联合卷积神经网络与长短期记忆深度网络的桥梁损伤识别.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:国家自然科学基金项目();云南省交通运输厅科技项目(A)P r o j e c to fN a t i o n a lN a t u r a l S c i e n c eF o u n d a t i o no fC h i n a();P r o j e c to fS c i e n c ea n dT e c h n o l o g yP r o g r a mo fD e p a r t m e n to fT r a n s p o r to fY u n n a nP r o v i n c e(A)作者简介:单德山,教授,E m a i l:d s s h a n c o m.研究方向:桥梁结构健康监测与损伤识别,大跨度桥梁施工控制.文章编号:()D O I:/j i s s n 联合卷积神经网络与长短期记忆深度网络的桥梁损伤识别单德山,石磊,谭康熹(西南交通大学桥梁工程系,四川 成都 ;四川省交通勘察设计研究院有限公司,四川 成都 )摘要:为准确评估桥梁结构状态,提升损伤识别效率,提出基于联合卷积神经网络(C NN)与长短期记忆(L S TM)深度网络的桥梁损伤识别方法,并用振动台试验数据进行验证.结合C NN空间特征和L S TM时间特征提取能力,构建桥梁结构损伤识别架构;提取类时频域损伤特征,经对比分析后,采用结合平均频率和平均能量的组合特征进行损伤识别;基于振动台试验数据及其有限元模型数据识别了斜拉桥模型的损伤,并将识别结果分别与C NN、L S TM的识别结果对比.结果表明:采用联合C NN与L S TM深度网络建立的损伤识别方法可有效识别出桥梁的损伤位置和损伤程度,且偏差小,识别结果优于C NN、L S TM;未布置传感器的位置损伤识别精度较低;轻微损伤识别准确率相对较低.关键词:桥梁工程;卷积神经网络;长短期记忆深度网络;损伤识别;损伤程度;空间特征;时间特征;振动台试验中图分类号:U 文献标志码:AB r i d g eD a m a g e I d e n t i f i c a t i o nB a s e do nJ o i n tC N Na n dL S TMD e e pN e t w o r kS H A ND e s h a n,S H IL e i,T A NK a n g x i(D e p a r t m e n to fB r i d g eE n g i n e e r i n g,S o u t h w e s t J i a o t o n gU n i v e r s i t y,C h e n g d u ,C h i n a;S i c h u a nC o mm u n i c a t i o nS u r v e y i n g&D e s i g nI n s t i t u t eC o,L t d,C h e n g d u ,C h i n a)A b s t r a c t:A b r i d g ed a m a g ei d e n t i f i c a t i o n m e t h o db a s e do nt h ej o i n tc o n v o l u t i o n a ln e u r a ln e t w o r k(C NN)a n d l o n gs h o r t t e r mm e m o r y(L S TM)d e e pn e t w o r k i sp r o p o s e d,a i m i n g t o i m p r o v et h ea c c u r a c yo fb r i d g ec o n d i t i o ne v a l u a t i o na n de f f i c i e n c yo fb r i d g ed a m a g e i d e n t i f i c a t i o n A n dt h em e t h o d i sv e r i f i e db y t h e s h a k i n g t a b l e t e s t B a s e do n t h e s p a t i a l c h a r a c t e r i s t i c s e x t r a c t i n gc a p a c i t yo fC NNa n dt h e t e m p o r a l c h a r a c t e r i s t i c se x t r a c t i n gc a p a c i t yo fL S