Nothing Special   »   [go: up one dir, main page]

CN117574773A - 一种桥梁群承载性能评估方法、装置、设备及存储介质 - Google Patents

一种桥梁群承载性能评估方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117574773A
CN117574773A CN202311630350.1A CN202311630350A CN117574773A CN 117574773 A CN117574773 A CN 117574773A CN 202311630350 A CN202311630350 A CN 202311630350A CN 117574773 A CN117574773 A CN 117574773A
Authority
CN
China
Prior art keywords
bridge
bridges
performance evaluation
bearing performance
load bearing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311630350.1A
Other languages
English (en)
Inventor
刘晓海
梁银丰
张秋生
孙瑞瑞
邓亚权
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Otion Intelligent Technology Suzhou Co ltd
Original Assignee
Otion Intelligent Technology Suzhou Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Otion Intelligent Technology Suzhou Co ltd filed Critical Otion Intelligent Technology Suzhou Co ltd
Priority to CN202311630350.1A priority Critical patent/CN117574773A/zh
Publication of CN117574773A publication Critical patent/CN117574773A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Architecture (AREA)
  • Mathematical Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bridges Or Land Bridges (AREA)

Abstract

本发明公开了一种桥梁群承载性能评估方法、装置、设备及存储介质，应用于桥梁群性能评估领域，该方法包括：基于层次分析法将目标区域内桥梁群进行划分得到多个子桥梁群；基于聚类算法将每个子桥梁群中的桥梁划分为多个桥梁簇；确定桥梁簇内特征桥梁的承载性能评估系数；将特征桥梁的承载性能评估系数赋值给对应桥梁簇内其余桥梁；基于承载性能评估系数进行桥梁群内全部桥梁的承载性能评估。通过对聚类得到的桥梁簇内特征桥梁进行承载性能评估，从而实现对区域内全部桥梁进行承载性能评估，避免了由于成本限制，无法对区域内的全部桥梁进行承载性能评估的问题。

Description

一种桥梁群承载性能评估方法、装置、设备及存储介质
技术领域
本发明涉及桥梁群性能评估领域，特别涉及一种桥梁群承载性能评估方法、装置、设备及计算机可读存储介质。
背景技术
桥梁健康监测是通过对桥梁结构状态的监控与评估，为工程在特殊气候、交通条件下或运营状况严重异常时发出预警信号，为桥梁维护、维修与管理决策提供依据和指导。由于成本限制，现有技术无法对区域内桥梁群的全部桥梁进行承载性能评估，一般通过层次分析法从桥梁群中筛选出重要程度高的桥梁进行承载性能评估，这种通过对区域内重要程度高的桥梁进行承载性能评估的方法无法对桥梁群中未监测桥梁的承载性能状态进行感知，即无法实现对区域内整个桥梁群进行承载性能评估。
发明内容
本发明的目的在于提供一种桥梁群承载性能评估方法、装置、设备及计算机可读存储介质，应用于桥梁群性能评估领域，该方法通过层次分析法将区域内桥梁群按重要度进行划分得到多个子桥梁群，对子桥梁群中的桥梁进行聚类得到多个桥梁簇，通过对桥梁簇内特征桥梁进行承载性能评估，从而实现对区域内全部桥梁进行承载性能评估。
为解决上述技术问题，本发明提供一种桥梁群承载性能评估方法，包括：
基于层次分析法将目标区域内桥梁群进行划分得到多个子桥梁群；
基于聚类算法将每个所述子桥梁群中的桥梁划分为多个桥梁簇；
