第25期桥梁结构大数据平台建设及数据分析探讨

52监测网 › 首页 › 行业资讯› 专家报告

第25期桥梁结构大数据平台建设及数据分析探讨

2019-3-21 09:55

收藏分享邀请

52监测网专家报告分享-第25期桥梁结构大数据平台建设及数据分析探讨徐传昶结构研究中心主任山东高速工程检测有限公司

52监测网专家报告分享-第25期

桥梁结构大数据平台建设及数据分析探讨

徐传昶 结构研究中心主任 山东高速工程检测有限公司

一、背景

二、桥梁结构大数据平台建设

三、健康监测数据评估

四、健康监测数据挖掘

五、结论

内容简介

一、背景

我国已成为世界桥梁大国，随着桥梁数量的增加和服役时间的增长，桥梁的安全与耐久性问题愈发突出，据不完全统计，近10年我国非地震原因坍塌的仅梁桥和拱桥就有116座。如何保证桥梁的健康与安全运行，是世界性的难题和热点问题。目前，山东高速集团管养桥梁达5000余座，大部分桥梁运营期超过20年，部分桥梁运营期接近30年，相继进入病害多发期。

美国联邦公路局，2008年启动桥梁长期性能研究计划（TBP），选取典型桥梁，建立桥梁健康数据库并开展研究，提升安全性、可靠性和长期寿命。

欧盟，2010年6月，欧盟发布“2020战略”，旨在评估老旧交通基础设施的服役性能和寿命。

日本，2006年，日本开始基于预防性养护的桥梁资产管理系统的研究。贯穿“设计、施工”、“点检”、“健全性评估”、“劣化预测”和“管理计划”。重视长寿命和全寿命周期成本最小化理念。

国内政策

交通运输部《公路长大桥隧养护管理和安全运行若干规定》第二十三条“长大桥隧经营管理单位应针对长大桥隧自身特点和技术要求编制养护管理手册，建立养护管理信息系统，全面及时记录长大桥隧检查和养护管理等有关情况。”（2018年3月）

交通运输部《推进智慧交通发展行动计划（2017-2020年）》，“深化BIM技术在公路、水运领域应用。……在运维阶段，建设BIM+GIS可视化平台，依托建设期形成的BIM数据库，加强在养护、运营、监测、应急、管理等方面的应用。”（2017年1月）

《公路桥涵养护规范》第1.0.3条规定：“公路桥涵养护工作的主要内容和基本要求是建立公路桥梁管理系统和公路桥梁数据库，实施桥涵病害监控，实行科学决策。”

《交通运输部关于进一步加强公路桥梁养护管理的若干意见》（交公路发[2013]321号）中的要求：“特大、特殊结构和特别重要桥梁的养管单位，要利用现代信息技术，建立符合自身特点的养护管理系统和健康监测系统。”

研究方向

依托集团建设管养的5000余座桥梁（含50余座特大桥）、山东高速“智慧高速云平台、“桥梁结构大数据与性能诊治提升”行业重点实验室为基础，构建全寿命周期内桥梁结构大数据平台，开展桥梁长期性能演化与诊断评估技术研究，开发系统化、信息化、智能化的检（监）测技术、软件与装备，研发桥梁维修加固与性能提升材料、工艺与技术，为行业发展提供技术服务与支撑。

二、桥梁结构大数据平台建设方面

1）打通桥梁设计阶段、施工阶段和运营阶段的信息孤岛，构建融合施工期试验检测数据、施工监控数据、运营期定期检测数据、暴露试验数据和健康监测数据于一体的桥梁结构大数据平台。

2）利用大数据分析和挖掘技术，对典型桥梁的定期检测数据、暴露试验数据和健康监测数据进行系统分析，结合施工期试验检测数据和施工监控数据，分析不同结构形式典型桥梁的病害特征，研究桥梁长期性能演化发展规律和病害成因。

健康监测代表性工程

系统总体架构

健康监测系统需包括以下子系统：

（1）数据采集与传输子系统；

（2）用户界面子系统；

（3）综合安全预警评估子系统；

（4）数据库管理子系统。

济南黄河二桥传感器系统总体布设

济南黄河三桥传感器系统总体布设

三、健康监测数据评估

1）交通视频中车辆荷载空间位置二次判定及荷载校验

2）基于改进聚类算法的健康监测系统数据挖掘模型

深度卷积分（CNN）

卷积层（convoution）：通过卷积核来提取原始图像特征，这也是卷积神经网络开创性的工作。

卷积核通过共享参数的方式实现了对于图像特征统一的提取方式，而这种卷积+训练参数的方式表明在特征提取的过程中，更加尊重图像本身的特征抽象，而不是人为的主观意志的一种体现（相对于传统方法对于人为假设特征点的条件）。

池化层（poo）：将卷积层提取到的特征进一步加工，包括最大池化、平均池化等等；其主要的思想是，着重提取具有某种倾向的特征，比如最大池化对应的是更显著的特征；平均池化对应的是更加平滑的特征。

全连接层（fc）：将前面的网络层提取的最终特征，通过神经网络的全连接层实现在更高维度的特征交互和空间可分。

交通视频监测为车辆荷载的分布提供了直观的监测方式，基于提出的视频图像处理手段，可实现车辆在桥梁分布的状态反演，然后将荷载与结构有限元分析建立分析接口实现桥梁荷载校验系数的分析，可为桥梁的快速安全评定提供理论及算法支持。

四、健康监测数据挖掘

常用的数据挖掘方法

分类：是一种有指导的学习过程，是基于某种标量进行分类

聚类：是一种无指导的学习过程，不需要事先知道数据的潜在模式

关联分析：挖掘数据之间有趣的关联或相互关系

时间序列分析：从中寻找和分析事物的变化特征、发展规律，进而预测事物的未来发展。

在对健康监测进行数据挖掘时，由于事先不知道数据的分类模式，无类别标记，这恰能体现出聚类算法的优点：自适应聚类，相当于无指导的分类。

数据挖掘模型建立

在建立数据挖掘模型时，模型的异常阈值是一项关键指标，而要想找出合理的异常阈值，需要将监测数据与有限元理论计算结果相互结合，对异常阈值进行验证、迭代，最终确定合理的异常阈值。

1.数据源选取

系统中采用静力水准仪监测主梁挠度，选取次边跨跨中挠度数据、主跨/4挠度数据以及主跨跨中挠度数据作为分析数据，建立起三维数据组来训练聚类分析模型。

2.数据挖掘模型训练

在训练聚类分析模型时，以挠度数据为基础数据来确定数据挖掘模型的异常阈值。根据经验设置初始阈值2.0，利用该阈值进行聚类分析，识别出数据组中的异常数据，将识别出的异常值与有限元计结果进行对比。判断所识别出的异常数据是真实的异常数据，还是由于数据挖掘模型中异常阈值设定偏小导致的正常数据被识别为异常数据，反复迭代，最终确定挠度异常阈值为3.3。

3.异常阈值验证

根据各个监测点的预警值设定情况，将正常数据组中的10条数据调整为超过监测预警值的数据，让其从正常数据变为“异常数据”，用该带有10条异常数据的数组对数据挖掘模型的异常阈值进行验证。