TM,ab r i d g es t r u c t u r ed a m a g ei d e n t i f i c a t i o nf r a m e w o r k i sd e v e l o p e d F i v e t y p e so f t i m e f r e q u e n c yd o m a i nd a m a g ec h a r a c t e r i s t i c sa r ee x t r a c t e d,c o m p a r e da n da n a l y z e d,a sar e s u l t,t h ej o i n tc h a r a c t e r i s t i c sc o m b i n i n g m e a nf r e q u e n c ya n d e n e r g y a r e d r a w nf o rd a m a g ei d e n t i f i c a t i o n T h e d a t a o fs h a k i n gt a b l et e s ts u p p l e m e n t e db yn u m e r i c a l c a l c u l a t i o n sa r e t a k e nt o i d e n t i f yt h ed a m a g e so f t h em o d e lo fac a b l e s t a y e db r i d g e,a n dt h ei d e n t i f i c a t i o nr e s u l t sa r ec o m p a r e dw i t ht h er e s u l t sg a i n e db yC NNa n dL S TM,r e s p e c t i v e l y I t i ss h o w nt h a tt h ed a m a g e i d e n t i f i c a t i o nm e t h o db a s e do nj o i n tC NNa n dL S TMc a ne f f e c t i v e l yi d e n t i f yt h el o c a t i o n sa n de x t e n to fd a m a g e s,w i t hm i n i m a lb i a s,a n dt h e桥梁建设B r i d g eC o n s t r u c t i o n ,()i d e n t i f i c a t i o ne f f e c ti ss u p e r i o rt oC NNa n dL S TMT h ei d e n t i f i c a t i o na c c u r a c ya tt h el o c a t i o n sw i t h o u t s e n s o r s i s l o w,a n dt h e i d e n t i f i c a t i o ne f f i c i e n c yo fm i n o rd a m a g e s i s r e l a t i v e l y l o wK e yw o r d s:b r i d g ee n g i n e e r i n g;c o n v o l u t i o n a ln e u r a ln e t w o r k;l o n gs h o r t t e r m m e m o r y;d a m a g e i d e n t i f i c a t i o n;d a m a g ed e g r e e;s p a t i a lc h a r a c t e r i s t i c s;t e m p o r a lc h a r a c t e r i s t i c s;s h a k i n gt a b l e t e s t引言桥梁结构损伤识别作为桥梁结构健康监测必不可少的一部分,是国内外学者的重点研究方向.随着机器学习领域研究的持续发展,基于模式识别的结构损伤识别受到广泛关注 .常用结构损伤识别的网络有卷积神经网络(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 NN)、长 短 期 记 忆(L o n gS h o r t T e r mM e m o r y,L S TM)深度网络等.C NN具有局部感知和参数共享的特点,在基于机器视角和基于动力的结构损伤识别中得到了广泛应用 .A v c i等对比了一维C NN和二维C NN的使用情况,并讨论了噪声对C NN性能的影响.