确定所述桥梁簇内特征桥梁的承载性能评估系数；
将所述特征桥梁的所述承载性能评估系数赋值给对应桥梁簇内其余桥梁；
基于所述承载性能评估系数进行所述桥梁群内全部桥梁的承载性能评估。
可选的，所述基于层次分析法将目标区域内桥梁群进行划分得到多个子桥梁群，包括：
基于技术状况、荷载等级、服役年限、裂缝总长、桥梁位置及跨径长度构建桥梁评价体系；
基于层次分析法在所述桥梁评价体系下给出所述目标区域内所述桥梁群中全部桥梁的桥梁评分；
基于所述桥梁评分将所述桥梁群中的全部桥梁进行等级划分得到多个所述子桥梁群。
可选的，所述基于聚类算法将每个所述子桥梁群中的桥梁划分为多个桥梁簇，包括：
基于所述服役年限、所述跨径长度及所述裂缝总长确定桥梁聚类属性；
基于所述桥梁聚类属性通过聚类算法将每个所述子桥梁群中的桥梁划分为多个所述桥梁簇。
可选的，所述确定所述桥梁簇内特征桥梁的承载性能评估系数，包括：
构建不同类型桥梁在不同跨径长度下的结构性能参数与材料性能参数的理论值数据库；
基于各类型桥梁的所述理论值数据库训练得到对应的材料性能参数预测模型；
获取所述桥梁簇内所述特征桥梁的目标结构性能参数与目标跨径长度；
将所述目标结构性能参数与所述目标跨径长度输入对应材料性能参数预测模型中，得到所述特征桥梁的目标材料性能参数；
基于所述目标材料性能参数计算得到所述承载性能评估系数。
可选的，所述结构性能参数为挠度、应变及裂缝宽度的任意组合，所述材料性能参数为主梁弹性模量、主梁质量密度及预应力筋材料强度的任意组合。
可选的，还包括：
基于所述承载性能评估系数进行拟合预测得到未来承载性能评估系数；
基于所述未来承载性能评估系数进行桥梁的未来承载性能评估。
可选的，还包括：
获取所述桥梁群内全部桥梁的平均养护成本及各桥梁养护完成后在预设未来时刻的所述未来承载性能评估系数；
基于所述未来承载性能评估系数构建安全函数，基于所述平均养护成本构建成本函数；
以所述安全函数及所述成本函数为约束条件从所述桥梁群内筛选出待维护桥梁。
为解决上述技术问题，本发明提供一种桥梁群承载性能评估装置，包括：
第一模块，用于基于层次分析法将目标区域内桥梁群进行划分得到多个子桥梁群；
第二模块，用于基于聚类算法将每个所述子桥梁群中的桥梁划分为多个桥梁簇；
第三模块，用于确定所述桥梁簇内特征桥梁的承载性能评估系数；
第四模块，用于将所述特征桥梁的所述承载性能评估系数赋值给对应桥梁簇内其余桥梁；
第五模块，用于基于所述承载性能评估系数进行所述桥梁群内全部桥梁的承载性能评估。
为解决上述技术问题，本发明提供一种桥梁群承载性能评估设备，包括：
存储器，用于储存计算机程序；
处理器，用于执行所述计算机程序时实现任一项所述桥梁群承载性能评估方法。
为解决上述技术问题，本发明提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时，实现任一项所述桥梁群承载性能评估方法。
可见，本发明方法基于层次分析法将目标区域内桥梁群进行划分得到多个子桥梁群；基于聚类算法将每个子桥梁群中的桥梁划分为多个桥梁簇；确定桥梁簇内特征桥梁的承载性能评估系数；将特征桥梁的承载性能评估系数赋值给对应桥梁簇内其余桥梁；基于承载性能评估系数进行桥梁群内全部桥梁的承载性能评估。通过对聚类得到的桥梁簇内特征桥梁进行承载性能评估，从而实现对区域内全部桥梁进行承载性能评估，避免了由于成本限制，无法对区域内桥梁群的全部桥梁进行承载性能评估的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例所提供的一种桥梁群承载性能评估方法的流程图；
图2为本发明实施例所提供的一种桥梁群承载性能评估装置的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
以下结合图1，图1为本发明实施例所提供的一种桥梁群承载性能评估方法的流程图，该方法可以包括：
S101：基于层次分析法将目标区域内桥梁群进行划分得到多个子桥梁群。
当目标区域内桥梁的数量较多时，对每个桥梁进行数据采集会耗费大量时间且成本较高，目前一般通过层次分析法或遗传算法筛选出整个路网中重要性较高的桥梁，对重要性较高的桥梁进行承载性能评估，但这种方法无法对未监测桥梁的承载性能状态进行感知以及预测，从而无法把单体桥梁的监测与整体路网条件下桥梁群状态联系起来。
本实施例首先可以基于层次分析法将目标区域中的桥梁群进行划分得到多个子桥梁群，桥梁群包含了目标区域内的全部桥梁，由于城市的交通路网往往由众多的中小跨径桥梁组成，本实施例中的桥梁群也可以为目标区域内的全部中小跨径桥梁。
本实施例并不限定通过层次分析法进行子桥梁群划分的具体方式，一般可以预先整理目标区域内桥梁群的检测报告、养护报告、设计文件、荷载试验数据、交通信息及环境信息等，生成桥梁群数据库。进一步基于桥梁数据库构建桥梁评价体系，本实施例中的桥梁评价体系可以包括桥梁的技术状况、荷载等级、服役年限、裂缝总长、桥梁位置及跨径长度。
