(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210488230.1 (22)申请日 2022.05.06 (71)申请人 重庆交通大 学 地址 400074 重庆市南岸区学府大道6 6号 (72)发明人 陈悦　沈培文　 (74)专利代理 机构 北京海虹嘉诚知识产权代理 有限公司 1 1129 专利代理师 胡博文 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/13(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/14(2020.01) (54)发明名称 大交通流量下长时段桥梁荷载效应提取方 法 (57)摘要 本发明公开了一种大交通流量下长时段桥 梁荷载效应提取方法， 包括步骤： S1.构建神经网 络模型； S2.将车辆样本数据输入到神经网络模 型进行网络模 型训练， 得到训练好的神经网络模 型； S3.采集实时的车辆数据， 并将所述车辆数据 输入到训练好的神经网络模型， 输出时间段T内 的车辆数据； S4.确定桥梁中各片梁的横向分布 情况； S5.计算受力最不利梁的跨中弯矩影响线； S6.将梁长作为总步长L， 以步距X作为步长移动 距离， 将时间段T内的车辆数据逐步加载在受力 最不利梁的跨中弯矩影 响线上， 计算每步产生的 跨中弯矩效应。 本发明能够拓展车辆数据的时 长， 为预判桥梁后续是否具有良好的安全性、 适 用性以及耐久性 提供了可能。 权利要求书1页 说明书4页 附图1页 CN 114741973 A 2022.07.12 CN 114741973 A 1.一种大交通 流量下长时段桥梁荷载效应提取 方法， 其特 征在于： 包括如下步骤： S1.构建神经网络模型； S2.将车辆样本数据输入到神经网络模型进行网络模型训练， 得到训练好的神经网络 模型； S3.采集实时的车辆数据， 并将所述车辆数据输入到训练好的神经网络模型， 输出时间 段T内的车辆数据； S4.根据桥梁的横向分布影响线， 确定桥梁中各片梁的横向分布情况； S5.根据各片梁的横向分布情况及桥梁纵向弯矩影响线计算受力最不利梁的跨中弯矩 影响线； S6.将梁长作为总步长L， 以步距X作为步长移动距离， 将时间段T内的车辆数据逐步加 载在受力最 不利梁的跨中弯 矩影响线上， 计算每步产生的跨中弯 矩效应。 2.根据权利要求1所述的大交通流量下长时段桥梁荷载效应提取方法， 其特征在于： 步 骤S2中， 还包括： 将车辆样 本数据输入到神经网络模型之前， 检查车辆样 本数据的正确性并 对车辆样本数据进行归一 化处理。 3.根据权利要求1所述的大交通流量下长时段桥梁荷载效应提取方法， 其特征在于： 所 述步骤S2， 具体包括： S21.将车辆样本数据输入到神经网络模型， 输出实际输出值； S22.判断实际输出值与期望输出值之间的误差是否在设定的范围内， 若是， 则训练结 束， 并进入步骤S23； 若否， 则调整神经网络模型中的参数值， 并重复步骤S21 ‑S22； S23.将训练结束后的神经网络模型作为训练好的神经网络模型。 4.根据权利要求3所述的大交通流量下长时段桥梁荷载效应提取方法， 其特征在于： 根 据如下公式确定实际输出值与期望 输出值之间的误差 E： 其中， dk为期望输出值， yk为实际输出值， k为输出层神经元总个数； i为输入层神经元总 个数。 5.根据权利要求1所述的大交通流量下长时段桥梁荷载效应提取方法， 其特征在于： 所 述车辆数据包括车 型、 日交通 量、 车道横向分布、 车间距以及车重 。 6.根据权利要求1所述的大交通流量下长时段桥梁荷载效应提取方法， 其特征在于： 所 述横向为 桥梁的桥宽方向， 所述纵向为 桥梁的桥长方向。权　利　要　求　书 1/1 页 2 CN 114741973 A 2大交通流量下长时段桥梁荷载效应提取方 法 技术领域 [0001]本发明涉及 桥梁荷载领域， 具体涉及一种大交通流量下长时段桥梁荷载 效应提取 方法。 背景技术 [0002]近年来随着中国经济 的快速增长， 交通事业蓬勃发展， 公路总里程以及高等级公 路比例都显著提高， 同时， 随着汽车工业和交通运输行业的迅速发展， 公路交通流量不断大 幅增长， 车辆行驶速度明显提高， 重型车辆大量涌现， 使得车辆荷载较以往发生了很大的变 化， 严重威胁着公路桥梁的运行安全， 加之， 现如今轻质、 高强混凝土的不断发展运用以及 新的概率极限状态法取代传统的容许应力法之后， 混凝土桥梁所承受的工作应力越来越 高， 正是在这样一种情况 下， 如实得到大交通 流量下的公路混凝 土桥梁荷载效应尤为重要。 [0003]然而， 大交通流量并不是维持在某一个稳定 的水平， 而是随着时间的变化在不断 变化， 为了能较好地挖掘出影响桥梁的荷载水平， 对交通流量的考察就不能停留在具体的 时间点， 因此， 长时段 下大交通流量的获取才更有意 义。 发明内容 [0004]有鉴于此， 本发明的目的是克服现有技术中的缺陷， 提供大交通流量下长时段桥 梁荷载效应提取方法， 能够拓展 车辆数据的时长， 为预判桥梁后续是否具有良好的安全性、 适用性以及耐久性 提供了可能。 [0005]本发明的大交通 流量下长时段桥梁荷载效应提取 方法， 包括如下步骤： [0006]S1.构建神经网络模型； [0007]S2.将车辆样本数据输入到神经网络模型进行网络模型训练， 得到训练好的神经 网络模型； [0008]S3.采集实时 的车辆数据， 并将所述车辆数据输入到训练好的神经网络模型， 输出 时间段T内的车辆数据； [0009]S4.根据桥梁的横向分布影响线， 确定桥梁中各片梁的横向分布情况； [0010]S5.根据各片梁的横向分布情况及桥梁纵向弯矩影响线计算受力最不利梁的跨中 弯矩影响线； [0011]S6.将梁长作为总步长L， 以步距X作为步长移动距离， 将时间段T内的车辆数据逐 步加载在受力最 不利梁的跨中弯 矩影响线上， 计算每步产生的跨中弯 矩效应。 [0012]进一步， 步骤S2中， 还包括： 将车辆样本数据输入到神经网络模型之前， 检查车辆 样本数据的正确性并对车辆样本数据进行归一 化处理。 [0013]进一步， 所述步骤S2， 具体包括： [0014]S21.将车辆样本数据输入到神经网络模型， 输出实际输出值； [0015]S22.判断实际输出值与期望输出值之间的误差是否在设定的范围内， 若是， 则训 练结束， 并进入步骤S23； 若否， 则调整神经网络模型中的参数值， 并重复步骤S21 ‑S22；说　明　书 1/4 页 3 CN 114741973 A 3