《时变环境与损伤耦合下桥梁结构频率及阻尼比的统计分析.pdf》由会员分享，可在线阅读，更多相关《时变环境与损伤耦合下桥梁结构频率及阻尼比的统计分析.pdf（7页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、收稿日期:2009-03-27;修改稿收到日期:2010-01-23.基金项目:国家自然科学基金重点项目(50538020);国家杰出青年科学基金(50525823)资助项目.作者简介:欧进萍(1959-),男,教授,中国工程院院士(E-mail:oujinping ).第27卷第3期2010 年 6 月 计算 力学学报Chinese Journal of Computational MechanicsVol.27,No.3June 2010文章编号:1007-4708(2010)03-0457-07时变环境与损伤耦合下桥梁结构频率及阻尼比的统计分析杨 鸥1,刘 洋2,李 惠1,欧进萍1,3(
2、1.哈尔滨工业大学 土木工程学院,哈尔滨 150090;2.哈尔滨工业大学 交通科学与工程学院,哈尔滨 150090;3.大连理工大学 土木工程学院,大连 116024)摘要:对时变环境与损伤耦合下我国某斜拉桥的结构频率及阻尼比进行统计分析,以提高结构损伤识别的精度。首先,利用该桥的长期监测数据,采用环境激励技术结合特征系统实现算法识别该桥梁结构的频率及阻尼比;其次,利用人工神经网络算法建立该桥梁结构的环境温度与结构频率及阻尼比的关系模型;然后,通过统计分析,建立完好状态下该桥梁结构模态参数误差因子的概率分布模型;最后,通过分析不同时段与完好结构状态下该桥梁结构模态参数误差因子的相交概率比识别
3、结构损伤,并利用该桥的实测结果验证所提算法的有效性。关键词:结构损伤识别;时变环境;模态参数识别;人工神经网络中图分类号:U448.27文献标识码:A1 引言随着各种传感器技术的不断发展,结构健康监测已经成为对桥梁结构进行安全评定、维修加固和损伤控制的一种有效手段。由于基于振动信息的结构损伤识别方法是结构健康监测技术的核心内容,因此,结构损伤识别算法的研究已经成为桥梁工程领域的一个研究热点 1-4。由于实际运营的桥梁结构往往受到各种因素(温度、湿度、风速及车辆荷载等)的耦合作用,而且环境因素对结构动力特性的影响往往掩盖结构损伤的特征信息,时变环境下的桥梁结构损伤仍面临巨大的挑战。美国 Los
4、Alamos 国家实验室的学者通过对 Alamosa 峡谷大桥的研究发现 5:在 24小时内,当大桥的环境温差变化为 22时,该结构的前三阶频率分别变化 4.7%,6.6%和 5.0%;然而,当对格兰德河的一座桥梁(I-40 桥)给予不同程度的人为损伤时,研究者们却发现该桥梁的频率并没有明显的改变 6。Peeters 和 De Roeck 7,8对瑞士的 Z24桥进行了长期监测,经研究发现:在近 10个月的时间中,该桥梁结构的前四阶频率改变了14%16%,而且环境温度会导致结构边界支撑条件的变化,从而影响结构的频率,但是当该桥梁产生较大损伤时,其结构频率的改变不到 10%。可见,在众多的环境因
5、素中,环境温度对桥梁结构动力特性的影响最为显著,而且环境温度的影响往往会“误导”结构损伤识别的结果。因此,研究建立环境温度与桥梁结构动力特性的关系模型,为剔除环境温度对桥梁结构动力特性的影响提供有效方法,对推动时变环境下桥梁结构的损伤识别方法研究具有重要意义。本文利用健康监测系统获得的长期监测数据,提出通过统计分析获得的完好结构和损伤结构相交概率比的大小来识别结构的损伤。2 桥梁结构简介本文拟研究的桥梁结构为一座干线斜拉桥,主梁全长 512.4 m,全桥为五孔(跨径布置为 25.15+99.85+260+99.85+25.15 m)一联,主孔跨径为260 m,双塔双索面,索塔固结,连续漂浮预应
6、力混凝土斜拉桥如图 1 所示。该桥在运行 18 年后(2005 年),由于严重超载,导致该桥发生严重损伤,这些损伤主要为跨中合拢段严重开裂,以及主梁的其他施工拼接缝的开裂。该桥于 2005 年 10月进行检测,检测后进行了加固,加固方案主要为更换所有的斜拉索,将主梁合拢段拆除,重新浇筑预应力混凝土,其他梁端采用碳纤维进行加固,加图 1我国某斜拉桥Fig.1Investigation Bridge图 2加速度传感器布置示意图Fig.2Arrangement of accelerometer(a)实测前5 阶频率值(b)实测前 5 阶阻尼比(a)Identified the first 5 fre