基于动力的损伤识别中,陈潜溢利用C NN将桥梁各点响应转换到频域,并根据空间位置排列成矩阵,自动识别损伤.然而,C NN虽擅长提取空间位置特征,却在特征提取过程中忽略了振动信号的时间相关性.L S TM属于递归神经网络,可学习振动信号的时间相关性.张博耀利用L S TM建立了地震动索塔响应模型与地震动箱梁响应模型,以K L(K u l l b a c k L e i b l e r)散度为损伤指标来判断桥梁的健康状态;王子凡等利用L S TM直接提取结构动态测试数据中的损伤特征,其识别准确率及抗噪能力均优于传统的循环神经网络和门控循环单元神经网络.单一尺度的损伤特征表达能力有限,为提高损伤识别的准确性,近年来,融合C NN空间特征提取和L S TM时间相关性的联合深度网络架构越来越受到人们的关注.在结构损伤识别领域,学者们采用联合C NN与L S TM深度网络进行简单结构整体非接触振动测试,并识别了结构基频 ,联合C NN与L S TM深度网络在结构工程的应用中较好地提取了时间尺度和空间尺度的损伤特征,有效地识别了损伤.深度学习因其强大的特征提取和融合能力,在桥梁结构损伤识别中的应用日趋广泛 .为准确评估桥梁结构状态 ,提取更具有损伤表达能力的特征,本文基于桥梁结构振动台试验,将联合C NN与L S TM深度网络(简称“联合C NN与L S TM”)引入桥梁结构的损伤识别中,并将联合C NN与L S TM识别结果与C NN、L S TM进行对比,验证联合C NN与L S TM方法的有效性.深度神经网络的损伤识别应用神经网络进行结构损伤识别属于机器学习的统计模式识别范畴 ,基于统计模式识别的基本架构,同时结合桥梁结构损伤识别的具体需求,构建了由C NN模块、L S TM模块和联合模块组成的损伤识别架构.C NN模块共设置了由卷积层、批归一化 层 和 修 正 线 性 单 元(R e c t i f i e d L i n e a r U n i t,R e L U)激活层组成的个卷积块,经自适应平均池化层降维后,得到损伤特征VC NN.L S TM模块对输入数据维度变换后,接入L S TM层提取损伤特征VL S TM.联合模块将VC NN和VL S TM通过C o n c a t操作连接起来,形成组合特征VJ O I N.最后分别将VC NN、VL S TM和VJ O I N输入全连接层,并由S o f t m a x分类层得到损伤识别结果.桥梁结构的时域、频域和时频域损伤特征中,时域和时频域特征含有时间信息,能提供L S TM所需的时间相关性 .时频域特征包含结构固有频率和时间信息,较时域特征具有稳定且鲁棒的损伤信息,故采用时频域特征作为桥梁结构损伤特征.本文采用能够解决经验模态分解模态混叠问题的自适应分解和重构方法,提取所需的时频域损伤特征.构建瞬时频率、瞬时能量、平均频率、平均能量、融合平均频率和平均能量(简称“组合特征”)的类损伤特征,对比分析发现,组合特征因融合了平均频率和平均能量信息,识别效果最好,故本文采用组合特征进行不同网络的损伤识别效果对比.某斜拉桥模型振动台试验及有限元模型 某斜拉桥模型振动台试验某斜拉桥为()m的双塔双索面混合梁斜拉桥,边跨采用预应力混凝土箱梁,次边跨及中跨采用钢箱梁,主梁高 m,宽 m.桥塔为钢筋混凝土门式塔,塔高 m.全桥共设置 对平行钢丝斜拉索,钢丝标准抗拉强度 M P a;主墩采用钻孔灌注桩基础.联合卷积神经网络与长短期记忆深度网络的桥梁损伤识别单德山,石磊,谭康熹以该桥为背景制作斜拉桥模型并进行振动台试验,以识别该模型桥在地震动作用下的损伤.按动力相似原则,以 的相似比设计并制作模型桥.因振动台面尺寸限制,模型桥全长设计为 m,桥跨布置为()m,主梁采用扁平钢箱梁,宽 m,高 m,采用 mm厚的Q 钢板焊 接.桥 塔 为 门 式 空 心 桥 塔,高 m,塔顶横桥向中心距为 m,边墩、辅助墩高 m,桥塔和桥墩均采用M 水泥砂浆浇筑.模型桥共布置对斜拉索,斜拉索由直径 mm钢丝绳制成.试验设置了振动台输入和结构输出种加速度传感器(图).振动台输入加速度传感器布置在桥塔底部及过渡墩和辅助墩纵向连线中央,共个;结构输出加速度传感器布置在桥塔、主梁和桥墩上,桥塔两肢从塔顶开始每隔m布置个传感器,个桥塔共计布置 个,主梁上传感器均匀分布,共计布置 个,每个辅助墩和过渡墩墩顶各布置个.由于斜拉桥模型在纵、横向具有对称性,因此将模型桥沿主跨跨中和桥梁中心线划分为个对称区域,每个区域布置的加速度传感器位置和数量相同.图某斜拉桥模型振动台试验加速度传感器布置F i g L a y o u t o fA c c e l e r a t i o nS e n s o r so naS h a k i n gT a b l eo faC a b l e S t a y e dB r i d g eM o d e l以地震激励的C h i c h i波和人工场地波为地震动激励,依据实桥抗震需求和结构特点共设置了个横桥向地震损伤工况(表).