基于撓度的鐵路雙線簡(jiǎn)支鋼桁梁橋桿件損傷程度識(shí)別研究

梁濱波，任劍瑩，蘇木標(biāo)

(1.河北省電力勘測(cè)設(shè)計(jì)研究院土建部， 石家莊 050031；2.石家莊鐵道大學(xué)工程力學(xué)系， 石家莊 050043； 3.石家莊鐵道大學(xué)大型結(jié)構(gòu)健康診斷與控制研究所， 石家莊 050043)

基于撓度的鐵路雙線簡(jiǎn)支鋼桁梁橋桿件損傷程度識(shí)別研究

梁濱波1，任劍瑩2，蘇木標(biāo)3

(1.河北省電力勘測(cè)設(shè)計(jì)研究院土建部， 石家莊 050031；2.石家莊鐵道大學(xué)工程力學(xué)系， 石家莊 050043； 3.石家莊鐵道大學(xué)大型結(jié)構(gòu)健康診斷與控制研究所， 石家莊 050043)

以梁橋節(jié)點(diǎn)最大位移改變率作為損傷程度傷識(shí)別指標(biāo)，分別采用廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)算法和ε-支持向量回歸機(jī) (ε-SVR)算法，進(jìn)行損傷程度識(shí)別研究。通過(guò)對(duì)一座鐵路雙線簡(jiǎn)支鋼桁梁橋某桿件的損傷程度識(shí)別研究發(fā)現(xiàn)：(1)GRNN損傷程度識(shí)別模型具有一定的抗噪能力，不具有泛化性。(2)SVR損傷程度識(shí)別模型具有很強(qiáng)的抗噪能力和很好的泛化性。(3)以橋梁節(jié)點(diǎn)最大位移改變率作為損傷程度識(shí)別指標(biāo)時(shí)，數(shù)據(jù)回歸算法不能采用GRNN算法，應(yīng)采用ε-SVR算法。

鐵路橋；鋼桁梁橋；損傷程度識(shí)別；GRNN；ε-SVR

大型土木工程結(jié)構(gòu)：大跨橋梁、高層建筑、海洋平臺(tái)、大跨空間結(jié)構(gòu)、大壩等，在社會(huì)經(jīng)濟(jì)發(fā)展中起著舉足輕重的作用。但是這些大型結(jié)構(gòu)在服役期內(nèi)，由于環(huán)境因素、人為因素、自然災(zāi)害等，出現(xiàn)連續(xù)的損傷積累，造成安全隱患，從而影響結(jié)構(gòu)的正常使用。為了實(shí)時(shí)了解結(jié)構(gòu)的健康狀況，目前國(guó)內(nèi)外許多大型結(jié)構(gòu)建立了健康監(jiān)測(cè)系統(tǒng)，比如：香港的青馬大橋、蘇通大橋、蕪湖長(zhǎng)江大橋等。結(jié)構(gòu)損傷識(shí)別是結(jié)構(gòu)健康狀態(tài)評(píng)估的關(guān)鍵步驟，是國(guó)內(nèi)外學(xué)術(shù)界和工程界的研究熱點(diǎn)之一。橋梁結(jié)構(gòu)損傷識(shí)別的方法主要可以分為：基于模型的識(shí)別方法和不基于模型的識(shí)別方法[1]?；谀Ｐ偷淖R(shí)別方法包括：模式匹配法[2]、損傷指標(biāo)法[3-4]、模型修正法[5]，這些方法在土木工程領(lǐng)域中研究的最多。不基于模型的損傷識(shí)別方法包括：時(shí)域識(shí)別方法[6]、頻域識(shí)別方法[7]、時(shí)頻分析方法[8]，這些方法最初是在機(jī)械領(lǐng)域的損傷識(shí)別中被成功應(yīng)用，近十幾年來(lái)在土木工程領(lǐng)域中也有大量應(yīng)用。但是，不基于模型的損傷識(shí)別方法一般不直接與結(jié)構(gòu)本身的物理參數(shù)發(fā)生聯(lián)系，難以實(shí)現(xiàn)結(jié)構(gòu)損傷的定量識(shí)別[1]。

