基于卷积神经网络的钢桥面板疲劳裂纹识别方法研究.pdf

桥梁建设 年第 卷第期(总第 期)B r i d g eC o n s t r u c t i o n,V o l ,N o ,(T o t a l l yN o )收稿日期:基金项目:国家重点研发计划项目(Y F E );中交集团院士专项科研项目(Y S Z X B)P r o j e c to fN a t i o n a lK e yR e s e a r c ha n dD e v e l o p m e n tP r o g r a mo fC h i n a(Y F E );S p e c i a lS c i e n t i f i cR e s e a r c hP r o j e c to fA c a d e m i c i a no fC C C C(Y S Z X B)作者简介:石林泽,博士生,E m a i l:n b b l s h i l i n z e s j t u e d u c n.研究方向:钢桥面板裂纹导波监测技术.通信作者:程斌,教授,E m a i l:c h e n g_b i n s j t u e d u c n.研究方向:高性能钢桥结构,桥梁智能监测.文章编号:()D O I:/j i s s n 基于卷积神经网络的钢桥面板疲劳裂纹识别方法研究石林泽,程斌,董华能,刘天成(上海交通大学船舶海洋与建筑工程学院,上海 ;江苏高速公路工程养护技术有限公司,江苏 南京 ;中交公路长大桥建设国家工程研究中心有限公司,北京 )摘要:为准确识别钢桥面板在车辆反复荷载作用下产生的疲劳裂纹,构建了一种用于L a m b导波信号分析和疲劳裂纹扩展尺寸识别的卷积神经网络方法.该方法先用小波函数对导波信号进行卷积处理,获取导波特征,然后对时域参数和频域参数进行优化,最后运用全连接网络对导波特征与先验性裂纹尺寸信息进行学习,实现疲劳裂纹扩展过程中的裂纹尺寸智能识别.以某大跨度钢箱梁斜拉桥钢桥面板的疲劳裂纹扩展过程监测为背景,通过数值模拟和实桥测试,并与小波变换法和傅里叶变换法进行对比,验证该方法的有效性和优越性.结果表明:卷积神经网络方法提取得到的导波特征随裂纹尖端扩展的变化趋势具有明显且稳定的规律性,裂纹扩展长度识别结果与裂纹真实值之间的识别误差均在mm内.卷积神经网络方法适用于工程实测中导波信号处理分析,可在钢桥面板裂纹监测中推广应用.关键词:钢桥面板;疲劳裂纹监测;裂纹尺寸识别;导波信号;卷积神经网络方法;有限元法;实桥测试中图分类号:U ;U ;U 文献标志码:AR e s e a r c ho nF a t i g u eC r a c kI d e n t i f i c a t i o nf o rS t e e lB r i d g eD e c kP l a t e sB a s e do nC o n v o l u t i o n a lN e u r a lN e t w o r kS H IL i n z e,C H E N GB i n,D O N GH u a n e n g,L I UT i a n c h e n g(S c h o o l o fN a v a lA r c h i t e c t u r e,O c e a n&C i v i lE n g i n e e r i n g,S h a n g h a i J i a oT o n gU n i v e r s i t y,S h a n g h a i ,C h i n a;J i a n g s uE x p r e s s w a yE n g i n e e r i n gM a i n t e n a n c eT e c h n o l o g yC o,L t d,N a n j i n g ,C h i n a;C C C CH i g h w a yB r i d g e sN a t i o n a lE n g i n e e r i n gR e s e a r c hC e n t r eC o,L t d,B e i j i n g ,C h i n a)A b s t r a c t:Ac o n v o l u t i o n a l n e u r a l n e t w o r k(C N N)a p p r o a c ht h a t i sc a p a b l eo fa n a l y z i n gL a m bw a v es i g n a l s a n d i d e n t i f y i n gp r o p a g a t i o nd i m e n s i o n so f f a t i g u ec r a c k s i sp r o p o s e d,a i m i n gt oc o r r e c t l y i d e n t i f yf a t i g u e c r a c k s i n t h e s t e e l d e c kp l