近日，我校结构健康监测团队题为“Bayesian Continuous Wavelet Transform for Time-Varying Damping Identification of Cables Using Full-Field Measurement”的研究论文，在智能建造领域国际顶级期刊《Automation in Construction》(中科院一区Top，影响因子：9.6)发表，该期刊位居全球SCIE收录的181种土木工程类期刊第1位。论文第一作者为土木工程学院2023级博士研究生王军营，通讯作者为朱前坤教授、张琼副教授、2022级王宪玉博士生及杜永峰教授为共同作者。
作为斜拉桥的关键承载构件，拉索的振动特性，特别是其阻尼水平，直接关系到桥梁的安全性。然而，传统工作模态分析（Operational Modal Analysis, OMA）方法在阻尼识别中常面临结果离散性的问题，同时，传感器部署的有限性也易导致关键模态信息的丢失。视觉测量技术的引入为此提供了新思路，通过高分辨率的全场监测可实现对拉索振动特性的精确捕捉，并结合先进算法，为全面分析拉索的振动特性及阻尼水平的识别奠定了基础。
研究工作基于以上考虑，提出一种基于全场视觉测量的贝叶斯方法，结合Gabor滤波及其连续小波变换，用于识别拉索的时变动力特性。该方法引入金字塔嫁接网络（Pyramid Grafting Network, PGNet）和邻帧像素拟合技术，实现对拉索全场振动数据的精确识别。随后，利用Gabor连续小波变换提取这些数据的时频域特性，并将其纳入贝叶斯概率估计框架中以进行模态参数的更新。通过基于物理图形模型（Physics-based Graphics Model, PBGM）的数值模拟和复杂环境下的实际拉索测试，验证了本研究方法在识别拉索时变动力特性方面的有效性，为斜拉桥拉索健康监测提供了可靠的技术支撑。（撰写：张琼；初审：王亚军；终审：张艳）
甘公网安备 62010002000207号