在桥梁评价体系下基于层次分析法构建判断矩阵、计算权重向量及通过一致性检验后得到目标区域中的全部桥梁的桥梁评分，基于桥梁评分将桥梁群进行等级划分得到多个子桥梁群。本实施例并不限定具体划分方式，一般可以设最高桥梁评分为A，最低桥梁评分为B，取A-(A-B)/4～A分段桥梁为特别重要桥梁，A-2(A-B)/3～A-(A-B)/4分段桥梁为重要桥梁，剩余桥梁为一般桥梁，划分得到三个子桥梁群。
S102：基于聚类算法将每个子桥梁群中的桥梁划分为多个桥梁簇。
本实施例可以基于聚类算法将每个子桥梁群中的桥梁划分为多个桥梁簇。由于服役年限相近、结构参数相似的桥梁往往具有相同的性能退化趋势，本实施例并不限定进行聚类的具体方式，一般可以基于服役年限、跨径长度及裂缝总长确定目标桥梁的桥梁聚类属性，并基于桥梁聚类属性通过K-means聚类方法将每个子桥梁群中的桥梁划分为多个桥梁簇。K-means聚类方法是一种基于欧式距离的聚类算法，每个桥梁簇中的桥梁为属性最为相近的桥梁。
S103：确定桥梁簇内特征桥梁的承载性能评估系数。
S104：将特征桥梁的承载性能评估系数赋值给对应桥梁簇内其余桥梁。
经过聚类算法的多次迭代，每个桥梁簇中可以提炼出一个特征桥梁，特征桥梁为桥梁簇中最具代表性的桥梁，本实施例可以确定桥梁簇内特征桥梁的承载性能评估系数，将特征桥梁的承载性能评估系数赋值给对应桥梁簇内其余桥梁，则本实施例中桥梁群内全部桥梁都拥有对应的承载性能评估系数。
本实施例中的承载性能评估系数是用于表征桥梁承载性能的数值，本实施例中的桥梁承载性能可以用桥梁的材料性能退化程度进行表征，即，本实施例可以基于特征桥梁的目标材料性能参数与初始材料性能参数计算折损系数，将各类型的目标材料性能参数的折损系数进行平均得到承载性能评估系数，其计算方式可以如下式所示：
式中，λ为承载性能评估系数、n为目标材料性能参数的类型数量，αi为第i个类型的目标材料性能参数，βi为第i个类型的初始材料性能参数。本实施例并不限定初始材料性能参数的具体获取方式，一般桥梁在建成之后存在参数记录。
本实施例并不限定特征桥梁的目标材料性能参数的求取方式，一般可以通过训练神经网络模型，基于结构性能参数来预测材料性能参数。
构建不同类型桥梁在不同跨径长度下的结构性能参数与材料性能参数的理论值数据库；基于各类型桥梁的理论值数据库训练得到对应的材料性能参数预测模型；获取桥梁簇内特征桥梁的目标结构性能参数与目标跨径长度；将目标结构性能参数与目标跨径长度输入对应材料性能参数预测模型中，得到特征桥梁的目标材料性能参数；基于目标材料性能参数计算得到承载性能评估系数。
首先由于桥梁类型多种多样，例如对于中小跨径桥梁而言，常见的桥型有空心板梁桥、实心板梁桥、T梁桥、小箱梁桥、桁架拱桥、刚架拱桥及系杆拱桥等，各类型桥梁的在不同跨径长度下的结构性能参数与材料性能参数的对应关系不一定相同，在本实施例中，可以构建各类型桥梁在不同跨径长度下的结构性能参数与材料性能参数的理论值数据库。
本实施例并不限定理论值数据库的构建方式，可以根据结构性能参数直接计算得到对应的材料性能参数，也可以通过有限元软件，对桥梁进行建模，从而获取各类型桥梁在不同跨径长度下的结构性能参数与材料性能参数的理论值数据库。
本实施例并不限定结构性能参数的具体类型，由于我国公路桥梁大部分为中小跨径桥梁，但目前中小跨径桥梁没有科学的监测指标，本实施例可以构建包括病害类型数据库、病害位置数据库、病害成因数据库的病害数据库，对病害数据库进行统计分析，得出不同桥型的病害易发生位置、以及最危及桥梁承载能力的病害类型；进一步对桥梁进行现场踏勘并输出现场踏勘报告，基于病害数据库与现场踏勘报告可以确定当桥梁类型为中小跨径桥梁时其结构性能参数可以为挠度、应变及裂缝宽度的任意组合。本实施例也不限定材料性能参数的具体类型，一般弹性模量、质量密度及预应力筋材料强度的任意组合。
本实施例可以基于各类型桥梁的理论值数据库构建数据集，将材料性能参数作为跨径长度与结构性能参数的标签，通过数据集训练得到对应的材料性能参数预测模型，即每种类型的桥梁都存在其对应的材料性能参数预测模型。本实施例并不限定模型的类型，也不限定模型的训练方式。本实施例训练得到的材料性能参数预测模型可重复使用，当数据集更新后，可以重新训练得到材料性能参数预测模型。
将采集得到的特征桥梁的目标结构性能参数与目标跨径长度输入对应桥梁类型的材料性能参数预测模型可以得到特征桥梁的目标材料性能参数，通过目标材料性能参数计算得到特征桥梁的承载性能评估系数。
S105：基于承载性能评估系数进行桥梁群内全部桥梁的承载性能评估。
本实施例中可以基于承载性能评估系数进行桥梁群内全部桥梁的承载性能评估，特征桥梁为桥梁簇中最具代表性的桥梁，目标区域内的桥梁群最终被划分为多个桥梁簇，特征桥梁的承载性能评估系数可以赋值给对应桥梁簇内的其余桥梁，则桥梁群中的全部桥梁都拥有承载性能评估系数，基于承载性能评估系数进行桥梁群内全部桥梁的承载性能评估。
