本技术公开一种融合多源特征的桥梁毁伤深度学习方法,包括如下步骤:建立桥梁毁伤仿真模型,获取桥梁毁伤仿真数据;将桥梁毁伤仿真数据与爆炸工况关联,并与桥梁特征信息整合后,得到包括训练数据集和验证数据集的桥梁毁伤数据库;桥梁特征信息包括桥梁几何特征和桥梁材料特征;利用训练数据集和验证数据集对构建的多层复合图神经网络进行训练和优化,得到桥梁毁伤预测模型;利用桥梁毁伤预测模型,完成目标桥梁毁伤的预测。本发明的预测方法,精度高,适应性好。
背景技术
桥梁是现代交通系统的重要组成部分,其抗暴防护设计对提高城市韧性和保障公共安全具有重要意义。在极端事件如爆炸或冲击载荷下,桥梁结构容易受到严重损坏,影响其承载能力和使用寿命。因此,桥梁设计需具备抵御爆炸冲击等极端事件的能力,以确保在突发事件发生时减少结构损伤。在当前的设计流程中,优化抗暴防护设计的前提是对爆炸冲击下桥梁结构毁伤响应的准确模拟与分析,以便根据结构的受力分布和易损程度制定加固措施。
目前,对于桥梁结构毁伤预测如中国专利申请“一种基于聚类的桥梁支座服役性能在线评估方法”(申请公开号:CN118051739A,公开日:2024-05-17)所述,其包括:基于数值模型进行桥梁温度场分析,根据模拟结果选取最优测温点安装温度传感器进行温度采样,并为各个支座安装拉线式位移计,测量各支座的水平变形,依据桥梁温度聚类分析结果,对对应的支座水平变形数据进行统计分析,并计算各统计模型的均值和方差,并进行支座服役性能评估。该方法基于传统的有限元方法,虽可提供相对精确的预测,但计算过程繁琐、耗时,且成本高昂,难以满足快速响应的实际需求。
为此,近年来人们尝试发展数据驱动的模型,以更高效、便捷的方式实现桥梁结构的毁伤预测。如在中国专利申请“基于神经网络模型的桥梁支架结构状态智能监测评估方法”(申请公开号:CN118536385A,公开日:2024-08-23)中,首先获取桥梁支架结构网络的空间关系数据、传感器传送的状态参数数据,并经预处理,将数据集分为训练集和测试集,利用Transformer模型自注意力机制对训练集数据进行训练,并由测试集进行测试,形成经深度学习训练好的桥梁支架结构状态监测评估模型,将参数集带入桥梁支架结构状态监测评估模型中进行评估监测,获得输出的桥梁支架结构状态评估分析结果,根据模型输出状态评估分析结果进行相应的预警显示和匹配预设的修复方案。机器学习算法的引入,使得基于数据驱动的毁伤预测模型能够以较快的速度输出预测结果。然而,这种单一层次神经网络在多场景预测中存在鲁棒性不足的问题,尤其是对于桥梁中不同位置(如桥面、桥墩)材料和结构强度不一致的情况,难以实现自适应的毁伤预测。
总之,现有技术存在的问题是:对桥梁结构在爆炸冲击下的毁伤预测精度不高、适应性有限。
实现思路