数据采集系统，即在桥上埋设各类传感器和设置监控系统，采集资料；资料分析仿真模拟系统，将采集到的资料进行分析处理，以确定下一个施工阶段的参数。

桥梁线形等监控系统框图3 桥梁线形测试截面及测点总体布置桥梁结构位移测试截面及测点布置如下：悬臂梁段的各节段，拱、塔的位移控制断面.在结构位移测试的同时，通常进行其他如应力的测试：1）应力测试截面及测点布置：结构控制截面、受力复杂位置。

连续刚构桥施工线形和应力的分析与控制

连续刚构桥施工线形和应力的分析与控制关键词:大跨度桥梁;连续刚构桥;施工控制;卡尔曼滤波法;轨道交通桥梁施工是桥梁建设的关键环节,桥梁施工技术的高低则直接影响桥梁建设的发展。

随着交通事业的发展,桥梁建设任务将更加艰巨,施工难度越来越大。

事实上,任何桥梁施工特别是大跨径桥梁的施工,都是一个系统工程。

为实现设计目标而必须经历的施工过程中,将受到许许多多确定和不确定因素(误差)的影响,如何从各种失真的结构参数中找出相对真实值,对施工状态进行实时识别(监测)、调整(纠偏)、预测,使施工系统处于控制之中,这对设计目标安全、顺利实现是至关重要的。

施工监控的目的是要对成桥目标进行有效控制,修正在施工过程中各种影响成桥目标的参数误差对成桥目标的影响,确保成桥后结构受力和线形满足设计要求[1-4]。

在此,本文结合沙湾大桥,讨论施工控制的重要性以及与施工控制相关的内容,建立该桥的计算模型,并且应用Kalman滤波法和灰色理论以及这2种方法的结合对该桥的线形进行预测和控制,并对应力监测的误差及其原因进行分析。

1桥梁结构分析1.1工程概况沙湾大桥主桥上部结构采用(70+120×2+70)m预应力混凝土箱型连续刚构桥跨布置。

主桥上部构造的设计采用三向预应力,箱梁顶板宽9.3m,底板梁端及跨中合拢处宽为6.0m,其余位置随梁高变化,箱梁纵向钢束每股直径15.24mm,采用大吨位群锚体系;顶板横向钢束每股直径15.24mm;竖向预应力采用精轧螺纹钢筋。

大桥设计标准为:设计行车速度90km/h;设计荷载为城市地铁荷载;桥面总宽为9.30m。

墩顶零号块采用支架浇筑施工,1~14号节段采用挂篮悬臂浇筑,边跨9m段采用满堂支架浇筑完成,边跨、中跨合拢段采用吊架合拢。

1.2计算模型结合该桥施工监控的需要,采用通用有限元软件计算。

混凝土的收缩、徐变、温度变化等因素的影响,将使桥梁结构的变形、应力状态及其变化规律十分复杂。

各施工节段离散为梁单元,3个主墩视为固定支座,两边跨端视为活动铰支座。

神经网络在大跨度桥梁施工控制中的应用

摘要：文确定及分析了影响实际标高控制的主要参数，用Ｂａａｙｉ限元程序建立了该利ｒｎｌｓｓ有
永顺县不二门大桥全桥施工阶段仿真模型进行前进分析计算；此基础上，用ＭＡＡ在利ＴＬＢ建立了
改桥梁计算模型，计算出各种缺陷对全桥线形的影
道）ｘｏ５ｍ（＋２．防撞栏杆）荷载等级为汽一２、，Ｏ挂
车一１０人群荷载３５ｋｍ。０、．Ｎ／。主桥采用挂篮悬
臂对称浇筑施工，续箱梁预应力采用三向预应力连体系。上部箱梁结构采用Ｃ０砼，、桥墩墩身５２３
１永顺县不二门大桥有限元模型的建立
永顺县不二门大桥为四跨双肢薄臂预应力砼刚构连续箱梁桥，径为４跨６ｍ＋１０ｍ＋１０ｍ＋６０６０ｍ。主梁断面为单箱单室箱梁，箱梁顶宽１．２８ｍ，
和支座垫石采用ＣＯ砼。４
响，而调整下一施工阶段的立模标高，导施工。从指但是利用有限元软件通过监测得到的标高偏差值来计算参数上的误差存在相当大的难度，为反问题因的求解涉及到其存在性、唯一性和稳定性，而且很多因素是随机事件。因此，文利用Ｂ该Ｐ神经网络模
运用有限元程序Ｂａａｙｉ立全桥仿真模ｒｎｌｓｓ建型，化空间结构为平面结构计算，各悬臂浇筑梁段离

