[0001] 涉及深度学习、桥梁疲劳损伤评估、土木工程基础设施健康监测技术领域，具体涉及基于混合卷积自适应图同构网络的车辆荷载作用下钢桥疲劳损伤评估。

[0002] 截至2023年底，我国公路桥梁数量达到107.93万座，其中包括大桥17.77万座，特大桥10239座，相较2015年分别增加了9.81万座和6345座，增幅分别达到123％和162％。在这些大桥、特大桥中，钢桥以其自重轻、承载能力高、组装施工方便等特点占据了绝大部分比例。相较于其他类型的桥梁，大跨度钢桥更容易受到车辆、风、温度等动态荷载的重复作用。这些重复荷载，尤其是车辆荷载，可能会导致钢桥局部细节发生疲劳破坏，并引发更大面积的桥梁级联失效，例如桥梁倒塌。因此，对定期评估对钢桥进行疲劳损伤评估对于确保其安全性和可靠性至关重要。

[0003] 传统的钢桥疲劳损伤评估方法主要分为三类：基于实验的方法、基于结构健康监测的方法和基于有限元分析的方法。基于实验的方法旨在评估制造工艺和残余应力对于钢桥构件疲劳损伤状态的影响。基于健康监测的方法则利用安装在桥梁上的传感器和其他数据采集系统，收集桥梁局部细节的响应数据，并定期评估其疲劳损伤状态。这两种方法更适合评估复杂环境条件下钢桥的疲劳损伤状态，而不适用于定量分析车辆荷载作用下钢桥各类局部细节的疲劳损伤累积情况。

[0004] 作为评估车辆荷载引起的钢桥疲劳损伤的常见方法，基于有限元分析的方法首先建立桥梁的多尺度有限元模型和车辆荷载模型。然后，利用这些模型计算钢桥局部细节在随机交通流作用下的应力时程曲线。接着，该方法会采用雨流计数法来提取这些应力时程曲线中的峰值和谷值，并结合Miner线性累积损伤准则，分析在随机交通流作用下钢桥局部细节的疲劳损伤累积指数。为了全面且准确地分析在车辆荷载作用下钢桥的疲劳损伤累积情况，基于有限元分析的方法通常需要执行大量的蒙特卡洛抽样以生成随机交通流样本并将其施加在有限元模型上进行结构动力学分析，这将会消耗大量的计算时间和计算资源。

[0005] 随着机器学习相关技术不断成熟，许多学者利用机器学习方法来评估车辆荷载引起的钢桥疲劳损伤，取得了显著的成果。具体而言，机器学习模型，如支持向量机或者高斯回归模型等，能够从车辆荷载中提取相关特征，直接学习一个从车辆荷载到疲劳损伤累积指数的映射。利用机器学习模型评估疲劳损伤，减少了所需的有限元分析次数，在保证评估准确率的前提下，提高了评估效率。然而，大多数基于机器学习的钢桥疲劳损伤评估方法仅支持一次评估单个局部细节的疲劳损伤。在实际情况下，桥梁往往包含多个具有相似几何特征并承受相同车辆荷载的疲劳敏感细节。现有的机器学习方法在处理这种多细节疲劳损伤评估问题时显得捉襟见肘。因此，开发一种能够准确评估多个疲劳敏感细节在车辆荷载作用下的疲劳损伤累积的方法显得尤为必要。

[0043] 为使本发明提供的技术方案的优点和有益之处体现得更清楚，现结合附图对本发明提供的技术方案进行进一步详细地描述，具体的：

[0044] 实施方式一、本实施方式提供了钢桥疲劳损伤评估网络构建方法，所述方法包括：

[0045] 根据目标桥梁建立有限元模型和车辆载荷概率统计模型的步骤；

[0046] 根据所述有限元模型和车辆载荷概率统计模型，得到所述桥梁疲劳敏感细节的应力时程曲线的步骤；

[0047] 根据所述桥梁疲劳敏感细节的应力时程曲线，得到总体相关系数矩阵的步骤；

[0048] 根据所述总体相关系数矩阵，得到图数据和邻接矩阵的步骤；

[0049] 根据所述有限元模型、图数据和临接矩阵，得到混合卷积自适应图同构网络的步骤。

[0050] 实施方式二、本实施方式是对实施方式一提供的钢桥疲劳损伤评估网络构建方法的进一步限定，将随机交通量施加到所述有限元模型上，得到所述桥梁各个局部细节的应力时程曲线。

