稀疏正则化方法已被证明能够有效解决移动荷载识别(MFI)中的不适定性问题。然而,现有研究往往忽略了移动荷载中静态与动态分量之间的差异,导致识别精度受限。为此,提出了一种融合响应先验信息和加权字典的移动荷载识别方法。建立了车桥...稀疏正则化方法已被证明能够有效解决移动荷载识别(MFI)中的不适定性问题。然而,现有研究往往忽略了移动荷载中静态与动态分量之间的差异,导致识别精度受限。为此,提出了一种融合响应先验信息和加权字典的移动荷载识别方法。建立了车桥系统中车致桥梁响应与移动车载之间的线性关系。分别对弯矩和加速度响应开展频域分析,将获得的频率先验信息分别用于构建与静态和动态荷载分量相匹配的加权字典。利用该加权字典,采用ADMM(Alternating Direction Method of Multipliers)分别求解移动荷载中的静态和动态分量。通过实桥数值案例证明了所提方法的有效性,并在实验室开展了一系列MFI实验验证。结果表明,融合响应先验信息和加权字典能够有效提升荷载识别精度,并增强其对噪声的鲁棒性。展开更多
文摘稀疏正则化方法已被证明能够有效解决移动荷载识别(MFI)中的不适定性问题。然而,现有研究往往忽略了移动荷载中静态与动态分量之间的差异,导致识别精度受限。为此,提出了一种融合响应先验信息和加权字典的移动荷载识别方法。建立了车桥系统中车致桥梁响应与移动车载之间的线性关系。分别对弯矩和加速度响应开展频域分析,将获得的频率先验信息分别用于构建与静态和动态荷载分量相匹配的加权字典。利用该加权字典,采用ADMM(Alternating Direction Method of Multipliers)分别求解移动荷载中的静态和动态分量。通过实桥数值案例证明了所提方法的有效性,并在实验室开展了一系列MFI实验验证。结果表明,融合响应先验信息和加权字典能够有效提升荷载识别精度,并增强其对噪声的鲁棒性。