BP神经网络技术在独塔斜拉桥施工控制中的应用

因素多，由于现场条件同规范条件或室内试验条件的
一
本文通过运用ＢＰ神经网络方法，有效地解决了斜
拉桥智能施工监控中参数估计的核心问题。神经网络是个动力学非线性系统，以实现模式识别和函数逼近、可进行信号处理及非线性预测等。斜拉桥智能施工控制应用的就是其非线性预测功能。利用该方法对一座实际的独塔斜拉桥的参数进行估计，计算结果在实际施工控制
的主梁为基本计算结构；论述运用ＢＰ神经网络对斜拉
Ｆ＾
等）等物性参数的合理估计是整个施工监控目标最后实现的基本前提。斜拉索的制造过程一般在工厂完成，其
构造材料ｆ钢丝、ＰＥ套）的物理参数较稳定，因此斜拉索
桥主梁混凝土弹性模量、重进行实时识别，容并对主梁的标高进行预测。图１出了该桥的立面示意图。给
前向网络的核心部分。Ｂ网络是一种单向传播的多层Ｐ前向网络，其结构如图２所示。网络除输入输出节点外，还有一层或多层的隐层节点，同层节点中没有任何耦合。
。
０
［
图１大桥立面布置示意图
《交通工程建设》２１年第二期００
该桥索塔为塔梁墩固结体系。
的物性参数离散型均不大。在桥梁各构件按其设计截面取其形状和大小时，实际结构与设计结构在刚度、内力分布、徐变性质等的差异主要可以通过主梁等效弹性模量、等效容重、徐变系数、挂篮刚度等参数来反映。徐
变系数和挂篮刚度利用实测应变增量、某些阶段的挠度

基于强化学习的大跨度桥梁风致振动主动控制研究

总第３２１期交　通　科　技ＳｅｒｉａｌＮｏ．３２１　２０２３第６期ＴｒａｎｓｐｏｒｔａｔｉｏｎＳｃｉｅｎｃｅ＆ＴｅｃｈｎｏｌｏｇｙＮｏ．６Ｄｅｃ．２０２３ＤＯＩ１０．３９６３／ｊ．ｉｓｓｎ．１６７１７５７０．２０２３．０６．００４收稿日期：２０２３０７１３第一作者：何佳琛（１９９８－），男，硕士，助理工程师。

基于强化学习的大跨度桥梁风致振动主动控制研究何佳琛（中铁第四勘察设计院集团有限公司　武汉　４３００６３）摘　要　主动控制措施依靠外部能源供给，可有效抑制大跨度桥梁的风致振动。

为探究基于强化学习的大跨度桥梁风致振动主动控制，以苏通长江大桥为工程背景，建立风桥主动质量阻尼器的时域控制方程，利用深度确定性策略梯度强化学习算法（ＤＤＰＧ）为主动质量阻尼器设计控制律，并与利用ＬＱＲ算法所设计出的主动控制系统在抑振效果层面进行对比，检验利用强化学习算法所设计的控制系统在面对随机风环境及结构参数不确定时的鲁棒性能，并以一个单自由度非线性涡振主动控制的工况说明了强化学习对非线性系统的适用性。

结果表明，利用ＤＤＰＧ算法设计出的主动控制律在实施时仅需要测量桥梁跨中节点的位移响应和加速度响应就能够达到与ＬＱＲ算法相当的控制效果；当系统产生外部扰动或桥梁结构本身的刚度矩阵发生改变时，利用强化学习设计的ＡＴＭＤ仍具备令人满意的控制性能；强化学习是一个适用范围广泛的通用性框架，可用于线性或非线性系统，由于其本身的理念，其所设计出的主动控制系统，在均方值控制效果方面优于相应的峰值控制效果。

关键词　主动控制措施　强化学习　深度确定性策略梯度算法　鲁棒性　非线性系统中图分类号　Ｕ４４１＋．３主动控制措施依靠外部能源供给，可有效抑制大跨度桥梁的风致振动。

