连续钢桁梁桥的损伤诊断分析

2010-01-28魏保立董晓马魏锦辉

土木工程与管理学报 2010年2期

魏保立，董晓马，魏锦辉

(1. 郑州航空工业管理学院土木建筑工程学院，河南郑州 450015)

桥梁结构的损伤诊断对于桥梁的耐久性和安全性具有重要作用，而基于振动的神经网络损伤诊断技术[1～6]在近年来得到了飞速的发展和应用，国内的许多研究者对桥梁的检测技术进行过前期理论研究。这几年规模较大的桥梁都进行了损伤检测研究，如青马大桥、汲水门大桥和润扬长江大桥等，并在损伤检测的基础上准备进行长期实时监测。对于监测系统的设计和结构安全评价[7，8]也随之应运而生，长期实时监测系统必定要以损伤诊断或状态评估为基础，只有对桥梁结构健康状态合理的评估才能使投资巨大的监测系统发挥有效的作用。本文以连续钢桁梁桥为例，对损伤诊断进行研究，旨在探究一种方便可行的桥梁诊断方法。

1 连续钢桁梁桥简介

本文引用文献[9]中的板桁结合式连续钢桁梁结构，桁高14 m，桁宽12.5 m，节间长度12 m，采用无竖杆的三角形桁式，在支点处设置强劲的桥门架，不设中间横联，杆件采用焊接整体节点连接。连续钢桁梁下层为双线铁路，上层为4车道公路桥面，两侧设1.8 m人行道，公路桥面宽21.7 m。公路桥面系为纵横梁体系，横梁间距12 m，设在主桁节点处，纵梁间距2.3～2.75 m。桥面系均采用工型构件，公路横梁高1356 mm，纵梁高1076 mm；铁路横梁高2161 mm，纵梁高1480 mm。公路桥面板通过M22剪力键栓钉与主桁上弦杆及公路纵横梁上翼缘相结合，结构简图如图1所示。

2 结构的损伤辨识

本文建立了面向损伤检测的三维有限元模型，对桥梁结构进行数值模拟研究。该三维有限元模型应用环境振动实测结果[9]进行了多方面校正，保证了模型能够较准确地反映实际结构的动力学特性，然后，基于校正后的有限模型计算了健康结构的动力特性和模拟了多种损伤情况下的动力特性。由于桥梁结构包含上千多个构件，直接识别具体的损伤构件是困难的，因此，采用了三阶段分步识别策略。首先诊断结构是否发生了损伤；如果发生了损伤，则确定损伤发生的区域。最后，以损伤区段为研究对象，指出具体的损伤构件和损伤程度。为此，根据连续梁的结构特点，以两个节间作为一个区段，将桥梁结构划分为18个区段，如图1所示。

图1 连续梁桥区段划分和节点编号

网络训练阶段，输入向量f由健康结构的若干自振频率组成，一般为由多次测量而获得的向量序列。输出目标y定义如下

yi=(fi-mi)α+mi

(1)

式中，α为正常数；fi为输入向量f的第i个元素；mi为fi的平均值。

网络训练完成后，将训练用的输入向量f再次输入上面已经训练好的网络，其输出记为y*，于是训练阶段奇异指标定义如下：

(2)

(3)

式中，yt为网络的理想值，yti=(fti-mi)α+mi。

将λ(y)与λ(yt)二者比较，其差异可作为判断损伤是否发生的依据。为能够定量地判断损伤的发生，对奇异指标引用下列阈值

(4)

当检测阶段奇异指标的阈值大于训练阶段奇异指标的阈值时，表示结构有异常情况(损伤)出现；当检测阶段奇异指标的阈值小于训练阶段奇异指标的阈值时，表示结构没有损伤。

损伤样本序列是通过假定主桁杆件的刚度下降来模拟产生的。将整个桥梁结构划分为18段，假定每一段中的上弦杆、下弦杆和腹杆的刚度下降50%来模拟损伤，共产生18类损伤模式。选取结构的前8阶振动频率作为神经网络的输入矢量。由于测量误差是不可避免的，对为损伤或每个损伤序列，在理论计算模态参数的基础上加一个相互独立的、正态分布的随机序列数来模拟实测数据，即：

(5)

每个损伤模式样本及无损伤模式样本都随机产生200个测量数据，每个样本的输出按照式(1)计算，形成一系列样本数据集。其中训练神经网络的训练样本集采用无损伤的模式产生的200个数据，而检验神经网络的检验样本则用18个损伤模式样本产生的样本集，每个样本集有200个数据。