本文在文獻(xiàn)[9]的基礎(chǔ)上，采用一種基于模型計(jì)算和實(shí)測(cè)數(shù)據(jù)基礎(chǔ)上的新的損傷識(shí)別方法——基于撓度的損傷識(shí)別方法，進(jìn)行損傷程度識(shí)別的研究。以一座64 m鐵路雙線簡(jiǎn)支鋼桁梁橋?yàn)槔?，同時(shí)采用廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)算法和ε-支持向量回歸機(jī)算法(ε-SVR)進(jìn)行損傷程度識(shí)別，檢驗(yàn)該方法的有效性，并研究不同的智能算法對(duì)損傷識(shí)別結(jié)果的影響。

1 基于撓度的損傷識(shí)別方法

1.1 損傷識(shí)別指標(biāo)

結(jié)構(gòu)損傷一般有兩種情況：一是結(jié)構(gòu)的質(zhì)量發(fā)生變化；二是結(jié)構(gòu)的剛度降低。對(duì)于土木工程結(jié)構(gòu)，其質(zhì)量一般很少發(fā)生變化，或者說(shuō)質(zhì)量變化對(duì)結(jié)構(gòu)影響不大，所以土木工程結(jié)構(gòu)的損傷一般認(rèn)為是結(jié)構(gòu)的剛度發(fā)生了變化[10]?？紤]到材料力學(xué)[11]中和《鐵路橋涵設(shè)計(jì)基本規(guī)范》[12]中都通過(guò)控制橋梁的撓度在安全限值內(nèi)進(jìn)行剛度檢算，即結(jié)構(gòu)的撓度是反映結(jié)構(gòu)剛度的參數(shù)之一。同時(shí)，在桿件有限元中，通過(guò)式(1)計(jì)算結(jié)構(gòu)各個(gè)節(jié)點(diǎn)的位移。

式中 {Δ}——結(jié)構(gòu)的節(jié)點(diǎn)位移列向量；

[K]——結(jié)構(gòu)的剛度系數(shù)矩陣；

{P}——節(jié)點(diǎn)荷載列向量。

在式(1)中，如果節(jié)點(diǎn)荷載列向量{P}為常數(shù)，則[K]發(fā)生變化，{Δ}會(huì)隨之發(fā)生改變，即節(jié)點(diǎn)位移是結(jié)構(gòu)剛度的一種反映。

對(duì)于鐵路橋梁結(jié)構(gòu)，列車(chē)通過(guò)橋梁時(shí)，列車(chē)和橋梁組成一個(gè)復(fù)雜的列車(chē)-橋梁時(shí)變系統(tǒng)，橋梁結(jié)構(gòu)中各個(gè)節(jié)點(diǎn)的位移隨列車(chē)在橋上位置的改變而不斷變化，考慮橋梁結(jié)構(gòu)的實(shí)際情況和實(shí)際檢測(cè)技術(shù)，面對(duì)龐大的數(shù)據(jù)，本文考慮基于橋梁某些節(jié)點(diǎn)處的最大位移建立損傷識(shí)別的指標(biāo)，即將橋梁結(jié)構(gòu)某些節(jié)點(diǎn)的最大位移的改變率作為橋梁結(jié)構(gòu)損傷識(shí)別的指標(biāo)，即：

式中xi——某荷載工況時(shí)，結(jié)構(gòu)剛度完好時(shí)，i節(jié)點(diǎn)最大位移；

ximax——該荷載工況時(shí)，某剛度系數(shù)發(fā)生變化時(shí)，i節(jié)點(diǎn)最大位移；

Δxi——該荷載工況時(shí)，i節(jié)點(diǎn)最大位移改變率。

1.2 智能算法簡(jiǎn)介

1.2.1 廣義回歸神經(jīng)網(wǎng)絡(luò)

廣義回歸神經(jīng)網(wǎng)絡(luò)(Generalized Regression Neural Network， GRNN)是徑向基網(wǎng)絡(luò)的一種變化形式，其網(wǎng)絡(luò)結(jié)構(gòu)具有一個(gè)徑向基網(wǎng)絡(luò)層和一個(gè)特殊的線性網(wǎng)絡(luò)層[13]。GRNN是一種局部逼近網(wǎng)絡(luò)，對(duì)于每個(gè)訓(xùn)練樣本，只需要對(duì)少量的權(quán)值和閾值進(jìn)行修正，是在高維空間進(jìn)行插值的一種技術(shù)，學(xué)習(xí)速度快，預(yù)測(cè)精度高，非線性映射能力強(qiáng)，同時(shí)具有結(jié)構(gòu)自適應(yīng)確定、輸出與初始權(quán)值無(wú)關(guān)等特點(diǎn)，在逼近能力、分類(lèi)能力和學(xué)習(xí)速度上較BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)有著較強(qiáng)的優(yōu)勢(shì)。

