稀疏正则化方法已被证明能够有效解决移动荷载识别(MFI)中的不适定性问题。然而,现有研究往往忽略了移动荷载中静态与动态分量之间的差异,导致识别精度受限。为此,提出了一种融合响应先验信息和加权字典的移动荷载识别方法。建立了车桥...稀疏正则化方法已被证明能够有效解决移动荷载识别(MFI)中的不适定性问题。然而,现有研究往往忽略了移动荷载中静态与动态分量之间的差异,导致识别精度受限。为此,提出了一种融合响应先验信息和加权字典的移动荷载识别方法。建立了车桥系统中车致桥梁响应与移动车载之间的线性关系。分别对弯矩和加速度响应开展频域分析,将获得的频率先验信息分别用于构建与静态和动态荷载分量相匹配的加权字典。利用该加权字典,采用ADMM(Alternating Direction Method of Multipliers)分别求解移动荷载中的静态和动态分量。通过实桥数值案例证明了所提方法的有效性,并在实验室开展了一系列MFI实验验证。结果表明,融合响应先验信息和加权字典能够有效提升荷载识别精度,并增强其对噪声的鲁棒性。展开更多
为了改进时域法(time domain method,简称TDM)识别桥面移动荷载时存在的识别精度受测量噪声、响应类型及数量影响较大等缺陷,在截断奇异值分解(truncated singular value decomposition,简称TSVD)的基础上,提出了基于分段多项式截断奇...为了改进时域法(time domain method,简称TDM)识别桥面移动荷载时存在的识别精度受测量噪声、响应类型及数量影响较大等缺陷,在截断奇异值分解(truncated singular value decomposition,简称TSVD)的基础上,提出了基于分段多项式截断奇异值分解(piecewise polynomial truncated singular value decomposition,简称PPTSVD)识别桥梁移动荷载。采用简化欧拉梁模型,由反演车辆荷载作用下桥梁的弯矩响应和加速度响应识别桥面移动荷载,得到了不同噪声水平下TDM,TSVD与PPTSVD的识别结果。研究结果表明,与采用奇异值分解(singular value decomposition,简称SVD)进行常规降噪的TDM相比,采用TSVD识别移动荷载在识别精度和抗噪性能方面均有一定提高,且由TSVD改进的PPTSVD识别方法较前两种方法具有更加明显的优势;PPTSVD识别精度高、识别结果受响应类型及响应组合影响较小且具有良好的鲁棒性,更适用于桥梁移动荷载的现场识别。展开更多
文摘稀疏正则化方法已被证明能够有效解决移动荷载识别(MFI)中的不适定性问题。然而,现有研究往往忽略了移动荷载中静态与动态分量之间的差异,导致识别精度受限。为此,提出了一种融合响应先验信息和加权字典的移动荷载识别方法。建立了车桥系统中车致桥梁响应与移动车载之间的线性关系。分别对弯矩和加速度响应开展频域分析,将获得的频率先验信息分别用于构建与静态和动态荷载分量相匹配的加权字典。利用该加权字典,采用ADMM(Alternating Direction Method of Multipliers)分别求解移动荷载中的静态和动态分量。通过实桥数值案例证明了所提方法的有效性,并在实验室开展了一系列MFI实验验证。结果表明,融合响应先验信息和加权字典能够有效提升荷载识别精度,并增强其对噪声的鲁棒性。
文摘为了改进时域法(time domain method,简称TDM)识别桥面移动荷载时存在的识别精度受测量噪声、响应类型及数量影响较大等缺陷,在截断奇异值分解(truncated singular value decomposition,简称TSVD)的基础上,提出了基于分段多项式截断奇异值分解(piecewise polynomial truncated singular value decomposition,简称PPTSVD)识别桥梁移动荷载。采用简化欧拉梁模型,由反演车辆荷载作用下桥梁的弯矩响应和加速度响应识别桥面移动荷载,得到了不同噪声水平下TDM,TSVD与PPTSVD的识别结果。研究结果表明,与采用奇异值分解(singular value decomposition,简称SVD)进行常规降噪的TDM相比,采用TSVD识别移动荷载在识别精度和抗噪性能方面均有一定提高,且由TSVD改进的PPTSVD识别方法较前两种方法具有更加明显的优势;PPTSVD识别精度高、识别结果受响应类型及响应组合影响较小且具有良好的鲁棒性,更适用于桥梁移动荷载的现场识别。
