买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜广州航海学院申请的专利一种桥梁结构隐性损伤识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119043606B 。

龙图腾网通过国家知识产权局官网在2025-05-20发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411058470.3，技术领域涉及：G01M5/00；该发明授权一种桥梁结构隐性损伤识别方法是由张劲文;赵盈皓;万成;杨娥;黄昆泓;陈冉设计研发完成，并于2024-08-02向国家知识产权局提交的专利申请。

本一种桥梁结构隐性损伤识别方法在说明书摘要公布了：本发明涉及一种桥梁结构隐性损伤识别方法，包括通过监测桥梁结构锈蚀、变形及环境数据；分析锈蚀类型与程度，识别锈蚀的类型、分布特征和对应的当前锈蚀程度；根据多个时间序列下的锈蚀程度，构建锈蚀预测及粘结力关联模型；对比监测数据评估锈蚀预测模型准确性，并调整锈蚀预测模型；对比监测数据评估关联分析模型准确性，并调整锈蚀预测模型；识别锈蚀影响的潜在隐患区域，分析通过的车辆对这些潜在隐患区域的影响；评估粘结力削弱程度并分类隐患区域，并将受影响区域分类。本发明解决了传统桥梁锈蚀监测方法难以实时、准确识别锈蚀类型及其发展趋势的问题；通过精确的监测和预测，有效提升了桥梁结构的安全性和寿命，显著降低了维护成本。

本发明授权一种桥梁结构隐性损伤识别方法在权利要求书中公布了：1.一种桥梁结构隐性损伤识别方法，其特征在于，包括以下步骤：S1、监测并采集桥梁结构的锈蚀图像数据、结构变形数据、动态响应数据和环境条件数据；S2、分析采集的钢筋表面锈蚀图像，识别锈蚀的类型、分布特征和对应的当前锈蚀程度；S3、根据多个时间序列下的锈蚀程度，构建锈蚀预测模型；S4、对不同预设锈蚀程度的钢筋与混凝土之间的粘结力进行模拟测试，获取多组预设锈蚀程度与粘结力的关联数据，并构建关于钢筋表面锈蚀程度和粘结力的关联分析模型；S5、将所述锈蚀预测模型与不同桥梁结构的当前监测数据进行对比分析，评估锈蚀预测模型在当前环境条件下的准确度，并调整锈蚀预测模型；S6、将所述关联分析模型与不同桥梁结构的当前监测数据进行对比分析，评估关联分析模型在当前锈蚀程度下的准确度，并调整锈蚀预测模型；S7、根据锈蚀类型、分布特征和锈蚀程度，以及锈蚀预测模型和当前监测数据的对比分析结果，识别锈蚀影响的潜在隐患区域，分析通过的车辆对这些潜在隐患区域的影响；S8、根据桥梁结构的受力特征，评估潜在隐患区域内锈蚀对粘结力的影响，根据区域到受力点的距离、材料特性和环境条件，确定不同锈蚀程度对粘结力的削弱程度，分析历史数据和通过车辆的特点，设定粘结力影响的阈值，并根据此阈值将受影响区域分类；所述步骤S3具体包括：获取钢筋结构历史检测数据，提取不同时间节点的锈蚀面积、最大锈蚀深度，构建以时间为索引的锈蚀程度时间序列数据集；对锈蚀程度时间序列进行平稳性检验，若不平稳则进行差分处理，直至通过平稳性检验；采用STL分解方法，基于LOESS拟合，将时间序列分解为趋势项、季节项和随机项，根据分解结果，对趋势项采用线性回归或多项式回归建模，对季节项采用Fourier级数或周期函数建模，对随机项采用ARMA模型建模；选择时间序列预测模型，根据锈蚀程度时间序列的平稳性、自相关性和趋势性特点，结合ACF和PACF图，确定模型的超参数；通过交叉验证和信息准则评估不同模型的拟合优度和预测性能，选择最优模型；引入环境因素作为协变量，将其与锈蚀程度时间序列进行融合，构建多元时间序列的锈蚀预测模型；所述步骤S6具体包括：提取实时的粘结力监测数据，包括采用拉拔法测试得到的钢筋与混凝土之间的极限粘结强度，以及采用钢筋应变法测试得到的钢筋应变分布，并根据应变分布反演钢筋与混凝土之间的粘结应力分布；对于每个监测断面，至少布设3个测点，每个测点至少平行测试3个试件，获得平均值作为该断面的代表值；监测频率根据桥梁的重要性和劣化速率确定，将监测数据规范化，形成跨桥梁、跨结构类型的粘结力数据集；将当前粘结力监测数据输入到已构建的钢筋表面锈蚀程度与粘结力的关联分析模型中，模型内部根据当前的锈蚀面积比例、锈蚀深度参数，预测得到与之对应的理论粘结力值，作为当前锈蚀程度下的粘结力预测值；针对每个桥梁结构，将粘结力预测值与实测值进行比对，计算二者的差值作为预测偏差，并用绝对值、相对百分比指标量化预测偏差的大小；评估关联分析模型在当前锈蚀程度下的准确度，确定模型的预测精度是否满足实际应用需求。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人广州航海学院，其通讯地址为：510000 广东省广州市黄埔区红山三路101号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。