基于卷积神经网络的多车桥梁动态称重算法

为识别多车工况下车辆过桥时的车辆重量,采用卷积神经网络技术开发出可用于多车轴重识别的桥梁动态称重(BWIM)算法.首先,利用车桥耦合系统采集不同车辆过桥时梁底的应变信号;之后,基于深度学习开源框架KERAS搭建了包含9层卷积层、2层全连接层的卷积神经网络(CNN)模型,利用Adam优化器训练CNN模型以拟合所获得的应变信号与车辆轴重在不同工况下的变化规律,并最小化拟合误差;最后,对所开发的算法在单车和多车加载工况下的轴重识别精度进行了对比分析.结果表明:所提出的算法在单车和多车工况下的轴重识别误差均值基本低于5%,并且识别精度对车辆速度和横向位置的变化不敏感,说明算法的轴重识别效果良好且稳定.该多车BWIM算法摆脱了对桥梁影响线的依赖,为不适用于利用影响线方法进行动态称重的桥梁提供了可替代的称重技术.

用于公路车-桥系统振动分析的精细化轮胎模型

为了解决当前公路车桥耦合振动模型中轮胎模型过于简化、车轮-路面接触力与桥梁响应计算结果不够精确的问题,提出了一种精细化轮胎模型。首先基于车辆橡胶轮胎的几何、力学特征,建立了径向弹簧力学模型并进行了理论推导;然后考虑轮胎与路面接触面的刚度分布特征和高速状况下轮胎的惯性力,提出了轮胎接触面分布刚度的计算方法,保证了轮胎接触面的变形协调和力学平衡关系。通过与现有研究结果进行对比,验证了轮胎模型的准确性和可靠性。研究结果表明:车辆轮胎惯性力引起的不平衡离心力会随车轮荷载和轮胎刚度的降低及车速的增加而增大,当车速达到60 km·h^(-1)时,不平衡离心力可能超过车轮荷载的10%并对轮胎的变形产生影响,进而改变车辆、桥梁2个子系统的接触关系,因此在车桥耦合振动分析中有必要考虑轮胎的质量及其产生的不平衡离心力;基于不同轮胎模型获得的接触力计算结果不同,从而引起车辆、桥梁动态响应计算结果的显著差异,且这种差异可能会随车速和车轮荷载的增加及路况的恶化而显著增大,因此实际运用中应尽可能选择精度较高的轮胎数值模型;采用不考虑面接触的单点模型可能明显高估车辆、桥梁的动态响应,而应用未考虑刚度重分布的改进弹性滚子模型在车速较高时会低估车辆的动态响应,与这2种模型相比,基于所提的刚度重分布模型进行车-桥系统振动分析时,其计算响应与实测结果更为接近,且对于桥梁动力冲击系数的估计更加准确。