共查询到19条相似文献，搜索用时 125 毫秒
1.
《地震工程与工程振动》2015,(6)
为了实现斜拉桥全结构的损伤识别,提出一种支持向量机与分层遗传算法相结合的分步识别方法。该方法首先按结构的材料特性将斜拉桥分为主梁、索塔、拉索三类子结构,利用支持向量机的分类特性判定损伤的来源,确定损伤属于某一类子结构;然后,应用分层遗传算法对子结构中的单元进行损伤位置与损伤程度的识别。以实验室独塔斜拉桥模型作为研究对象进行数值仿真,结果表明:采用支持向量机方法能较准确的对主梁、索塔、拉索三类子结构的损伤进行分类,确定损伤的来源;分层遗传算法能快速有效的完成斜拉桥某一子结构中损伤单元的定位与识别;两种算法结合的分步识别方法,实现了斜拉桥全结构的损伤识别,同时分步识别策略减少了支持向量机训练样本与遗传算法中初始种群的规模,提升了寻优效率。 相似文献
2.
为高效准确识别桥梁结构损伤,将深度学习与结构动力特性相结合,提出基于双层深度置信网络的桥梁结构损伤识别方法。首先取结构前3阶竖向振动频率和跨中节点前3阶竖向振动模态位移为参数,将其共同作为首层深度置信网络(DBN)的输入数据对结构的损伤位置进行识别;然后以1阶竖向振动的模态位移差作为参数,基于二层DBN对结构损伤程度进行预测;最后以郑许市域铁路桥梁为例进行验证。计算结果显示,当不考虑误差时,基于双层深度置信网络的结构损伤方法进行识别且结果精确;当噪声程度不超过10%时,定位识别结果准确率达100%;当噪声程度不超过15%时,定量识别结果最大绝对误差限不超过1.15%,识别结果准确;与传统的BP神经网络方法相比,本方法识别精度更高,抗噪性更强。 相似文献
3.
基于BP网络的框架结构损伤的多重分步识别理论 总被引：9，自引：0，他引：9
本文介绍了基于BP网络的框架结构损伤识别的多重分步识别方法，这一方法采取先确定有损伤的层，再确定层内有损伤的杆件最后确定损伤程度的策略，具有所需网络学习样本少和识别准确性与精度高的优越性，文中通过一个钢框架模型的模拟地震振动台试验的应用，详细说明了该方法的应用过程及有效性。 相似文献
4.
基于BP神经网络的空间索杆结构承重索损伤识别研究 总被引：1，自引：1，他引：0
针对某实际空间索杆结构的承重索预应力松弛现象,采用BP神经网络与基于振动的损伤识别方法,分别对单榀承重索和双榀承重索的预应力松弛进行了识别研究。研究表明,虽然空间索杆结构的动力性能较为复杂,但归一化后的结构前10阶固有频率变化比和归一化后的对应结构第一阶模态的部分节点的损伤信号指标对承重索的损伤位置较为敏感,利用其进行损伤定位是可行的。在此基础上,再增加考虑结构的第一阶同有频率平方变化比即可进一步有效识别出承重索的损伤程度。 相似文献
5.
《世界地震工程》2015,(4)
在输入激励信息未知、仅已知部分测试自由度的动力响应信息的条件下,基于广义复合反演算法,开展了结构损伤识别的研究。将衰减记忆滤波技术引入到扩展卡尔曼滤波算法,构建了衰减记忆扩展卡尔曼滤波算法以削弱滤波的发散现象。考虑了复合反演算法(须知各自由度的动力响应)和衰减记忆扩展卡尔曼滤波算法(须知输入信息)的局限性,借助子结构技术,建立了结构物理参数时域识别的广义复合反演算法。利用单元刚度变化率来判定损伤的程度和位置,建立了基于广义复合反演算法的结构损伤识别及地震动反演的三阶段法。以一个6层框架结构为例进行了结构损伤识别数值模拟研究。结果表明,在噪声存在的情况下,三阶段法能够准确确定损伤位置和损伤程度,且地震动反演时程与真实时程吻合较好,验证了三阶段法在结构损伤识别及地震动反演中的有效性。 相似文献
6.