a t e s i n d u c e db y c y c l i c v e h i c l e l o a d s F i r s t,w a v e l e t s a r eu s e d t o c o n v o l v ea n de x t r a c t t h e f e a t u r e so f t h eg u i d e dw a v es i g n a l s,a f t e r w a r d s,t h e t i m e d o m a i na n df r e q u e n c y d o m a i np a r a m e t e r s a r eo p t i m i z e d,a n ds u b s e q u e n t l y,t h e f u l l y c o n n e c t e dn e t w o r k i su t i l i z e dt o l e a r nt h e f e a t u r e so f t h eg u i d e dw a v ef e a t u r e sa n dt h ed i m e n s i o n so ft h ep r i o rc r a c k s,s oa st oi n t e l l i g e n t l yi d e n t i f yt h ed i m e n s i o n so f c r a c k sd u r i n gt h ep r o p a g a t i n gp r o c e s so f t h ef a t i g u ec r a c k s A ne x i s t i n gl o n g s p a nc a b l e s t a y e db r i d g e i su s e da s a s t u d yc a s e T h em o n i t o r e dd a t ao f t h e f a t i g u ec r a c kp r o p a g a t i o np r o c e s so f t h es t e e l p l a t e si ns t e e lb o xg i r d e r sw e r ed r a w nu p o nf o rn u m e r i c a ls i m u l a t i o na n df i e l dt e s t,a n dt h ec a l c u l a t i o n sa n dt e s tv a l u e sa r ec o m p a r e dw i t ht h ev a l u e so b t a i n e db yt h ew a v e l e t t r a n s f o r m m e t h o da n dF o u r i e r t r a n s f o r mm e t h o d,t ov e r i f y t h e e f f i c i e n c ya n da d v a n t a g e so f t h ep r o p o s e da p p r o a c h I t i ss h o w n基于卷积神经网络的钢桥面板疲劳裂纹识别方法研究石林泽,程斌,董华能,刘天成t h a t t h eg u i d e dw a v e f e a t u r e so b t a i n e db y t h eC N Na p p r o a c hr e v e a l n o t a b l e s t a b i l i t ya s t h e t i p so f c r a c k sk e e pe x p a n d i n g T h e i d e n t i f i c a t i o ne r r o ro f t h ep r o p a g a t i o n l e n g t h so f c r a c k s i sw i t h i nmm T h eC N Na p p r o a c hc a nb e a p p l i e dt op r o c e s sa n da n a l y z eg u i d e dw a v es i g n a l s i ne n g i n e e r i n g,w h i c hh a sp o t e n t i a lu t i l i z a t i o n i nc r a c km o n i t o r i n go f s t e e l d e c kp l a t e s K e yw o r d s:s t e e l d e c kp l a t e;f a t i g u e c r a c km o n i t o r i n g;c r a c kd i m e n s i o n i d e n t i f i c a t i o n;g u i d e dw a v es i g n a l;c o n v o l u t i o n a ln e u r a ln e t w o r ka p p r o a c h;f i n i t ee l e m e n tm e t h o d;f i e l dt e s t i n g引言正交异性钢桥面板因轻质、高强等优点被广泛应用于桥梁工程,但其在车辆反复荷载下易产生疲劳开裂 .