基于模糊神经网络的桥梁状态评价

域的6个微单元SiUj 、SiUj +1、SiUj +2、SiUj +3、SiUj +4、
SiUj+5（大单元号i=1，2，…，9，10；微单元号j=1，2，…500，）的损伤程度设计成五个标准：D1、D2、D3、D4、D5，如表1损伤等级标准，表2损伤工况。

采用Newmark 方法[4]利用Matlab 软件将连续移动冲击荷载激励的动力输入作为模拟匀速行驶的车辆对桥梁路面的激励作用，其大小为500KN ，求解结构的动力响应，并获取2号至10号节点的垂直加速度。

为了将损伤裂纹与刚度折减更好的等效，文章利用等效单元刚度降低模型（equivalent element stiffness reduction model ，EESRM ）[5]
来设计10%、20%、30%、40%、50%的刚度图1CNN-LSTM 架构神经网络
图2简支梁的数值模型
000其中对应的损伤因子向量vector ，EFDV ）为0.9、0.85结语
文章结合深度学习中CNN 和LSTM 各自优势，提出基于CL-EANNM 架构神经网络桥梁损伤位置识别方法，文章当前的研究结果能够表明该方法从采集到最原始的速度信号数据集中进行自动提取简支梁桥的损伤位置特征，并能对损伤位置进行准确识别定位，为桥梁损伤识别方法研究提供了新思路。

参考文献:[1]马宏伟，聂振华.桥梁安全监测最新研究进展与思考[J].力学与实践，2015，37（2）：161-170.
[2]周飞燕，金林鹏，董军.卷积神经网络研究综述[J].计算机学图3损伤位置识别
图4对称区域与不对称区域损伤位置识别。

基于模糊时变可靠度理论的既有钢筋混凝土梁桥剩余寿命评估研究基于模糊时变可靠度理论的既有钢筋混凝土梁桥剩余寿命评估研究概述：钢筋混凝土梁桥是一种常见的道路交通设施，因长期使用和外界环境的影响，其结构会逐渐疲劳、老化，从而降低承载能力，并存在安全隐患。