为研究基于损伤指数对层状管道结构损伤程度识别的可行性，创造性地采用小波包分解方法，以损伤指数为参数，分别研究损伤径向深度与损伤指数的关系和多种轴向位置损伤对损伤指数的影响。使用有限元分析软件ABAQUS,建立在同一轴向位置且多种径向损伤深度的层状管道结构模型，对压电元件位置提取的压电传感信号进行5层小波包分解，计算损伤指数值，将其组成损伤指数矩阵。针对同一轴向损伤位置，结合多种损伤程度组成损伤指数矩阵，分析损伤径向深度与损伤指数的关系并建立拟合曲线。随后改变损伤轴向位置且径向损伤深度同样递增，建立有限元模型，并获得相应的损伤指数拟合曲线。结果表明：在同一损伤轴向位置处，损伤指数拟合曲线都随着损伤径向深度的增加而呈现出先减后增的变化趋势；当改变损伤轴向位置时，损伤与信号接收位置轴向距离的增加使损伤指数的变化幅度减缓，但不改变曲线的总体趋势。研究结果表明：针对传感信号采用小波包分解方法，获得的损伤径向深度与损伤指数的拟合曲线可用于层状管道结构损伤程度的识别，并且该损伤程度识别方法受与信号接收位置轴向距离的限制较小，为快速诊断层状管道结构损伤程度提供了有效的有限元分析方法。 相似文献
7.
《地震工程与工程振动》2021,41(4)
传统结构损伤识别需对采集数据进行分析,提取相应特征进行损伤诊断。特征提取过程需消耗大量的计算成本,无法满足结构健康监测在线损伤识别的需求。为提高损伤识别的计算效率和自动化程度,提出基于一维卷积神经网络的结构损伤识别方法,其特点是可以直接从原始振动信号中自主学习损伤特征,并准确快速地识别结构的损伤位置和损伤程度。采用简支梁数值模型和IABMAS BHM Benchmark数值模型验证所提方法的有效性。数值结果表明:所建立的一维卷积神经网络模型能够准确识别结构的损伤位置和损伤程度,具备一定的抗噪性能,整体模型收敛快,对单条样本测试延迟低。设计了钢框架结构损伤识别试验,采用所提方法对框架结构的损伤情况进行了识别。分析结果表明:所提方法可准确识别结构损伤程度及损伤类别,测试集准确率为100%,验证了方法在实际结构损伤识别的应用可行性。 相似文献
8.
结构健康监测和结构状态评估的主要前提之一是结构损伤识别。基于曲率模态对结构局部损伤比较敏感和频率指标测试简单方便、精度高的特点,本文提出了一种以结构的曲率模态为基础,综合考虑频率的变化的改进的结构损伤识别方法。随机子空间方法是一种行之有效的基于环境激励的结构状态识别方法。该方法的主要优点是无需人工激励,不中断桥梁的运营。为此,论文提出了一种不中断桥梁运营的基于改进曲率模态的桥梁结构损伤识别方法。最后用一三跨连续梁的有限元模型对该改进方法进行了验证。结果表明,采用随机子空间结合改进的曲率模态方法可以在不中断桥梁运营的前提下有效地识别出桥梁的损伤状况。 相似文献
9.
对工程结构进行损伤识别与检测,可以发现结构损伤位置,评估损伤程度,为结构加固与修复提供依据,从而保证工程结构正常运行,进而保护人们生命财产安全,因此结构损伤识别方法研究一直是土木工程领域重要研究课题。结构损伤识别方法总体上分为确定性方法和不确定性方法,相比于确定性方法,不确定性方法考虑了识别过程中不确定因素的影响,成为目前损伤识别领域的研究热点。本文回顾了确定性方法和不确定性方法发展历程,阐述了几种常见的损伤识别方法及其优缺点,并根据国内外研究现状对结构损伤识别方法发展进行了展望,可供损伤识别方法研究与应用参考。 相似文献
10.
基于模态曲率法的大跨度斜拉桥损伤识别 总被引：2，自引：0，他引：2
大跨度斜拉桥是重要的交通结构,研究其在主梁损伤条件下的损伤定位问题具有重要的工程价值。合理选择设计参数并对其进行敏感性分析,根据现场实测的桥梁动力特性数据,通过调整选定的设计参数对初始的有限元模型进行修正。在基准有限元模型的基础上,通过模拟不同位置和不同程度的主梁损伤,探讨了模态曲率法对结构损伤识别的有效性。结果表明,模态曲率法能够对大跨斜拉桥进行初步的损伤定位,确定主梁单处损伤和多处损伤的损伤位置;对于单处损伤,在噪声水平3%的情况下仍具有较好的适用性。从而为后期更为精确的桥梁结构损伤检测提供依据。 相似文献
11.
基于遗传算法优化神经网络权值的大坝结构损伤识别 总被引：1，自引：0，他引：1
针对传统 BP 神经网络存在着容易陷入局部极小点、训练时间太长等缺点,本文采用基于浮点编码的遗传算法,对 BP 神经网络的初值空间进行了遗传优化。用基于浮点编码的遗传算法来优化 BP 神经网络的权值,可得到最佳初始权值矩阵,并按误差前向反馈算法,沿负梯度搜索进行网络学习。文中以混凝土重力坝结构作为算例,用结构的模态频率变化作为网络的输入向量,结构的损伤位置作为输出向量,对网络进行了训练。仿真结果表明：遗传 BP 神经网络的收敛和诊断能力优于传统 BP 神经网络,可有效地运用到大坝结构的健康诊断与损伤识别中。 相似文献
12.