主动控制律是主动控制设施的设计核心，其在很大程度上决定了主动控制设施的性能及鲁棒性。

在结构振动控制领域中较常使用的主动控制律设计方法主要可分为传统控制算法和智能控制算法［１］。

基于卷积神经网络的多车桥梁动态称重算法

第49卷第1期2022年1月Vol.49，No.1Jan.2022湖南大学学报（自然科学版）Journal of Hunan University（Natural Sciences）基于卷积神经网络的多车桥梁动态称重算法邓露†，罗鑫，凌天洋，何维（湖南大学土木工程学院，湖南长沙410082）摘要：为识别多车工况下车辆过桥时的车辆重量，采用卷积神经网络技术开发出可用于多车轴重识别的桥梁动态称重（BWIM）算法.首先，利用车桥耦合系统采集不同车辆过桥时梁底的应变信号；之后，基于深度学习开源框架KERAS搭建了包含9层卷积层、2层全连接层的卷积神经网络（CNN）模型，利用Adam优化器训练CNN模型以拟合所获得的应变信号与车辆轴重在不同工况下的变化规律，并最小化拟合误差；最后，对所开发的算法在单车和多车加载工况下的轴重识别精度进行了对比分析.结果表明：所提出的算法在单车和多车工况下的轴重识别误差均值基本低于5%，并且识别精度对车辆速度和横向位置的变化不敏感，说明算法的轴重识别效果良好且稳定.该多车BWIM算法摆脱了对桥梁影响线的依赖，为不适用于利用影响线方法进行动态称重的桥梁提供了可替代的称重技术.关键词：桥梁动态称重；卷积神经网络；多车轴重识别；有限元分析中图分类号：U446.2文献标志码：ABridge Weigh-in-motion Algorithm Considering Multi-vehicleBased on Convolutional Neural NetworkDENG Lu†，LUO Xin，LING Tianyang，HE Wei（College of Civil Engineering，Hunan University，Changsha410082，China）Abstract：In this study,a new bridge weigh-in-motion(BWIM)algorithm based on the convolutional neural net⁃work technology was developed for identifying the axle weights of multi-vehicles crossing the bridge.First of all,the bridge strains under vehicular loading with variable weight were simulated using the vehicle-bridge coupling simula⁃tion system.Then,a convolutional neural network,consisted of nine convolutional layers and two fully connected lay⁃ers,was developed based on an open source framework for deep learning,i.e.,KERAS.The convolutional neural net⁃work was trained by Adam optimizer to map the relationship between the bridge strain and the vehicle weight under different scenarios,and optimized by minimizing the fitting error.Eventually,the identification accuracy of the pro⁃posed BWIM system was analyzed under the conditions of single-and multi-vehicle loadings.The results show that the mean identifying error of the proposed BWIM was less than5%for both the single-and multi-vehicle scenarios, and changed slightly with the varying traveling speeds and lateral loading positions,indicating the good and stable performance of the proposed BWIM algorithm in axle weight identification.In addition,the proposed BWIM system doesn’t need a bridge influence line in advance to identify the axle weight,and therefore provides an alternative tech⁃∗收稿日期：2020-12-28基金项目：国家自然科学基金资助项目（751201233），National