本技术涉及桥梁结构健康监测，尤其是涉及一种区域交通荷载数字称重方法。
背景技术：
1、车辆荷载信息的实时获取是基于车桥耦合的结构健康监测分析、既有桥梁剩余寿命预测以及治超预警等重要研究基础之一。因此物理称重系统通常安装在车辆上桥之前或者固定治超站进行车重检测，为大桥健康监测分析以及超限管理提供依据。
2、现有的车辆荷载检测技术及相应的缺陷如下：
3、（1）利用动态称重（wim）系统。虽能在车辆正常行驶状态下保证测量的误差，但建设成本高、安装运维麻烦、需中断交通，导致其难以实现区域全覆盖。
4、（2）利用纯计算机视觉，通过车型识别来判断车重。这种方法虽能对区域内监控车辆进行全域识别，但局限性在于仅通过外观对货车车重的判别存在较大偏差。
5、（3）利用计算机视觉对wim系统称重数据追踪。实际情况下，车辆行驶的不确定性较大，难以保障wim系统对每一车辆荷载的准确测量。同时因为称重系统难以全覆盖，此方法识别范围有限。
6、（4）基于结构响应的bwim车重反演，或通过影响线，或利用神经网络。但是识别车重仅是结构响应的分析反馈（举例来说，称重结果是上桥之后由结构响应获得，既不能作为本桥管理依据，亦不能直接用来对结构进行安全状态分析），无法进一步发挥数据协同共享的价值；同时因为依赖称重系统，此方法识别范围有限。
7、基于此，且随着区域集群管理的理念逐渐加深，一桥一系统模式经济性极低，研究区域交通重载网级识别技术意义重大。
技术实现思路
1、本技术的其中一个目的在于提供一种能够解决背景技术中至少一个缺陷的区域交通荷载数字称重方法。
2、本技术的其中一个目的在于提供一种能够解决背景技术中至少一个缺陷的区域交通荷载数字协同系统。
3、为达到上述的至少一个目的，本技术采用的技术方案为：一种区域交通荷载数字称重方法，包括如下步骤：
4、s100：根据区域内可利用物理称重系统的数据和区域内桥梁基础数据，选择合理点位的基准物理称重系统mvw[i，0]（1≤i≤m）以及数量m，并确定合理的桥群传递层数n；
5、s200：基于基准物理称重系统，构建对应的单体数字桥秤模型mvw[i，1]（1≤i≤m）；
6、s300：通过迁移学习和修正，得到基于基准物理称重系统的分支秤网模型mvw{[i，j]}（1≤i≤m，j=1，2，……，n）；
7、s400：基于不同基准物理称重系统对应的分支秤网模型，组成区域数字秤网模型mvw{[i，j]}（i=1，2，……，m，j=1，2，……，n）。
8、优选的，步骤s100包括如下具体过程：
9、s110：基于提供的数据，绘制该区域的总体交通桥网分布图；
10、s120：标定出技术状况等级高的桥群以及附近对应的称重系统；
11、s130：根据误差传递最小原则、模型耗费代价最小原则，从步骤s120标定的称重系统中选择出点位合理的称重系统作为基准物理称重系统mvw[i，0]（1≤i≤m）。
12、优选的，步骤s100中提供的数据包括桥梁名称、位置、桥型、桥长、桥宽、技术状况和建成通车时间。
13、优选的，步骤s200包括如下具体过程：
14、s210：构建桥梁关键位置的结构响应监测系统和车辆上桥前的正侧向车流拼接识别系统，以分别得到形变数据deformation(i，j)的时空矩阵和车辆特征输入信息矩阵info_in(i，j)；
15、s220：基于步骤s210的数据融合汇总，得到车辆特征输出信息矩阵info_out(i，j)；
16、s230：通过车牌号将基准物理称重系统mvw[i，0]（1≤i≤m）对应的车辆特征输出信息矩阵info_out(i，0)传递给正侧向车流拼接识别系统作为单体数字桥秤模型输出，以及将结构响应监测系统的响应数据作为模型的输入，得到基准物理称重系统对应实体桥梁的数据集[mvw(i，0)（1≤i≤m），deformation(i，1)]；
17、s240：采用深度学习模型对数据集[mvw(i，0)（1≤i≤m），deformation(i，1)]进行训练，反演得到单体数字桥秤模型mvw[i，1]（1≤i≤m）；
18、其中，mvw(i，0)（1≤i≤m）表示基准物理称重系统的称重结果。
19、优选的，在步骤s220中，通过神经网络算法对形变数据deformation(i，1)的时空矩阵进行识别得到车辆载重信息，进而与桥面车辆监测数据进行融合汇总；其中，神经网络算法采用融合物理信息的长短期记忆网络模型。
20、优选的，步骤s300包括如下过程：
21、s310：通过迁移学习对单体数字桥秤模型mvw[i，j-1]（1≤i≤m，2≤j≤n）进行复制得到单体数字桥秤模型mvw[i，j]（1≤i≤m，2≤j≤n）的基准模型；
