大跨桥梁快速自动化贝叶斯运营模态分析

Operational modal analysis (OMA) provides the main tool to learn the vibration properties of long-span bridges, and it plays a key role in bridge design validation, maintenance and repair, health monitoring and vibration control. There shows a large varibility and low repeatability in the identified modal parameters of long-span bridges, because of the high complexity and time-variability of external load, the low and dense modes and the ubiquitous model/measurement error. Reliable modal identification and uncertainty quantification has become a principle issue in the OMA of long-span bridges. To quantify the identification uncertainty, the Bayesian approach gives a systematic framework by calculating the posterior distribution of modal parameters. However, its immaturity in computation and automation has greatly impeded its application in practice. Based on the applicant’s research in time-domain Bayesian OMA, the following contents will be investigated in this project: (1) develop a fast variational Bayes algorithm to enhance its efficiency; (2) remove spurious modes using sparse Bayesian learning for an automated implementation; (3) extend the study to the case of multi-setup OMA of large-span bridges. Based on the outcome of this research, a web-based database for OMA of large-span bridges will be developed: Benchmark models, measured data and various algorithms will be openly accessible to researchers and practitioners, which will definitely enhance the development of OMA and its practical applications.

运营模态分析是测试大跨桥梁振动特性的最主要途径，广泛应用于成桥测试、维修加固、健康监测和振动控制中。大跨桥梁所受环境荷载复杂多变，振动频率极低且模态密集，加之模型和测量误差的存在，识别的模态参数表现出很大的离散性和较差的可重复性。如何准确识别桥梁模态参数并度量其不确定性是研究和应用中的关键科学问题。贝叶斯算法为运营模态识别及其不确定性度量提供了系统性理论框架，其研究难点在于算法的实用化和自动化。鉴于此，本申请项目拟开展以下研究：（1）发展变分贝叶斯快速算法，增强算法的实用性；（2）应用稀疏贝叶斯学习原理剔除虚假模态，实现算法的自动化；（3）探究多步运营模态分析问题，拓展其应用范围。通过开发基于Web的大跨桥梁运营模态测试数据库、建立Benchmark模型、分享测试数据和软件代码，本项目将极大地促进大跨桥梁运营模态分析的发展和在实际工程中的应用，为桥梁设计、模型校验、养护维修提供技术支持。

结构模态参数（频率、阻尼比、振型等）广泛应用于桥梁结构的健康监测、振动控制和状态检测。由于易于操作且成本较低，运营模态分析广泛应用于大跨桥梁的模态识别中。然而受测量噪声、模型误差、统计误差等影响，运营模态分析识别的模态参数表现出很大的变异性和较差的可重复性。如何准确识别桥梁模态参数并度量其不确定性是运营模态分析亟待解决的难题。本项目针对大跨桥梁模态参数快速识别和不确定性定量的需求，发展了基于贝叶斯算法的快速模态识别方法。主要完成的研究内容包括：（1）针对单步振动测试，提出了基于Fisher信息阵的极大后验估计求解和基于期望最大化的后验协方差矩阵求解策略；（2）针对多步振动测试，开发了基于期望最大化的快速识别算法，并提出评价传感器布置方案的指标参数；（3）针对模态识别自动化难题，本项目将频带选择视作目标检测，提出了基于深度神经网络RetinaNet的频带自动选择和初始值计算；（4）针对模态参数识别的不确定性度量分析，发展了模态识别不确定性定律理论，给出了后验识别不确定性的解析表达式。本项目开发实验室连续梁桥模型和钢桁架人行桥实时监测系统一套，大量实测数据共享于数据开源网站dataverse，开发的模态识别算法应用于沪苏通长江大桥、深圳赛格大厦等标志性工程。通过大量工程验证，本项目提出的模态识别算法具有极高的计算效率，在密集模态下仍可实现单频带模态参数的秒级识别和不确定性定量分析，更是在业界首次完成了多步振动测试密集模态的完整贝叶斯求解。另外，本项目发展的单点激振下模态识别不确定性定律，从机理上解释了运营模态识别和试验模态识别在识别不确定性上的联系与区别，为优化振动测试方案提供了理论基础和关键工具。