7、quencies(b)Identified the first 5 damp ratios图 3实测前 5 阶模态参数Fig.3Identified the first 5 modal parameters固于 2007 年 8 月完成并通车,在加固的同时该桥安装了健康监测系统。2008 年 8 月发现该桥由于严断裂,该桥变为漂浮体系,并导致桥梁辅助墩附近主梁开裂。健康监测系统记录了该结构自 2007年 10 月 2008 年 8 月再次损伤的全过程的结构荷载和响应及环境温度信息,监测系统中的加速度布置如图 2 所示。3 时变环境及损伤耦合作用下的结构模态参数识别分析3.1环境温度及模态参数识
8、别结果本节使用该桥梁结构健康监测系统于 2007年10 月 2008 年 8 月期间采集得到的结构响应数据,以采样一个小时的加速度数据为单位进行模态参数识别。利用环境激励技术(NExT)方法结合ERA 算法识别得到了该桥梁结构的 5 阶频率和阻尼比 9,10,如图 3(a,b)所示。与加速度数据的处理相对应,温度数据也按小时进行平均,2007 年 10月 2008 年 8 月期间的温度变化如图 4所示。图 42007.10 2008.8 温度变化曲线Fig.4Temperature from 2007.10 to 2008.83.2 环境温度与结构模态参数的关系为了更好地观察结构模态参数与温度
9、的关系,使用 20 阶多项式对模态参数和温度进行最小二乘趋势项拟合。图 5(a,b)分别给出了模态频率和模态阻尼比与温度的变化趋势的比较。从图 5(a)可以看出,随着温度的升高,1 阶 5 阶频率均呈下降趋势,但低阶频率对温度变化比高阶频率敏感,这在后面对频率误差因子的统计分析中也有相似的结论。从图 5(b)可以看到,阻尼比对温度的变化并不敏感,图中趋势线的起伏主要是由识别误差所引起的,或者说,相对于模态阻尼比的识别误差,温度所引起的变化并不明显。但从图中可以看到,5阶阻尼比在 7 8月均有急剧的降低。结合检测结果,可以判断结构阻尼比对损伤比频率更为敏感,但识别精度却远不及结构频率,鉴于此,本
10、文下述将不再根据阻尼比的变化来进行损伤识别,只考虑以频率作为损伤识别的指标。3.3 环境温度与结构频率的统计模型本文使用 BP 神经网络建立环境温度与结构频率及阻尼比的关系模型。该 BP 神经网络为 3层网络,包括 1 个输入层,1 个隐含层,以及 1 个输出层。输入参数为该桥实测的温度,输出为桥梁的频率。输入层和隐含层使用双曲正切 S 型传递函数(tansig),输出层使用线性函数(purelin)。输入层 1 个神经元,隐含层包含 10 个神经元,输出层包458计算力学学报第 27 卷(a)温度与 5 阶频率趋势比较(b)温度与 5 阶阻尼比趋势比较(a)T rend comparison
11、 of temperature and frequencies(b)T rend comparison of temperature and damping ratios图 5 温度与模态参数趋势线比较Fig.5T rend comparison of modal parameters含 5个神经元。训练函数使用带动量的批处理下降法(traingdm),动量常数设置为 0.9,学习函数使用带动量的梯度下降法(learngdm),学习速率设为 0.1。首先,利用 2007 年 10 月 2008 年 1 月的监测数据训练 BP 神经网络,构建未损伤结构估计模态参数与实测模态参数之间的误差因子,并
12、建立误差因子的统计模型。损伤识别过程使用如下所述两种方法:(1)将 2008年 2 月 2008 年 8 月期间的实时监测数据按月份分为 4 段,其中 2008.2 2008.3期间可确定该桥未发生损伤,该段数据用于验证完好状态的 BP 神经网络结构;2008.7 2008.8 期间该桥已发生损伤,该段数据可用于验证建立 BP 神经网络结构对损伤的敏感性;2008.4 和 2008.5 期间的桥梁状态为待识别的状态。这种分段方法的优点在于各段数据的意义明确,缺点是必须对各段数据对应的斜拉桥状况有所了解。(2)将 2008 年 2 月 2008年 8 月期间的数据按天分为45份,以20天的数据为
