基于主成分分析的服役桥梁结构状态评估.pdf

交通世界TRANSPOWORLD0 引言基于主成分分析的服役桥梁结构状态评估具备现实可行性，该模式通过对桥梁结构的挠度值、旋转角度等静态指标和周期、衰减特性等动态指标的准确识别与评估，获取桥梁服役状态。该检测方法与传统检测方法相比，能更加精准地识别桥梁安全隐患，实用性更强。但基于特征分析获取的数据量庞大，可能导致工作量增加，并掩盖关键部分信息。由此可见，需对获取的原始数据进行针对性清理，以提高数据精准性，提升检测针对性及精确度。1 基于主成分分析的结构状态评估现状基于主成分分析的桥梁结构状态评估，需收集和处理大量反映桥梁结构状态及运行特征的基础数据，相关数据信息量庞大，反映系统特征的指标数量众多，且相关数据均具备动态特征，无形中增加了数据规模、运算难度。因此，需对高度复杂的数据集合体进行精准识别，明确其潜在规律，准确反映结构系统特征，充分识别结构信息数据内容，提取潜藏数据直观反映桥梁结构状态，或通过相关数据的组合，反映桥梁结构质量状况与运动情况。主成分分析法以数据分析为基础，通过提取特征数据进行统计学分析，以了解桥梁结构状态和质量状况，其基本原理是对多个相关变量进行优化，从而通过线性组合，以少的综合指标代替测试数据，反映原始数据信息，并反馈出被测量目标的状态值。通过对桥梁服役状态相关指标的检测，实现实时监测桥梁使用状态的目的，科学评价其健康状态与质量情况。现阶段，现场试验测试桥梁动态响应数据是桥梁健康状况检测的最常用手段，通过获取响应值，完成相关数据的分析，明确其安全状态。桥梁服役运行状态监测需要通过加速度、沉降值等特征数据的提取，初步反映桥梁的健康状态，以评估其服役状况。相关指标虽然都可以反映桥梁服役状态及健康状况，但其准确性不佳且结果误差大，使得桥梁结构健康状况评测实用性不足。基于此，相关学者提出参照频域时域特征进行桥梁运行状态的评估来反映其健康状态的建议，但该方法需要提前获得大量特征数据，且数据清洗工作庞大，导致工作效率不高。在进行服役桥梁健康状态检测的过程中，要进行大量计算，数据清洗过程还容易导致资源浪费。神经网络算法是基于大数据运算的算法，通过对桥梁运行状态相关指标数据的提取和有效整合，实现桥梁健康状态的实时监控识别，从而准确了解桥梁结构的健康状态。实践中，桥梁健康数据的采集需要大量专业人员进行样本检测，导致大量的成本支出。支持向量机（SVM）的学习能力与函数选择关系密切，且其对样本数量的应用条件限制性不高，通过合理的参数设置可以构建有效的模型，用以评估服役桥梁健康状态。支持向量机在桥梁结构健康状态检测中的应用为有效处置参数优化问题提供了新的方案。2 数据描述构建研究模型需要进行大量的实验和参数提取，受限于研究精力，本文以简支梁挠度作为重点，评估模型应用在桥梁服役状态及健康监测方面的效果。选定桥梁主跨中间位置进行位移传感器布设，将车辆前进方向作为正向，并同步记录车辆行进方向左侧与右侧桥梁峰值，为减少测量数据，本文选定挠度值进行分析。收稿日期：2023-06-11作者简介：于洋（1989），男，河北临城人，工程师，从事公路桥梁状况检测工作。基于主成分分析的服役桥梁结构状态评估于洋（河北交规院瑞志交通技术咨询有限公司，河北 石家庄 050000）摘要：基于数据挖掘技术构建桥梁全结构、全寿命健康状态监测模型，提高了桥梁服役质量检测效率与结果准确性，有效解决了桥梁健康状态检测误差大的问题。基于此，首先对服役桥梁基于主成分分析的结构状态评估进行研究。然后通过核心成分分析构建数据库，在摒弃冗余特征信息的基础上，精准识别评估桥梁状态的结构信息，并采用粒子群优化算法对获得关键参数进行评估。评估结果显示，数据挖掘技术构建的桥梁健康状态检测模型对桥梁健康状态评估效果好，识别精度高，为桥梁运行状态的科学评估提供了新方向。