桥梁退化一般表现为承载性能退化，退化预测实际上是对桥梁承载性能进行预测，承载性能本质上是结构抵抗外荷载从而不使桥梁发生倒塌的能力。结构抗力的降低一大部分原因是因为材料强度的退化，本实施例计算得到的评估系数以材料强度折减程度的形式来表征承载性能，根据桥梁的退化程度实现对桥梁承载性能的评估。
进一步，本实施例还可以根据承载性能评估系数进行桥梁未来承载性能的预测，本实施例并不限定具体的预测方式，一般可以基于承载性能评估系数进行拟合预测得到桥梁的未来承载性能评估系数，并基于未来承载性能评估系数进行桥梁的未来承载性能评估。本实施例可以将计算得到的承载性能评估系数进行存储，当存储到一定数量时，可以通过承载性能评估系数数据集训练LSTM(Long Short Term Memory，长短时记忆)神经网络模型，通过训练完成的LSTM神经网络模型进行拟合预测可以得到未来时刻的未来承载性能评估系数，从而对桥梁的未来承载性能进行评估。
进一步，在本实施例中，还可以对目标区域内的桥梁群进行管养决策分析，从而筛选出需要进行管理维护的桥梁。本实施例可以获取桥梁群内桥梁养护完成后在预设未来时刻的未来承载性能评估系数，本实施例并不限定预设未来时刻的取值，一般可以是五年后。
本实施例可以基于桥梁群内桥梁的未来承载性能评估系数构建安全函数，本实施例并不限定安全函数的具体形式，一般可以如下式所示：
式中，S为安全函数，m为待养护桥梁数目，λ(t)为桥梁养护完成后未来时刻t时的未来承载性能评估系数。本实施例中，桥梁养护完成后，其承载性能评估系数可以置为0.9，代入LSTM神经网络模型拟合得到的退化曲线，即可得到桥梁养护完成后预设未来时刻t时的未来承载性能评估系数。
进一步，本实施例可以基于平均养护成本构建成本函数，本实施例并不限定具体的构建方式，一般可以如下式所示：
C＝mCa；
式中，C为成本函数，Ca为桥梁的平均养护成本，m为待养护桥梁数目。
本实施例并不限定求解待养护桥梁数目的具体方式，一般可以基于遗传算法以安全函数及成本函数为约束条件从桥梁群中筛选出待维护桥梁。基于遗传算法进行编码、初始化种群，若目标区域共有N座桥梁需要进行管养决策分析，则设定染色体x是一个N维二值向量，每一个分量xi(i＝1,……,N)代表是否选取第i座桥进行养护，例如(1，0，……，0)表示仅选取序列号为1的桥梁进行养护。一般可以设定种群规模为2000个，世代数为200。求解得到的m使安全函数值最大且成本函数值最小，若符合约束条件，输出最优值，若不符合约束条件，则对个体进行交叉变异，迭代出下一个世代，继续进行计算，直到得出最优解。
基于上述实施例，本发明通过对聚类得到的桥梁簇内特征桥梁进行承载性能评估，从而实现对区域内全部桥梁进行承载性能评估，避免了由于成本限制，无法对区域内桥梁群的全部桥梁进行承载性能评估的问题。
以下为本发明实施例所提供的一种桥梁承载性能评估方法的具体实施例，该具体实施例可以包括：
基于技术状况、荷载等级、服役年限、裂缝总长、桥梁位置及跨径长度构建桥梁评价体系；
基于层次分析法在桥梁评价体系下给出目标区域中的全部中小跨径桥梁的桥梁评分；
基于桥梁评分将中小跨径桥梁进行等级划分得到多个子桥梁群；
基于服役年限、跨径长度及裂缝总长确定桥梁聚类属性；
基于桥梁聚类属性通过K-means聚类方法将每个子桥梁群划分为多个桥梁簇；
构建各类型中小跨径桥梁在不同跨径长度下的挠度与材料性能参数的理论值数据库；
基于理论值数据库训练得到各类型中小跨径桥梁的材料性能参数预测模型；
获取每个桥梁簇内特征桥梁的目标挠度及目标跨径长度，输入特征桥梁对应类型的材料性能参数预测模型得到目标材料性能参数；
基于目标材料性能参数与初始材料性能参数计算折损系数；
将各类型目标材料性能参数的折损系数进行平均得到承载性能评估系数；
将特征桥梁的承载性能评估系数赋值给对应桥梁簇内其余桥梁；
基于目标区域内中小跨径桥梁的承载性能评估系数进行承载性能评估。
以下结合图2，图2为本发明实施例所提供的一种桥梁群承载性能评估装置的结构框图，该装置可以包括：
第一模块100，用于基于层次分析法将目标区域内桥梁群进行划分得到多个子桥梁群；
第二模块200，用于基于聚类算法将每个所述子桥梁群中的桥梁划分为多个桥梁簇；
第三模块300，用于确定所述桥梁簇内特征桥梁的承载性能评估系数；
第四模块400，用于将所述特征桥梁的所述承载性能评估系数赋值给对应桥梁簇内其余桥梁；
第五模块500，用于基于所述承载性能评估系数进行所述桥梁群内全部桥梁的承载性能评估。
基于上述实施例，本发明通过对聚类得到的桥梁簇内特征桥梁进行承载性能评估，从而实现对区域内全部桥梁进行承载性能评估，避免了由于成本限制，无法对区域内桥梁群的全部桥梁进行承载性能评估的问题。
基于上述实施例，所述第一模块100，可以包括：