Evaggelos Ntotsios Costas Papadimitriou Panagiotis Panetsos Grigorios Karaiskos Kyriakos Perros Philip C. Perdikaris 《Bulletin of Earthquake Engineering》2009,7(2):469-483
A bridge health monitoring system is presented based on vibration measurements collected from a network of acceleration sensors.
Sophisticated structural identification methods, combining information from the sensor network with the theoretical information
built into a finite element model for simulating bridge behavior, are incorporated into the system in order to monitor structural
condition, track structural changes and identify the location, type and extent of damage. This work starts with a brief overview
of the modal and model identification algorithms and software incorporated into the monitoring system and then presents details
on a Bayesian inference framework for the identification of the location and the severity of damage using measured modal characteristics.
The methodology for damage detection combines the information contained in a set of measurement modal data with the information
provided by a family of competitive, parameterized, finite element model classes simulating plausible damage scenarios in
the structure. The effectiveness of the damage detection algorithm is demonstrated and validated using simulated modal data
from an instrumented R/C bridge of the Egnatia Odos motorway, as well as using experimental vibration data from a laboratory
small-scaled bridge section. 相似文献
13.
This work presents a novel neural network‐based approach to detect structural damage. The proposed approach comprises two steps. The first step, system identification, involves using neural system identification networks (NSINs) to identify the undamaged and damaged states of a structural system. The partial derivatives of the outputs with respect to the inputs of the NSIN, which identifies the system in a certain undamaged or damaged state, have a negligible variation with different system errors. This loosely defined unique property enables these partial derivatives to quantitatively indicate system damage from the model parameters. The second step, structural damage detection, involves using the neural damage detection network (NDDN) to detect the location and extent of the structural damage. The input to the NDDN is taken as the aforementioned partial derivatives of NSIN, and the output of the NDDN identifies the damage level for each member in the structure. Moreover, SDOF and MDOF examples are presented to demonstrate the feasibility of using the proposed method for damage detection of linear structures. Copyright © 2001 John Wiley & Sons, Ltd. 相似文献
14.
15.
从人工神经网络的基本原理出发，建立了边坡抗震抗滑稳定性评判的人工神经网络模型。选择四川和云南地区的70个边坡实例作为学习样本,对BP算法进行了学习和检验。实例计算表明,BP网络性能良好，所建立的模型预测精度高，具有一定的工程实用价值。神经网络法是一种有效可行的新方法。 相似文献
16.
基于BP神经网络的空间索杆结构节点损伤识别研究 总被引：1，自引：0，他引：1
针对某实际空间索杆结构的节点损伤现象,采用BP神经网络与基于振动的损伤识别两步法对其进行了识别研究,即首先确定可能发生节点损伤的子区域,在此基础上利用对应子区域的子网络识别出具体的损伤位置和程度。识别过程中采用两个杆单元模拟发生节点损伤的杆件,用抗弯刚度降低的端部短杆单元模拟节点损伤。研究表明,虽然空间索杆结构的动力性能较为复杂,但基于结构固有频率和模态位移的组合指标对节点损伤仍较为敏感,利用它们进行节点损伤识别是有效的。 相似文献
17.
概率神经网络(PNN)以贝叶斯概率的方法描述测量数据,因而PNN在有噪声条件下的结构损伤检测方面具有巨大潜力。与此同时,PNN的网络规模随着训练样本的增加而增大,这极大地降低了网络运行速度。基于此,本文提出了基于主组分分析(PCA)的PNN损伤定位方法,分别用传统PNN(TPNN)、主组分分析PNN(PCAPNN)和自适应PNN(APNN)三种模型进行了悬索桥的损伤定位研究。研究发现,APNN的识别精度最好,PCAPNN次之,TPNN最差。但APNN需要很长的训练时间,网络规模较大;其他两个网络几乎不需要训练时间,且PCAPNN网络规模较其他两个网络减少了1／3～1／4。在低噪声情况下,PCAPNN的识别效果基本上等同于APNN。 相似文献
18.
19.
针对网格结构中杆件数量众多，但节点数总是远远小于杆件数的特点，损伤识别中采用了基于BP神经网络技术和面向节点的损伤初步定位方法的网格结构损伤识别的三步法。对双层柱面网壳结构模型在不同杆件去掉时的四种损伤情况下的振动特性进行了实测，并以实测低阶模态的频率变化率和少数测点的振型分量作为神经网络输入参数，对模型的各种损伤情况进行了识别。结果表明，所用的方法可以精简神经网络的结构，并提高其模式识别的能力。该方法可用于对大型复杂结构的损伤识别。 相似文献