[0051] 实施方式三、本实施方式是对实施方式一提供的钢桥疲劳损伤评估网络构建方法的进一步限定，根据每个桥梁疲劳敏感细节之间的应力时程曲线，得到所述总体相关系数矩阵。

[0052] 实施方式四、本实施方式是对实施方式一提供的钢桥疲劳损伤评估网络构建方法的进一步限定，根据所述总体相关系数矩阵，得到以疲劳敏感细节为节点的图数据和邻接矩阵。

[0053] 实施方式五、本实施方式提供了钢桥疲劳损伤评估网络构建装置，所述装置包括：

[0054] 根据目标桥梁建立有限元模型和车辆载荷概率统计模型的模块；

[0055] 根据所述有限元模型和车辆载荷概率统计模型，得到所述桥梁疲劳敏感细节的应力时程曲线的模块；

[0056] 根据所述桥梁疲劳敏感细节的应力时程曲线，得到总体相关系数矩阵的模块；

[0057] 根据所述总体相关系数矩阵，得到图数据和临接矩阵的模块；

[0058] 根据所述有限元模型、图数据和临接矩阵，得到混合卷积自适应图同构网络的模块。

[0059] 实施方式六、本实施方式提供了钢桥疲劳损伤评估方法，所述方法包括：

[0060] 采集目标桥梁设计参数的步骤；

[0061] 根据实施方式一提供的方法得到的混合卷积自适应图同构网络，处理所述目标桥梁设计参数，得到桥梁的疲劳可靠度或疲劳寿命预测结果的步骤。

[0062] 具体的，本实施方式提供了一种基于混合卷积自适应图同构网络的车辆荷载作用下钢桥疲劳损伤评估方法。该方法通过建立有限元模型、计算应力时程相关性、生成图数据和邻接矩阵、利用蒙特卡洛方法生成随机交通流样本并计算疲劳损伤累积指数、训练混合卷积自适应图同构网络，最终预测钢桥疲劳敏感细节的疲劳可靠度或疲劳寿命。