第一单元，用于基于技术状况、荷载等级、服役年限、裂缝总长、桥梁位置及跨径长度构建桥梁评价体系；
第二单元，用于基于层次分析法在所述桥梁评价体系下给出所述目标区域内所述桥梁群中全部桥梁的桥梁评分；
第三单元，用于基于所述桥梁评分将所述桥梁群中的全部桥梁进行等级划分得到多个所述子桥梁群。
基于上述各实施例，所述第二模块200，可以包括：
第四单元，用于基于所述服役年限、所述跨径长度及所述裂缝总长确定桥梁聚类属性；
第五单元，用于基于所述桥梁聚类属性通过聚类算法将每个所述子桥梁群中的桥梁划分为多个所述桥梁簇。
基于上述各实施例，所述第三模块300，可以包括：
第六单元，用于构建不同类型桥梁在不同跨径长度下的结构性能参数与材料性能参数的理论值数据库；
第七单元，用于基于各类型桥梁的所述理论值数据库训练得到对应的材料性能参数预测模型；
第八单元，用于获取所述桥梁簇内所述特征桥梁的目标结构性能参数与目标跨径长度；
第九单元，用于将所述目标结构性能参数与所述目标跨径长度输入对应材料性能参数预测模型中，得到所述特征桥梁的目标材料性能参数；
第十单元，用于基于所述目标材料性能参数计算得到所述承载性能评估系数。
基于上述各实施例，所述结构性能参数为挠度、应变及裂缝宽度的任意组合，所述材料性能参数为主梁弹性模量、主梁质量密度及预应力筋材料强度的任意组合。
基于上述各实施例，该装置还可以包括：
第六模块，用于基于所述承载性能评估系数进行拟合预测得到未来承载性能评估系数；
第七模块，用于基于所述未来承载性能评估系数进行桥梁的未来承载性能评估。
基于上述各实施例，该装置还可以包括：
第八模块，用于获取所述桥梁群内全部桥梁的平均养护成本及各桥梁养护完成后在预设未来时刻的所述未来承载性能评估系数；
第九模块，用于基于所述未来承载性能评估系数构建安全函数，基于所述平均养护成本构建成本函数；
第十模块，用于以所述安全函数及所述成本函数为约束条件从所述桥梁群内筛选出待维护桥梁。
基于上述实施例，本发明还提供了一种桥梁群承载性能评估设备，该设备可以包括存储器和处理器，其中，该存储器中存有计算机程序，该处理器调用该存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然，该设备还可以包括各种必要的网络接口、电源以及其它零部件等。
本发明还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行终端或处理器执行时可以实现本发明实施例所提供的方法；该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random AccessMemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种桥梁群承载性能评估方法，其特征在于，包括：
基于层次分析法将目标区域内桥梁群进行划分得到多个子桥梁群；
基于聚类算法将每个所述子桥梁群中的桥梁划分为多个桥梁簇；
确定所述桥梁簇内特征桥梁的承载性能评估系数；
将所述特征桥梁的所述承载性能评估系数赋值给对应桥梁簇内其余桥梁；
基于所述承载性能评估系数进行所述桥梁群内全部桥梁的承载性能评估。
2.根据权利要求1所述桥梁健康监测方法，其特征在于，所述基于层次分析法将目标区域内桥梁群进行划分得到多个子桥梁群，包括：
基于技术状况、荷载等级、服役年限、裂缝总长、桥梁位置及跨径长度构建桥梁评价体系；
基于层次分析法在所述桥梁评价体系下给出所述目标区域内所述桥梁群中全部桥梁的桥梁评分；
基于所述桥梁评分将所述桥梁群中的全部桥梁进行等级划分得到多个所述子桥梁群。
3.根据权利要求2所述桥梁健康监测方法，其特征在于，所述基于聚类算法将每个所述子桥梁群中的桥梁划分为多个桥梁簇，包括：
基于所述服役年限、所述跨径长度及所述裂缝总长确定桥梁聚类属性；
基于所述桥梁聚类属性通过聚类算法将每个所述子桥梁群中的桥梁划分为多个所述桥梁簇。
4.根据权利要求1所述桥梁群承载性能评估方法，其特征在于，所述确定所述桥梁簇内特征桥梁的承载性能评估系数，包括：
构建不同类型桥梁在不同跨径长度下的结构性能参数与材料性能参数的理论值数据库；
基于各类型桥梁的所述理论值数据库训练得到对应的材料性能参数预测模型；
获取所述桥梁簇内所述特征桥梁的目标结构性能参数与目标跨径长度；
将所述目标结构性能参数与所述目标跨径长度输入对应材料性能参数预测模型中，得到所述特征桥梁的目标材料性能参数；
基于所述目标材料性能参数计算得到所述承载性能评估系数。
5.根据权利要求4所述桥梁群承载性能评估方法，其特征在于，所述结构性能参数为挠度、应变及裂缝宽度的任意组合，所述材料性能参数为主梁弹性模量、主梁质量密度及预应力筋材料强度的任意组合。
6.根据权利要求1所述桥梁群承载性能评估方法，其特征在于，还包括：
基于所述承载性能评估系数进行拟合预测得到未来承载性能评估系数；
