《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》:Optimal reduced-order model for Vehicle-Bridge Interaction and bridge damage detection using model based SHM-ML techniques
编辑推荐:
桥梁结构在移动车辆荷载作用下表现出复杂的动力学行为,受结构柔性和轨道表面不平顺的影响。正确的方法和车辆-桥梁相互作用(Vehicle-Bridge Interaction, VBI)效应的最优建模对于准确计算确定动态桥梁振动、可靠的结构健康监测(Structu
桥梁结构在移动车辆荷载作用下表现出复杂的动力学行为,受结构柔性和轨道表面不平顺的影响。正确的方法和车辆-桥梁相互作用(Vehicle-Bridge Interaction, VBI)效应的最优建模对于准确计算确定动态桥梁振动、可靠的结构健康监测(Structural Health Monitoring, SHM)和损伤检测至关重要。本研究的目的有两方面。首先,引入了一个新颖的计算框架,用于生成最优降阶的VBI模型,该模型以显著降低的计算成本捕捉系统的本质动力学。该过程始于开发一个高保真有限元(Finite Element, FE)桥梁模型,该模型使用实验模态数据进行更新。然后,采用组件模态综合(Component Mode Synthesis, CMS)对该模型进行降阶,以实现高效仿真同时保留本质动力学行为,并将其与一个简化的、包含实际轨道不平顺的车辆模型相结合,生成一个准确且计算高效的VBI系统。其次,本研究引入了一个基于轻量级卷积神经网络(Convolutional Neural Network, CNN)的分类框架,该网络基于来自经过验证的VBI模型的数值生成数据进行训练。CNN对来自桥梁加速度响应的频域特征进行操作,这些特征反映了损伤引起的结构刚度和能量分布变化。利用这些特征和一个独立训练的CNN集成,该框架对桥梁的结构健康状况进行分类。
桥梁结构健康监测(SHM)对确保铁路与公路桥梁安全至关重要,但现有研究面临三大瓶颈:一是数值模型过度简化(如仅用梁单元或低自由度系统),忽略连接柔性、非线性接触及轨面不平顺,无法捕捉真实动力学行为;二是实验数据获取困难,全尺寸桥梁无法人为制造损伤,实验室测试则规模受限;三是商业多体动力学软件对全柔性系统计算效率低,且难以定制。为此,研究人员提出一种统一框架,结合高保真物理建模与数据驱动分类,旨在平衡计算效率与物理保真度,并通过实验验证实现可靠损伤检测。论文发表在《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》。
主要关键技术方法包括:1)构建实验室尺度3米桁架桥的高保真有限元(FE)模型,使用实验冲击测试的频响函数(FRF),通过协方差矩阵自适应进化策略(CMA-ES)进行模型更新,使数值模型与实验动态特性匹配;2)采用Craig-Bampton组件模态综合(CMS)将更新后约210万自由度的FE模型降阶至8042自由度,显著降低计算成本;3)将车辆建模为7自由度系统(含车体垂向、俯仰、侧倾及四个车轮垂向自由度),悬架用弹簧-阻尼器描述;4)通过功率谱密度(PSD)的逆傅里叶变换生成虚拟轨面不平顺,并基于实验数据校准PSD参数;5)利用验证后的VBI模型生成五类结构状态(健康及四种损伤)下的数值数据集,共3750个样本,输入一维卷积神经网络(1D-CNN)进行频域特征分类,并采用10个独立网络集成提升鲁棒性。
研究结果(保留原文子标题):
**3 实验设置与数值模型**
**3.1 桥梁子系统**:通过实验冲击测试获取频响数据,更新FE模型参数(表1),更新后模型的前五阶固有频率与实验相对误差小于1.23%(表2)。使用Craig-Bampton CMS法降阶,保留5个弹性模态和3648个边界自由度(含1206个轮轨接触点及5个加速度计安装点),最终模型自由度8042,其FRF与实验吻合(图10)。
**3.2 车辆子系统**:构建7自由度全车模型参数(弹簧刚度23.5 N/mm,阻尼0.24 Ns/mm),两种载荷配置(Case A:中心加载31 kg;Case B:两侧各加载31 kg),惯性属性由有限元计算(表4)。
**4 车-桥相互作用实验验证**
**4.1 轨面不平顺评估**:使用PSD函数生成竖向与横向不平顺,通过优化参数(A=1.0×10
-4, B=2.24, C=2.403)使仿真与实验桥面PSD一致,获得校准后的轨面轮廓。