13、一个统计样本,图 6模态误差因子直方图Fig.6Histogram of modal error factor并按天进行更新,即每个样本都包含连续 20 天的数据,并且后一个样本与前一个样本有一天的数据不同。利用这种方法共得 27 个样本。这种方法的优点是不用判断损伤发生的具体时间,同时还能比较准确判断损伤发生的时间点,缺点是计算量较大,且样本容量的选择要适当,太小可能导致统计失真,太大则无法准确判断损伤发生的时间。将数据输入训练好的 BP 神经网络,得到模态误差因子的直方图如图 6 所示。从图中看到,直方图具有中间大两头小的特点,可假定模态误差因子的分布为正态分布。3.4 模态误差因子的相交
14、概率比为了更好地判断结构是否发生损伤,本文定义相交概率比的概念,并通过计算相交概率比的大小来判断结构是否损伤。本文采用的相交概率比的计算方法是将待验证时段与结构完好状态下的结构模态参数误差因子的相交概率(图 7 中黑色部分的面积)作为分子,以结构完好状态下的结构模态参数误差因子的概率(图7中阴影部分与黑色部分的面积之和)作为分母,由上述的分子、分母即可得到相交概率比如下:图 7 相交概率比示意图Fig.7Demonstration of intersection probability ratio459第 3 期杨鸥,等:时变环境与损伤耦合下桥梁结构频率及阻尼比的统计分析Cf=xi-fidx
15、dx+xifptx dx+-fptx dx(1)3.5时变环境下结构模态参数误差因子的统计分析结果根据实测数据和前一节所述的方法,模态参数的统计分析包括两个部分:第一部分是按月分段的数据组,第二部分则是按天更新的数据组,每部分都包含了模态频率和阻尼比的分析。(1)数据按月分段模态频率误差因子的统计模型如图 8 所示,其中图 8(a)为 5 阶频率综合分析的误差因子统计。从图中可以看到,由于各阶模态频率对温度的敏感程度不同,综合使用 5阶模态得到的误差因子统计效果并不理想。图 8(b f)为单阶频率的误差因子统计,从图中可以看到,第 1 阶和 4 阶频率的识别效果比较好,而第 2、3、5 阶的统
16、计结果与实际桥梁的状态并不相符。造成这种状况的原因有(a)前5 阶频率误差因子统计模型(b)第 1 阶频率误差因子统计模型(a)Statistics of first 5 frequency s error factor(b)Statistics of 1stfrequency s error factor(c)第 2 阶频率误差因子统计模型(d)第 3 阶频率误差因子统计模型(c)Statistics of 2ndfrequency s error factor(d)Statistics of 3rdfrequency s error factor(e)第 4 阶频率误差因子统计模型(f)第
17、 5 阶频率误差因子统计模型(e)Statistics of 4thfrequency s error factor(f)Statistics of 5thfrequency s error factor图 8 模态频率误差因子按月分段统计模型Fig.8 Statistics of frequency error factor with monthly updating sample460计算力学学报第 27 卷两个,一是识别精度的问题,第 2 阶和第 3 阶模态的识别误差较大,掩盖了损伤所引起的频率变化,二是对损伤的敏感性问题;第 5 阶模态对损伤的位置不太敏感,损伤所引起的频率变化不明显。
18、(2)数据按天更新模态频率的误差因子统计模型如图 9 所示,其中图 9(a)为 5 阶频率综合分析的误差因子统计,图 9(b)图 9(f)为单阶频率的误差因子统计;与数据按月分段的统计结果相似,第 1 和第 4 阶模态频率识别损伤的效果较好,当数据更新至 2008 年7 月 29 日时,相交概率比出现跳跃,可初步判定为出现损伤,与实际检测结果相符。第 2、3 阶频率由于识别误差较大,其统计模型的变化与实际情况并不相符,第 5 阶频率则对损伤不敏感。(a)前 5 阶频率误差因子统计模型(b)第 1 阶频率误差因子统计模型(a)Statistics of first 5 frequency s e
19、rror facto r(b)Statistics of 1stfrequency s error factor(c)第 2 阶频率误差因子统计模型(d)第3 阶频率误差因子统计模型(c)Statistics of 2ndfrequency s error factor(d)Statistics of 3rdfrequency s error factor(e)第 4 阶频率误差因子统计模型(f)第 5 阶频率误差因子统计模型(e)Statistics of 4thfrequency s error factor(f)Statistics of 5thfrequency s error fac
