(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210684172.X (22)申请日 2022.06.16 (71)申请人 浙江工业大 学 地址 310014 浙江省杭州市拱 墅区潮王路 18号 (72)发明人 卢彭真　李登国　陈扬瑞　武瑛　 卢立波　 (74)专利代理 机构 杭州天正专利事务所有限公 司 33201 专利代理师 崔国艳 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/27(2020.01) G06N 20/00(2019.01) G06F 111/10(2020.01)G06F 119/14(2020.01) (54)发明名称 基于动载的桥梁静力行为预测方法 (57)摘要 本发明公开了一种基于动载的桥梁静力行 为预测方法， 包括以下步骤： 根据既有桥梁的设 计资料， 建立全桥结构分析模型； 对既有桥梁进 行动载测试， 获取桥梁动力响应值； 对初始结构 分析模型中的各设计参数进行敏感性分析， 获取 并确定影 响桥梁结构的待修正关键设计参数； 基 于均匀设计抽样法， 利用机器学习智 能算法， 构 建待修正关键设计参数的训练样本并建立代理 预测模型； 利用机器学习和智能算法的预测结果 对初始结构分析模型进行修正； 基于修正后的结 构分析模型进行桥梁静力行为预测； 引入误差分 析方法， 对桥梁静力的预测结果进行评价。 本发 明的有益效果是： 降低了桥梁静载试验的成本， 降低对桥梁自身结构产生的损伤， 预测结果精度 高。 权利要求书2页 说明书7页 附图3页 CN 115270238 A 2022.11.01 CN 115270238 A 1.基于动载的桥梁静力行为预测方法， 其特 征在于， 包括以下步骤： 步骤1、 根据既有桥梁的设计资料， 建立全桥的结构分析模型； 并将所述结构分析模型 作为后续模型修 正的初始结构分析模型； 步骤2、 对既有桥梁进行动载测试， 获取桥梁动力响应值； 步骤3、 对初始结构分析模型中的各设计参数进行敏感性分析， 获取并确定影响桥梁结 构的待修 正关键设计参数； 步骤4、 基于均匀设计抽样法， 利用机器学习智能算法， 构建待修正关键设计参数的训 练样本并建立代理预测模型； 步骤5、 利用机器学习和智能算法的预测结果对初始结构分析模型进行修正， 获取修正 后的结构分析模型； 步骤6、 基于修 正后的结构分析模型进行桥梁静力行为预测； 步骤7、 引入误差分析方法， 对桥梁静力的预测结果进行评价； 其中， 误差分析采用均 方 根误差RMSE分析 方法； 均方根 误差计算公式如下： 其中， 分别为第i组样本所对用的试验响应值和智能预测模型预测响应值， 为 实验响应值的平均值。 2.如权利要求1所述的基于动载的桥梁静力行为预测方法， 其特征在于： 步骤1的结构 分析模型采用数值方法建模， 所述数值方法为有限元、 边界元、 离散元和/或无限元建模方 法。 3.如权利要求2所述的基于动载的桥梁静力行为预测方法， 其特征在于： 步骤2中对桥 梁动载测试时采用接触式或非接触式、 直接 法或间接法测量桥梁的动力性能； 其中， 所述动 力特性的参数包括 桥梁的频率、 振型、 阻尼、 冲击系数、 动挠度及动应 变。 4.如权利要求3所述的基于动载的桥梁静力行为预测方法， 其特征在于： 步骤2中通过 采用直接测量法中的环境激励法对一座既有桥梁进行现场动载测试； 测试时通过拾振器布 置在桥梁的L/8、 L/4、 L/2典型截面获取桥梁在地脉动下的振动 响应， 并对获取的时域结果 进行傅里叶变换， 既可 得到反映桥梁频率特 征的频域结果。 傅里叶变换公式为： 式中： j为虚单位， j^2＝ ‑1， 无单位； T为周期， 单位为秒； X为x的原函数； t为时间， 单位 为秒； ω为频率， x(t)为连续时间信号。 5.如权利要求3所述的基于动载的桥梁静力行为预测方法， 其特征在于： 步骤3中采用 灵敏度分析方法对步骤1桥梁的初始结构分析模型 的各设计参数进行敏感性分析， 分析不 同设计参数的灵敏度权 重指标， 确定桥梁的待修 正关键设计参数。 6.如权利要求5所述的基于动载的桥梁静力行为预测方法， 其特征在于： 步骤4采用均 匀设计抽样方法， 构建空间均匀满布的待修正关键设计参数 的训练样本， 并结合智能算法权　利　要　求　书 1/2 页 2 CN 115270238 A 2建立预测模型； 其中， 所述智能算法包括贝叶斯理论、 高斯过程方法和/或Krigi ng模型。 7.如权利要求6所述的基于动载的桥梁静力行为预测方法， 其特征在于： 步骤4采用的 智能算法为Krigi ng模型算法； 其中， Krigi ng模型包 含多项式和随机分布两 部分， 即y(x)＝f(x)Tβ +Z(x)， 其中： f(x)Tβ ＝[f1(x),f2(x),...,fp(x)]β ＝f1(x)β1+f2(x)β2+...+fp(x)βp   (4)； f(x)为多 项式模型， p为多 项式数目， β 为回归系数。 Z(x)是一个随机过程， 称之为变异函数或相关模型， Z(x)的协方差矩阵为： 式中： Cov()为协方差； σ 为标准差； θ为超参数； xi和xj为样本点； 为样本点中 任何两个样本点xi和xj的空间相关函数， 其 函数形式为： 在Kriging回归函数模型预测过程中 ， 将问 题转化问最小优化问 题 ， 即 通过求解公式的最小优化问题， 得到参数θ， 便可构建最优的Kriging 预测模型， 其中θ 为超参数， m为自然数， m＝1,2,3, …m， σ 为标准差 。 8.如权利要求7所述的基于动载的桥梁静力行为预测方法， 其特征在于： 步骤5基于步 骤4构建的预测模型， 调用步骤2所获取的桥梁动载测试结果， 对各待修正关键设计参数进 行预测， 并将各待修正关键设计参数 的预测结果代入步骤1所构建的桥梁的初始结构分析 模型， 实现对初始结构分析模型的修 正。 9.如权利要求6所述的基于动载的桥梁静力行为预测方法， 其特征在于： 步骤6基于修 正后的结构分析模型， 根据桥梁的静载试验方案， 在修正后的结构分析模型中进行荷载工 况的施加， 实现对桥梁静力结果的预测。权　利　要　求　书 2/2 页 3 CN 115270238 A 3