这些疲劳裂纹呈现多源、多发、局部、细微的复杂特征,传统检测、监测方法存在操作不方便、检测效率低、部分区域不可达、无法实时监测等不足,亟需开展相关的疲劳裂纹智能监测技术研究 .L a m b导波信号在钢结构中传播时,具有信号衰减率小、裂纹敏感性高等优点,适用于疲劳裂纹检测、监测.但导波传播时易发生频率散射与模态转换,出现多频率、多模态信号.为此,国内外学者围绕导波分析方法开展了诸多研究.申伟等通过时域、频域分析提取导波损伤指标,实现了钢板裂纹识别与定位;X i a等通过损伤概率成像方法在钢板中成功复现了裂纹;程斌等通过小波变换法计算导波波峰标准化特征,识别了钢桥面板典型疲劳裂纹长度与深度;W a n g等结合相邻信号差系数法和奇异值矩阵法,通过融合多通道导波信号识别了钢桥面板疲劳裂纹位置;Q i u等 将高斯混合模型应用于导波分析,提高了疲劳荷载下钢结构疲劳裂纹定位及长度识别效果;C u i等、H u等 基于钢结构中分布式多通道导波信号,运用卷积神经网络重构了疲劳裂纹分布图像.以上导波分析方法依赖于大量传感器信号的协同分析,难以满足实际工程监测设备轻量化的要求,且实测导波信号中的工程环境噪音难以通过滤波有效剔除,优质导波特征的提取难度较大,有必要对相关分析方法进行优化与整合.针对工程实测L a m b导波在疲劳裂纹监测过程中难以有效分析处理的难题,为准确识别钢桥面板在车辆反复荷载作用下产生的疲劳裂纹,本文基于卷积神经网络(C o n v o l u t i o n a lN e u r a lN e t w o r k,C N N)原理,构建一种用于导波信号特征提取和疲劳裂纹尺寸识别的C N N方法.该方法先用小波函数对导波信号进行卷积处理,获取导波特征;然后对时域参数和频域参数进行优化,剔除特征中的环境噪声并增强特征对裂纹的敏感性;最后运用全连接网络对导波特征与先验性裂纹尺寸信息进行学习,实现疲劳裂纹扩展过程中的裂纹尺寸智能识别.以某大跨度钢箱梁斜拉桥钢桥面板的疲劳裂纹扩展过程监测为背景,进行数值模拟和实桥测试,验证该方法的有效性和优越性.C N N方法模型本文建立的用于疲劳裂纹导波监测的C N N方法模型,主要由小波卷积层、特征池化层和全连接层组成.小波卷积层用于导波特征提取,特征池化层用于导波特征优化与强化,全连接层则用于裂纹尺寸识别.小波卷积层小波卷积层的作用是通过卷积计算获取监测信息中的关键特征.L a m b导波监测信号由一维时序数组构成,因此小波函数可作为理想的一维卷积块.选用合适的小波时域函数,通过导波信号与小波函数卷积计算获取导波的时频特征.由于导波具有多周期变幅振动的特点,小波函数采用与其波结构相似的M o r l e t小波.将小波函数与导波出现的时域信号进行卷积计算:r(mk,n)f(tmk)g(tmk)(n t)dt()式中,r(mk,n)为卷积分析后的时程信号,k为导波存在区域的时域区间序号;mk为时域参数;n为频域参数;t为时程序列;(n t)为M o r l e t小波函数;f(tmk)为噪声信号;g(tmk)为导波信号.为了去除实测信号中的环境噪声,对导波出现前、后的时域信号进行卷积计算,由于这些信号在时域邻近,可认为其由近似相同的噪声信号组成:r(mk,n)f(tmk)(n t)dt()r(mk,n)f(tmk)(n t)dt()f(mk)f(mk)f(mk)()式中,mk、mk为与mk相邻的时域参数.结合式()(),去除噪声后的导波特征表达式可写为:桥梁建设B r i d g eC o n s t r u c t i o n ,()g(tmk)(n t)dtr(mk,n)r(mk,n)r(mk,n)()特征池化层特征池化层的作用是从已有特征中筛选出性能良好的特征,并对特征进行强化.本文择优选取时域、频域参数,从卷积计算获取的导波特征中筛选裂纹敏感性强的部分特征:r(mi,nj)r(mi,nj)r(mi,nj)/,其中,i、j分别为时域、频域区间序号;mi、mi、mi分别为序号i、i、i 对应的时域参数;nj为序号j对应的频域参数,其取值可由数值模拟确定.为了简化导波特征的表达,提取波峰特征D和波能特征D:D m a xr(mi,nj)r(mi,nj)r(mi,nj)()DM ir(mi,nj)r(mi,nj)r(mi,nj)()式中,M为总时域区间数.波峰和波能特征的初始值随传感器类型、布置方式不同而各不相同,但裂纹对导波信号的影响定量体现在特征值的相对变化上,与监测开始时特征初始值无关.因此,对波峰和波能特征值进行标准化,以增强导波特征的裂纹敏感性.定义标准化波峰为导波波峰的实时特征与初始特征的比值,标准化波能为导波波能的实时特征与初始特征的比值.