[0063] 步骤详细描述

[0064] 步骤一：建立有限元模型

[0065] 输入：目标桥梁的设计图纸。

[0066] 过程：

[0067] 利用有限元分析软件(如ANSYS)建立目标桥梁的有限元模型。

[0068] 统计目标桥梁上动态称重系统收集到的车辆信息，过滤异常值和极小值数据。

[0069] 根据车辆信息建立每条车道上不同车型的车辆荷载概率统计模型。

[0070] 输出：目标桥梁的有限元模型和车辆荷载概率模型。

[0071] 步骤二：计算应力时程相关性

[0072] 输入：目标桥梁的有限元模型、车辆荷载概率模型。

[0073] 过程：

[0074] 结合蒙特卡洛方法生成随机交通流。

[0075] 将随机交通量施加到有限元模型上，计算桥梁各个局部细节的应力时程曲线。

[0076] 分析桥梁各个局部细节在车辆荷载作用下的疲劳损伤，确定疲劳敏感细节。

[0077] 输出：桥梁疲劳敏感细节的应力时程曲线。

[0078] 步骤三：构造总体相关系数矩阵

[0079] 输入：桥梁疲劳敏感细节的应力时程曲线。

[0080] 过程：

[0081] 计算这些疲劳敏感细节之间的应力时程相关性。

[0082] 构造总体相关系数矩阵。

[0083] 输出：总体相关系数矩阵。

[0084] 步骤四：生成图数据和邻接矩阵

[0085] 输入：总体相关系数矩阵。

[0086] 过程：

[0087] 根据应力时程相关系数矩阵，生成以疲劳敏感细节为节点的图数据和相应的邻接矩阵。

[0088] 输出：图数据和邻接矩阵。

[0089] 步骤五：生成随机交通流样本并计算疲劳损伤累积指数

[0090] 输入：目标桥梁的有限元模型、图数据和邻接矩阵。

[0091] 过程：

[0092] 利用蒙特卡洛方法生成随机交通流样本。

[0093] 结合目标桥梁的有限元模型，计算每个随机交通流样本下桥梁疲劳敏感细节的疲劳损伤累积指数。

[0094] 构建疲劳敏感细节图样本集，从中选取少量图样本作为训练集训练混合卷积自适应图同构网络。

[0095] 输出：训练好的混合卷积自适应图同构网络。

[0096] 步骤六：预测疲劳可靠度或疲劳寿命

[0097] 输入：训练好的混合卷积自适应图同构网络。

[0098] 过程：

[0099] 以训练好的混合卷积自适应图同构网络为基础，预测钢桥疲劳敏感细节的疲劳可靠度或疲劳寿命。

[0100] 输出：钢桥疲劳敏感细节的疲劳可靠度或疲劳寿命预测结果。

[0101] 有益效果

[0102] 同时评估多个桥梁疲劳敏感细节的疲劳损伤，减少了对计算资源的要求。

[0103] 应用图结构数据来表示桥梁的疲劳敏感细节，提高了方法的适用范围。

[0104] 自动生成图结构数据的邻接矩阵，提高了评估效率。

[0105] 降低了桥梁疲劳评估方法对有限元分析的依赖性。

[0106] 利用混合卷积自适应图同构网络，提高了疲劳损伤预测的准确性。

[0107] 方法的疲劳损伤预测准确率能够达到95％，运行时间仅为基于有限元分析方法的15％。

[0108] 实施方式七、本实施方式提供了钢桥疲劳损伤评估装置，所述装置包括：

[0109] 采集目标桥梁设计参数的模块；

[0110] 根据实施方式五提供的装置得到的混合卷积自适应图同构网络，处理所述目标桥梁设计参数，得到桥梁的疲劳可靠度或疲劳寿命预测结果的模块。

[0111] 实施方式八、本实施方式提供了计算机储存介质，用于储存计算机程序，当所述计算机程序被计算机读取时，所述计算机执行实施方式一提供的方法。

[0112] 实施方式九、本实施方式提供了计算机，包括处理器和储存介质，当所述处理器读取所述储存介质中储存的计算机程序时，所述计算机执行实施方式一提供的方法。

[0113] 实施方式十、本实施方式提供了计算机程序产品，嵌入有计算机程序，当所述计算机程序被读取时，实现实施方式一提供的方法。

[0114] 实施方式十一、结合图1‑5说明本实施方式，本实施方式通过具体实施例，对上述提供的技术方案进行进一步详细地描述，具体的：

[0115] 本实施方式的构思为：

[0116] 因为图神经网络在分子合成、社交网络探索、健康监测数据分析等领域得到了广泛的应用。本发明利用图神经网络的复杂关系捕捉能力和高维数据处理能力，开展基于混合卷积自适应图同构网络的车辆荷载作用下钢桥疲劳损伤评估方法与应用研究，为大跨度钢桥的疲劳损伤评估提供技术支撑。

[0117] 评估车辆荷载引起的疲劳损伤对于判断钢桥服役状态以及制订钢桥养护对策至关重要。现有的钢桥疲劳评估方法往往依赖于耗时的有限元分析或仅仅关注于单个桥梁局部细节的疲劳损伤，无法兼顾评估效率和评估规模。为了解决上述问题，本实施方式提出了一种基于混合卷积自适应图同构网络的车辆荷载作用下钢桥疲劳损伤评估方法，以同时高效评估钢桥多个疲劳敏感细节的疲劳损伤。

[0118] 基于混合卷积自适应图同构网络的车辆荷载作用下钢桥疲劳损伤评估方法，具体实施过程包括：

[0119] (1)建立目标桥梁的有限元模型，分析其在车辆荷载作用下的应力时程，确定目标桥梁的疲劳敏感细节；

[0120] (2)计算这些疲劳敏感细节之间的应力时程相关性，构造总体相关系数矩阵[0121] (3)基于疲劳敏感细节的应力时程相关系数矩阵，生成以疲劳敏感细节为节点的图数据和相应的邻接矩阵

