BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  19,349,090
  • Công bố khoa học và công nghệ Việt Nam

73

Kỹ thuật giao thông vận tải

Đàm Minh Hùng, Nguyễn Hữu Hưng(1)

Xếp hạng tải cho cầu dầm I dự ứng lực bằng ứng dụng mạng nơ-ron nhân tạo (ANN)

Load rating for prestressed I-girder bridges using artificial neural network (ANN)

Tạp chí Giao thông vận tải

2024

5

106-109

2354-0818

Xếp hạng tải, Mạng nơ-ron nhân tạo (ANN), Thử tải cầu.

Load rating, Artificial neural network (ANN), Load testing of bridge.

Xếp hạng tải cho cầu là đánh giá khả năng cầu mang được tải trọng hoạt tải mà thiết kế quy định và lưu lượng giao thông thực tế qua cầu trên cơ sở các đặc trưng hình học và vật liệu được thiết kế cho các mặt cắt ngang cầu cũng như các tiêu chuẩn kỹ thuật được dùng. Đồng hành với Hướng dẫn Đánh giá cầu Hoa Kỳ (MBE-2008), nhiều nghiên cứu trước đây đã áp dụng công nghệ và thuật toán tiên tiến đánh giá cầu trong đó có sử dụng trí tuệ nhân tạo. Bài báo đề xuất dùng mạng nơ-ron nhân tạo kết hợp thử tải cầu (nếu có) để xếp hạng tải cho cầu dầm I dự ứng lực. Phương pháp này xây dựng bộ dữ liệu cầu cho xếp hạng tải, mạng nơ-ron nhân tạo sẽ được đào tạo từ bộ mẫu cầu này và mạng nơ-ron tối ưu được dùng để xếp hạng tải các cầu ngẫu nhiên thực tế. Kết quả cho thấy phương pháp đề xuất đạt hiệu quả, độ chính xác cao và chi phí thấp cho xếp hạng cầu.

Load rating for the bridge is an assessment of the bridge’s capacity to carry the live load speccified by the design and the actual traffic flow across the bridge, based on the geometric characteristics and materials calculated for bridge’s cross-sections as well as existing technical standards. Along with the US Manual Bridge Evaluation (MBE 2008), there were previous researchs applying advanced technology and algorithms to rate bridges, including the ones using artificial intelligence. The article proposes to utilize an artificial neural network combined with bridge load testing (if any) to evaluate the load for prestressed I-girder bridges. This method creates a bridge dataset to train an artificial neural network and the optimal neural network is then employed to rate an actual randomly-selected bridge. The results showed that the proposed method is effective, high accurate and economical for bridge load rating.

TTKHCNQG, CVb 12

Xem toàn văn