全连接层全连接层的作用是运用神经网络对先验性已知数据组开展训练,通过学习数据组间的内在关联,达到预测未知数据信息的目标.本文构建的全连接网络将从波峰、波能特征中挖掘裂纹尺寸特征,计算表达式可写为:FAo,o,o,p,A,p,pDD()FBC,B,q,q,cq,coN,oN,oN,q()式中,F为激励函数;p、q为某层节点数;o为节点值;为层间权重系数;A为第层计算范式;B为第N层计算范式;c为裂纹特征维度;N为网络层数;C为裂纹特征.波峰和波能特征的维度由频域参数n确定,裂纹特征的维度则由需监测的裂纹扩展尺寸(长度、深度、最大宽度等)确定.激励函数可选择s i g m o i d、r e l u等非线性函数 .深度学习模式包含基于深度置信的层间无监督学习和基于误差反馈的整体有监督学习(图).本文学习过程中,先执行无监督学习,使节点权值分布与导波特征分布相适应,再执行有监督学习,构建导波特征与裂纹特征的关联模型.图全连接层学习模式F i g L e a r n i n gM o d e i nF u l lC o n n e c t i o nL a y e r s综上,本文构建的C NN方法集导波特征提取、导波特征优化、神经网络等算法为一体,可实现钢桥面板疲劳裂纹扩展尺寸的动态智能监测,具体特点如下:小波卷积层可从实测导波信号中去除环境噪声,提取得到优质的导波特征.特征池化层可对时域、频域参数进行优化,提高导波特征对裂纹的敏感性.全连接层通过无监督学习与有监督学习相结合,可准确识别裂纹尺寸特征.C N N方法数值模拟 工程背景及有限元模型某主跨 m大跨度斜拉桥,主梁为整体式流线型钢箱梁,宽 m、高m,采用Q q D钢,桥面系为正交异性钢桥面板.本文以该桥为背景,取钢桥面板节段进行建模分析,钢桥面板节段顶板长 mm、宽 mm、厚 mm,中间设置道U肋,肋高 mm、肋厚 mm、肋上口宽 mm.顶板与U肋焊缝高mm,在U肋焊趾处引入裂纹,U肋内裂纹面垂直于U肋表面(图).基于卷积神经网络的钢桥面板疲劳裂纹识别方法研究石林泽,程斌,董华能,刘天成图钢桥面板构造及疲劳裂纹F i g S t e e lB r i d g eD e c k sa n dC o r r e s p o n d i n gF a t i g u eC r a c k s采用A b a q u s软件建立该节段有限元模型,导波主要传播区域的网格尺寸为mm,其余区域为 mm.对顶板纵边的三方向平动和绕纵向转动进行约束.取钢材弹性 模量为 G P a,泊松比 为,密度为 k g/m.疲劳裂纹张开后的几何不连续性是导波信号发生变化的主要原因,因此采用半圆弧形切槽来模拟裂纹.考 虑 裂 纹 长 度L分 别 为、mm种工况,裂纹宽度均为 mm.每种裂纹工况的两侧尖端各朝长度方向扩展 mm后,形成裂纹长度L分别为、mm种新的裂纹工况.在裂纹所在钢板表面设置导波激励点与接收点,激励点与裂纹中心相距 mm,两者连线垂直于裂纹长度方向;接收点与裂纹扩展前的尖端相距 mm,主要接收包含反射导波的信号.设置L a m b导波中心激励频率 k H z、接收频率 k H z,使波长大于模型网格尺寸的 倍.模拟结果数值模拟的目的是确定C NN方法模型中的时域参数m和频域参数n.通过计算可以得到种裂纹长度在扩展过程中所接收的各频率含反射波信号对应的标准化波峰、波能变化规律,见图.由图可知:频率小于 k H z时,绝大部分的标准化波峰、波能小于,而频率大于 k H z的标准化波峰、波能基本大于,该规律与疲劳裂纹引起的导波高频散射现象相符;k H z的标准化波峰变化幅度最明显.因此,在实测分析时,n对应的导波特征取 k H z标准化波峰为宜.以裂纹长度L mm为例,裂纹扩展前和扩展 mm后(L mm)的 k H z导波特征的时域变化见图.由图可知:裂纹扩展前、后工况中图导波特征的频域变化F i g V a r i a t i o n s o fG u i d e dW a v eF e a t u r e s i nF r e q u e n c yD o m a i n导波信号覆盖范围均约为 m s.由于相比其它种裂纹长度,该工况中导波传播距离和时间最长.因此,m的合理取值为 m s.针对不同实桥监测情况,裂纹长度和导波收发情况可能不同,m和n取值可能发生变化,具体可参照本文数值模拟方法进行确定.实桥测试及结果分析 疲劳裂纹监测背景桥梁钢桥面板部分焊接细节在公路荷载作用下发生了疲劳开裂,有必要对典型疲劳裂纹的扩桥梁建设B r i d g eC o n s t r u c t i o n ,()图 k H z导波特征的时域变化F i g V a r i a t i o no f k H zG u i d e dW a v eF e a t u r e s i nT i m eD o m a i n展过程进行监测.选取的疲劳裂纹位于顶板与U肋焊趾处,监测开始时初始长度为 mm.L a m b导波激励器与接收器均由d 型压电陶瓷片和铜片叠合而成,并与钢板紧密贴合.