1.2.2 支持向量機(jī)

支持向量機(jī)[14](SVM)是Vapnik等學(xué)者在20世紀(jì)90年代初期提出的一種新的機(jī)器學(xué)習(xí)方法，是迄今為止最年輕的數(shù)據(jù)挖掘方法，是克服“維數(shù)災(zāi)難”和“過(guò)學(xué)習(xí)”等傳統(tǒng)困難的有力手段。SVM方法是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，獲得最好的推廣能力。ε-支持向量回歸機(jī)算法(ε-SVR)是通過(guò)求解凸二次規(guī)劃問(wèn)題，得到?jīng)Q策函數(shù)的一種函數(shù)回歸方法，并通過(guò)引入核函數(shù)，將Rn空間的復(fù)雜的非線性問(wèn)題轉(zhuǎn)化到Hilbert空間的線性問(wèn)題進(jìn)行求解。本文選用的核函數(shù)為Gauss徑向基核函數(shù)，表達(dá)式如下

1.3 損傷程度識(shí)別

損傷識(shí)別包括兩個(gè)層次的內(nèi)容：損傷位置識(shí)別和損傷程度識(shí)別。本文是在文獻(xiàn)[9]的基礎(chǔ)上做進(jìn)一步研究，因此，只研究損傷程度的識(shí)別。

損傷程度識(shí)別流程如圖1所示。

圖1 損傷程度識(shí)別流程

其中，損傷狀態(tài)數(shù)據(jù)的獲得，是將有限元模型中某已知發(fā)生損傷的單元的剛度進(jìn)行一定的衰減(比如減少5%、10%、15%、20%、30%、40%等)，然后再利用有限元軟件計(jì)算求得。

加入噪聲的方式有兩種：一種是按照式(4)的方式將某組數(shù)據(jù)向量整體乘以一系列的系數(shù)，使數(shù)據(jù)向量總數(shù)增大。如果原始數(shù)據(jù)有n組數(shù)據(jù)向量，式(4)中的j的取值范圍是[1，m]，則擴(kuò)展后的數(shù)據(jù)為n×m組數(shù)據(jù)向量。目的是擴(kuò)大訓(xùn)練集的數(shù)目，提高損傷識(shí)別模型的識(shí)別正確率、抗噪能力和泛化性。

式中 {x}j實(shí)測(cè)——將某組理論計(jì)算數(shù)據(jù)向量擴(kuò)展后的第j組模擬實(shí)測(cè)數(shù)據(jù)向量；

{x}理論——某組理論計(jì)算數(shù)據(jù)向量；

Rj——均值為0、方差為1的正態(tài)分布隨機(jī)數(shù)中的第j個(gè)數(shù)；

ε——噪聲水平。

另一種加入噪聲的方式，是將一組數(shù)據(jù)中的元素按照式(5)[15]的方式加入噪聲，總的數(shù)據(jù)組數(shù)不會(huì)發(fā)生改變。

式中xk實(shí)測(cè)——第k個(gè)自變量的模擬實(shí)測(cè)數(shù)據(jù)；

xk計(jì)算——第k個(gè)自變量的計(jì)算數(shù)據(jù)；

Rk——均值為0、方差為1的正態(tài)分布隨機(jī)數(shù)中的第k個(gè)數(shù)；

ε——噪聲水平。

2 64 m簡(jiǎn)支鋼桁梁橋數(shù)值算例

2.1 有限元模型

采用空間桿單元建立1座64 m鐵路雙線簡(jiǎn)支鋼桁梁橋的空間有限元模型，全橋共有32個(gè)節(jié)點(diǎn)，每2個(gè)節(jié)點(diǎn)之間的桿件為一個(gè)單元，共計(jì)116個(gè)單元(圖2)，主桁節(jié)點(diǎn)和上下弦桿單元編號(hào)如圖3所示。在1節(jié)點(diǎn)和10節(jié)點(diǎn)約束其x、y、z3個(gè)方向的線位移模擬固定鉸支座，在9節(jié)點(diǎn)和18節(jié)點(diǎn)約束其y、z方向的線位移模擬活動(dòng)鉸支座，坐標(biāo)系設(shè)置見(jiàn)圖2。