基于所述未来承载性能评估系数进行桥梁的未来承载性能评估。
7.根据权利要求6所述桥梁群承载性能评估方法，其特征在于，还包括：
获取所述桥梁群内全部桥梁的平均养护成本及各桥梁养护完成后在预设未来时刻的所述未来承载性能评估系数；
基于所述未来承载性能评估系数构建安全函数，基于所述平均养护成本构建成本函数；
以所述安全函数及所述成本函数为约束条件从所述桥梁群内筛选出待维护桥梁。
8.一种桥梁群承载性能评估装置，其特征在于，包括：
第一模块，用于基于层次分析法将目标区域内桥梁群进行划分得到多个子桥梁群；
第二模块，用于基于聚类算法将每个所述子桥梁群中的桥梁划分为多个桥梁簇；
第三模块，用于确定所述桥梁簇内特征桥梁的承载性能评估系数；
第四模块，用于将所述特征桥梁的所述承载性能评估系数赋值给对应桥梁簇内其余桥梁；
第五模块，用于基于所述承载性能评估系数进行所述桥梁群内全部桥梁的承载性能评估。
9.一种桥梁群承载性能评估设备，其特征在于，包括：
存储器，用于储存计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述桥梁群承载性能评估方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时，实现如权利要求1至7任一项所述桥梁群承载性能评估方法。
CN202311630350.1A 2023-11-30 2023-11-30 一种桥梁群承载性能评估方法、装置、设备及存储介质 Pending CN117574773A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311630350.1A CN117574773A (zh) 2023-11-30 2023-11-30 一种桥梁群承载性能评估方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311630350.1A CN117574773A (zh) 2023-11-30 2023-11-30 一种桥梁群承载性能评估方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN117574773A true CN117574773A (zh) 2024-02-20

Family

ID=89895279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311630350.1A Pending CN117574773A (zh) 2023-11-30 2023-11-30 一种桥梁群承载性能评估方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117574773A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118709279A (zh) * 2024-08-30 2024-09-27 江西通慧科技集团股份有限公司 公路桥梁的状态评估方法、系统、存储介质及计算机

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118709279A (zh) * 2024-08-30 2024-09-27 江西通慧科技集团股份有限公司 公路桥梁的状态评估方法、系统、存储介质及计算机

Similar Documents

Publication Publication Date Title
Srikanth et al. Deterioration models for prediction of remaining useful life of timber and concrete bridges: A review
Feng et al. Failure mode classification and bearing capacity prediction for reinforced concrete columns based on ensemble machine learning algorithm
Morcous et al. Modeling bridge deterioration using case-based reasoning
Huang et al. Exploring the deterioration factors of RC bridge decks: a rough set approach
CN114282398A (zh) 一种基于大数据的桥梁健康监测系统及方法
Phan et al. Managing water main breaks in distribution networks––A risk-based decision making