关键词：桥梁结构；健康检测；主成分分析中图分类号：U445.4文献标识码：B155总663期2023年第33期（11月 下）2.1 桥梁左侧通过对桥梁左侧跨中处车辆挠度曲线（车速一致）分析得知，车辆直行和逆行对桥梁挠度值的影响水平较小，行车速度差异前提下挠度值差异不明显。车辆顺向通过的车速为5 km/h时，对应的桥梁左侧跨中挠度值为 5.98 m，挠跨比为 L/6 398；车辆逆向通过时车速为5 km/h，对应的桥梁左侧跨中挠度值为6.1 m，挠跨比为L/6 290；车辆顺向通过的车速为10 km/h时，桥梁左侧挠度值为5.9 m，挠跨比为L/6 240；车辆逆向行驶且车速为10 km/h 时，对应的桥梁左侧跨中挠度值为6.15 m，挠跨比为L/6 190；车辆顺向通过的车速为15 km/h 时，对应的桥梁左侧跨中挠度值为 5.6 m，挠跨比为 L/6 348；车辆逆向通过车速为 15 km/h时，对应的桥梁左侧跨中挠度值为6.2 m，挠跨比为L/6 180。对上述结果进行分析可知，桥梁运行状态安全，桥梁健康状况良好。2.2 桥梁右侧通过对不同车速情况下桥梁右侧跨中位置动态挠度曲线进行分析得知，车辆直行和逆行对桥梁挠度值的影响较小，不同行车速度下挠度值差异不明显。车辆顺向通过的车速为 5 km/h时，桥梁左侧跨中挠度值为 9.6 m，挠跨比为 L/3 991；车辆逆向行驶且车速为5 km/h 时，桥梁右侧跨中挠度值为 9.4 m，挠跨比为L/4 096，其取值与左侧相同。车辆顺向通过且车速为10 km/h 时，桥梁右侧跨中挠度值为 9.2 m，挠跨比为L/4 152，逆向行驶且车速为10 km/h时，跨中挠度值为9.54 m，挠跨比为L/4 014。由此可见，车辆顺向与逆向通过时桥梁挠度值相差无几。车辆顺向通过的车速为15 km/h时，对应的桥梁右侧跨中挠度值为9.73 m，挠跨比为L/3 952，车辆逆向通过时车速为15 km/h时，桥梁右侧跨中挠度值为9.4 m，挠跨比为L/4 082。3 模型建立3.1 核函数主元分析数据预处理是核函数主元分析的关键，通过数据清洗确保有效数据得以彰显，通过主函数进行原函数转换，在尽可能保留原有信息的基础上获取原函数的主元信息，消除冗余数据的影响。通过引入核函数进行主成分分析，评估桥梁结构的服役状态和健康情况。假定桥梁结构正常服役状态下，原始数据集为X=x1,x2,x10，该数据集的变换空间用F来表示，则可构建与之相关的协方差矩阵如下所示：C=1mj-1m()xj()xjT（1）()x1，()x2()xm组 构 建 空 间 并 满 足kij=()x1,()xj，则mrcr=Kcr归 一 化 处 置 后 得 到Mc,c=1，将 上 述 样 本 在xic上 的 投 影 表 示见式（2）：()x=-1Mi=1M()xi（2）3.2 支持向量机SVM相比于传统机器算法可相对精准地识别结构风险，通过降低潜在风险水平提高模型可行性。用R()a来表示期望风险，则其满足下列条件：R()a=12|y-f()x,a（3）式（3）中：y为桥梁的服役状态，可用桥梁健康状态的检测结果来表示，对训练样本和测试样本分析可知两者符合P()x,y。a为应用支持向量机算法获取的最优解，期望风险即输出误差最小的结果。一般情况下，期望风险计算存在一定的难度，因为在实践中，P()x,y数据是无法直接获取的，而结合经验可知，上述样本的()xi,yi符合下列条件：Remp()a=121i=11|yi-f()xi,a（4）支持向量机是一个多元求解的过程，是对样本进行不断优化的过程，为了更好地获得最优解，可以将样本分解并采用超平面来对训练样本和测试样本进行区分，样本需满足yi-1,1，区域样本x还需满足wx+b=0。