为保证梁桥的安全使用，评估既有桥梁的剩余寿命是非常必要的。

本文将基于模糊时变可靠度理论，研究既有钢筋混凝土梁桥剩余寿命的评估方法。

引言：钢筋混凝土梁桥是道路交通中常见的桥梁结构，为确保其安全使用，评估桥梁的剩余寿命具有重要意义。

传统的寿命评估方法主要基于统计学理论和损伤累积原理，对梁桥结构进行静态评估。

然而，由于结构材料老化、自然灾害和交通荷载的复杂作用，梁桥的使用状况具有时变性和模糊性，传统评估方法无法完全考虑这些因素。

因此，本文将引入模糊时变可靠度理论，建立既有钢筋混凝土梁桥的剩余寿命评估模型。

方法：1. 收集数据：首先，需要收集梁桥结构的基本信息、设计荷载信息、材料属性等相关数据。

2. 构建模糊时变可靠度模型：根据收集的数据，建立既有钢筋混凝土梁桥的模糊时变可靠度模型。

模型中考虑了梁桥的时变性和模糊性，考虑了材料老化和交通荷载的不确定性。

3. 确定参数：在建立模型时，需要确定模糊可靠度的定义域和划分，以及模糊转移矩阵等参数。

4. 进行模拟计算：使用模糊时变可靠度模型，对既有梁桥进行剩余寿命评估的模拟计算，得到梁桥在不同时刻的可靠度指标。

5. 评估剩余寿命：根据模拟计算结果，进行剩余寿命的评估。

通过比较梁桥的可靠度指标和安全门限值，确定梁桥的剩余寿命。

结果与讨论：通过对一座既有钢筋混凝土梁桥进行剩余寿命评估，得到了该桥在不同时刻的可靠度指标。

通过与安全门限值的比较，确定了梁桥的剩余寿命，并对可能出现的风险进行了预测和警示。

此外，还对模型参数的敏感性进行了分析，探讨了不同参数对剩余寿命评估结果的影响。

结论：本研究基于模糊时变可靠度理论，建立了既有钢筋混凝土梁桥的剩余寿命评估模型，通过对模拟计算和结果分析，得出了梁桥的剩余寿命及可能存在的风险。

桥梁结构状态识别及评估策略分析摘要：目前已经投入使用的桥梁常会因为多方面的原因在运营数年后产生诸多病害。

对桥梁的结构状态进行识别，随时了解并掌握桥梁的病变情况并进行科学的评估，是保证桥梁的使用安全和延长其使用时限的有效策略。

在目前的桥梁结构状态的识别及评估中，已经出现了多种手段和方法，形成了相应的评估理论，但还需在此基础上将相关的技术手段加以提高和完善。

关键词：桥梁；结构状态；识别；评估进入21世纪以来，交通事业得到了进一步的发展。

作为交通线路中重要的组成部分，桥梁使用的时间正在逐渐增长，导致桥梁结构的内外都出现了一定的缺陷，给交通运输的安全性带来了很大的威胁。

如果对于这些桥梁没有进行足够的监测和维护，会使桥梁的使用年限大幅度降低，甚至有时会发生严重的毁坏，造成严重的生命损失和财产损失。

因此，人们对于使用中桥梁的耐久性、安全性和使用功能极为关注。

如何对桥梁的结构状态进行行之有效的识别，并展开准确而高效的状态评估，是保证我国交通运输安全的重要手段。

1.桥梁结构状态的识别对桥梁的结构状态进行识别，主要是对桥梁在日常使用中的健康情况进行监测，并对是否发生或已经发生的损失情况进行准确的识别与判断。

1.1桥梁健康情况的监测对桥梁进行健康监测，主要是使用计算机系统和传感器在桥梁上形成监测系统，长期对桥梁的结构、工作情况和可能的损伤进行在线监测，并将监测到的信息用于对桥梁的结构状态进行反演，从而对其中的损伤进行识别。

当桥梁遭遇特殊的交通条件、恶劣的气候或者使用功能异常时，能够发出预警的信号，从而为桥梁的使用、管理和维护提供指导。

对桥梁健康情况进行监测，可以为桥梁的结构状态识别过程提供在现实情况下结构响应的实测信息。

1.2桥梁结构的损伤识别桥梁结构状态识别的核心就是损伤识别，常用的识别方法可以分为以振动为基础的识别法和神经网络识别法。

1.2.1以振动为基础的识别法这种损伤识别方法主要包括有模型的识别方法和无模型的识别方法两种。

三标度模糊层次分析法的应用探析桥梁在现代交通运输中应用比较广泛，是一种运输枢纽，可以有效促进国民经济增长以及社会生活水平的提高。

为了保证桥梁的安全运行，必须要建立完善的桥梁安全评估体系。

1、国内外桥梁安全评估的研究现状国外的桥梁安全主要集中在对安全风险的数值模拟以及实验分析上，缺少桥梁安全评估体系的研究[1]。

我国的桥梁安全评估技术也得到了广泛的发展。

部分学者主张通过分析典型桥梁事故特点，指出桥梁安全事业应该注重在事故预防措施上。

本文提出的研究方法，是考虑到桥梁安全评估本身所具有的复杂性、模糊性以及多样性等特点，提出了一种结合三维度层次分析法以及模糊判断法的集合方法，可以有效提高评价指标判断的准确度，减少重复检验过程。

这种三标度模糊层次分析法具有客观性的特点，可以有效避免主观性带来的偏差，同时在计算上，也比价方便，避免大量计算[2]。

层次分析法是一种定性和定量相结合的、系统化的、层次化的分析方法。

使用层次分析法将桥梁安全性的指标确定下来，利用三标度当做层次评价指标比率标度，建设成比较矩阵。

利用矩阵计算出评价指标的权重，使用模糊综合评判模型，判断出桥梁的安全等级，为桥梁的安全管理以及维修加固等工作提供数据参考。

2、桥梁安全状况的评判对桥梁的综合状态进行安全评估，必须要建立评价指标体系的结构模型。

依据《公路桥梁技术评定标准》以及《公路桥涵养护规范》，桥梁的评估指标应该分为上下结构以及桥面三种层面[3]。

同时依据相关文献，将桥梁的安全评定等级划分为五个级别（如表1所示）。

并根据相关文献，将各个级别的相应指标区间赋予出来。

3、桥梁安全评价的指标权重的确定对桥梁的安全状况进行模糊综合评判中，比较重要的一个环节便是确定其指标的权重，主要采用的权重判断方法为德尔菲法以及专家打分法。

3.1确定判断矩阵通过对同一层次的评价指标进行对比，得出比较矩阵。

比较矩阵建立的基础是《公路桥梁技术状况评定标准》以及相关专家建议。

论基于模糊数学及神经网络的心理评估模型1 结合神经网络和模糊数学做心理健康评估模型的可行性和优势心理评估是指运用心理学原理和方法对人的心理特征用数字加以确定。

利用各种量表搜集到的一些信息评估界定“心理健康、心理不健康、心理疾病”三种状态时有相对模糊性。

因此将模糊数学理论引入心理评估的研究，便有了很大可行性。

另外，独立个体的心理状况是多维信息系统，基本特征是多变量、多层次、强耦合，系统内部各因素存在复杂的非线性作用。

对心理健康的评估更适合采用系统分析的方式考虑输入和输出关系，暗合人工神经网络的特征。

2 基于神经网络的心理评估诊断模型2.1 感知器(Perceptron) 模型具有多层结构的感知器网络可以表达各种布尔函数，也可以任意精度来近似更广义的函数。

若输入的加权和为y，则其输出可表：式中感知器的第j 个输入；（阈值）；2.2 心理健康状态评价本文对心理健康、心理疾病和心理不健康等概念作如下界定：如（图1）所示，图中的符号“ + ”至“ C ”段是心理健康状态区，“ D ”至“ - ”段是心理疾病状态区，“ A B ”段是理论意义上的心理不健康状态区, 而“CD”段为通常所指的心理不健康状态。