表试验损伤工况T a b D a m a g eS c e n a r i o s i nT e s t损伤工况峰值地面加速度地震激励类别T gC h i c h i波T g人工场地波T gC h i c h i波T g人工场地波T gC h i c h i波T g人工场地波T gC h i c h i波T g人工场地波T gC h i c h i波 有限元模型训练样本的获取是采用模式识别方法识别桥梁损伤的难点之一,采用有限元模型获得不同地震动作用下的训练样本,对网络进行训练后,用模型桥的实测数据作为识别样本,识别其损伤位置和损伤程度,并与实际观测到的损伤位置和损伤程度进行对比,以此判断识别精度.根据前述斜拉桥振动台试验模型,建立相应的O p e n S e e s有限元模型(图),利用完好时的测 试数据对其 有 限 元 模 型 进 行 修正.随后,基于修正后的有限元模型,通过地震易损性分析,确定可能出现地震损伤的位置,据此构建该桥损伤识别的训练样本库.图某斜拉桥振动台试验模型有限元模型Fi g N u m e r i c a l S i m u l a t i o no faC a b l e S t a y e dB r i d g eM o d e l斜拉桥振动台试验模型损伤识别 损伤样本库构建根据数据来源不同,构建斜拉桥模型振动台试验损伤识别样本库和有限元模型损伤训练样本库种损伤样本库.桥梁建设B r i d g eC o n s t r u c t i o n ,()选取 条远、中、近场种不同断层距 的地震波作为有限元模型的输入地震动,计算峰值地面加速度为 g g的模型响应,根据此响应数据按上述分解变换方法提取组合特征,得到一个样本数量为 ,特征维度为 的有限元模型损伤训练样本库.采用桥梁抗震性能评价中常用的曲率延性比作为地震损伤程度评价指标,依据地震损伤的严重程度不同,将样本库的损伤模式按损伤程度划分为:无损N、轻微损伤、中等损伤、严重损伤、完全破坏种,分别对应完好、最外侧纵向受力钢筋屈服、等效屈服、混凝土压溃、丧失承载能力.对斜拉桥模型振动台试验实测响应信号作同样的分解变换处理,提取其组合特征,以此形成样本数量为,维度特征为 的损伤识别样本库,损伤模式与有限元模型样本库的划分标准一致.观察斜拉桥振动台试验模型不同工况下的实际损伤模式,统计如下:T T 工况所有位置均处于无损状态;T、T 工况下号位置发生轻微损伤;T 工况下号、号位置分别发生中等损伤和轻微损伤;T 工况下号、号位置发生轻微损伤,号位置发生严重损伤;T 工况下号、号、号位置发生轻微损伤,号、号位置发生中等损伤,号位置发生严重损伤.联合C NN与L S TM训练、验证和测试将有限元模型样本库数据用于深度神经网络的训练和验证,斜拉桥模型振动台试验样本库数据用于深度神经网络的测试,训练集、验证集、测试集划分为 ,.深度神经网络的训练过程主要有以下个步骤:()对样本库的数据进行最大、最小归一化处理.()将 归 一 化 后 的 训 练 集 数 据 输 入 到 联 合C NN与L S TM,对网络进行训练和验证.()训练过程中采用交叉熵作为损失函数.()重复步骤()和(),直到达到设置的训练总轮数时停止训练.经反复调试,深度神经网络训练前的超参数预设值如下:学习率设定为 ,每批次用于训练的样本数量(B a t c hS i z e)为 个;样本训练的总轮数依据损失函数下降趋势确定,经多轮比选,当识别总轮数(E p o c h)为 次时,损失函数下降趋于稳定;随机抑制的隐藏神经节点比例(D r o p o u t)为 .训练结束后,用验证集检验网络的性能,得到一个最适合用于该桥损伤识别的深度神经网络模型.随后将该模型用于识别斜拉桥振动台试验模型的损伤状态.损伤位置和损伤程度识别结果为验证联合C NN与L S TM的性能,采用该网络C NN和L S TM模块对应的结构和参数,设置了相应的C NN和L S TM网络.即将相同训练和识别样本分别输入到C NN、L S TM、联合C NN与L S TM种深度神经网络中,经过训练、验证及测试,得到损伤位置和损伤程度的识别结果.种深度神经网络损伤识别准确率见图.由图可知:联合C NN与L S TM、C NN的损伤位置识别准确率基本相同,L S TM准确率与联合C NN与L S TM、C NN相比有小幅偏差.值得注意的是因号和号位置未布置传感器,不能为损伤特征提供直接信息,这个位置的损伤信息由其它测点的测试信息外推而得,故识别准确率均偏低.种深度神经网络在严重和完全损伤时的识别准确率更高,而轻微和中等损伤时准确率相对较低.