[0122] (4)利用钢桥有限元模型构建疲劳敏感细节图样本集，从中随机选取少量图样本训练混合卷积自适应图同构网络

[0123] (5)以训练好的混合卷积自适应图同构网络为基础，预测钢桥疲劳敏感细节的疲劳可靠度或疲劳寿命

[0124] 本实施方式的目的是提出一种基于混合卷积自适应图同构网络的车辆荷载作用下钢桥疲劳损伤评估方法，以应用于车辆荷载作用下钢桥的疲劳损伤评估。

[0125] 本实施方式的核心是一种基于混合卷积自适应图同构网络的车辆荷载作用下钢桥疲劳损伤评估方法。该方法主要分为两步，第一步，建立桥梁有限元模型，进行结构动力学分析，识别桥梁结构疲劳敏感细节，将其作为图数据中的节点。进一步地，根据两个疲劳敏感细节之间的应力时程相关性来建立对应图数据节点之间的边。第二步，利用有限元模型和蒙特卡洛方法构造图数据样本集，训练并测试混合卷积自适应图同构网络，最终将训练好的混合卷积自适应图同构网络应用于桥梁疲劳敏感细节的疲劳可靠度计算或疲劳寿命评估。

[0126] 其中，步骤(1)具体为：

[0127] (2a)根据目标桥梁的设计图纸，利用ANSYS等有限元分析软件建立目标桥梁的有限元模型。

[0128] (2b)统计目标桥梁上动态称重系统收集到的车辆信息，过滤异常值和极小值数据，并据此建立每条车道上不同车型的车辆荷载概率统计模型。

[0129] (2c)结合蒙特卡洛方法和(2b)中得到的车辆荷载概率模型，生成随机交通流。

[0130] (2d)将(2c)中生成的随机交通量施加到(2a)中建立的有限元模型上，计算随机交通流作用下桥梁各个局部细节的应力时程曲线。

[0131] (2e)分析桥梁各个局部细节在车辆荷载作用下的疲劳损伤，确定疲劳敏感细节。

[0132] 步骤(2e)具体为：

[0133] (3a)利用雨流计算法提取(2d)中得到的桥梁局部细节的应力时程的峰值和谷值[0134] (3b)根据公路钢结构桥梁设计规范(JTG D64‑2015)中的双斜率S‑N曲线和如下Miner线性疲劳损伤累积公式，计算桥梁局部细节的疲劳损伤累积指数D：

[0135]

[0136] 式中ΔσRi和ΔσRj分别代表不同的应力幅，ni和nj代表对应应力幅的循环次数，ΔσC，ΔσD和ΔσL的取值可以根据局部细节的类别查询公路钢结构桥梁设计规范(JTG D64‑2015)来确定。

[0137] (3c)设定阈值n，根据(3b)中计算得到的桥梁局部细节的疲劳损伤累积指数D的大小，对桥梁局部细节进行排序，并选取前n个桥梁局部细节为疲劳敏感细节。

[0138] 具体实施方式4：本实施方式与具体实施方式1不同的是，步骤(2)具体为：

[0139] (4a)结合(3c)中确定的疲劳敏感细节和(2d)中得到的应力时程曲线，构造如下疲劳敏感细节的应力时程矩阵

[0140]

[0141] 式中fi代表疲劳敏感细节i的应力时程，fi(tj)代表在车辆荷载作用下疲劳敏感细节i在tj时刻的应力。

[0142] (4b)根据(4a)中得到的疲劳敏感细节的应力时程矩阵 计算疲劳敏感细节的应力时程相关系数矩阵 疲劳细节i和j之间的应力时程相关性可以由下式计算：

[0143]

[0144] 式中cov(·)代表两个应力时程向量之间的协方差，σi代表单个应力时程向量的标准差，代表数学期望。最终计算得到的疲劳敏感细节的应力时程相关矩阵如下所示：

[0145]

