Die genaue Erkennung der Seilkraft ist von großer praktischer Bedeutung, jedoch weist die in der Technik häufig verwendete Frequenzmethode Probleme wie komplexe und vielfältige Berechnungsformeln auf. Um eine hochpräzise Erkennung der Seilkraft zu erreichen, wurde das physik-informierte neuronale Netzwerk (Physics-informed Neural Network, PINN) in den Bereich der Seilkraft-Erkennung eingeführt, und es wurde eine Methode zur Erkennung der Seilkraft von Schrägseilen basierend auf diesem Netzwerk vorgeschlagen. Diese Methode führt einen Verlustterm der Seilschwingungsgleichung, der die Seilkraft als physikalische Information darstellt, in die Verlustfunktion des neuronalen Netzwerks ein, setzt die Seilkraft als lernbaren Parameter des Netzwerks fest und verwendet die dynamische Verschiebungsantwort der Schrägseile, um das Netzwerk zu trainieren. Durch Minimierung der Verlustfunktion kann die Seilkraft erkannt werden. Es wurde ein Finite-Elemente-Modell von fünf typischen Schrägseilen aufgebaut, um Antwortdaten zu erhalten, und die Methode wurde zur Seilkraft-Erkennung verwendet. Die Ergebnisse zeigen, dass bei allen definierten Problemen der Seilkraft-Erkennung der Erkennungsfehler 3% nicht überschreitet und die Erkennungsgenauigkeit hoch ist; das vom Netzwerk vorhergesagte Verschiebungsfeld ist schwer, um die reale Verschiebung der Schrägseile genau zu rekonstruieren, kann aber das niederwertige Schwingungsverschiebungsfeld gut wiedergeben. Darauf aufbauend wurde ein Laborbrückenmodellversuch durchgeführt, der die Wirksamkeit der vorgeschlagenen Methode erneut bestätigte und bewies, dass die Methode eine hohe Erkennungsgenauigkeit, starke Zuverlässigkeit und gute Erweiterbarkeit aufweist und für die praktische Erkennung der Seilkraft von Schrägseilen im Ingenieurwesen geeignet ist.

Schrägseilbrücke;Physik-informiertes neuronales Netzwerk;Schwingungsgleichung;Seilkraft-Erkennung;Parametererkennung