基于混沌时间序列的桥梁状态评估研究

论文摘要

桥梁结构在使用过程中受自然环境、交通量增加、车辆荷载以及材料内部因素的共同影响,随着时间的推移会出现缺损和病害,使结构的耐久性降低、承载力下降,影响桥梁的使用寿命。目前,对在役桥梁结构状态评估的研究已成为土木工程领域的一个热门研究方向。桥梁荷载试验检测对于新桥投入使用前或桥梁受到意外损伤时的安全性评估具有积极的意义,然而荷载试验需中断交通,重复花费大量的人力、物力、财力等,其费用相对较高,并且只能适合于某个时段,存在时效性较差的问题。桥梁远程监测则能克服以上缺点,具有安全、实时、连续、及时预警预报的特点。随着结构健康监测技术的迅速发展、测试信息准确性的提高及现场测试条件的改善,为桥梁结构的状态评估提供了必要的支撑。本文旨在从桥梁结构非线性动力行为出发,在掌握大量监测信息基础上,通过提取系统特征指标,实现对在役桥梁的结构状态评估研究。本文的研究工作主要体现在以下几个方面：(1)对国内外结构状态评估方面的研究资料进行收集,系统总结了目前国内外的状态评估理论及其方法。介绍了混沌时间序列的基本理论,探讨系统混沌特征参数的定义及其计算方法,针对桥梁结构具有非线动力系统的特性,首次提出了应用混沌时间序列理论研究桥梁结构状态。(2)通过对大量的桥梁健康监测信息的分析,提出桥梁健康监测的时间序列中数据奇异性检测方法以及时间序列的消噪方法。剔除混杂在监测信号中的干扰与噪声,使其能够真实地还原实际的振动信号,为后面进行桥梁健康监测的时间序列分析提供可靠的数据。(3)基于混沌时间序列理论及其分析方法,分别对马桑溪大桥及ASCE Benchmark结构的健康监测信息进行分析和研究,在分析桥梁结构系统非线性特征与混沌时间序列的特征参数及其算法的基础上,结合Matlab程序进行数值分析,获取系统的特征指标。实验结果表明：ASCE Benchmark结构和重庆马桑溪大桥结构系统的最大Lyapunov指数均大于0且关联维数均为非整数且大于2,根据相关理论说明该系统均存在混沌现象；最大Lyapunov指数与样本数量和时间延迟均有一定敏感性,且λmax、D2能够随结构变化而演化,具有辨识结构状态的能力。通过数值模拟实验与实桥应用,分别验证了基于混沌系统特性的在役桥梁长期监测状态评估技术的可行性和有效性。本论文提出的方法对运营状态下大型桥梁的状态评估具有一定的借鉴作用。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究的背景与意义
• 1.2 国内外研究现状
• 1.2.1 桥梁健康监测系统的发展及应用现状
• 1.2.2 桥梁状态评估理论及方法的研究现状
• 1.2.3 混沌时间序列理论的发展及应用现状
• 1.3 存在的问题
• 1.4 主要研究内容
• 1.5 本章小结
• 2 混沌时间序列理论及其特征指标分析
• 2.1 混沌时间序列基本理论
• 2.1.1 混沌的定义
• 2.1.2 混沌运动的特点
• 2.1.3 时间序列
• 2.2 系统混沌特性识别方法
• 2.3 混沌时间序列预测方法及其分类
• 2.4 重构相空间
• 2.4.1 嵌入维m的选取
• 2.4.2 时间延迟τ的选取
• 2.5 混沌特征指标
• 2.5.1 最大Lyapunov指数
• 2.5.2 关联维数
• 2.5.3 Kolmogorow熵
• 2.6 本章小结
• 3 桥梁健康监测信息预处理及结构非线性分析
• 3.1 桥梁健康监测时间序列的组成与分解
• 3.1.1 桥梁健康监测时间序列的组成
• 3.1.2 桥梁健康监测时间序列模型
• 3.1.3 桥梁健康监测时间序列分解
• 3.1.4 时间序列平滑处理
• 3.2 桥梁健康监测时间序列预处理
• 3.2.1 信号的奇异性检测
• 3.2.2 小波消噪
• 3.3 桥梁结构非线性研究及混沌临界条件分析
• 3.3.1 桥梁结构非线性研究
• 3.3.2 基于Melnikov方法的桥梁结构混沌临界条件分析
• 3.4 本章小结
• 4 ASCE Benchmark结构实验的混沌特性分析及状态评估研究
• 4.1 ASCE Benchmark模型介绍
• 4.1.1 模型概况
• 4.1.2 试验内容
• 4.2 ASCE Benchmark有限元模拟
• 4.3 ASCE Benchmark结构的混沌特征指标分析
• 4.3.1 ASCE Benchmark监测信息最大Lyapunov指数分析
• 2分析'>4.3.2 ASCE Benchmark监测信息关联维数D₂分析
• 4.4 基于系统响应特征的ASCE Benchmark结构的状态评估研究
• 4.5 本章小结
• 5 实桥应用
• 5.1 工程概况
• 5.1.1 健康监测系统
• 5.1.2 应变监测系统
• 5.1.3 挠度监测系统
• 5.2 健康监测信息分析
• 5.2.1 监测信息的分解
• 5.2.2 时间序列的平滑处理
• 5.2.3 基于实时监测信息的小波变换消噪应用
• 5.3 健康监测信息的混沌特征指标分析
• 5.3.1 基于监测信息的Lyapunov指数分析
• 2分析'>5.3.2 基于监测信息的关联维数D₂分析
• 5.4 基于最大Lyapunov指数的健康监测信息预测
• 5.4.1 重构相空间
• max的预报模式'>5.4.2 基于λ_max的预报模式
• 0'>5.4.3 最大可预报时间t₀
• 5.4.4 预测精度
• 5.5 基于系统响应特征的桥梁状态评估研究
• 5.6 本章小结
• 6 结论与展望
• 6.1 总结
• 6.2 展望
• 致谢
• 参考文献
• 攻读学位期间的研究成果