圖2 64 m簡(jiǎn)支鋼桁梁橋空間有限元模型

圖3 64 m簡(jiǎn)支鋼桁梁橋主桁節(jié)點(diǎn)及上下弦桿單元編號(hào)示意

2.2 數(shù)據(jù)整理

本文暫不考慮車(chē)-橋耦合系統(tǒng)的動(dòng)力效應(yīng)，列車(chē)荷載看作移動(dòng)靜荷載作用在橋梁上。荷載工況為：?jiǎn)螜C(jī)上行過(guò)橋、單機(jī)下行過(guò)橋、單機(jī)上下行同時(shí)過(guò)橋、單機(jī)列車(chē)上行過(guò)橋、單機(jī)列車(chē)下行過(guò)橋、單機(jī)列車(chē)上下行同時(shí)過(guò)橋，6種荷載工況。其中，機(jī)車(chē)為DF4機(jī)車(chē)，軸重為230 kN，車(chē)廂為C62，軸重為201.5 kN，軸距見(jiàn)圖4和圖5[16]。

圖4 DF4機(jī)車(chē)軸重和軸距示意(單位：m)

圖5 C62車(chē)廂軸重和軸距示意(單位：m)

2.2.1 訓(xùn)練集

本文以單元⑤發(fā)生損傷為背景，分析基于撓度的損傷指標(biāo)，進(jìn)行損傷程度識(shí)別的可行性研究。因此，以下弦桿中⑤單元的抗拉剛度EA分別折減5%、10%、15%、20%、30%、50%模擬桿件的損傷程度，計(jì)算上述6種荷載工況下，下弦14 個(gè)節(jié)點(diǎn)(1節(jié)點(diǎn)、9節(jié)點(diǎn)、10節(jié)點(diǎn)、18節(jié)點(diǎn)有支座約束，沒(méi)有豎向位移)的最大撓度及梁端(9節(jié)點(diǎn)和18節(jié)點(diǎn))最大縱向位移，共計(jì)36組數(shù)據(jù)。按照式(2)，計(jì)算得到損傷程度識(shí)別的指標(biāo)。

將上述36組數(shù)據(jù)按照式(4)的方法加入環(huán)境噪聲。為了得到足夠多的訓(xùn)練數(shù)據(jù)集，提高損傷程度識(shí)別模型的識(shí)別準(zhǔn)確率，j取1到10的整數(shù)，噪聲水平ε取1%，得到擴(kuò)展后的360組數(shù)據(jù)。再將這360組數(shù)據(jù)按式(5)的方法加入1%的噪聲，由于自變量的個(gè)數(shù)為16，因此，k取1～16的整數(shù)。

同時(shí)，為了提高分類(lèi)效果，降低誤差，對(duì)特征參數(shù)進(jìn)行歸一化處理，采用的歸一化映射如下

式中，x，y∈Rn，xmin=min(x)，xmax=max(x)。歸一化的效果是原始數(shù)據(jù)被規(guī)整到[0，1]范圍內(nèi)，即yl∈[0，1]，l=1，2，…，n[13]。

最后，將加入噪聲并做了歸一化處理的360組數(shù)據(jù)作為訓(xùn)練集。

2.2.2 測(cè)試集

第一個(gè)測(cè)試集為在訓(xùn)練集中隨機(jī)抽取的100組數(shù)據(jù)，用于檢驗(yàn)損傷程度識(shí)別模型的抗噪能力。為了檢驗(yàn)損傷程度識(shí)別模型的泛化性，第二個(gè)測(cè)試集選取2個(gè)不包含于訓(xùn)練集中的損傷程度，即下弦桿中⑤單元的抗拉剛度EA分別折減25%、40%，計(jì)算3種荷載工況(單機(jī)列車(chē)上行過(guò)橋、單機(jī)列車(chē)下行過(guò)橋、單機(jī)列車(chē)上下行同時(shí)過(guò)橋)下，下弦各節(jié)點(diǎn)的最大撓度及梁端最大位移，并按照式(2)的方法計(jì)算損傷識(shí)別指標(biāo)，得到6組數(shù)據(jù)。