[0146] 应力时程相关系数ρij的取值范围是‑1到1，它的值越大，说明两个疲劳敏感细节之间的应力时程相关性越强。

[0147] 步骤(3)具体为：

[0148] (5a)将(3c)中确定的桥梁疲劳敏感细节视为图数据中的节点，任意两个节点之间的存在性取决于对应疲劳细节之间的应力时程相关的大小。如果两个疲劳敏感细节的应力时程相关性大于规定阈值b，则认为这两个节点之前存在边。这种基于应力时程相关性阈值的邻接矩阵构造方法可以用下式来描述：

[0149]

[0150] (5b)图的节点特征是疲劳敏感细节 各自的空间坐标(xk，yk，zk)，图的全局特征是用来描述随机交通流的车辆荷载特征矩阵

[0151] 步骤(4)具体为：

[0152] (6a)采用与(2c)一致的方法生成更多的随机交通流，利用(2a)中建立的有限元模型计算各个疲劳敏感细节的应力时程，并重复步骤(3a)和(3b)，计算各个疲劳敏感细节在随机交通流下的疲劳损伤累积指数。

[0153] (6b)完成(6a)中的计算过程后，结合(5b)，构建疲劳敏感细节样本集[0154] (6c)从样本集中随机抽取少量样本，作为混合卷积自适应图同构网络的训练集和验证集，混合卷积自适应图同构网络接收图全局特征，图邻接矩阵和图节点特征作为输入，并将输出归一化后各个疲劳敏感细节的疲劳损伤累积指数。混合卷积自适应图同构网络的参数由如下考虑神经网络参数正则化的平均绝对误差损失函数来优化：

[0155]

[0156] 上式中m代表训练集中的图样本总数，n是疲劳敏感细节的总数， 代表由混合卷积自适应图同构网络所预测的第j个图样本中第i个疲劳敏感细节的疲劳损伤累积指数，代表第j个图样本中第i个疲劳敏感细节的疲劳损伤累积指数的实际值，λ是控制正则化程度的参数，p是混合卷积自适应图同构网络中的总参数数量，θk是混合卷积自适应图同构网络中的具体参数值。

[0157] 步骤(5)具体为：

[0158] (7a)将(6b)得到的样本集中未被选择的样本视为测试集，测试混合卷积自适应图同构网络的疲劳损伤预测能力。

[0159] (7b)混合卷积自适应图同构网络测试完成后，可以利用其代替有限元模型，直接预测桥梁疲劳敏感细节在随机交通流下的疲劳损伤累积指数，并结合以下极限状态函数，评估每个疲劳敏感细节的疲劳可靠度或者疲劳寿命：

[0160]

[0161] 上式中X和T分别代表极限状态函数中的随机变量和时间参数，DΔ为临界疲劳损伤累积指数，通常服从某种先验概率分布，D(T)代表在时间T内的疲劳损伤累积指数，Dk为在时间t内随机交通流下的疲劳损伤累积指数，由训练完成的混合卷积自适应图同构网络预测得到。

[0162] 根据上述步骤，利用Python程序和有限元分析软件ANSYS共同完成。通过该实施例，本实施方式的实用性和可行性得到了验证。以下具体实例说明本实施方式的效果。

[0163] 首先，本实施例选择一座跨径布置为(48m+204m+460m+204m+48m)的双向六车道钢箱梁斜拉桥为评估对象。该斜拉桥的立面图如图1所示。该斜拉桥的上部结构由87段钢箱梁组成，每个钢桥梁长33.8米宽3米。该桥的引桥上装有动态称重系统以收集通过该桥的车辆信息。根据该斜拉桥的相关设计资料，采用有限元分析软件ANSYS建立了如图2所示的有限元模型。具体而言，桥墩和桥塔构件采用Beam‑44单元建立；拉索构件采用Link‑10单元建5
立，钢箱梁构件采用Shell‑63单元建立。整个斜拉桥有限元模型共包括约3.9×10个节点
5
和4.7×10个单元。

