论文总字数：36873字

摘 要

桥梁在实际环境下的运营状况直接关系到桥上的交通安全，而其重要影响因素之一便是温度效应。如何准确掌握桥梁实时温度响应和预知桥梁结构温度场已经成为桥梁健康监测领域的重点与难点。本文以深度学习方法为基础，依托南京大胜关长江大桥温度监测数据，通过数据分析、模型试验等方法，针对桥梁温度场数据处理及预测关键技术进行了探究，为桥梁温度场等健康监测时序数据预测提供了新思路与新方法。主要研究内容包括：

（1）分析了大胜关长江大桥温度监测数据，得到了钢桁拱梁各测点温度变化规律、钢桁拱梁整体竖向温差分布特征、关键构件横截面温差分布特征以及桥面系关键构件横向温差分布特征。

（2）研究了基于深度学习的大胜关长江大桥温度场预测模型，分别设计了SVM、WNN和LSTM三种预测模型并对其进行了训练和评估。试验结果表明，神经网络模型（WNN、LSTM）的预测精度高于传统机器学习模型（SVM）的预测精度，而LSTM模型充分发挥了其在处理时间序列数据方面的优势，取得了最高的预测精度。在模型效率方面，基于传统机器学习方法（SVM）的耗时最短，WNN和LSTM模型耗时较长，其中，预测精度最高的LSTM模型耗时最长。

（3）讨论了基于LSTM的大胜关大桥温度场预测模型的实际应用，对其时间步长取值做了进一步分析，探讨了其在缺失数据填补方面的应用。试验结果表明，若要预测未知温度数据，采用前5个小时的已知数据能取得较好的预测效果；同时，其能在1个小时左右的时间段内保持良好的预测性能。在缺失数据填补方面，模型取得了良好的效果。同时，纳入更多完好的传感器数据可进一步提升填补效果，且耗时基本不会增加。此外，在输入样本中包含与其相关系数较高的传感器数据能取得较高的填补精度。

关键词：结构健康监测，温度场，深度学习，LSTM网络，数据填补

ABSTRACT

The condition of the bridge in the actual environment is directly related to traffic safety on the bridge, which is greatly affected by the temperature effect. How to accurately grasp the real-time temperature response of bridges and predict the temperature field has become the focus and difficulty in bridge health monitoring area. Based on deep learning methods and the temperature monitoring data of Nanjing Dashengguan Yangtze River Bridge, this paper explored the key technologies of bridge temperature field data processing and prediction through data analysis and model test, providing new ideas and new methods for the prediction of bridge temperature field and other health monitoring time series data. The main work in this research is as follows:

(1) The temperature monitoring data of Dashengguan Yangtze River Bridge was analyzed, the temperature variation law of each measuring point of the steel truss arch girder and the temperature difference characteristics in the vertical direction of the steel truss arch girder, the cross section of key members, as well as the lateral direction of the key members of bridge deck system were obtained.

(2) The temperature field prediction model of the Dashengguan Yangtze River Bridge based on deep learning was studied. Three prediction models, SVM, WNN, and LSTM, were designed, trained and evaluated. The results show that the prediction accuracy of the neural network models (WNN, LSTM) is higher than that of the traditional machine learning model (SVM), and the LSTM model takes full advantage of its ability to process time series data and achieves the highest prediction accuracy. In terms of model efficiency, the traditional machine learning model (SVM) takes the shortest time, while the WNN and LSTM models cost more time. Last but not least, the LSTM model with the highest prediction accuracy takes the longest time, which is worthy of attention.

(3) The practical application of the temperature field prediction model of the Dashengguan Yangtze River Bridge based on LSTM was discussed. The values of time step and performance in missing data imputation were analyzed. The results show that to predict unknown data, it is better to use the data of 5 hours before it, and it can maintain good prediction performance in a period of about 1 hour. In terms of missing data imputation, the model can achieve good performance. And including more data of intact sensors can improve the imputation performance further without the increase of time cost. In addition, better prediction performance can be achieved by including data of intact sensors which have higher correlation coefficients with the data of faulty sensors.

KEY WORDS: structural health monitoring, temperature field, deep learning, LSTM network, data imputation