將第一個(gè)測(cè)試集和第二個(gè)測(cè)試集合并為一個(gè)包含106組數(shù)據(jù)的測(cè)試集，按照式(5)的方法分別加入0.1%、0.5%、1%、5%、10%、20%的環(huán)境噪聲，其中k取1～16的整數(shù)。最后，按照式(6)進(jìn)行歸一化處理。

2.3 損傷程度識(shí)別模型

2.3.1 GRNN模型

本文利用matlab中的神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)newgrnn(P，T，spread)創(chuàng)建損傷程度識(shí)別模型。其中，P為360組輸入向量組成的16×360維矩陣；T為360組目標(biāo)分類(lèi)向量組成的1×360維矩陣；spread為徑向基函數(shù)的擴(kuò)展速度，需要用不同的值進(jìn)行嘗試，來(lái)確定一個(gè)最優(yōu)值，本文spread值取0.025。

首先利用360組訓(xùn)練數(shù)據(jù)創(chuàng)建和訓(xùn)練GRNN網(wǎng)絡(luò)；然后隨機(jī)抽取180組訓(xùn)練數(shù)據(jù)回代，查看網(wǎng)絡(luò)的分類(lèi)效果；最后將測(cè)試數(shù)據(jù)代入網(wǎng)絡(luò)，檢驗(yàn)網(wǎng)絡(luò)識(shí)別損傷位置的效果。

2.3.2 SVR模型

首先，將360組訓(xùn)練數(shù)據(jù)隨機(jī)等分為2組，一組作為訓(xùn)練集，一組作為驗(yàn)證集，采用k-折交叉驗(yàn)證法選擇ε-SVR算法的懲罰參數(shù)C和核函數(shù)參數(shù)σ。本文選擇的C=16，σ=0.0156。

然后，將360組訓(xùn)練數(shù)據(jù)作為訓(xùn)練集，并把懲罰參數(shù)C和核函數(shù)參數(shù)σ代入LIBSVM軟件包中的函數(shù)svmtrain(output，input，c，g)建立損傷程度識(shí)別模型。其中，output為損傷程度列向量，input為特征參數(shù)矩陣，c和g分別為懲罰參數(shù)C和核函數(shù)參數(shù)σ。

2.4 損傷程度識(shí)別結(jié)果

2.4.1 抗噪能力分析

圖6和圖7分別為GRNN模型對(duì)加入噪聲水平分別為5%、10%、20%的第一個(gè)測(cè)試集進(jìn)行損傷程度識(shí)別的識(shí)別值與理論值的對(duì)比圖及誤差圖(誤差計(jì)算公式見(jiàn)式(7))。同時(shí)，圖8和圖9分別為SVR模型對(duì)加入噪聲水平分別為5%、10%、20%的第一個(gè)測(cè)試集進(jìn)行損傷程度識(shí)別的識(shí)別值與理論值的對(duì)比圖及誤差圖。

圖6 GRNN模型對(duì)加入噪聲水平分別為5%、10%、20%的第一個(gè)測(cè)試集進(jìn)行損傷程度識(shí)別的結(jié)果對(duì)比

圖7 GRNN模型對(duì)加入噪聲水平分別為5%、10%、20%的第一個(gè)測(cè)試集進(jìn)行損傷程度識(shí)別的誤差

式中 Δx——識(shí)別誤差，%；

x識(shí)別——識(shí)別損傷程度，%；

x計(jì)算——模型計(jì)算的損傷程度，%。

由圖6和圖7可以看出，噪聲水平為5%時(shí)，GRNN模型的識(shí)別結(jié)果很好，識(shí)別最大誤差僅為-11.2×10-9%；當(dāng)噪聲水平為10%和20%時(shí)，損傷程度識(shí)別結(jié)果出現(xiàn)較大誤差，最大誤差為-45%，結(jié)果已不可靠。隨著噪聲水平的提高，GRNN模型對(duì)較大損傷程度的識(shí)別出現(xiàn)明顯誤判，并且識(shí)別結(jié)果比理論值小，不能起到提前預(yù)警的作用，此時(shí)的識(shí)別結(jié)果不可靠。可見(jiàn)，GRNN模型的抗噪能力比較差。