图2 异常检测阈值统计

从图2中，可以看出检测阶段奇异指标阈值明显大于训练阶段奇异指标阈值，说明网络的损伤识别结果完全正确，验证了工程测试中最易获得且精度较高的频率是进行实际结构损伤识别首选的指标。

3 结构的损伤定位及损伤程度识别

当由异常检测确定了有损伤发生后，接下来就要确定发生损伤的区域和损伤的程度，目前已经提出多种基于模态参数的损伤指标，本文采用前面设计的神经网络来进行结构的损伤定位，网络的输入参数选用组合指标向量。由于连续板桁结合梁结构由近千个构件组成，要一次直接识别哪个构件发生多大的损伤是不现实的，本文采用两步识别法[10，11]进行损伤定位。第一步，识别大概的损伤区域，即将桥板结构分成若干区段，利用组合指标确定损伤发生在哪一段中；第二步，在损伤已确定在某一段中后，利用改进的组合指标确定具体构件的损伤程度。

3.1 损伤区段的定位

采用振型和频率组合损伤指标，考虑到连续板桁结合梁的空间立体性，对组合损伤指标进行改进。

对NFCR指标分量，采用连续板梁结构的前8阶模态频率构造；对于DS分别采用第一阶的模态频率和模态振型、第五阶的模态频率和模态振型，具体的振型分量选取每跨跨中截面2、3、5、6节点的分量的平均值(如图3所示)，因为此阶段只需要确定损伤位置，所以去掉NFR分量。损伤情况的模拟采用前文所述的18种损伤。至此组合指标的分量为前8阶模态频率的NFCR值、各跨跨中截面的第一阶振型组成的DS值及第五阶振型组成的DS值，共14个指标分量。

图3 连续梁跨中截面

损伤样本序列采用第2节所述的假定主桁杆件的刚度下降来模拟产生。将整个桥梁结构划分为18段，假定每一段中的上弦杆、下弦杆和腹杆的刚度下降50%，模拟产生18类损伤模式。神经网络的输入向量为18种损伤情况的14个组合指标分量。网络的输出为18个区段的损伤情况，输出向量中损伤区段对应值取1，未损伤区段对应值取0。利用训练后的神经网络进行验证时，如果输出值大于0.9，则说明此区段存在损伤，如果输出值小于0.1，则认为此区段无损伤发生。将检测样本输入训练好的网络进行检测，网络识别结果如表1。

从表1可以看出，对于实际结构采用低阶模态频率和少数节点的振型分量进行规则化后作为网络的输入向量，完全准确的实现了结构的损伤识别，而且少数节点的振型分量有着重要的作用，它反映了结构局部参数的改变。

表1 神经网络识别结果

3.2 损伤构件的定位及损伤程度的标定

由三阶段损伤识别法可知，在确定了发生损伤的大概区域以后，就是确定损伤构件及损伤程度。本节采用BP神经网络，采用有导师训练方法，以组合模态参数作为输入，输出向量指示损伤构件和损伤程度。

组合模态参数采用连续板梁前5阶频率的NFCR值和节点①、②的第五阶振型的DS值(竖向弯曲模态)及节点③、④的第五阶振型的DS值(如图4所示)，其中振型分量分别取节点①、②分量的平均值和节点③、④分量的平均值。神经网络的输出向量为发生损伤的构件的损伤程度，神经网络采用BP网络，用一个隐含层，神经网络的构造为7个输入节点，10个隐含层节点，9个输出节点。设第11个区段已被识别为包含损伤构件的区段。选择图4中所示的9个构件作为该区段内可能损伤的构件，并分别就每一个可能的损伤构件按刚度分别下降30%、50%、60%、70%、80%、90%六种损伤情况进行模拟。以50%、60%、80%三种损伤程度构造神经网络训练输入数据，训练数据一共由27个向量组成。每个向量由5个自振频率和2个振型参数构成的组合模态参数构成。检测数据以30%、70%、90%三种损伤程度的组合模态参数构成。检测的结果如图5所示。

图4 区段构件和节点

图5 神经网络损伤程度标定结果

由图5可以看出，对刚度下降70%的损伤情况，损伤构件的定位及损伤程度的标定都是正确的，识别结果也比较令人满意。对于刚度下降30%、90%的两种损伤情况，损伤构件的定位亦给出较好的结果；然而对于损伤程度的标定，其识别结果不正确，这是因为以组合参数为输入的BP网络的外推能力不强，也和实际结构过于复杂，个别构件损伤对整个结构的动力特性影响不大有一定的关系。