目 录

摘要 I

ABSTRACT II

第一章 绪论 1

1.1 研究背景和意义 1

1.2 桥梁温度场模型预测研究现状 1

1.3 深度学习在结构健康监测中的研究现状 2

1.4 本文研究背景 3

1.4.1 南京大胜关长江大桥概况 3

1.4.2 大胜关大桥温度场监测简介 4

1.5 本文主要研究内容 6

第二章 大胜关大桥温度场长期监测结果分析 7

2.1 大胜关大桥温度场长期监测结果 7

2.1.1 钢桁拱梁各测点温度分布特征 7

2.1.2 钢桁拱梁整体竖向温差分布特征 10

2.1.3 钢桁拱梁关键构件横截面温差分布特征 11

2.1.4 钢桁拱梁桥面系关键构件横向温差分布特征 12

2.2 温度样本选取 13

2.3 本章小结 13

第三章 基于深度学习的大胜关大桥温度场预测 14

3.1 概述 14

3.2 试验平台简介 14

3.2.1 硬件平台 14

3.2.2 软件平台 14

3.3 基于SVM的温度场预测 14

3.3.1 SVM概述 14

3.3.2 基于SVM的温度场预测 16

3.4 基于WNN的温度场预测 21

3.4.1 WNN概述 21

3.4.2 基于WNN的温度场预测 24

3.5 基于LSTM的温度场预测 27

3.5.1 LSTM概述 27

3.5.2 基于LSTM的温度场预测 29

3.6 试验结果分析 32

3.6.1 模型精度 32

3.6.2 模型效率 33

3.7 本章小结 34

第四章 基于LSTM网络的大胜关大桥温度场预测模型实际应用分析 34

4.1 概述 34

4.2 时间步长分析 34

4.2.1 样本时间步长 34

4.2.2 预测时间步长 35

4.3 缺失数据填补 37

4.3.1 单点填补 38

4.3.2 多点填补 41

4.4 本章小结 43

第五章 总结与展望 43

5.1 全文总结 43

5.2 后续展望 45

参考文献 46

致谢 49

第一章 绪论

研究背景和意义

交通运输在国家经济运行中起着基础性的保障作用，而桥梁结构作为交通运输中的关键枢纽，则起着“生命线”工程的作用，是基础设施建设中不可或缺的重要部分。上世纪80年代以来，我国在桥梁建设领域发展迅猛。截至2018年，我国已具有超80万座的公路桥梁，其中，铁路桥梁超20万座。然而，与发达国家相比，我国桥梁建设在设计管理水平和安全评定方法等基础理论方面仍存在一定差距。在高速发展的背后，存在着基础理论研究不足、服役状况不容乐观的问题。同时，我国高速发展的社会经济水平对桥梁运营状况也提出了更高的要求。因此，有必要采取一些方法来保障桥梁的安全性、耐久性。

桥梁健康监测系统是一种结合工程结构理论、数学分析理论、网络通讯技术、测试传感技术和信号处理技术等多学科领域的方法，其基本内涵是通过采集桥梁运营时的各种数据，对桥梁结构健康状况进行监控与评估，从而为桥梁运营维护提供依据和指导^[1]。借助健康监测手段，可以对桥梁的实时温度场、应力应变状态、位移响应、动力响应等进行研究分析，从而掌握桥梁实际结构性能，保障桥梁运营安全。其中，基于健康监测数据的温度场研究是一个比较重要的课题。Bruce Hunt、Nigel Cooke等人曾指出^[2]，桥梁温度应力的大小不亚于由自重和活载导致的内力大小。可见温度作用是影响桥梁结构使用寿命的重要因素之一。国内外由温度作用引起的桥梁结构损坏比比皆是，造成了严重的社会经济损失。美国学者在观测Champigny箱形梁桥的支座反力时发现日照温差引起了约26%的支座反力变化幅度。德国Jagst箱梁桥在运营数年内就产生了严重裂缝，分析发现温度效应引起的作用在结构上的拉应力约为2.6Mpa。而在国内，九江长江大桥、锡澄大桥等均发现过裂缝，且后续调查发现这些裂缝与温差效应有着密切关系。可见，温度效应对桥梁结构性能有着重要影响，依托健康监测系统，利用所得温度数据建立温度场预测模型对掌握桥梁实时温度响应、保证桥梁运营安全至关重要。

桥梁温度场模型预测研究现状

自20世纪60年代以来，各国桥梁工作者对桥梁结构的温度分布、影响因素及预测方法等做了大量的研究工作。国外方面，美国Zuk等学者运用数学理论对收集的气象资料进行分析，推导出影响混凝土箱梁温度分布的因素，并提出基于线性分布的温度效应^[3]。新西兰M.J.N. Priestlay等学者对Newmarker高架桥进行了模型试验，提出的公式来预测混凝土箱梁桥沿板厚方向的温度分布规律^[4-5]。Hoffman等人通过对一座预应力混凝土箱梁桥的长期温度观测及分析，得到影响混凝土箱梁桥温度非线性分布的因素^[6]。而随着有限元理论和计算机技术的发展， Anna sactta对运用有限元方法计算温度场的研究进行了分析总结^[7]。国内方面，铁道部大桥局曾对某薄壁空心高桥墩进行现场观测，得到了其温差拟合曲线^[8-10]。基于红水河斜拉桥和九江长江大桥的实测分析，刘兴法建立了预应力混凝土箱梁的温度应力计算方法^[8-10]。郝超对钢箱梁桥进行了模型试验，基于试验数据对温度场敏感性系数进行了研究分析，并利用最小二乘法得到了较为理想的参数取值^[11]。陈家齐对湛江湾大桥进行了施工监控，经过分析提出了湛江地区的温度梯度模式^[12]。丁幼亮等人基于润扬大桥监测数据提出了扁平钢箱梁温度场全寿命模拟方法^[13]。

剩余内容已隐藏，请支付后下载全文，论文总字数：36873字