圖8 SVR模型對(duì)加入噪聲水平分別為5%、10%、20%的第一個(gè)測(cè)試集進(jìn)行損傷程度識(shí)別的結(jié)果對(duì)比

圖9 SVR模型對(duì)加入噪聲水平分別為5%、10%、20%的第一個(gè)測(cè)試集進(jìn)行損傷程度識(shí)別的誤差

由圖8和圖9可以看出，噪聲水平低于10%時(shí)，SVR模型的識(shí)別結(jié)果較好，識(shí)別誤差在±4%之間波動(dòng)；當(dāng)噪聲水平為20%時(shí)，損傷程度識(shí)別結(jié)果出現(xiàn)較大誤差，識(shí)別誤差在-8%～10%之間波動(dòng)，此時(shí)的識(shí)別結(jié)果已不可靠，但是比GRNN模型的識(shí)別誤差要小得多。因此，SVR模型具有比GRNN模型較強(qiáng)的抗噪能力。

2.4.2 泛化性分析

圖10 GRNN模型對(duì)噪聲的第二個(gè)測(cè)試集進(jìn)行損傷程度識(shí)別的結(jié)果對(duì)比

圖10為GRNN模型對(duì)無(wú)噪聲的第二個(gè)測(cè)試集識(shí)別值與理論值的對(duì)比圖及誤差圖?？梢钥闯?，GRNN模型的損傷程度識(shí)別結(jié)果與理論值相差很大，識(shí)別的損傷程度甚至達(dá)到將近-200%，因此GRNN模型沒(méi)有泛化性。

表1為SVR模型對(duì)加入5%、10%、20%的環(huán)境噪聲的第二個(gè)測(cè)試集進(jìn)行損傷程度識(shí)別的識(shí)別值及與理論值的差(見(jiàn)式(7))?？梢钥闯觯R(shí)別值與理論值非常接近，當(dāng)噪聲水平為20%時(shí)，其最大誤差也僅為3.56%。因此，SVR模型具有很好的泛化性和很強(qiáng)的抗噪能力。

表1 SVR模型對(duì)加入噪聲的第二組測(cè)試集的識(shí)別結(jié)果 %

3 結(jié)論

(1)GRNN模型具有一定的抗噪能力，但是當(dāng)噪聲水平為10%時(shí)，其識(shí)別結(jié)果不可靠；GRNN模型不具有泛化性。

(2)SVR模型具有很強(qiáng)的抗噪能力，當(dāng)噪聲水平為10%時(shí)，其識(shí)別誤差僅在±4%之間波動(dòng)；并且SVR模型具有很好的泛化性，當(dāng)在第二個(gè)測(cè)試集中加入20%噪聲水平時(shí)，其識(shí)別誤差最大也僅為3.56%。可見(jiàn)SVR模型具有很強(qiáng)的抗噪能力和很好的泛化性。

(3)以橋梁節(jié)點(diǎn)最大位移改變率作為損傷程度識(shí)別指標(biāo)時(shí)，數(shù)據(jù)回歸算法不能采用GRNN算法，應(yīng)采用ε-SVR算法建立SVR模型應(yīng)用于現(xiàn)場(chǎng)損傷程度識(shí)別中。

[1] 朱宏平，余璟，張俊兵.結(jié)構(gòu)損傷動(dòng)力檢測(cè)與健康監(jiān)測(cè)研究現(xiàn)狀與展望[J].工程力學(xué)，2011，28(2)：1-11，17．

[2] 趙啟林，翟可為，張 志，胡業(yè)平. 基于靜態(tài)信息結(jié)構(gòu)損傷定位的模式匹配法[J].計(jì)算力學(xué)學(xué)報(bào)，2006，23(6)：789-793．

[3] 顧培英，陳厚群，李同春，鄧 昌. 基于應(yīng)變模態(tài)差分原理的直接定位損傷指標(biāo)法[J].振動(dòng)與沖擊，2006，25(4)：13-17，172．

[4] 趙虎，蒲黔輝，施洲.基于橫向模態(tài)差的橋梁橫聯(lián)構(gòu)件損傷識(shí)別[J].鐵道標(biāo)準(zhǔn)設(shè)計(jì)，2010(7)：77-81．