图种深度神经网络损伤识别准确率F i g A c c u r a c yo fD a m a g eE x t e n t I d e n t i f i c a t i o no fE a c hD e e pN e u r a lN e t w o r k 识别结果离散性分析由前述可知,C NN、联合C NN与L S TM损伤位置和损伤程度识别的准确率基本相同,L S TM与之有小幅偏差,为更准确地评价种深度神经网络的性能,基于种深度神经网络的损伤程度识别结联合卷积神经网络与长短期记忆深度网络的桥梁损伤识别单德山,石磊,谭康熹果离散性开展讨论.联合C N N与L S TM、C N N识别结果对比对联合C NN与L S TM、C NN损伤程度识别准确率低于 的号、号、号、号、号位置识别结果的混淆矩阵进行深入分析.种网络在号、号、号和号易损位置识别结果的混淆矩阵相同,即其识别准确率和离散性相同.每个位置 个样本中,号位置 个无损样本和个轻微损伤样本识别准确,个轻微损伤样本被识别为无损伤,其识别准确率为 ;号位置 个无损样本和个中等损伤样本识别准确,另有 个无损样本分别识别为个轻微损伤和个中等损伤,识别准确率为 ;号位置 个无损样本识别准确,个轻微损伤样本被识别为无损样本,识别准确率为 ;号位置 个无损样本识别准确,个轻微损伤样本和个中等损伤样本被识别为无损样本,识别准确率为 .表明无损情况识别准确率较高,而轻微损伤误识别为无损情况的比例较高.在号位置,种网络在无损、中等、严重损伤和完全破坏时的识别离散性相同,仅在轻微损伤时结果不同:联合C NN与L S TM的识别结果中,个轻微损伤识别为中等损伤,个轻微损伤识别为严重损伤;而C NN的识别结果中,个轻微损伤识别为中等损伤,个轻微损伤识别为严重损伤.说明联合C NN与L S TM的识别结果偏离实际损伤程度更小,其离散性优于C NN.联合C N N与L S TM、L S TM识别结果对比号、号、号、号位置的联合C N N与L S TM、L S TM识别精度不同,对这个位置的损伤程度识别结果混淆矩阵深入分析可知:号、号、号、号个位置共 个样本,联合C N N与L S TM识别错误 个样本,其中无损识别为中等损伤、轻微损伤识别为严重损伤的共 个;而L S TM识别错误样本为 个,无损识别为中等损伤、轻微损伤识别为严重损伤的共 个,识别准确率偏低,且偏差明显大于联合C N N与L S TM.结论本文以某斜拉桥模型振动台试验及有限元模型得到的不同地震损伤数据 为基础,联 合C NN与L S TM深度神经网络开发一种基于时频域损伤特征的桥梁损伤识别方法,得到的结论如下:()联合C NN与L S TM、C NN在损伤位置和损伤程度识别的准确率基本相同,L S TM的识别准确率略低.()由识别结果离散性分析可知,联合C NN与L S TM识别结果偏差更小,C NN次之,L S TM偏差较大.()无传感器布置的位置,其损伤位置和损伤程度的识别精度明显低于有传感器布置的位置,表明点式传感器布置对结构损伤位置和损伤程度的识别精度影响较大.()轻微损伤识别准确率相对较低,表明轻微损伤的准确识别仍需进一步研究.本文研究成果已成功应用于背景桥梁的健康监测系统,为其损伤模式和损伤样本库的构建提供了关键支撑.参考文献(R e f e r e n c e s):AV C IO,A B D E L J A B E R O,K I R ANYA ZS,e t a lA R e v i e w o f V i b r a t i o n B a s e d D a m a g e D e t e c t i o ni nC i v i l S t r u c t u r e s:f r o mT r a d i t i o n a lM e t h o d s t oM a c h i n eL e a r n i n ga n dD e e pL e a r n i n gA p p l i c a t i o n sJM e c h a n i c a l S y s t e m s a n d S i g n a l P r o c e s s i n g,:Z HAN GCW,MOU S AV IAA,MA S R ISF,e t a lV i b r a t i o nF e a t u r eE x t r a c t i o nU s i n gS i g n a lP r o c e s s i n gT e c h n i q u e s f o r S t r u c t u r a l H e a l t h M o n i t o r i n g:AR e v i e wJM 