摘要
中小跨径梁桥是我国公路的重要组成部分，其健康状态是保证公路正常使用和安全运营，发挥公路潜在通行能力，提高公路运营效益的关键。 传统桥梁健康状态评估模型不仅没有考虑桥梁建成后的服役时间特征，也忽视了桥梁生存资料中存在的删失数据，使得模型无法获取桥梁生存数据的完整信息。鉴于此，本文针对桥梁生存资料中存在删失数据的问题，将生存分析理论应用到中小跨径梁桥健康状态评估中，充分利用删失数据所提供的不完全信息，对桥梁主要结构和部件生存时间的分布特征进行描述，对影响桥梁生存时间的关键因素进行分析。 此外，传统生存分析方法的使用条件较为苛刻，如协变量必须满足比例风险假定，且结局事件的发生次数不低于一定比例。为突破这些局限，本文提出基于深度生存分析的中小跨径梁桥健康状态评估方法，对桥梁主要结构和部件的衰变规律进行研究。主要工作及贡献概括如下: （1）构建了基于生存分析的中小跨径梁桥健康状态评估模型。针对桥梁历年检测数据生存资料的特点，借鉴生存分析理论在医学领域的应用经验，将桥梁结构或部件的技术状况降级作为结局事件的标志，将桥梁结构或部件在相应技术状况等级的服役时间作为生存时间，采用Kaplan-Meier方法绘制桥梁结构或部件生存曲线验证比例风险假定，最后将满足假定的协变量引入到桥梁Cox比例风险模型中，研究桥梁不同结构和部件随服役时间延长的衰变规律。 （2）设计了基于安卓智能手机的桥梁加速度数据采集程序。针对传统桥梁动力数据采集成本较高的问题，采用AndroidStudio工具开发了智能手机加速度采集App,并在桥梁缩尺实物模型上进行了加速度数据采集试验验证。此外，针对中小跨径梁桥两种典型的结构形式（简支梁和连续梁）分别进行了现场试验。将智能手机加速度传感器与传统加速度传感器采集的桥梁加速度数据通过频域分析得到的结构基频数据进行对比，证明了智能手机加速度传感器采集到的加速度数据分析出的结构基频满足后续研究的要求。 （3）提出了桥梁健康状态评估指标（频率比）用于强化模型特征。桥梁定期巡检数据一般由桥检人员目视检测得到，因而存在一定的主观性误差。本文提出通过智能手机内置的加速度传感器采集桥梁加速度数据，通过频域分析得到桥梁现有基频，将桥梁现有基频与桥梁建成通车后的初始基频的比值（频率比）作为研究因素之一引入到桥梁健康状态评估模型中。 （4）发展了基于深度学习和Cox比例风险回归模型的中小跨径梁桥健康状态评估方法。Cox模型假设协变量的总影响是协变量的线性组合，因而对包含非线性信息的生存数据挖掘方面存在不足。本文基于Tensorflow深度学习框架搭建了桥梁深度生存分析模型，通过贝叶斯算法进行神经网络的超参数优化，研究桥梁上部承重结构、上部一般结构、支座、桥面铺装、伸缩缝和频率比与桥梁上部结构技术状态等级之间的关系。结果证明桥梁深度生存分析模型可以有效地利用桥梁生存资料中的非线性信息。
NETL