“ AC ”段是心理健康与心理不健康的重叠区，“DB”是心理不健康和心理疾病的重叠区。

（图1）影响心理健康三个相对最重要的维度变量包括常规表现（有持续时间）、人格、性格，以其作为模型输入矢量。

被试在上述区域表现较好时赋值为P（R）= 1；较差时赋值P (R ) = 0；介于它们之间0 < P (R ) < 1 代表各检测维度处在中间状态。

在此条件下, 根据心理健康的评定标准和学术界对于心理不健康病因的认识设定：（1）任一P (R ) = 0 即可判定为心理不健康，输出值用“10”或“01 ”表示；（2）维度P ( 1) 具有较高的判别权重。

2.3 训练样本采用双层感知器网络模型进行训练，可求出网络的权值w和阈值b，得出分类的结果。

第 36 卷第 6 期2023 年12 月振 动 工 程 学 报Journal of Vibration EngineeringVol. 36 No. 6Dec. 2023基于门控循环单元神经网络的大跨径斜拉桥索力预测郭新宇1，方圣恩1，2（1.福州大学土木工程学院，福建福州 350108；2.福州大学土木工程防震减灾信息化国家地方联合工程研究中心，福建福州 350108）摘要: 拉索索力的改变直接反映斜拉桥结构体系受力状态的变化，因此索力监测对斜拉桥健康评估具有重要意义。

然而现有关于索力的研究大多为索力识别，难以做到根据历史索力数据实现对未来索力的预测。

为此，提出一种基于门控循环单元（GRU）神经网络的索力预测方法：利用GRU神经网络对时序型数据的处理能力以及索力数据较强的序列化特性，搭建基于GRU神经网络的索力预测框架，该预测框架包含输入层、GRU隐藏层与输出层；利用实桥连续采集的索应力时程数据作为训练及验证样本，对样本进行数据切片和归一化；搭建能够实现对该桥未来索力进行预测的GRU神经网络，结合梯度下降优化算法进行网络计算。

结果表明所提方法对不同长度的拉索都具有较好的预测效果。

关键词: 大跨径斜拉桥；索力预测；门控循环单元神经网络；数据切片和归一化中图分类号: U448.27 文献标志码: A 文章编号: 1004-4523（2023）06-1480-05DOI：10.16385/ki.issn.1004-4523.2023.06.002引言拉索作为大跨径斜拉桥的主要承重构件，索力监测是桥梁健康监测系统的重要组成部分。

据统计，中国自1970年至1990年建造的30多座斜拉桥中，有近50%的加固乃至拆除等措施与拉索力学性能劣化直接相关［1］。

因此，准确掌握索力状态是保障桥梁安全运营和维养的重要先决条件。

目前索力监测和测试主要分为直接测试法和间接测试法两类，其中频率法作为一种操作简单、经济快捷的间接方法被广泛应用。

基于卷积神经网络迁移学习的桥梁裂纹检测与识别近年来，随着深度学习的快速发展，卷积神经网络（Convolutional Neural Networks，CNN）已经成为图像处理领域的主流方法之一。

CNN具有很强的特征提取和模式识别能力，被广泛应用于各个领域，包括图像分类、目标检测和语义分割等。

裂纹是工程结构中常见的病害之一，对结构的安全性和可靠性带来了严重的威胁。

裂纹的检测与识别一直是工程领域研究的热点问题之一。

传统的裂纹检测方法往往依赖于人工设计的特征提取算法，这些算法需要大量的专业知识和经验，并且很难在不同的数据集和场景中进行泛化。

而基于CNN的裂纹检测方法，可以自动学习到图像的特征表示，不依赖于人工设计的特征提取算法，具有更好的泛化性能和鲁棒性。

正常裂纹图像的数据往往很难获得，而且标注起来也非常困难，因此很难直接应用CNN进行裂纹图像的训练。

为了解决这个问题，迁移学习成为了一种有效的方法。

迁移学习通过在源领域上训练CNN，并将其在目标领域上进行微调，来利用源领域上学到的知识和表示。

这样做的好处是可以充分利用源领域上的数据，提高模型的性能和泛化能力。

在裂纹检测与识别任务中，迁移学习可以分为两个阶段：预训练和微调。

预训练阶段，使用源领域的大规模图像数据对CNN进行训练，得到一个具有较好的特征表示能力的模型。

微调阶段，使用目标领域的裂纹图像数据对模型进行微调，使其适应目标领域的特点。

通过迁移学习，可以使模型在少量标注数据上也能取得较好的效果。

除了迁移学习，数据增强也是一种常用的方法来应对截然不同的数据集之间的差异。

数据增强可以通过旋转、翻转、加噪声等方式对原始图像进行变换，生成一系列与原始图像类似但具有差异性的图像样本。

这可以有效扩大数据集，增加了模型的鲁棒性和泛化能力。

在实际应用中，基于卷积神经网络的桥梁裂纹检测与识别系统可以通过以下步骤进行：利用大规模的源领域数据集，使用迁移学习的方法对CNN进行预训练。