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,:F I GU E I R E D O E,B R OWN J OHNJ T h r e eD e c a d e so f S t a t i s t i c a l P a t t e r nR e c o g n i t i o nP a r a d i g mf o rS HMo fB r i d g e sJ S t r u c t u r a l H e a l t h M o n i t o r i n g,():陈潜溢基于卷积神经网络和空间频谱信息的拱桥损伤识别研究D杭州:浙江大学,(CHE N Q i a n y i C NN b a s e d D a m a g e I d e n t i f i c a t i o nM e t h o d f o rA r c hB r i d g eU s i n g S p a t i a l S p e c t r a lI n f o r m a t i o nD H a n g z h o u:Z h e j i a n g U n i v e r s i t y,i nC h i n e s e)张博耀基于L S TM网络的某斜拉桥地震响应建模方法研究D哈尔滨:哈尔滨工业大学,(Z HAN G B o y a o R e s e a r c h o n S e i s m i c R e s p o n s eM o d e l i n g M e t h o do faC a b l e S t a y e dB r i d g eB a s e do nL S TM N e t w o r kD H a r b i n:H a r b i nI n s t i t u t e o fT e c h n o l o g y,i nC h i n e s e)王子凡,张健飞一种基于L S TM循环神经网络和振动测试的结构损伤检测方法J噪声与振动控制,():桥梁建设B r i d g eC o n s t r u c t i o n ,()(WAN G Z i f a n,Z HANG J i a n f e i AS t r u c t u r a lD a m a g eD e t e c t i o n M e t h o dB a s e do nL S TM R e c u r r e n tN e u r a lN e t w o r ka n dV i b r a t i o nT e s t i n gJN o i s ea n dV i b r a t i o n C o n t r o l,():i nC h i n e s e)陈开利,刘海燕日本桥梁自动化检测技术研究新进展J世界桥梁,():(CHE N K a i l i,L I UH a i y a n N e w A d v a n c e s i nA u t o m a t i cB r i d g eI n s p e c t i o nT e c h n o l o g y R e s e a r c hi nJ a p a nJ W o r l d B r i d g e s,():i nC h i n e s e)孟庆领,张云,王海良,等基于深度学习与漏磁探伤的桥 梁 缆 索 检 测 预 警 系 统 研 究 J桥 梁 建 设,():(ME N G Q i n g l i n g,Z HA N G Y u n,W A N G H a i l i a n g,e t a l S t u d yo fB r i d g eC a b l eI n s p e c t i o n W a r n i n gS y s t e mB a s e do n D e e p L e a r n i n g a n d M a g n e t i c F l u x L e a k a g eD e t e c t i o 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)文武松,毛伟琦,陶世峰新时代桥梁智能建造及智慧服务体系研究J世界桥梁,():(WE NW u s o n g,MAOW e i q i,T A OS h i f e n g R e s e a r c h o n I n t e l l i g e n t B r i d g e C o n s t r u c t i o n a n dS e r v i c eS y s t e mi na N e w E r aJW o r l d B r i d g e s,():i nC h i n e s e)宋神友,陈伟乐深中通道桥梁工程方案及主要创新技术J桥梁建设,():(S