基于新奇检测技术在桥梁结构异常识别中的研究.docVIP

基于新奇检测技术在桥梁结构异常识别中的研究 　　摘 要： 为了实现桥梁结构的异常状态和位置识别，并避免桥梁模型的建立带来的影响，提出采用基于BP神经网络的改进型新奇检测技术进行状态识别的方法。为了验证该方法的可行性，首先将该方法应用于T梁模型试验中开裂状态与异常位置的识别，工程试验验证效果良好。随后将该方法应用于大跨度拱桥损伤位置的识别，也得到了现场实测数据的验证。 　　关键词： 桥梁健康评估； 结构异常诊断； 新奇测验技术； 开裂位置识别； 异常位置识别 　　中图分类号： TN911?34； TM417 文献标识码： A 文章编号： 1004?373X（2016）09?0128?05 　　Abstract： To identify the abnormal status and location of the bridge structure， and avoid the influence of the bridge mode?ling， the status identification method using the improved novel detection technology based on BP neural network is proposed. To verify the feasibility of the method， this method is applied to the T?beam model test to identify the cracking status and abnormal location. The effectiveness of the method was proved by engineering test. The method was applied to the damage location identification of the large?span arch bridge， and verified with field measuring data. 　　Keywords： bridge health assessment； structural abnormality diagnosis； novel test technology； cracking location identification； abnormal location identification 　　0 引 言 　　近年来全国多地发生桥梁坍塌事故，除去地质灾害等非人为可控的因素外，桥梁在服役期间的健康度下降也是导致安全问题的一个重要因素。国内外在桥梁结构的异常状态识别做了大量的研究，提出了许多切实有效的方法，但是考虑到丫髻沙大桥的特殊性，经过了大修，桥梁结构特性与建桥初期发生了比较大的变化，桥梁的数值模型的修正难度比较大，采用数值模型方法对桥梁结构进行评估可行性不大、有效性不高[1]。因此本文探讨了基于BP神经网络的新奇检测技术进行桥梁结构异常状态与位置识别的方法。 　　1 新奇检测技术 　　1.1 改进型新奇检测指标与阈值设定 　　为了判定两种模式是否发生了变化，需要一个指标判别BP神经网络的输入向量跟输出向量的偏离大小，该指标可由一个距离函数表示。本文采用BP神经网络的输入向量（理论输出目标）和输出向量（实际输出目标）差的二次范数作为新奇指标[2]。将结构正常状态下的测量数据作为训练BP神经网络的输入向量，同时也作为输出向量训练BP神经网络。神经网络训练完成后，可将其余的多组正常数据作为输入向量再一次输入到训练好的神经网络，产生相对的输出向量，并按照式（1）计算[3]，得到结构状态正常时的新奇指标[4][λ。] 　　式中：[λt]为异常检测阶段得到的新奇指标，将阈值[δλ]与[λt]进行比较，其差异可判定异常是否发生。 　　结构状态发生变化是根据结构正常阶段和检测阶段的新奇指标的比较来判定的，如果结构的状态发生了变化，则在检测状态的新奇指标就会与结构正常时的新奇指标有很大差别。当该差别大于判定的阈值时，便可判定结构状态发生了变化，同理，可以根据新奇指标的大小来判定状态发生变化的程度。 　　2 新奇检测技术在T梁开裂试验中验证 　　2.1 T梁模型 　　本次试验模型选取梁间距最大、受力最不利的桥面板进行分析。本次试验荷载按照应力等效原则确定，试验前对结构的横向受力进行分析，按照设计荷载下最不利应力幅进行等效模型试验。模型选取与翼缘1[∶]1尺寸模型，钢筋构造与设计相同。模型板采用简支结构，板跨径按翼缘最大宽度取2.535 m（26 m整体式路基T梁），板宽取1 m。结构模型示意图如图1所示。 　　根据T梁开裂试验中传感器