20、tor图 9 模态频率误差因子按天更新统计模型Fig.9Statistics of frequency s error factor with daily updating sample461第 3 期杨鸥,等:时变环境与损伤耦合下桥梁结构频率及阻尼比的统计分析4 结论本文首先利用某桥的实时长期监测数据,识别该桥梁结构的模态频率及阻尼比,然后利用 BP 人工神经网络算法建立了该桥梁结构环境温度与结构频率的关系模型,并用此关系模型计算得到的模态参数值与对应温度下的实测模态参数值构建了误差因子,通过统计分析,建立完好状态下该桥梁结构模态误差因子的概率分布模型;最后,通过分析不同时段的模态数据与该桥
21、梁结构完好状态下的模态误差因子的相交概率比识别结构损伤,得到以下主要结论:(1)从该桥健康监测实时数据的统计结果可以看出,随着温度的升高,斜拉桥的频率呈下降趋势,而模态阻尼比对温度的变化则不太敏感,或者说,相对于识别误差而言,温度对阻尼比所造成的影响并不显著。(2)从统计数据的分析结果看,精确识别模态参数是判定损伤的先决条件,在精确识别模态参数的基础上,利用模态参数的误差因子判定损伤的方法是可行的。(3)从模态频率的误差因子统计结果的分析中可以看出,由于各阶模态频率对温度的敏感性不同,综合使用多阶模态参数的误差因子分析效果不如使用单阶模态参数,且低阶模态频率的误差因子比高阶模态频率对损伤更为敏
22、感。由于实际工程中低阶模态易于精确测量,因此,该方法具有较好的工程应用价值。(4)对比两种统计分析方法,即对数据按月进行分段和将数据按天进行更新发现,第一种方法各段数据具有较明确的意义,损伤前后的统计模型变化较大,判断比较容易,但需要对损伤时间有一定的预判才能较好地划分数据段;第二种方法不需要对损伤时间进行预判,并且可以比较精确地判断损伤时间点,但若是样本容量和更新数据量的选择不当,可能会造成误判或者漏判结构损伤。参考文献(References):1 Salawu O.Detection of structural damage throughchanges in frequency:a re
23、view J.EngineeringStructures,1997(19):718-723.2 Doebling S,Farrar C,Prime M.A summary reviewof vibration-based damage identification methods J.Shock and Vibration Digest,1998(30):91-105.3 Alvandi A,Cremona C.Assessment of vibration-based damage identification techniques J.Journalo f Sound and Vibrat
24、ion,2006(292):179-202.4 Montalvao D,M aia N,Ribeiro A.A review of vibra-tion-based structural health monitoring with specialemphasis on composite materials J.Shock and Vi-bration Digest,2006(38):295-324.5 Sohn H,Dzwonczyk M,Straser E G,et al.An exper-imental study of temperature effect on modal para
25、me-ters of the Alamosa Canyon bridge J.EarthquakeEngineering and Structural D ynamics,1999(28):879-897.6 Farrar C R,Doebling S W,Cornwell P J,et al.Varia-bility of modal parameters measured on the AlamosaCanyon bridge A.Proceedings of the 15th interna-tional modal analysis conference C,1997:257-263.
