[發(fā)明專(zhuān)利]一種基于車(chē)輛荷載空間分布的橋梁風(fēng)險(xiǎn)預(yù)測(cè)方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010155041.3
• 申請(qǐng)日: 2020-03-09
• 公開(kāi)（公告）號(hào): CN111027256A
• 公開(kāi)（公告）日: 2020-04-17
• 發(fā)明（設(shè)計(jì)）人: 宋杰;張亮;董梅;胡輝
• 申請(qǐng)（專(zhuān)利權(quán)）人: 杭州魯爾物聯(lián)科技有限公司
• 主分類(lèi)號(hào): G06F30/23
• 分類(lèi)號(hào): G06F30/23;G06F30/13;G06F30/27;G06F119/14
• 代理公司: 杭州橙知果專(zhuān)利代理事務(wù)所(特殊普通合伙) 33261
• 代理人: 賀龍萍

1.一種基于車(chē)輛荷載空間分布的橋梁風(fēng)險(xiǎn)預(yù)測(cè)方法，其特征在于，包括：

S1、在橋梁上均勻布置測(cè)速裝置用于測(cè)量車(chē)輛的移動(dòng)速度，同時(shí)在橋梁上布置若干傳感器用于記錄車(chē)致橋梁拉索索力響應(yīng)；

S2、將所述傳感器節(jié)點(diǎn)均分為多個(gè)傳感器集群，選擇所述傳感器集群中的中心節(jié)點(diǎn)作為主節(jié)點(diǎn)，其余節(jié)點(diǎn)為子節(jié)點(diǎn)；

S3、建立車(chē)輛與橋梁的作用模型，基于所述模型構(gòu)建車(chē)輛荷載與所述橋梁拉索索力響應(yīng)間的線(xiàn)性關(guān)系；

S4、所述子節(jié)點(diǎn)采集索力數(shù)據(jù)發(fā)送給所屬傳感器集群中的主節(jié)點(diǎn)，主節(jié)點(diǎn)將接收的數(shù)據(jù)及自身采集的數(shù)據(jù)通過(guò)多跳形式發(fā)送至匯聚節(jié)點(diǎn)；

S5、引入稀疏約束，基于所述車(chē)輛荷載與所述橋梁拉索索力響應(yīng)間的線(xiàn)性關(guān)系、所述匯聚節(jié)點(diǎn)接收的索力數(shù)據(jù)，求解車(chē)輛荷載的空間分布；

S6、采集歷史橋梁形變數(shù)據(jù)及對(duì)應(yīng)的荷載信息，分別對(duì)邏輯回歸模型、卷積神經(jīng)網(wǎng)絡(luò)模型、時(shí)間序列聚類(lèi)、隨機(jī)森林、最近鄰分類(lèi)、K均值分類(lèi)、隱馬爾可夫模型、張量分解和深度波茲曼機(jī)應(yīng)用進(jìn)行訓(xùn)練，生成多個(gè)橋梁風(fēng)險(xiǎn)預(yù)測(cè)模型；

S7、評(píng)估基于邏輯回歸模型、時(shí)間序列聚類(lèi)、隨機(jī)森林、最近鄰分類(lèi)、K均值分類(lèi)、隱馬爾可夫模型、張量分解和深度波茲曼機(jī)訓(xùn)練生成的橋梁風(fēng)險(xiǎn)預(yù)測(cè)模型的性能，選擇性能最好的風(fēng)險(xiǎn)預(yù)測(cè)模型作為最終的風(fēng)險(xiǎn)預(yù)測(cè)模型；

S8、基于所述車(chē)輛荷載的空間分布，獲取橋梁荷載，將所述橋梁荷載的值輸入最終的風(fēng)險(xiǎn)預(yù)測(cè)模型，預(yù)測(cè)橋梁風(fēng)險(xiǎn)值。

2.根據(jù)權(quán)利要求1所述的橋梁風(fēng)險(xiǎn)預(yù)測(cè)方法，其特征在于，所述車(chē)輛荷載與所述橋梁拉索索力響應(yīng)間的線(xiàn)性關(guān)系為：

其中，矩陣A的第i列表示拉索i的索力響應(yīng)線(xiàn)，A的第u行表示在點(diǎn)u所引起的每個(gè)拉索的索力，為測(cè)得的索力向量，為車(chē)輛荷載向量。

3.根據(jù)權(quán)利要求2所述的橋梁風(fēng)險(xiǎn)預(yù)測(cè)方法，其特征在于，所述步驟S5包括：

假設(shè)僅有w個(gè)拉索設(shè)置有索力傳感器，則有：

其中，，為隨機(jī)抽樣算子，用于將所有的索力向量映射到測(cè)量的拉索索力向量；將轉(zhuǎn)化成稀疏向量重構(gòu)問(wèn)題：

其中，為l₁范數(shù)，為稀疏基變換系數(shù)向量；是通過(guò)l₁最小范數(shù)優(yōu)化方法計(jì)算出基變換系數(shù)；

對(duì)于包括噪聲的測(cè)量的拉索索力向量，有：

其中e為高斯白噪聲，

其中，是測(cè)量誤差的上限。

4.根據(jù)權(quán)利要求1所述的橋梁風(fēng)險(xiǎn)預(yù)測(cè)方法，其特征在于，所述步驟S6包括：

構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)由輸入層、卷積層、PReLU層、池化層、全連接層、輸出層構(gòu)成；具體包括5個(gè)卷積層，每個(gè)卷積層都附帶一個(gè)帶參數(shù)的非線(xiàn)性激活函數(shù)PReLU層，第一卷積層、第二個(gè)卷積層、第四個(gè)卷積層后連接有池化層，每一個(gè)池化層均采用最大池化的方法，第一卷積層與輸入層連接，輸入層輸入的是歷史橋梁形變數(shù)據(jù)對(duì)應(yīng)的橋梁荷載信息，全連接層位于最后一個(gè)池化層和輸出層之間，其中每一個(gè)神經(jīng)元都與前一層的全部神經(jīng)元相連接，并根據(jù)風(fēng)險(xiǎn)檢測(cè)的需要，有針對(duì)性地將特征向量映射到輸出層，輸出層輸出橋梁風(fēng)險(xiǎn)值；

利用大量的歷史橋梁形變數(shù)據(jù)對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，計(jì)算卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)，利用損失函數(shù)對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代、更新，基于深度學(xué)習(xí)的風(fēng)險(xiǎn)預(yù)測(cè)通過(guò)不斷對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使損失函數(shù)降到預(yù)期值，生成最終的卷積神經(jīng)網(wǎng)絡(luò)模型。

5.權(quán)利要求1所述的橋梁風(fēng)險(xiǎn)預(yù)測(cè)方法，其特征在于，所述橋梁荷載為橋梁上通行車(chē)輛的荷載相疊加。