[0164] 其次，利用动态称重系统收集到的车辆信息建立了一个车辆荷载模型。该车辆荷载模型假定每个车道上的车辆类型分布服从一个离散型随机变量。如表1所示，这些离散型随机变量的概率质量函数是通过对动态称重数据收集到的车辆类型分布信息统计分析得到的。根据疲劳损伤等效原理和Miner准则，利用等效车辆重量和等效车辆长度来描述任一车道上某一特定车型的统计特征。每条车道上各个车型的等效车重和等效车长如表2所示。

[0165] 表1.每条车道上车辆类型分布的概率质量函数

[0166]

[0167] 表2.每条车道上各个类型车的统计特征

[0168]

[0169] 初步有限元分析表明，该桥的横隔板是最容易发生疲劳破坏的位置。因此，本实施例将采用所提出的方法预测斜拉桥横隔板的疲劳敏感细节在1小时随机交通流作用下的疲劳损伤累积。根据具体实施方式2和具体实施方式3，建立了如表3所示的横隔板图数据集。

[0170] 表3.横隔板疲劳敏感细节图数据及的相关信息

[0171] 图数据集相关信息 横隔板图数据集节点总数 334×2×2
边总数 2.7×105
平均度 287.3
车辆荷载特征维度 980
训练集图数量 40
验证集图数量 20
测试集图数量 360

[0172] 本实例构建了一个四层的混合卷积自适应图同构网络来预测横隔板图数据集的疲劳损伤累积指数。混合卷积图神经网络的架构如图3所示，每层的隐藏单元数量和训练时的超参数如表4和表5所示。

[0173] 表4.混合卷积图神经网络的架构

[0174]

[0175] 表5.混合卷积图神经网络训练时的超参数

[0176]优化器 初始学习率 正则化参数值 训练轮次
Adam 2×10‑4 1×10‑4 300

[0177] 采用三个评价指标来评价所提出方法的预测结果，分别是平均绝对误差(MAE)，平均绝对百分比误差(MAPE)和预测准确率(ACC)。混合卷积自适应图同构网络对于横隔板疲劳敏感细节的疲劳损伤的预测结果如表6和图4所示。从预测误差可以看出，本方法能够使用有限数量的图样本实现对于疲劳损伤累积指数的相对准确预测。

[0178] 表6.混合卷积图神经网络的整体预则误差

[0179]方法名称 MAE(×102) MAPE(×102) ACC(×102)
混合卷积自适应图同构网络 3.94 4.84 95.16
图注意力网络 5.95 8.09 91.91

[0180] 通过比较本方法与基于深度神经网络和基于有限元分析的方法之间的运行时间，进一步说明本方法的计算效率。图5展示了这三种方法的运行时间上的差异。根据图5显示，本方法的运行时间主要由样本生成时间决定。尽管如此，与其他方法相比，本方法的运行时间明显更短。这一优势源于本方法利用了图结构数据和图神经网络，能够同时表示和预测多个疲劳敏感位置的累积损伤指数。

[0181] 最终，利用预测得到的疲劳敏感的疲劳损伤累积指数，可以评估这些疲劳敏感细节的疲劳可靠度或疲劳寿命。以横隔板中最易疲劳的局部细节为例，其在桥梁正常运行若干年后的疲劳极限状态函数可以表示为：

[0182]

[0183] 上式中T为桥梁服役年份， 为混合卷积图神经网络预测得到的疲劳损伤累积指数。根据疲劳极限状态函数，可以计算出桥梁正常服役不同年后这一疲劳敏感细节的疲劳可靠度，具体如表7所示；

[0184] 表7.横隔板中最易疲劳细节的疲劳可靠度随桥梁服役时间的变化情况[0185] 服役时间(年) 疲劳可靠度指标 疲劳失效概率T＝20 2.87 2.09×10‑3
T＝30 1.48 6.86×10‑2
T＝40 0.51 3.06×10‑1
T＝50 ‑ 6.00×10‑1

[0186] 以上通过几个具体实施方式对本发明提供的技术方案进行进一步详细地描述，是为了突出本发明提供的技术方案的优点和有益之处，不过以上所述的几个具体实施方式并不用于作为对本发明的限制，任何基于本发明的精神和原则范围内的，对本发明的合理修改和改进、实施方式的组合和等同替换等，均应当包含在本发明的保护范围之内。