ONGS h e n y o u,CHE NW e i l e B r i d g e s o fS h e n z h e n Z h o n g s h a nL i n ka n d M a i nI n n o v a t i o n 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)单德山,张潇,顾晓宇,等基于多层感知深度学习的大跨 度 斜 拉 桥 索 力 调 整 J桥 梁 建 设,():(S HAND e s h a n,Z HAN GX i a o,GUX i a o y u,e t a lC a b l eF o r c eA d j u s t m e n tf o rL o n g S p a nC a b l e S t a y e dB r i d g eB a s e do nM u l t i l a y e rP e r c e p t r o nD e e pL e a r n i n gJB r i d g eC o n s t r u c t i o n,():i nC h i n e s e)叶华文,黄若森,刘吉林,等韩国圣水大桥连续垮塌过程分析J世界桥梁,():(Y E H u a w e n,HUAN G R u o s e n,L I UJ i l i n,e t a lP r o g r e s s i v eC o l l a p s e A n a l y s i so fS e o n g s uB r i d g ei nS o u t h K o r e aJ W o r l d B r i d g e s,():i nC h i n e s e)单德山,李乔,黄珍桥梁动力测试信号的自适应分解与重构J振动与冲击,():(S HAND e s h a n,L IQ i a o,HUAN GZ h e n A d a p t i v e D e c o m p o s i t i o n a n d R e c o n s t r u c t i o n f o rB r i d g eS t r u c t u r a lD y n a m i cT e s t i n gS i g n a lJ J o u r n a lo fV i b r a t i o n a n d S h o c k,():i nC h i n e s e)S HAN D S,CHA I YH,D ONGH,e t a lU n c e r t a i n t y U p d a t i n g o f F i n i t e E l e m e n t M o d e l sU s i n gI n t e r v a lA n a l y s i sJ I n t e r n a t i o n a lJ o u r n a lo fS t r u c t u r a lS t a b i l i t ya n d D y n a m i c s,():董俊,单德山,张二华,等非规则桥梁近、远场地震易损性对比分析J哈尔滨工业大学学报,():(D ON G J u n,S HAN D e s h a n,Z HAN G E r h u a,e t a l N e a ra n dF a r F i e l dS e i s m i cF r a g i l i t yC o m p a r a t i v eA n a l y s i so f I r r e g u l a rB r i d g eJ J o u r n a lo fH a r b i nI n s t i t u t eo fT e c h n o l o g y,():i nC h i n e s e)S HAND e s h a n单德山 ,男,教授 年毕业于重庆交通大学桥梁与隧道 工程 专 业,工 学 学 士,年毕业于西南交通大学桥梁与隧道工程专业,工学硕士,年毕业于西南交通大学桥梁与隧道工程专业,工学博士.研究方向:桥梁结构健康监测与损伤识别,大跨度桥梁施工控制E m a i l:d s s h a n c o mS H IL e i石磊 ,女,硕士生 年毕业于西南交通大学土木工程专业,工学学士.研究方向:桥梁结构健康监测与损伤识别E m a i l:m y s w j t u e d u c nT ANK a n g x i谭康熹 ,男,工程师 年毕业于重庆交通大学桥梁与隧道 工程 专 业,工 学 学 士,年毕业于西南交通大学建筑与土木工程专业,工程硕士.研究方向:桥梁结构健康监测与损伤识别E m a i l:t a n k a n g x i c o m(编辑:叶青)