Natural Science Foundation of China（751201233）作者简介：邓露（1984—），男，湖南娄底人，湖南大学教授，博士生导师†通信联系人，E-mail：**************.cn文章编号：1674-2974（2022）01-0033-09DOI：10.16339/ki.hdxbzkb.2022004湖南大学学报（自然科学版）2022年nology for bridges that are not suitable for the influence line method.Key words：bridge weigh-in-motion；convolutional neural network；axle weight identification for multiple ve⁃hicles；finite element analysis桥梁动态称重技术克服了静态称重技术识别效率低的缺点，因其具有无需中断交通即可快速识别通行车辆重量信息的优点而广泛应用于实际交通工程中.其概念由Moses［1］于1979年首次提出，主要根据桥梁特定位置的应变信息来反算桥上移动荷载的重量，也称为Moses算法.之后众多学者对桥梁动态称重进行了深入研究.赵华等人［2］利用小波变换放大了车辆经过传感器时信号中的非连续变化斜率，进而求解车辆的轴数、轴距和速度.邓露等人［3］对比了经典的BWIM方法（Moses算法和应变面积法）在不同中小跨径桥梁上的车重识别效果，对比结果表明桥梁跨径越小，轴重识别效果越佳.不过，Moses算法及其改进算法中并没有考虑车辆横向加载位置的影响，因此进行多车过桥工况下的车重识别时误差可能过大［4］.对此，Quilligan［5］将影响面的概念引入BWIM中以考虑车辆横向加载位置对轴重识别精度的影响.Zhao等人［6］分析了车轮荷载在不同梁上的横向分布特性并据此在BWIM中考虑了桥梁空间特性.宫亚峰等人［7］采用桥梁横向动力响应线和桥梁弯矩影响面方法考虑BWIM中的横向多车问题.但上述方法的实现都依赖桥梁影响面的标定或桥梁横向动力特性的获取，不仅实现难度大，技术要求高且识别精度受限于影响面的标定精度.且文献［8］指出在部分跨度较大的桥梁上可能并不适用使用影响线方法计算轴重，这些对BWIM在实际工程的应用造成了困难.近年来，有学者尝试将人工神经网络（ANN）应用于BWIM中，如Gonz a′lez等人［9］采用ANN对BWIM 系统的信号进行降噪和滤波.之后，Kim等人［8］提出了一种利用桥梁主梁上应变信号的峰值通过神经网络识别车辆轴重的方法，但仅将应变峰值数据输入神经网络的做法忽略了应变信号中丰富的和车辆参数相关的信息［10］.Kawakatsu等人［10-11］利用卷积神经网络（CNN）对传感器的信号曲线进行分析以此获取车辆速度、轴数和轴重等信息.Wu等人［12］利用卷积神经网络通过信号重构的方法得到了车辆的轴数、速度和轴重.不过这些方法都未考虑多车过桥问题.针对以上现状，本文提出了一种基于卷积神经网络实现多车轴重识别的BWIM算法.该算法将桥梁在不同横向位置和速度的多车加载下的响应信号和相应的车辆轴重信息对卷积神经网络进行训练，使其直接拟合桥梁响应和车辆轴重之间的复杂函数关系，从而避免了耗时的影响面标定以及对桥梁响应和车辆轴重之间的复杂的公式求解工作.本文首先建立了典型的T梁桥有限元模型，并采用了具有不同轴距、不同重量、不同车辆轴数的车辆模型；之后，利用车桥耦合系统来获取桥梁在不同多车加载工况下的响应信号，并以此对卷积神经网络进行训练，使其拟合桥梁响应信号与车辆轴重之间的关系并最小化拟合误差；最后，讨论了不同横向位置、车辆速度以及横向车辆数量对多车轴重识别精度的影响.1多车称重卷积神经网络算法神经网络是当前受到广泛应用的数据拟合工具，主要包括人工神经网络（ANN）、卷积神经网络（CNN）和循环神经网络（RNN）3种形式.在高频信号处理、高分辨图片处理等问题上，在搭建相似规模网络的情况下，CNN所需的权重参数数量远低于ANN，因此也更易于训练［13］.而ANN则可能因为权重参数数据量过大出现模型难以训练的现象.RNN适用于处理前后具有关联性的序列数据，其各步的输出数据之间通常也具有一定的联系，典型应用如语句翻译［14-15］.然而，车辆各个轴重之间、不同车辆的重量之间通常不具有明显的相关性.实际上，如式（1）所示，通过车辆轴重P（x）和影响线I（x）卷积的结果以及误差函数ε（x）可计算出桥梁的实测弯矩M（x），而桥梁动态称重的目的是通过桥梁的实测弯矩M（x）及其他条件求得车辆的轴重P（x），因此桥梁动态称重为反卷积求解问题，故利用卷积神经网络（CNN）求解该反卷积问题可能会有较好的效果.如文献［16］使用基于CNN的反卷积方法通过超声波信号估计信号反射源的位置和该处反射超声波的振幅大34第1期邓露等：基于卷积神经网络的多车桥梁动态称重算法小.Kawakatsu等人［10］也利用CNN方法，从桥梁响应中获得了单车工况下车辆的速度和轴重等信息.本文也拟采用CNN来求解多车过桥时的荷载识别问题.桥梁动态称重理论中一般假定桥梁处于线弹性状态，则桥梁的弯矩和加载车辆的关系如式（1）所示：M（x）=∫I（x）P（x）d x+ε（x）（1）式中：M（x）代表实测弯矩；P（x）代表车辆轴重函数；ε（x）代表理论弯矩（轴重P（x）和桥梁影响线I（x）的卷积）与实际弯矩M（x）之间的误差.