摘要
对于土木工程师和人工智能专家而言，桥梁健康监测与机器学习正越来越紧密地结合在一起。如果不能及时处理，桥梁的健康问题可能会带来严重后果。因此，需要持续监测以发现任何异常或损伤。加速度计、倾角计、热敏电阻等传感器有助于对这些桥梁进行实时监测。这些传感器发出的信号可以记录桥梁的运行状况，而借助机器学习算法，这些数据有助于检测异常、定位损伤以及预测桥梁健康状况。所提出的方法从桥梁对环境激励的动态响应中提取特征，重点处理安装在钢制铁路桥上的不同加速度计传来的信号，以此确定损伤位置并评估损伤程度。首先从时间序列数据中提取特征，经过一些预处理后将其输入深度神经网络。研究过程中使用了正常数据和增强数据，并通过调整不同参数来获得更好结果。此外还对原始数据进行了分割，分析了数据分割对预测结果的影响。实验结果表明，将原始数据分割为四等份时，深度神经网络的训练和测试准确率最高。在所研究的实验条件下，采用40×40的特征分割方式能够提升预设桥梁场景类别的分类性能。在桥梁场景分类中，最佳准确率为93.54%，而在损伤程度分类中，最佳准确率为98.21%。在基于深度神经网络的优化器比较中，Adam优化器的性能优于随机梯度下降法（SGD），其测试准确率分别为92.3%和93.7%，而SGD的对应准确率为75.2%和86.4%。同时，Adam优化器在损伤定位和损伤程度估算方面的表现也优于随机梯度下降法。