激励器、接收器及与疲劳裂纹的相对位置关系见图(a).由于布置处外应力变化幅度相对较小,其对导波幅值的 影 响 可 忽 略.导 波 的 中 心 激 励 频 率 k H z、接收频率 k H z,可完整还原受裂纹影响的导波波形,同时降低导波模态复杂程度.为兼顾导波及裂纹数据的完整度和储存容量,激励器每隔h接收到 组波发生器所自动传递的电信号,再由逆压电效应将其转化为可在钢桥面板上传播的导波信号,然后接收器收到导波信号后,由正压电效应将其还原成电信号,最后由工况机采集储存,并采用温度修正算法实时消除导波的温度影响,共监测 d.导波监测的同时,采用工业相机对疲劳裂纹扩展情况进行拍摄,基于数字图像相关技术测得不同时刻的裂纹真实长度.实际传感器现场布置见图(b).监测过程中,裂纹一侧尖端未发生明显扩展,另一侧尖 端 向 前 扩 展 了 mm,裂 纹 总 长 度 从 mm增长到 mm,后文主要基于裂纹扩展端接收器所采集的导波信号进行分析.导波特征提取运用C NN方法模型中的小波卷积层和特征池化层,从导波实测信号中提取得到导波特征,重点关注 k H z波峰特征和激励信号所在的 k H z波峰特征.由于导波在发射、传播及接收过程中存在随机性误差,实测导波特征在微小范围内合理波动,因此对每天监测得到的 组监测数据,取上、下分位数内的数据平均值作为特征代表值.同时采用连续小波变换(CWT)和连续傅里叶图导波传感器布置F i g A r r a n g e m e n t so fG u i d e dW a v eS e n s o r s变换(C F T)方法对实测信号处理分析,并与本文C NN方法进行比较.由于C F T方法的原理为将原信号分解成不同频率的正弦信号,频率值由算法自动择优确定,无法准确定位到具体频率值,因此选取了受原信号频率、幅值影响最大的主频率信号进行标准化波峰计算.种方法得到的导波特征随裂纹扩展长度变化情况见图.由图可知:()C NN方法分析结果更加稳定,且更具规律性.()基于C N N方法的标准化波峰随疲劳裂纹尖端扩展呈明显下降趋势,且 k H z的降幅明显大于 k H z,最大降幅达 .总体变化规律与有限元结果基本一致,但数值上略有差异,原因在于式()的假设在实际工程上不完全成立,从而导致少量导波信号也被去除,但对分析结果不产生重要影响.()基于CWT方法的标准化波峰随疲劳裂纹尖端扩展总体上也呈下降趋势,其中 k H z的降幅略大于 k H z,但种频率下的标准化波峰的浮动程度大,整体变化趋势较难判断.这是因为导波特征受噪声影响,导致部分导波特征变化趋势被淹没.()基于C F T方法的标准化波峰因浮动程度基于卷积神经网络的钢桥面板疲劳裂纹识别方法研究石林泽,程斌,董华能,刘天成过大而没有明显变化趋势,说明C F T方法对该工况下的导波信号适用性较差.原因在于导波激励信号为非稳态脉冲型信号,而C F T方法更适合处理稳态信号.图基于不同分析方法的导波特征变化规律F i g V a r i a t i o n so fG u i d e dW a v eF e a t u r e sU s i n gD i f f e r e n tA n a l y s i sA p p r o a c h e s 裂纹长度识别基于小波卷积层和特征池化层计算得到的种频率下的导波特征,以及对应时刻的裂纹长度监测数据组,采用C NN方法模型中的全连接层进行训练.全连接层网络结构由输入层、输出层和隐藏层组成,其中输入层设置个节点,分别为 k H z和 k H z的标准化波峰;输出层设置个节点,对应裂纹识别长度;隐藏层为层,包含 个节点.此外,从学习效率角度,对全连接层网络层数和节点数进行优化.同时采用相似结构的人工神经网络(ANN)模型对CWT、C F T方法获得的标准化波峰进行学习训练,并与C NN方法结果对比分析.监测数据组按照监测日期顺序进行编号,取每天 数据组用于全连接网络层训练,数据组用于超参数验证,其余 数据组用于裂纹识别效果测试.由于疲劳裂纹扩展缓慢,针对每天的多次测试结果,分别取裂纹识别长度和真实长度的平均值,对比后计算得裂纹长度的识别误差.种方法的疲劳裂纹扩展长度识别结果见图.由图可知:C NN方法识别得到的裂纹扩展长度与真实值非常吻合,识别误差均在mm内.CWTANN和C F TANN方法的裂纹长度识别误差明显更大,分别为mm和mm.图疲劳裂纹扩展长度识别结果F i g I d e n t i f i c a t i o nR e s u l t so fF a t i g u eC r a c kP r o p a g a t i o nL e n g t h s进一步对测试组的裂纹长度识别误差进行深入评估,采用弃真率FN/(TPFN)为评估指标,其中,TP为某长度误差阈值下裂纹被准确识别的测试组数;FN为相同阈值下裂纹未被准确识别的测试组数.不同裂纹长度的识别误差阈值下弃真率指标评估结果见表.