由式（1）可知当已知桥梁的影响线和车辆轴重向量及车速、轴距等信息时能够得到车辆的实测弯矩，而已知桥梁实测弯矩来解算出行驶车辆的轴重、车速和轴距从理论上来说是可行的［10］.根据实测弯矩响应的信号长度能够获得车辆过桥时间，从而获得车辆速度；不同轴距的车辆在桥上行驶时桥梁响应的特征不同，文献［17］也介绍了从实测弯矩中得到车辆轴距的算法；通过将不同横向位置的应变信号加入神经网络的训练集可以使卷积神经网络“学习”到不同横向位置对求解轴重的影响.因此桥梁响应中已包含了足够的求解车辆轴重的信息，且卷积神经网络在信号特征提取和回归拟合方面都表现出了突出的拟合效果和广泛的应用前景，故可以通过卷积神经网络直接拟合桥梁响应和多车车辆轴重之间的关系实现轴重预测，同时还能最小化误差对轴重求解的影响.至于单车工况，则可视为其它所有车道上车辆轴重均为零的“特殊”多车工况.本研究提出的卷积神经网络模型主要包含输入层、卷积层、池化层、全连接层以及输出层，其基本架构如图1所示.一个测点在输入层中的输入数据格式为4000×1的向量，即时长4s、采样频率为1kHz 的应变信号；卷积层主要用于提取输入数据中和车辆参数相关的特征，其中卷积核的大小如表1所示，步长为1.由于本文每条输入数据中皆有部分信号值为负，故激活函数采用在“Relu”激活函数的基础上扩展了负区间的“Leaky Relu”激活函数，以使神经网络在正负区间下都取得较好的非线性拟合能力.“Leaky Relu”激活函数表达式为y=max（αx，x），本文中α=0.3；每层卷积层后面接一层池化层，池化层的作用主要为在保留信号特征的基础上降低卷积层的大小，本研究中池化层都采用最大值池化方法，池化层参数设置如表1所示；卷积神经网络最后几层为全连接层，用于拟合输入信号经过卷积核池化后特征矩阵与轴重之间的复杂关系，其结构与一般神经网络类似.本文的卷积神经网络模型将一个车道上的输出变量数目设置为5个，每一个输出代表一个轴重.对本文采用的2轴车和3轴车，其轴数不足5轴，则相应位置的输出值以零补齐.本文采用的桥梁模型具有两个车道，故卷积神经网络模型输出变量数目共10个，因此神经网络的输出数据格式为10×1.进行预测前需要使用卷积神经网络预先获知车辆轴数（使用额外的车轴探测传感器）.对于轴数为n的车辆来说，只需取卷积神经网络输出向量的前n项作为车辆轴重识别结果而无需关注其它项.由于本文的问题属于神经网络中的非线性拟合问题，故神经网络的损失函数采用在神经网络非线性拟合问题中受到广泛使用的均方差（MSE）损失函数，其表达式如式（2）所示：MSE=12∑i=1N（y i-y i）2（2）式中：N为神经网络输出数据的个数10；y i为输出数据的真实值；y i为神经网络的预测值.本文采用Adam优化器［18］作为该卷积神经网络模型的权重参数优化器，该优化器可以动态且平稳地调整每个参数的学习率，已被广泛应用于各类经典的神经网络模型的模型中.输入信号车辆轴重卷积7×1×16-s-1最大值池化2×1-s-2卷积5×1×64-s-1最大值池化2×1-s-2卷积7×1×16-s-1最大值池化2×1-s-2卷积3×1×256-s-1最大值池化2×1-s-2卷积7×1×32-s-1最大值池化2×1-s-2卷积7×1×32-s-1最大值池化2×1-s-2卷积5×1×64-s-1最大值池化2×1-s-2卷积3×1×128-s-1最大值池化2×1-s-2卷积3×1×128-s-1最大值池化2×1-s-2 1058995128256128494244120513283337777647553216163264400019973264图1多车称重卷积神经网络模型架构图Fig.1The architecture of convolutionalneural network model for BWIM图1中卷积过程“7×1×16-s-1”中的“7×1×16”代表使用16个7×1的卷积核，“s-1”代表卷积核步长为1.最大值池化过程下“2×1-s-2”代表使用2×1的核以步长2进行最大值池化操作.卷积神经网络的参数除了权重参数外，还包括神经网络的层数、卷积核大小和全连接层数等超参数.和权重参数不同，卷积神经网络的超参数目前大35湖南大学学报（自然科学版）2022年多需要人为定义.本文参考文献［10］和实际识别误差情况得到基于本文训练数据集的最优的神经网络的超参数如表1所示.在此超参数基础上增加卷积层层数或全连接层层数均未发现明显的识别精度增长，而减少层数则会使识别精度降低.表1多车称重卷积神经网络模型超参数Tab.1The hyperparameters of convolutionalneural network model for BWIM层名称卷积层1卷积层2卷积层3卷积层4卷积层5卷积层6参数设置（7×1×16）［2×1］（7×1×16）［2×1］（7×1×32）［2×1］（7×1×32）［2×1］（5×1×64）［2×1］（5×1×64）［2×1］层名称卷积层7卷积层8卷积层9全连接层1全连接层2输出层参数设置（3×1×128）［2×1］（3×1×128）［2×1］（3×1×256）［2×1］643210注：“（7×1×16）［2×1］”中“16”代表卷积核个数；“（7×1）”代表卷积核的大小；“［2×1］”代表进行最大值池化操作使用的核的大小.