22、s320：利用车牌号传递的数据集[mvw(i，j-1)（1≤i≤m，2≤j≤n），deformation(i，j)]进行基准模型的修正，得到修正后的单体数字桥秤模型mvw[i，j]（1≤i≤m，2≤j≤n）和对应的称重结果mvw(i，j)（1≤i≤m，2≤j≤n）；
23、s330：依次类推，最终形成基准物理称重系统mvw[i，0] （1≤i≤m）驱动下的分支秤网模型mvw{[i，j]}（1≤i≤m，j=1，2，……，n）。
24、优选的，在步骤s400中，若区域数字秤网模型中不同的分支秤网模型之间存在交叉部分，需要对交叉模型进行验证；若区域数字秤网模型的节点在长期使用过程中由于结构损伤导致模型精度下降，需要对该损伤节点模型以及后续节点模型进行调整。
25、优选的，对于交叉模型的验证采用如下公式进行：
26、；
27、若公式成立，则交叉模型的验证通过；反之，需要加大训练数据集重新训练模型，直至满足公式成立要求；
28、其中，1≤a≤c≤m，1≤b≤d≤n；a、c和b、d不同时取等；p表示判断阈值。
29、优选的，对于区域数字秤网模型中节点的结构损伤判断采用如下公式进行：
30、；
31、若公式成立，则节点（i，j）对应的结构无损伤；反之，需要新增训练数据集，并根据迁移学习重新训练节点模型mvw[i，j+x]，直至满足公式成立要求；
32、其中，1≤i≤m，1≤j≤n，0≤x≤n-j；p表示判断阈值。
33、优选的，p的取值为0.05~0.1。
34、一种区域交通荷载数字协同系统，对上述的区域交通荷载数字称重方法获得的数据进行分类共享管理，以用于进行桥梁健康监测分析、风险预测研判以及辅助治超。
35、与现有技术相比，本技术的有益效果在于：
36、（1）本技术提供了一种新的思路和技术方案，用于替代传统的、成本高昂且维护复杂的动态称重系统，尤其适用于广泛区域的车载称重。通过利用现有的物理称重系统和智能化技术，能够实现成本更低、维护更简便、覆盖范围更广的车辆荷载监测网络。
37、（2）区域数字秤网模型mvw{[i，j]}（i=1，2，……，m， j=1，2，……，n）最多可实现m×n区域内全部桥梁的车载识别，精准定位重载交通位置及路线。利用提供的实时区域重载分布数据，可实现基于车桥耦合分析与神经网络的桥梁损伤识别，为结构轻量化健康监测提供有利条件。
38、（3）可基于已知重量的运营载重信息，对危险桥梁进行筛选，从而实现风险全域感知并做提前预测研判。特别地，可实现大件车辆基于桥梁结构安全的行驶路径实时在线优化。
39、（4）可实现对重载车辆自动化信息识别、不停车称重检测、现场照片及视频信息抓拍录制、远程超限风险判定等流程，实时掌握全市货运车辆超限超载隐患风险。根据超载风险，利用情报板精准主动下发前往附近治超站实际称重指令。扩大、延伸了治超执法监管的时间和空间，与固定治超站实现远近衔接，闭环查控，大大提高了超限车辆的发现率、拦截率和查处率。
1.一种区域交通荷载数字称重方法，其特征在于，包括如下步骤：
2.如权利要求1所述的区域交通荷载数字称重方法，其特征在于，步骤s100包括如下具体过程：
3.如权利要求2所述的区域交通荷载数字称重方法，其特征在于，步骤s100中提供的数据包括桥梁名称、位置、桥型、桥长、桥宽、技术状况和建成通车时间。
4.如权利要求1所述的区域交通荷载数字称重方法，其特征在于，步骤s200包括如下具体过程：
5.如权利要求4所述的区域交通荷载数字称重方法，其特征在于，在步骤s220中，通过神经网络算法对形变数据deformation(i，1)的时空矩阵进行识别得到车辆载重信息，进而与桥面车辆监测数据进行融合汇总；其中，神经网络算法采用融合物理信息的长短期记忆网络模型。
6.如权利要求1所述的区域交通荷载数字称重方法，其特征在于，步骤s300包括如下过程：
7.如权利要求1-6任一项所述的区域交通荷载数字称重方法，其特征在于，在步骤s400中，若区域数字秤网模型中不同的分支秤网模型之间存在交叉部分，需要对交叉模型进行验证；若区域数字秤网模型的节点在长期使用过程中由于结构损伤导致模型精度下降，需要对该损伤节点模型以及后续节点模型进行调整。
8.如权利要求7所述的区域交通荷载数字称重方法，其特征在于，对于交叉模型的验证采用如下公式进行：
9.如权利要求7所述的区域交通荷载数字称重方法，其特征在于，对于区域数字秤网模型中节点的结构损伤判断采用如下公式进行：
10.一种区域交通荷载数字协同系统，其特征在于，对权利要求1-9任一项所述的区域交通荷载数字称重方法获得的数据进行分类共享管理。