由表可知:()各种方法的弃真率均随误差阈值的增大而桥梁建设B r i d g eC o n s t r u c t i o n ,()显著降低,说明实际工程中疲劳裂纹识别精度与弃真率指标负相关.()在相同误差阈值情形下,C NN方法的弃真率最小,CWTANN方法的弃真率次之,C F TANN方法的弃真率最大,可以看出裂纹识别精度与标准化波峰规律性正相关(标准化波峰越规律,裂纹识别精度越高),弃真率指标会随导波特征变化规律性增强而减小,说明C NN方法的疲劳裂纹识别精度比其它种方法高.表弃真率指标评估结果T a b A s s e s s m e n tR e s u l t so f F a l s e N e g a t i v e I n d i c a t o r误差阈值/mm弃真率/C NN方法CWTANN方法C F TANN方法 结论本文构建了一种用于L a m b导波信号分析和疲劳裂纹扩展尺寸识别的卷积神经网络方法,并通过有限元法和实桥测试,验证该方法在钢桥面板裂纹监测中的有效性和优越性.主要结论如下:()卷积神经网络方法所提取得到的标准化波峰随疲劳裂纹尖端扩展呈明显下降趋势,最大降幅达 ,其稳定性与规律性均优于连续小波变换和连续傅里叶变换方法.()卷积神经网络方法识别得到的裂纹扩展长度与真实值吻合度高,识别误差均在mm内,且裂纹识别精度与标准化波峰规律性正相关,与弃真率指标负相关.()卷积神经网络方法融合了特征提取、特征优化及裂纹识别过程,该方法能有效消除环境噪声和强化特征敏感性,以此提高钢桥面板裂纹的识别精度,在实测导波分析处理中具有明显优势,并有助于实现导波传感器轻量化布置,可在钢桥面板疲劳裂纹监测中推广应用.参考文献(R e f e r e n c e s):张清华,朱金柱,陈璐,等钢桥面板纵肋对接焊缝疲劳开裂 主 动 加 固 方 法 研 究 J桥 梁 建 设,():(Z HAN GQ i n g h u a,Z HUJ i n z h u,CHE NL u,e t a lR e s e a r c h o n a P o s i t i v e R e i n f o r c e m e n t M e t h o d f o rF a t i g u eC r a c k i n gi nL o n g i t u d i n a lR i bB u t t W e l d so fO r t h o t r o p i cS t e e lB r i d g eD e c kJB r i d g eC o n s t r u c t i o n,():i nC h i n e s e)宋松科,张翔,杜桃明,等焊接微裂纹缺陷对顶板与纵肋构造疲劳性能影响研究J桥梁建设,():(S ONG S o n g k e,Z HAN G X i a n g,D U T a o m i n g,e t a lE f f e c t o f W e l d i n g M i c r o C r a c k D e f e c t s o nF a t i g u e P e r f o r m a n c eo f R i b t o D e c k W e l d i n gJ o i n t sJB r i d g eC o n s t r u c t i o n,():i nC h i n e s e)周昌栋,黄楚彬,代明净,等E R S铺装对钢桥面板疲劳性能 的 影 响 及 参 数 分 析 J世 界 桥 梁,():(Z HO U C h a n g d o n g,HU A N GC h u b i n,D A IM i n g j i n g,e t a l E f f e c t s o fE R SP a v e m e n t o nF a t i g u eP e r f o r m a n c e o fS t e e lD e c ka n dP a r a m e t r i cA n a l y s i sJW o r l dB r i d g e s,():i nC h i n e s e)叶仲韬,罗纯坤,郭翠翠基于实测应变监测的斜拉桥钢桥面板加固性能评估J桥梁建设,():(Y EZ h o n g t a o,L UOC h u n k u n,GUOC u i c u i S t r e n g t h e n i n g E f f e c t A s s e s s m e n t o f S t e e l D e c k o fC a b l e S t a y e dB r i d g eB a s e do n M e a s u r e d S t r a i nJB r i d g e C o n s t r u c t i o n,():i nC h i n e s e)傅中秋,李业飞,吉伯海,等曲线钢箱梁横隔板变形对焊缝 细 节 疲 劳 应 力 的 影 响 研 究 J世 界 桥 梁,():(F U Z h o n g q i u,L IY e f e i,J IB o h a i,e t a l I n f l u e n c eo fD i a