全连接层的参数设置代表神经元的个数.2数值模拟2.1桥梁模型本研究选取了一座有代表性的简支T 梁桥进行数值模拟.该桥梁跨径为20m ，桥面宽8.5m ，双车道设计，具有4片T 梁，每片梁高1.5m.混凝土的弹性模量为3.45×104MPa ，泊松比为0.2，密度为2653kg/m 3，其横截面如图2所示.1050500P1车道2200020001000325032501050车道11500P2P4P3500y x ABDC图2桥梁横截面图（单位：mm ）Fig.2Cross-section of the bridge （unit ：mm ）此外，本文使用有限元分析软件ANSYS 建立了该桥的有限元模型.桥梁的支承方式为两端简支，桥面板和主梁均采用Solid185单元模拟.桥梁纵向单元长度为0.4m ，横向单元长度为0.3m ，有限元模型图如图3所示.本研究使用车桥耦合数值仿真方法求解车辆过桥响应.该方法主要利用Newmark-β法求解模态坐标下的动力学方程得到桥梁的响应，具体求解过程见文献［19-20］.由该方法计算结果与实桥数据的对比可知，该桥耦合数值仿真方法是准确可靠的，且该桥梁模型在文献［21］中同样用于获取桥梁梁底的应变响应.ADCBZ WZY WY WXX 图3桥梁有限元模型图Fig.3Finite element model of the bridge在模拟车辆过桥路线时按均匀分布随机选取车辆过桥时车辆中心的横向位置，其中车道1和车道2的车辆中心横向位置范围分别由图2中的P1-P2和P3-P4确定.本文参考文献［7］和［16］的做法分别在桥梁跨中每片梁梁底选取一个点作为应变提取点，记为A 、B 、C 、D ，如图3所示.2.2车辆模型本研究选取具有不同车辆参数的2轴车、3轴车和5轴车模型作为加载车辆，车辆的总重在范围10~60t 内按均匀分布选取，车辆的轴组之间的距离范围设置为2.1~4.4m ［22］，车辆轴组内部的轮距范围设置为1.02~1.85m ［22］，车辆速度在10~30m/s 内随机选取.典型的2、3和5轴车的模型分别如图4中（a ）（b ）和（c ）所示.需要注意的是，各模型的背面图均如图4（d ）所示.各模型的详细参数参见文献［23-26］.zxzK 2R 2R 1C 1C 2K 1Z 2Z 1K 3Z 1θ1θ2θ1R 3R 2R 1C 1C 2K 1C 3K 2（a ）2轴车（b ）3轴车zzxR 2R 3R 1C 1C 2K 1K 2K 3R 5θ1Z 1Z 2Z 1θ1K 5xR 2R 1C 1C 2K 1K 2θ2（c ）5轴车（d ）车辆背面图图4典型的2、3和5轴车模型图Fig.42，3and 5axle truck models2.3获取训练、测试和验证数据为了模拟不同车辆过桥情况，本文分别选用了1000辆2、3和5轴车模型.在模拟单车过桥的工况时，每次首先选定模型车辆的轴数，并在车速范围中36第1期邓露等：基于卷积神经网络的多车桥梁动态称重算法随机选取一个车速，之后在图2所述P1-P2和P3-P4范围内随机选取车辆行驶路线的横向位置.在模拟多车过桥的工况时，两个车道上行驶的车辆轴数、横向加载位置以及行驶速度均在指定范围内随机选取，与单车工况下的选取准则相同.其中各车道上通行车辆的轴数情况如表2所示.表2单车道和多车道工况车辆轴数表Tab.2The truck axle number of one lane and two lanes车道1车辆轴数235———22车道2车辆轴数———23523车道1车辆轴数2333555车道2车辆轴数5235235注：“—”代表该车道无车.桥上道路的路面平整度根据我国《车辆振动输入路面平度表示方法》（GB/T 7031—1986）［27］来模拟，路面不平整度为规范中的“A ”级.由以往的研究可以发现，卷积神经网络技术应用于BWIM 上时其训练数据量可能达到百万级［10］，这可能会对卷积神经网络在BWIM 上的应用造成困难，因此应用卷积神经网络技术时应当考虑训练数据量和精度的平衡.本文的训练数据量为15000组，即为上述工况组合得到的6000组单车过桥和9000组多车过桥数据.各工况的数据采样频率都为1kHz ，由最低行驶速度确定采样时间为4s ，采样时间不足4s 造成的数据短缺可用零补齐.得到车辆过桥响应后将响应曲线的值归一化到（0，1）之间并加入50dB 的高斯白噪声以模拟实际情况中的信号噪声.图5所示为在3轴车随机加载下未加白噪声处理的桥梁应变响应曲线.车辆各轴轴重同样归一化到（0，1）之间以降低梯度消失和梯度爆炸现象出现的可能性.604530150桥梁响应/με07142128A 点B 点C 点D 点车辆行驶距离/m图53轴车过桥响应Fig.5Bridge response loaded by 3-axle truck3结果讨论3.1卷积神经网络的训练本文将按照2.3所述生成的15000组桥梁应变数据作为卷积神经网络的训练集，再生成1500组数据作为卷积神经网络的验证集.