基于Mobile ViT和迁移学习的大跨拱桥损伤识别研究

作     者：蒋黎明 

作者单位：重庆交通大学 

学位级别：硕士

导师姓名：辛景舟;周建庭

授予年度：2024年

学科分类：12[管理学] 081406[工学-桥梁与隧道工程] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0814[工学-土木工程] 0811[工学-控制科学与工程] 082301[工学-道路与铁道工程] 0823[工学-交通运输工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：大跨拱桥 损伤识别 Mobile ViT 迁移学习 内积矩阵 

摘      要：拱桥刚度大、经济性好、山区跨越能力强,是山区桥梁的主力桥型。然而,随着服役年限的增长,在外部服役环境和内部材料劣化的耦合作用下,拱桥不可避免地发生结构损伤,充分挖掘桥梁管养过程中的监测信息,识别服役拱桥损伤状态,对于保障拱桥结构安全与山区路网畅通意义重大。 本文在调研分析既有结构损伤识别方法的基础上,提出了基于Mobile ViT和迁移学习的大跨拱桥损伤识别新方法,通过多参数数值模拟与模型试验,验证了所提方法的有效性,考虑实际应用场景,分析了环境噪声、传感器采集质量等因素对大跨拱桥损伤识别实用性的影响。主要研究工作及结论如下: (1)提出了基于Mobile ViT和迁移学习的大跨拱桥损伤识别方法。首先,建立大跨拱桥仿真模型,得到不同损伤工况下的加速度数据;随后,利用内积函数将结构加速度响应转换为内积矩阵图,构建损伤数据集;然后,采用迁移学习策略利用损伤数据集对模型进行训练及测试;最后,利用F1值、准确率、召回率以及精确率四个评价指标对所提损伤识别模型进行评价,通过与Alex Net、Inception V3、Res Net50和VGG16损伤识别模型的对比,验证了所提方法的优越性。结果表明:本文所提损伤识别方法可以准确对大跨拱桥的损伤进行识别,单损伤识别准确率达到了98.3%,相较于其余模型,分别提高了9.36%、32.77%、13.62%以及16.60%,除此之外所提方法在精确率、召回率以及F1值方面均全面优于其他模型;多损伤识别准确率为97.87%,相较于其余模型中表现最优异的Alex Net模型,其准确率提高了8.08%,召回率增加了8.08%,精确率增加了7.99%,F1值增加了8.04%。当样本长度减少50%时所提方法的识别准确率反而会有小幅度提高,进一步证明了所提方法更适用于小样本领域,同时所提方法拥有较好的鲁棒性,当传感器故障离线率达到36.36%时,损伤识别准确率依旧可以达到91.47%。 (2)开展了钢筋混凝土拱模型试验验证。首先,设计并制作了钢筋混凝土拱结构;然后,通过橡胶锤在加载过程中进行敲击施加外部激励,采集该过程中不同损伤工况下的结构加速度数据;随后,利用内积函数将加速度数据转化为内积矩阵图构建损伤数据集并随机划分为训练集、验证集以及测试集;最后,利用迁移学习策略和损伤数据集对所提损伤模型进行训练和测试。结果表明:所提方法能够对钢筋混凝土模型拱的损伤进行准确识别,准确率达95.86%,召回率、精确率和F1值等指标分别达到了0.9586、0.9605、0.9596。以准确率为例,相较于Alex Net、Inception V3、Res Net50和VGG16损伤识别模型,所提方法分别提高了2.76%、24.78%、2.41%以及6.20%。 (3)分析了传感器数量及数据质量对损伤识别精度的影响。基于多损伤工况,分析了在不同环境噪声、传感器采集质量以及传感器数量对大跨拱桥损伤识别精度的影响。结果表明:环境噪声对于结构损伤识别存在一定影响,但是所提方法有着良好的抗噪性,当环境噪声的信噪比达到10d B,传感器数量为18时所提方法的识别准确率依旧达到了92.77%。在一定范围内,随着传感器数量的增加其损伤识别的准确率也会随之增加,就大跨拱桥而言传感器数量不宜超过18个。传感器质量同样对损伤识别结果有着较大影响,使用低质量传感器,必然会降低损伤识别的准确率。当环境中存在强干扰时传感器采集质量带来的影响尤为明显,与一味使用高质量传感器相比,使用中等质量传感器时如果略微增加传感器数量,得到的损伤识别效果反而会得到提高。值得一提当环境噪声的信噪比达到15d B时,只使用10个中等质量传感器进行损伤识别,其准确率亦可达到85.47%。