p h r a g m D e f o r m a t i o no nF a t i g u eP e r f o r m a n c eo fW e l d i n gD e t a i l so fC u r v e dS t e e lB o xG i r d e rJW o r l dB r i d g e s,():i nC h i n e s e)申伟,郑芳彤,李冬生钢桥面板疲劳裂纹损伤非线性L a m b波检测的数值模拟与试验研究J土木与环境工程学报(中英文),():(S HE N W e i,Z HE NG F a n g t o n g,L I D o n g s h e n g N u m e r i c a la n dE x p e r i m e n t a lS t u d yo nF a t i g u eC r a c kD e t e c t i o no fS t e e lB r i d g eD e c kU s i n gN o n l i n e a rL a m bW a v e sJ J o u r n a l o f C i v i l a n d E n v i r o n m e n t a lE n g i n e e r i n g,():i nC h i n e s e)X I A Q W,L I U Y Y,L U Y,e t a lA M o d i f i e dD a m a g eI n d e xP r o b a b i l i t y I m a g i n gA l g o r i t h mB a s e do nD e l a y a n d S u mI m a g i n g f o r S y n t h e s i z i n gT i m e 基于卷积神经网络的钢桥面板疲劳裂纹识别方法研究石林泽,程斌,董华能,刘天成R e v e r s e dL a m bW a v e sJJ o u r n a lo fV i b r o e n g i n e e r i n g,():程斌,石林泽,刘天成基于L a m b导波深度学习的钢桥面板疲劳裂纹智能监测研究J中国公路学报,():(CHE NGB i n,S H IL i n z e,L I UT i a n c h e n g R e s e a r c ho nI n t e l l i g e n t M o n i t o r i n go fF a t i g u eC r a c k si nS t e e lB r i d g eD e c k sB a s e do nD e e pL e a r n i n go fL a m bG u i d e dW a v e sJ C h i n aJ o u r n a lo fH i g h w a ya n dT r a n s p o r t,():i nC h i n e s e)WANG P,Z HOU W S,L I HA S i n g u l a r V a l u eD e c o m p o s i t i o n B a s e d G u i d e dW a v e A r r a y S i g n a lP r o c e s s i n g A p p r o a c h f o r W e a k S i g n a l s w i t h L o wS i g n a l t o N o i s eR a t i o sJM e c h a n i c a lS y s t e m sa n dS i g n a lP r o c e s s i n g,:Q I UL,F ANGF,YUANSF,e t a l A nE n h a n c e dD y n a m i c G a u s s i a n M i x t u r e M o d e l B a s e d D a m a g eM o n i t o r i n g M e t h o d o f A i r c r a f t S t r u c t u r e s u n d e rE n v i r o n m e n t a la n dO p e r a t i o n a lC o n d i t i o n sJS t r u c t u r a lH e a l t h M o n i t o r i n g,():C U IR,A Z UA R A G,D IS C A L E A F L,e ta lD a m a g eI m a g i n gi nS k i n S t r i n g e rC o m p o s i t eA i r c r a f tP a n e l b y U l t r a s o n i c G u i d e d W a v e s U s i n g D e e pL e a r n i n g w i t h C o n v o l u t i o