**4.2 数值响应实验验证**:在健康状态下对比两种载荷工况,五个加速度计位置的PSD及均方根(RMS)值(图15)显示仿真与实验高度吻合,验证了VBI模型的准确性。
**5 桥梁损伤场景:建模、仿真与健康分类**
**5.1 实验损伤桥梁模型**:设置五种结构状态:健康、损伤1(DL1裂纹)、损伤2(DL1缺失杆件)、损伤3(DL2裂纹)、损伤4(DL2缺失杆件)。裂纹为3 mm切缝,缺失为移除整个杆件(图16)。损伤导致频谱峰值偏移(图17)。
**5.2 损伤桥梁有限元模型**:在FE模型中移除相应单元后重新进行CMS降阶,损伤状态下固有频率相对健康基准的最大偏移为4.02%(表5,Damage 4第五阶)。
**5.3 不同健康状态和运行条件下的数值响应**:对五状态两载荷共10种组合执行VBI仿真,得到加速度PSD(图20)和RMS(图21)。实验与数值RMS在所有传感器和工况下一致,证明模型能反映损伤引起的动态行为变化。
**5.4 基于CNN的结构健康分类**:使用5滤波器、核大小2的1D-CNN,输入为五传感器PSD向量,输出五类健康状态。训练数据包含参数随机扰动(主体参数扰动2%,接触参数扰动20%)及多种速度剖面,共3750样本。集成10个CNN预测平均,实验验证下所有测试实例分类准确率超过75%(图25),证明框架从仿真到实验的强泛化能力。
讨论部分总结:讨论了三点。第一,分布外泛化与学习策略:当前模型成功从仿真推广到实验,但其他分布外条件(如不同车型、温度变化)需显式建模。第二,计算成本与时间节约:全FE模型更新约两周,降阶后单次3.5秒VBI仿真需1小时(对比商业MBD需120小时且结果不准确),数据集生成可高度并行。第三,现场实施挑战与策略:实际部署需基本仪器(加速度计、车速测量),FE模型更新需外部激励(如大模态锤),计算负担可接受,主要难点在于获取高质量激励数据。
研究结论部分翻译:本工作提出了一个综合框架,旨在实现承受移动车辆荷载的桥梁的最优建模,同时专注于结合物理基础建模与数据驱动分类,作为可靠的结构完整性控制工具。研究的一个核心贡献是开发了一个经过实验验证的VBI系统降阶模型。首先构建了一个高保真有限元桥梁模型,并基于实验冲击测试进行更新,以确保模拟的结构动力学与物理装置观察到的结果密切相关。为了在不牺牲精度的情况下实现VBI系统的高效仿真,使用CMS对验证后的全阶模型进行降阶。这使得复杂结构行为(包括接触界面和边界非线性)的表示成为可能,同时保持计算可行性。然后,该模型与一个简化但物理代表性的车辆系统耦合,并在两种载荷条件和五种不同结构健康状态下与实验测量结果进行验证。所有场景下实验与仿真响应的高度一致性确认了模型的准确性和泛化能力,为后续SHM任务奠定了坚实基础。基于这一验证模型,本研究的第二个关键贡献是开发了一个基于CNN的分类器,仅使用仿真训练数据即可识别桥梁的结构健康状况。通过对模型参数施加小的随机扰动并改变车辆速度剖面以捕获运行变异性,生成了多样化的数据集。由此产生的数值模拟作为CNN的输入,训练其区分健康状态与四种不同损伤场景。然后在物理测试中未见过的实验数据上评估模型,无需额外重新训练。采用集成策略,平均十个独立训练网络的预测,以增强鲁棒性并降低对训练变异性的敏感性。该框架在所有测试案例中实现了超过75%的一致分类准确率,证明了其从仿真泛化到实验并在现实条件下检测细微结构变化的能力。总之,该研究证明了将降阶物理建模与机器学习相结合可以提供有效且可扩展的结构健康监测解决方案。虽然该框架在实验室尺度系统上得到验证,但其设计适用于现实世界场景。通过采用模型降阶技术,该方法即使在应用于具有大量自由度的全尺寸桥梁模型时也能保持计算效率。在车辆方面,该方法仅需要基本的运行输入,如有效载荷、速度剖面和几何特征,这些通常可从常规监测系统中获取。这使得所提出的框架非常适合利用现有基础设施数据进行实时桥梁评估的实际实施。