[5] 宗周紅，褚福鵬，牛杰.基于響應(yīng)面模型修正的橋梁結(jié)構(gòu)損傷識(shí)別方法[J].土木工程學(xué)報(bào)，2013，46(2)：115-122．

[6] 劉濤，李?lèi)?ài)群，丁幼亮.基于小波包能量譜的大跨斜拉橋拉索損傷預(yù)警方法[J].東南大學(xué)學(xué)報(bào)：自然科學(xué)版，2007，37(2)：270-274．

[7] 顧培英，鄧 昌.基于環(huán)境激勵(lì)下的工作應(yīng)變模態(tài)頻域識(shí)別方法[J]. 振動(dòng)與沖擊，2008，27(8)：68-70，178．

[8] 姚京川，楊宜謙，王瀾.基于Hilbert-Huang變換的橋梁損傷預(yù)警[J].中國(guó)鐵道科學(xué)，2010，31(4)：46-52．

[9] Jianying Ren， Mubiao Su， Qingyuan Zeng. Damage identification of railway simply supported steel truss bridge based on support vector machine[J]. Journal of Applied Sciences， 2013，13(17)：3589-3593.

[10] 常軍，任永輝，陳忠漢.環(huán)境激勵(lì)下結(jié)構(gòu)損傷識(shí)別的綜合指標(biāo)法試驗(yàn)研究[J].工程力學(xué)，2011，28(7)：130-135．

[11] 孫訓(xùn)方，方孝淑，關(guān)來(lái)泰.材料力學(xué)[M].北京：高等教育出版社，2009．

[12] 中華人民共和國(guó)鐵道部.鐵路橋涵設(shè)計(jì)基本規(guī)范[S].中國(guó)鐵道出版社，2005．

[13] 卓瑩，張強(qiáng)，龔正虎.網(wǎng)絡(luò)態(tài)勢(shì)預(yù)測(cè)的廣義回歸神經(jīng)網(wǎng)絡(luò)模型[J].解放軍理工大學(xué)學(xué)報(bào):自然科學(xué)版，2012，13(2)：147-151．

[14] 鄧乃揚(yáng)，田英杰.支持向量機(jī)——理論、算法與拓展[M]. 北京：科學(xué)出版社，2009．

[15] 姜紹飛，張帥.基于模糊神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合結(jié)構(gòu)損傷識(shí)別方法[J].工程力學(xué)，2008，25(2)：95-101．

[16] 葛立美.國(guó)產(chǎn)鐵路貨車(chē)[M].北京：中國(guó)鐵道出版社，1996．

Damage Degree Identification of Railway Double-track Simply Supported Steel Truss Bridge Based on Deflection

Liang Bibo1， Ren Jianying2， Su Mubiao3

(1.Civil Engineering Department， Hebei Electric Power Design & Research Institute， Shijiazhuang 050031， China; 2.Department of Engineering Mechanics， Shijiazhuang Tiedao University， Shijiazhuang 050043，China; 3.Structural Health Monitoring and Control Institute， Shijiazhuang Tiedao University， Shijiazhuang 050043，China)

Using the bridge node maximum displacement change percentages as the damage degree identification indexes and the intelligent algorithm of Generalized Regression Neural Network (GRNN) andε-Supported Vector Regression (ε-SVR)， this paper studies the damage degree identification. Taking a railway double-track simply supported steel truss bridge as study example， the results show that: (1)GRNN model has a certain anti-noise capacity， but hasn’t generalization; (2)SVR model has good anti-noise capacity and generalization; (3)When the node maximum displacement changes are taken as damage degree identification indexes， the intelligent algorithm should useε-SVR instead of GRNN．

Railway bridge; Steel truss bridge; Damage degree identification; GRNN，ε-SVR

2014-02-14；

：2014-02-26

國(guó)家自然科學(xué)基金(51278315)；河北省自然科學(xué)基金(E2012210061)；河北省教育廳基金(Z2013034)

梁濱波(1976—)，男，工程師，2009年畢業(yè)于石家莊鐵道學(xué)院，工學(xué)碩士。

1004-2954(2014)11-0084-05

U448.13； U441+.4

：A

10.13238/j.issn.1004-2954.2014.11.020