每个训练循环步（epoch ）中训练样本数为64，图6展示了在200个训练循环步中损失均值的下降情况.0.0200.0160.0120.0080.004损伤均值50100150200训练数据验证数据训练循环步/epoch图6损失函数下降曲线Fig.6Loss function curve of CNN从图6中可以看出神经网络的权重参数初始化后训练数据的损伤均值比验证数据损伤均值低，随后训练数据的损伤迅速下降.在第15训练循环步时的训练数据损失低于验证数据损失，说明此时卷积神经网络有过拟合现象，到第200训练循环步时卷积神经网络训练数据损伤均值低于1×10-4.本文取训练到200训练循环步的卷积神经网络模型作为最终预测车辆轴重的神经网络模型.在训练过程中，卷积神经网络各个权重参数的学习率和步长皆由Adam 优化器根据各参数梯度的一阶矩估计和二阶矩估计动态调整，使得神经网络能够平稳有效地接近最优解.卷积神经网络的超参数则根据实际效果手动调整，调整后得到的基于本文训练数据集的最优超参数如表1所示.3.2单车车重识别为了探究本文所采用的卷积神经网络模型对单车工况的轴重预测精度，本文在训练数据之外按2.2节的车辆参数生成了50组2轴车、3轴车和5轴车模型.由于实际情况中车辆主要沿着车道中心线行驶，故车辆行驶的横向位置设为车道1中心，行驶速度设为20m/s.将按上述条件得到车辆行驶时桥梁4片子梁A 、B 、C 、D 处的应变响应输入到训练好的卷积37湖南大学学报（自然科学版）2022年神经网络模型中得到各个预测轴重，其中预测轴重的误差均值和标准差如表3所示.表3单车工况识别误差表Tab.3The identification error of single truck车轴#2A1 #2A2 #3A1 #3A2 #3A3 #5A1 #5A2识别误差/%均值-2.19-0.55-2.090.521.936.663.18标准差6.187.6811.158.578.3510.6510.79车轴#5A3#5A4#5A5#2G#3G#5G识别误差/%均值-1.30-0.130.811.760.481.30标准差6.257.9011.554.845.545.95注：表中“#2A1”中“#2”代表2轴车，“A1”代表2轴车的第1个轴；“G”代表总重.由表3可以看出，2轴车的轴重识别误差均值绝对值在3%以下，标准差在8%以下；3轴车的轴重识别误差均值绝对值也在3%以下，标准差基本在12%以下；5轴车轴重识别误差均值绝对值基本在7%以下，标准差基本在12%以下.识别结果2轴车优于3轴车，3轴车优于5轴车，说明轴数越多识别效果略有降低但仍能满足实际工程的需要.三种车总重误差均值绝对值都低于2%，误差标准差也低于6%，说明卷积神经网络对车辆总重的识别效果比轴重识别效果更好.本研究单车工况的总重比文献［7］中使用神经网络的单车BWIM算法精度略高，但二者误差均值均接近1%，标准差均接近5%，说明本研究提出的算法在单车工况下实现了较高的识别精度.3.3多车车重识别为了探究卷积神经网络模型在不同多车过桥工况下的轴重识别精度，本文考虑了相同横向加载位置下以不同车速过桥和相同车速下以不同横向位置加载的工况，并且选用训练数据之外的2轴、3轴和5轴车各50辆用于模拟变化的加载车型.3.3.1不同横向位置工况在探究由于两车道上的车辆的横向加载位置变化对卷积神经网络模型预测精度的影响时，为便于研究，本文重点研究两车道上车辆的相对间隔的变化，即控制某一车道上的加载车辆沿道路中心行驶，另一车道上的车辆沿着不同横向位置的加载路线过桥.具体而言，由于两车道沿桥梁纵向成对称分布，且通常情况下在慢车道（即本文中的车道2）行驶的车辆占据多数，因此，本文主要假定车道1上的车辆一直沿车道中心线加载，而车道2上车辆行驶的横向位置则在图2中P3-P4之间按0.5m的间隔选取5个横向位置，其中两车道上的加载车辆模型的轴数情况如表4所示.表4多车过桥车辆轴数工况表Tab.4The axle number of truck in two lanes车辆组合类型组合1组合2组合3车道12轴车3轴车5轴车车道22轴车3轴车5轴车车辆组合类型组合4组合5组合6车道12轴车2轴车3轴车车道23轴车5轴车5轴车对于表4中展示的加载车辆组合类型，每个类型中车辆模型横向位置会变化5次，每次变化均对应50个不同的车辆模型加载，故最终共得到1500组桥梁应变响应.由桥梁响应和卷积神经网络得到各个轴预测轴重误差的均值和标准差如图7和图8所示，车辆位置的坐标轴如图2所示，路面最左侧为坐标原点.本文以x坐标值来表示车辆横向位置.图例“Z1#2”中，“Z1”表示表4中车辆组合类型的组合1，“#2”表示2轴车，如在图7（a）中“Z1#2”表示组合1下2轴车所有轴重整体的误差均值，其余图例的含义以此类推.40302010误差均值/%误差均值/%60402010-205.455.956.456.957.45 5.455.956.456.957.45Z1#2Z2#3Z3#5Z4#3Z5#5Z6#5Z1#2Z2#3Z3#5Z4#2Z5#2Z6#3车道1车辆横向位置/m车道2车辆横向位置/m（a）车道1误差均值（b）车道2误差均值图7车辆不同横向位置轴重误差均值图Fig.7Axle weight mean error of truck atdifferent lateral loading positions误差标准差/%60453015误差标准差/%70554025105.455.956.456.957.45 