Statistical vehicle classification methods derived from girder strains in bridges.

This paper investigates the use of a pre-existing network of resistive strain gauges located on the girders of a single bridge span to determine the classification and estimate the weight of vehicles traveling over that span. Vehicle events on the bridge are identified automatically by a measurement filtering algorithm. Manual classification labels are then applied to a subset of these events to investigate the strain signal features that distinguish various vehicle classes. Trends in these features over time are investigated, and an estimate of vehicle weight is obtained from these features without the need for detailed knowledge of the structure's composition. Additionally, a number of neural network configurations are tested on the problem of determining vehicle class from these features. Results are tested on data from both the summer and winter seasons. Finally, estimates of vehicle weight are improved by using the classification network to filter input events. Cet article examine l'utilisation d'un réseau existant de jauges de déformation résistives situées sur les poutres maîtresses d'une travée de pont afin de déterminer le classement et estimer le poids des véhicules voyageant sur cette travée. La circulation des véhicules sur le pont est identifiée automatiquement par un algorithme de filtrage des mesures. Des étiquettes manuelles de classement sont ensuite appliquées à un sous-ensemble de la circulation afin d'examiner les caractéristiques des signaux de contrainte qui distinguent les diverses classes de véhicules. Les tendances de ces caractéristiques dans le temps sont étudiées; une estimation du poids des véhicules est obtenue à partir de ces caractéristiques sans demander une connaissance détaillée de la composition structurale. De plus, un certain nombre de configuration de réseaux neuronaux ont été mis à l'épreuve afin d'essayer de déterminer la classe de véhicule à partir de ces caractéristiques. Les résultats sont examinés par rapport aux données estivales et hivernales. Pour compléter, les estimations des poids de véhicules sont améliorées en utilisant le réseau de classification afin de filtrer les événements saisis. [ABSTRACT FROM AUTHOR]