CN117574773A (zh) 一种桥梁群承载性能评估方法、装置、设备及存储介质
Yu et al. Prediction of extreme traffic load effects of bridges using Bayesian method and application to bridge condition assessment
Xue et al. Soft computing approach on estimating the lateral confinement coefficient of CFRP veiled circular columns
Rajkumar et al. Bridge infrastructure management system: autoencoder approach for predicting bridge condition ratings
Lei et al. Condition level deteriorations modeling of RC beam bridges with U-Net convolutional neural networks
Cao Modeling the effects of dependence between competing failure processes on the condition-based preventive maintenance policy
Zhou et al. Time-variant reliability analysis of simply supported PC girder bridges considering shrinkage, creep, resistance degradation and vehicle load flows
Lanikova et al. Optimized design of concrete structures considering environmental aspects
Mia et al. Machine learning approach for predicting bridge components’ condition ratings
CN113239436B (zh) 一种钢桥状态等级评估与预测方法
Stevens et al. Conversion Of Legacy Inspection Data To Bridge Condition Index (BCI) To Establish Baseline Deterioration Condition History For Predictive Maintenance Models.
Lim et al. Damage prediction on bridge decks considering environmental effects with the application of deep neural networks
Das et al. Condition assessment of superstructure component of reinforced concrete bridges through visual inspection in the Assam, India
Cheng et al. Monitoring bridge health using fuzzy case-based reasoning
CN108280299B (zh) 桁架结构灵敏度分析方法
Yang et al. Forecasting model for urban traffic flow with BP neural network based on genetic algorithm
Chen et al. Smart bridge maintenance using cluster merging algorithm based on self-organizing map optimization
Ali Estimating the inspection frequencies of civil infrastructures using correlation networks and population analysis
Ho et al. Application of gorilla troops’ social intelligence in damage detection for a girder bridge

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination