基于卷积神经网络的铁路桥梁高强螺栓缺失图像识别方法

为及时发现铁路桥梁高强螺栓偶发的延迟断裂并补充新螺栓,降低铁路桥梁连接失效风险,开展基于卷积神经网络的桥梁高强螺栓缺失图像识别方法研究。该识别方法的主网络由5个卷积层、5个最大值池化层和2个全连接层的卷积神经网络组成。提出在主网络上附加通道和空间混合注意力子网络,分别对不同输入图像的高层不同通道语义特征和不同区域赋予不同权重,提高图像的特征和区域敏感性,进而提高网络的识别准确率。通过随机裁剪、翻转、颜色变化、仿射变换增强和数据均衡操作,增加训练数据的多样性和改善数据的不平衡性。基于真实场景螺栓缺失场景识别结果表明,识别方法的准确率达到94.9%,比常见识别方法提高了4.9%。

高强螺栓缺失对整体节点疲劳性能影响研究

以湖北白洋长江大桥为工程背景,研究高强螺栓缺失对整体节点疲劳性能的影响。使用Ansys Workbench建立整体节点有限元模型,基于静力结果选用荷载类型为Zero-Based和Goodman应力修正模型进行疲劳分析。分析表明原模型结构的最小疲劳寿命为200万次,最小安全系数为1.26>1,整体节点的疲劳寿命满足要求。分别建立斜腹杆和竖腹杆螺栓缺失模型,对模型疲劳分析表明:斜腹杆螺栓缺失将使应力增加5.24%,降低疲劳安全系数6.44%;竖腹杆螺栓缺失将使应力增加5.95%,降低疲劳安全系数7.28%,对于桥梁的耐久性较为不利。