基于桥梁智能化监测的挠度预测方法浅谈

高聪

摘 要： 城市桥梁智能化监测系统作为一种智能化监测手段，可以高效的对桥梁进行整体或者局部的长期实时监测。本文以海南琼海市某城市桥梁的挠度监测数据为基础，根据桥梁挠度监测值的周期性及趋势性特点，分别基于多项式拟合和神经网络，提出了两种挠度预测方法，可供类似工程参考借鉴。

关键词： 智能化监测;挠度变形;预测

【中图分类号】U416.2 【文献标识码】A 【DOI】10.12215/j.issn.1674-3733.2020.34.072

1 引言

城市桥梁作为市政基础设施的重要组成部分，保障了市区内各区域间交通状况的良好运营。但随着城市经济的持续发展，市区内交通运输量不断攀升，使得城市桥梁运输压力增大。同时桥梁服役时间的增长，也会导致桥梁主体结构材料产生劣化，此外，在诸如暴雨、台风等恶劣自然灾害的影响下，桥梁构件极易产生缺损或者破坏的可能性，从而降低橋梁的承载能力，更甚者引起伤亡事故的发生。

而桥梁智能化监测系统通过将传感技术、计算机软硬件技术、通讯技术与土木工程技术相结合，实现了对桥梁整体、全面、长期的智能化监测，进而有效的保障桥梁在服役期内的安全运营[1]。对于一般桥梁，常见的监测参数主要包括三大类：荷载与环境激励、结构自身特性及结构响应。其中，结构变形作为结构响应中较为直观的一个参数，受到桥梁管养人员的较大关注。本文以海南省琼海市某桥梁的挠度监测数据为基础，提出了几种针对桥梁挠度变形的预测方法[2，3]。

2 工程概况

已知某桥梁在2019年1月24日至2019年5月29日的跨中沉降变形数据，如图1所示。监测期内，该桥挠度变化的大趋势为随时间推移，挠度变形呈增大趋势;小趋势为短期内，挠度变化规律具有周期性。

3 基于多项式拟合的数据预测

根据既有挠度监测数据可以看出，挠度值会由于温度或者荷载的周期性变化而表现出明显的周期特征，并且在短期内每一天的挠度曲线形态差异不是很大。因此，可以根据任意7天的挠度曲线来预测第8天的挠度曲线。

（a）设任意连续7天的挠度数组分别为：y1，y2，y3，y4，y5，y6，y7。

（b）将上述七个数组合并成一个数组Y=[y1，y2，y3，y4，y5，y6，y7]，对应的时间序列也进行相同的操作T=[t;t;t;t;t;t;t]，其数组长度N=7×n。

（c）将上述两个数组重新按照时间进行升序排列，得到两个新的数组，记为：Y=[Y1，Y2，…，YN]和T=[T1，T2，…，TN]，其中N=7×n。

（d）采用多项式拟合的形式根据Y和T在时间序列t上插值，得到预测曲线：

y *=polyfit（T，Y，t，m）

其中m为所用多项式的次数。

4 基于ELMAN神经网络的数据预测

神经网络的基本思路如下[4]：

选取N天为一个周期，用第1～N-1天的挠度预测第N天的挠度，用第2～N天的挠度预测第N+1天的挠度，依次类推。

根据既有挠度监测数据，取其中前80%为训练样本，后20%作为测试样本，如图3所示。可以看出在ELMAN网络对于训练集拟合情况良好，但对于测试集，存在一定范围的误差。这里认为随着长期监测系统采集数据的日益增多，该神经网络的拟合效果会越来越好。

4 总结

桥梁的挠度变形是桥梁结构受力状况的直观表现，因此有必要在桥梁智能化监测系统中深入对挠度监测数值的处理研究工作。通过提取实际变形情况和预测未来变形规律，形成一套完善的桥梁变形状况评估体系，有助于推动桥梁智能化监测系统的进一步发展，从而更好的辅助桥梁管养部门科学化、高效化做好桥梁的养护维修工作，保障桥梁运营期安全。

参考文献

[1] 周岳，朱毅，李高堂等.桥梁智能化健康监测研究现状分析[J].广州建筑，2019（4）：3-7.

[2] 陆萍，王涛，韦跃，李竞，吴海军.时间序列模型在桥梁健康监测数据预测中的应用[J].重庆科技学院学报（自然科学版），2018，20（06）：75-79.

[3] 宋福春，段继鹏.基于时序分析的桥梁健康监测数据预测研究[J].北方交通，2019（04）：5-7.

[4] 黄艳南.基于ELMAN桥梁损伤识别与监测数据处理研究[D].东北大学，2014.