5.455.956.456.957.45Z1#2Z2#3Z3#5Z4#2Z5#2Z6#3Z4#3Z5#5Z6#5Z1#2Z2#3Z3#5车道1车辆横向位置/m车道2车辆横向位置/m（a）车道1误差标准差（b）车道2误差标准差图8车辆不同横向位置轴重误差标准差图Fig.8Axle weight standard deviation error oftruck at different lateral loading positions从图7和图8中可以发现车道1的均值和方差离散性较车道2更好，且车道1中各轴的误差标准差38第1期邓露等：基于卷积神经网络的多车桥梁动态称重算法集中在15%左右，误差均值集中在5%左右，说明对于车辆加载路线沿车道中心加载时预测效果较好，而某一车辆偏离车道中心线加载虽会降低其自身的识别精度，但不影响其他车道上沿中心线加载的车辆的轴重识别精度.另外，从图中可以发现该模型对2轴车模型的轴重识别精度最高，其次为3轴车，最后是5轴车，这是由于5轴车的后三个轴的间距较小使得相应轴在应变信号中的特征不明显所造成的.不过从图中可以发现该卷积神经网络模型对多车轴重的识别误差均值基本在±5%左右，误差标准差大部分在15%左右，说明卷积神经网络对不同横向位置的多车问题实现了良好的识别效果.本文继续研究了车道2上的车辆轴数与加载位置变换对神经网络识别车辆总重的精度影响，结果如表5所示.从表5中可知，当车辆相对加载位置变换时，各个工况下车道2上的车辆加载位置越靠近车道中心，对应表中位置6.45m和6.95m，两车道上车辆的总重识别误差均值越趋近于零，结合实际情况中车辆一般行驶在车道中央来看，这是有利于卷积神经网络模型在实际情况中的使用.另外，表5中每个工况中车辆加载位置为5.45m 时模型对车道上车辆的总重识别误差均较大，这是由于当车道2车辆沿该路线加载时与车道1上的车辆相隔较近而导致应变信号互相干扰的程度较大所导致的.在实际工程中，为安全起见，驾驶员可能并不会近距离相隔行驶.总体而言，该卷积神经网络在多数常见加载路线下对车辆总重具有优秀且稳定的识别精度，误差均值基本低于5%.3.3.2不同速度工况在研究不同车速对BWIM算法的识别精度影响时，令慢车道（车道2）上行驶的车辆速度为10、15、20、25、30m/s5种情况，同时设定快车道（车道1）上行驶的车辆速度比车道2上的快5m/s.车辆在各自车道行驶时其横向加载位置分别为该车道中心.对于任意一种车速，都按表4中6种车辆组合类型分别行驶.按2.2节的车辆参数生成50个相应的车辆模型进行加载以获得不同速度下多车过桥的桥梁应变响应.将所获得的桥梁应变响应输入到卷积神经网络中得到预测轴重的误差均值和标准差如图9和图10所示.453015-15误差均值/%453015-15误差均值/%15202530351015202530Z4#3Z5#5Z6#5Z1#2Z2#3Z3#5Z4#2Z5#2Z6#3Z1#2Z2#3Z3#5车辆速度/（m·s-1）车辆速度/（m·s-1）（a）车道1误差均值（b）车道2误差均值图9车辆不同速度轴重误差均值图Fig.9Axle weight mean error of truck with different speeds误差标准差/%80604020误差标准差/%8060402015202530351015202530 Z1#2Z2#3Z3#5Z4#2Z5#2Z6#3Z4#3Z5#5Z6#5Z1#2Z2#3Z3#5车辆速度/（m·s-1）车辆速度/（m·s-1）（a）车道1误差标准差（b）车道2误差标准差图10车辆不同速度轴重误差标准差图Fig.10Axle weight standard deviation errorof truck with different speeds表5多车工况不同横向位置总重识别误差表Tab.5The gross weight error of multiple truck at different positions5.455.956.456.957.45（8.3）4.4（8.8）1.5（6.5）2.1（6.8）1.5（10.2）（14.5）1.8（12.6）-0.4（11.9）-3.6（10.4）3.7（12.6）（15.9）2.9（9.4）0.8（10.0）-3.2（9.2）6.4（12.0）（7.3）1.4（6.7）0.7（6.2）-0.1（7.0）4.5（6.8）（8.8）0.7（5.4）-1.7（4.8）-1.1（6.8）1.0（7.1）（14.0）-0.5（12.9）0.4（10.6）-3.9（10.5）1.1（12.9）（9.4）-4.4（10.8）-0.9（6.4）-0.1（7.9）-0.7（8.0）（15.4）-6.3（11.1）-7.0（11.3）-0.7（8.8）-11.3（10.7）（14.1）-3.9（8.9）-0.3（10.1）3.1（11.9）-1.1（8.0）（14.2）-3.5（11.3）-12.8（16.0）-3.4（13.5）-12.2（11.1）（8.8）-3.5（11.7）-2.9（8.5）-2.9（14.3）-5.3（9.4）（12.3）-1.0（11.3）1.4（9.2）2.2（11.9）-1.3（10.4）注：表中括号里的数字代表车辆总重误差标准差；“Z1#2”等车辆表示含义与图例一致.39。