26、7 Peeters B,De Roeck G.One-year monitoring of theZ24-Bridge:Environmental effects versus damage e-vents J.Earthquake Engineering and StructuralD ynamics,2001(30):149-171.8 Maeck J,Peeters B,De Roeck G.Damage identifica-tion on the Z24-bridge using vibration monitoring a-nalysis A.Proceedings of Euro
27、pean COSTF3 Con-ferenceonSystemIdentificationandStructuralHealth Monitoring C,2000:233-242.9 James G H,Carne T G,Lauffer J P,et al.Modaltesting using natural excitation A.Proc.,10th Int.Modal Analysis Conf.C.San Diego,1992.10Juang J N,Pappa R S.An eigensystem realizationalgorithmformodal parameter i
28、dentification andmodel reduction J.J Guid Control Dyn,1985(8):620-627.462计算力学学报第 27 卷Cable bridge modal parameter statistical analysis underthe time varying environment coupled with damageYANG Ou1,LIU Yang2,LI Hui1,OU Jin-ping1,3(1.School of Civil Engineering Harbin Institute of Technology,Harbin 15
29、0090,China;2.School of T ransportation Science and Engineering,Harbin Institute of Technology 150090,China;3.School of Civil Engineering,Dalian University of Technology,Dalian 116024,China)Abstract:Statistical analysis for modal frequencies and damping ratios of a cable-stayed bridge is per-formed a
30、ccounting for the coupled effects of time varying environment and damage.Firstly,ERA com-bined NExT method is utilized to identify structural frequency and damping ratio.Than,BP neural net-work is employed to establish the relationship between temperature and structural modal parameters u-sing long-
31、term monitoring data.And then,the probability model of variation in structural modal param-eter by temperature and noise is obtained.Finally,structure damage is identified by comparing the inter-section probability ratio of modal parameter.The proposed approach in this study is verified.Key words:da
32、mage identification;time varying environment;modal parameter identification;artificialneural network(上接第 445 页)Neural network modeling for the drop impact dynamics of fluid-filled containerYANG Shu-yi1,2,LIU De-shun1,ZHAO Ji-yun2(1.College of Electromechanical Engineering,Hunan University of Science
33、 and Technology,Xiangtan 411201,China;2.China University of Mining and Technology,Xuzhou 221116,China)Abstract:Mapping relations of fluid-filled container structure parameter,drop impact parameter andcontact point stress are set up based on the finite element method(FEM)and artificial neural network
34、(ANN).Drop impact process of different drop angle,drop height,container thickness are simulatedwith the Arbitrary Lagrange-Euler(ALE)algorithm in order to obtain training swatch for the ANN.The BP ANN prediction model is established.The difference is less of the prediction values with theANN and the simulation datum with the FEM.This indicates that the method is effective and may pro-vide theory gist of preferences in production process.Key words:fluid-filled container;drop impact;ALE algorithm;FEM;ANN463第 3 期杨鸥,等:时变环境与损伤耦合下桥梁结构频率及阻尼比的统计分析