典型文献
基于卷积神经网络的多车桥梁动态称重算法
文献摘要：
为识别多车工况下车辆过桥时的车辆重量,采用卷积神经网络技术开发出可用于多车轴重识别的桥梁动态称重(BWIM)算法.首先,利用车桥耦合系统采集不同车辆过桥时梁底的应变信号;之后,基于深度学习开源框架KERAS搭建了包含9层卷积层、2层全连接层的卷积神经网络(CNN)模型,利用Adam优化器训练CNN模型以拟合所获得的应变信号与车辆轴重在不同工况下的变化规律,并最小化拟合误差;最后,对所开发的算法在单车和多车加载工况下的轴重识别精度进行了对比分析.结果 表明:所提出的算法在单车和多车工况下的轴重识别误差均值基本低于5％,并且识别精度对车辆速度和横向位置的变化不敏感,说明算法的轴重识别效果良好且稳定.该多车BWIM算法摆脱了对桥梁影响线的依赖,为不适用于利用影响线方法进行动态称重的桥梁提供了可替代的称重技术.
文献关键词：
桥梁动态称重;卷积神经网络;多车轴重识别;有限元分析
中图分类号：
作者姓名：
邓露;罗鑫;凌天洋;何维
作者机构：
湖南大学土木工程学院,湖南长沙410082
文献出处：
引用格式：
[1]邓露;罗鑫;凌天洋;何维-.基于卷积神经网络的多车桥梁动态称重算法)[J].湖南大学学报（自然科学版）,2022(01):33-41
A类：
多车轴重识别,BWIM,KERAS,桥梁影响线
B类：
桥梁动态称重,称重算法,车工,下车,过桥,神经网络技术,技术开发,用车,车桥耦合系统,同车,开源框架,卷积层,全连接层,Adam,优化器,不同工况,拟合误差,单车,加载工况,识别精度,识别误差,误差均值,横向位置,不敏
AB值：
0.237199
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
