多源数据融合及模型驱动下桥梁健康监测技术与应用

由于近几年我国桥梁建设的发展迅猛，据相关数据显示，截至2022年，共有约百万余座桥梁。但与此同时，随着车流数据猛增、桥梁“老龄化”和服役条件恶化给桥梁工程运营带来了挑战。为了便于研究桥梁在营运过程中的力学性能，近年来部分特大桥都安装了健康监测系统。依靠健康监测系统可以较好地了解桥梁的受力状况，以及所承受的荷载类型、荷载的分布特征。但由于经费问题绝大部分桥梁未能安装该系统，尤其是中小桥梁，如何快速地评估其结构受力性能，并及时地得到其荷载的分布类型，到目前为止仍是比较困难的。

随着现有高柔性、强非线性及结构复杂的大跨度桥梁比重逐渐增大，桥梁承受的荷载类型多样，桥梁运营期的病害隐秘性强，桥梁损伤问题日益突出，危病桥梁占比越来越大。而对于在役桥梁的评估也存在很多问题，其中较为棘手的是数据挖掘与信息融合程度受限。建立的车流/结构模型较为粗糙，分析结果不够准确；检查成本高、耗时长，而且依赖于检查员的判断。此外，监测设备精度不足，容易受到外界环境干扰。因此，海量数据束之高阁，交通荷载被过度简化，再加上人工检测效率低下和监测设备精度较差等问题，使得数据挖掘技术和损伤识别方法滞后，无法高效评估桥梁的服役状态。

另外，从桥梁设计的角度来看，现在大部分仍以传统的桥梁静力设计代替动力设计，如首先拟定桥梁的尺寸，然后用冲击系数来考虑设计荷载的动力效应，验算桥梁的强度、刚度（变形）、稳定和疲劳等问题是否满足规范要求，通过验算后才算完成整个设计流程。但其实，无论是设计人员，还是软件平台，抑或是计算能力，都表明现阶段是有条件做动力设计和计算的。也就是说，在满足静力计算的基础上，通过车桥耦合振动分析进行动力检算，通过后则完成所有设计流程。 

基于此，笔者所在的课题组在近五年的时间里，通过多源车流数据的融合与数据孪生，并考虑多因素下的车-桥耦合模型孪生，智能损伤识别算法与多层次预警孪生系统，较好实现桥梁的健康评估与监测。

现有的规范中车辆荷载主要分为两类，一是以分布力+集中力为主要特征的车道荷载；二是以静力验算或者局部验算为主的车辆荷载。但这两种荷载其实都完全忽略了车辆的动力效应和车流的随机特征。因此，课题组在统计了全国24条高速的车流大数据基础上，结合统计理论和自主研发的算法分析，建立了随机车流的概率模型。最后，通过实际的验证也得到了比较好的效果。同时，利用蒙特卡洛和元胞自动机技术，构建了多尺度的车流模型。另外，为避免桥梁监测时完全依赖于动态称重系统，提出了一种数据融合的方法。构建完备的车辆数据库，通过获取车辆数据、车辆空间数据，并将这些数据进行一定的清洗融合，形成了一个车辆数据库。

利用多源数据融合和目标检测算法结合，建立随机车流模型，能够有效地评估，尤其是中小跨径桥梁上的荷载分布特征，因此大部分桥梁可以不用完全依赖于或借助于动态称重系统。具体的应用案例是在四川的南溪长江大桥上，结合已有的动态称重系统，获取车重数据，统计车辆重量信息，通过车流视频捕捉车流时空数据，形成了车流模型，并且提出了交通分级管控体系，得到了较好的验证。因此，这方面的主要创新点是：创新性提出结合非接触机器视觉方法和数据融合技术的车流模型，相较于传统方法，基于多源数据融合构建的车流模型可以不完全依赖动态称重系统的辅助。

多源数据融合与目标检测算法结合建立随机车流模型

过去基于车-桥耦合古典理论建立的研究模型被过度简化，但其实，随着商业软件的快速发展，以及数字方法的高效计算，现在完全有能力实现精细化的建模。因此，需要优化传统车辆模型，实现车辆模型的真实再现。

首先，课题组基于ABAQUS建立精细化的车辆模型，在ABAQUS平台的二次开发，标准化建立了具备车轮特征的多自由度实体车辆模型。轮胎采用线弹性橡胶材料，车轮模型中各部位连接均为刚性连接，边界为刚性固态约束，轮胎内气压采用关键参数进行设置。然后，基于ABAQUS及LS- DYNA平台，建立精细化的车辆模型并进行了多种场合的验证。例如，成桥受力性能评估及荷载检测；基于大件运输的钢栈桥行车安全评估；独柱墩曲线桥行车安全评估；拉索断裂工况下的大件运输车辆行车安全评估；车辆与桥梁碰撞及爆破模拟与优化；分析环境-桥梁联网监测数据，研究风、地震、车、温度等多荷载场间的耦合作用机制。其技术优势是：提出了多平台协同的车辆精细化建模的方法，在多种极端条件下进行桥梁的安全评估，借助风洞试验平台推导风-车-桥多物理场耦合方程，有效表征实际桥梁所受的荷载工况。

精细化的车辆模型建立

精细化的车辆-桥梁耦合振动模型建立

精细化的车-桥作用应用场景——拉索断裂工况下的大件运输车辆行车安全评估

传统的机器学习主要是从结构的振动信号中提取受损的特征，并确定其受损的位置，但这里涉及大量的标记数据工作，耗时且成本高。因此，结合前文提到的精确物理模型，提出一种基于物理引导的深度神经网络模型进行结构的损伤识别，从实测结构的振动信号和相应有限元模型的输出数据中提取特征，设计一个跨物理-数据损失的函数，该函数将有限元模型中的物理知识集成到深度神经网络模型学习过程中。通过对比案例分析日本奈良县Old ADA桥，采用该种方法可以快速识别桥梁的损伤，且精度非常高。在这方面的主要创新是研发了新型传感器压电陶瓷（PZT）用于桥梁健康监测，提出了一种基于小波变换的损伤概率成像算法，并将其应用在混凝土桥面板损伤成像试验、内嵌预应力CFRP板钢筋混凝土梁损伤评估中。

交通量飞速增长致使诸多桥梁常在交通密集或超载条件下运营，加速了桥梁构件疲劳损伤程度，致使桥梁结构由于构件疲劳损伤而倒塌的事故时有发生。因此，多源数据融合及模型驱动下桥梁健康监测技术与应用研究显得尤为重要。笔者团队的研究成果包括融合了机器视觉和动态称重系统的随机车流建模、车流-桥梁耦合精细化建模、动态信号损伤识别及监测研究的最新进展。其中，车流时空演化规律及三维非平稳随机车流荷载模型的研究，经专家鉴定委员会一致认为达到了国际领先水平。部分成果还成功地应用在了四川康博长江公路大桥、嘉鱼长江公路大桥、南溪长江公路大桥及埃及苏伊士运河开启桥等十余座代表性桥梁的施工过程或营运中。其研究成果还可为更多的桥梁安全运营和科学管理提供技术支持。