假定训练样本和超平面的最小距离用D来表示，通过支持向量机可以获得最优边界超平面，且其需满足下列条件：yi()wxi+b-1 0（5）根据相关文献的求解过程进行分析，支持向量机分类决策函数如式（6）所示：f()x=sgn()i=11yiai()xxi+b（6）3.3 粒子群优化算法算法粒子群对应的粒子数量用m表示，则vfi=()vfi1,vfi2,vfid为粒子速度向量，vti=()vti1,vti2,vtid为粒子坐标向量，d为维度值，通过对粒子最优解的计算获取其最佳的位置，并用Pti=()Pti1,Pti2,Ptid表示，而粒子群的最佳位置用Ptg=()Ptg1,Ptg2,Ptgd表示。粒子群根据自身位置信息和其他粒子的位置状态进行调整，详情如见式（7）：vt+1id=wvtid+c1r1()Ptid-xtid+c2r2()Ptgd-xtid（7）式（7）中：c1和c2均为常数项，可由系统自动获取；r为随机数，其大小在01之间；w为权重值。156交通世界TRANSPOWORLD4 结果分析桥梁运行状态和样本数量分布情况如表1所示，为确保待测试桥梁全寿命健康状态检测模型的应用可行性，首先需对考虑核函数主成分分析检测模型可行性分析，并对未考虑主成分情况下的支持向量模型检测结果进行比对，基于粒子群优化算法的核函数宽度值为=10.923。表1 研究对象样本分布结构损伤程度轻微轻度中度严重损伤指数范围0.0400.0400.400.400.6500.6501.0训练样本量500.0200.080.030.0测试样本量200.080.030.06.0对表2内容分析可知，核函数主元分析模型与桥梁服役状态相关，服役状态不同核函数主元分析模型特征值差异显著，可见利用核函数主元分析桥梁服役状态和健康状况有积极作用。表2 特征值结构损伤程度轻微轻度中度严重第1元特征值8.7209.49014.3208.780第2元特征值5.5204.9204.0205.120第3元特征值3.8303.7502.0602.940第4元特征值2.3402.0501.5702.530第5元特征值1.5401.3201.2701.410通过KPCA-SVM与SVM算法优化同步分析桥梁服役状态，验证待测样本应用数据挖掘技术构建的桥梁健康状态模型的可行性及正确性，并对不同算法正确率进行对比，详见图3。图3 健康状态检测结果对比图对图3分析可知，桥梁运行状态轻微损失、轻中度损伤、重度损伤验算结果，SVM算法低于KPCA-SVM，可能与SKPCA-SVM通过降低冗余数据数量，提高了模型精准度和正确性，优化了运算过程有关。SVM算法的平均检测时间为25 ms，而KPCA-SVM为8 ms，由此可见，核函数主成分分析应用于桥梁健康状态检测效果显著，模型实用性较强。5 结束语综上所述，桥梁结构服役状态及健康状况传统检测方法测量周期长，结果准确性差且效率不高，检测成本较高。桥梁结构全寿命健康状态监测是基于大数据技术对桥梁运行状态的实时监测，通过对系统的合理应用，准确评估桥梁服役质量及运行状态。通过对桥梁服役状态的实时监测，确保桥梁结构安全，保障行车通行质量。本文提出的桥梁结构状态评估方法经实践证实，提高了桥梁服役质量检测效率与结果准确性，有效解决了桥梁健康状态检测误差大的问题，可以推广应用。参考文献：1 张军，梁川，朱鹏程，等.移动荷载作用下桥梁结构响应测试技术J.工程建设，2022，54（12）：66-71.2 王文芳，杨刚，姜亚丽.基于BIM的桥梁有限元模型转换与结构分析方法J.大连海事大学学报，2021，47（3）：111-119.3 陈素华，丁建明，姜严旭，等.莲花桥BIM技术应用及异形索塔力学性能研究J.重庆交通大学学报（自然科学版），2020，39（10）：43-48.4 董卯，郭乃胜，王楠，等.基于Revit与MIDAS/CIV-IL的桥梁结构模型转换方法J.大连海事大学学报，2020，46（3）：101-108.5 宋福春，刘鉴霆，谢利斌，等.灰色关联度在预应力连续梁桥运营监控中的应用J.沈阳工业大学学报，2019，41（6）：693-698.6 崔春义，孟坤，陈守龙，等 场地软土夹层对桥梁结构相互作用体系动力响应影响参数化分析J 防灾减灾工程学报，2017（6）：951-957.157