典型文献
基于CNN-LSTM深度学习的列车荷载与桥面系局部健康状态识别研究
文献摘要：
桥梁健康监测数据的深度分析是发挥健康监测系统作用的必然途径,由于监测测点的有限性和监测数据受环境效应等因素影响,很多监测结果可利用率不高.在此背景下,以某公铁两用大跨度钢桁架桥桥面系纵梁应变及温度长期监测数据为依据,基于CNN-LSTM深度学习,对有限应变监测数据在桥梁列车和局部健康状态识别应用进行有益探索;采用集合经验模态分解(EEMD)算法对车致应变进行提取与分析,根据列车过桥应变峰值进行列车荷载和车型识别.实际数据有效性检验结果表明,纵梁截面单一应变测试结果对该桥列车荷载识别准确率可达92.3％.利用提取的桥面纵梁测点应变监测数据训练CNN-LSTM模型,并进行残差预测,使用指数加权移动平均法,结合列车荷载因素进行桥面系局部损伤预警阈值分析,利用实测数据对模型进行深入训练和验证,并与CNN、RNN和LSTM模型进行对比分析.分析结果表明,本文模型在该桥桥面系测试节间纵梁损伤识别准确度优于其他模型,可在桥梁局部出现损伤时,进行健康状态判别与预警;随着测试截面的增加,可进一步扩展本文方法识别范围,提高识别效果.
文献关键词：
桥梁健康监测;列车荷载识别;健康状态识别;深度学习;CNN-LSTM
中图分类号：
作者姓名：
朴春慧;冀梅梅;张志国;刘玉红;李智宇;董现
作者机构：
石家庄铁道大学信息科学与技术学院,河北石家庄 050043;河北省电磁环境效应与信息处理重点实验室,河北石家庄 050043;石家庄铁道大学土木工程学院,河北石家庄 050043;北京全路通信信号研究设计院集团有限公司,北京 100073
文献出处：
引用格式：
[1]朴春慧;冀梅梅;张志国;刘玉红;李智宇;董现-.基于CNN-LSTM深度学习的列车荷载与桥面系局部健康状态识别研究)[J].铁道学报,2022(08):135-145
A类：
车致应变,列车荷载识别
B类：
桥面系,健康状态识别,桥梁健康监测,深度分析,健康监测系统,必然途径,有限性,环境效应,监测结果,可利用率,公铁两用,大跨度钢桁架,钢桁架桥,纵梁,长期监测,应变监测,集合经验模态分解,EEMD,过桥,行列,车型识别,实际数据,数据有效性,有效性检验,梁截面,一应,应变测试,识别准确率,数据训练,残差预测,指数加权移动平均法,预警阈值,阈值分析,RNN,节间,损伤识别,行健,状态判别,方法识别
AB值：
0.302708
相似文献
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。
