测量模态不完整情况下空间网架结构的损伤识别

空间网架结构杆件数量庞大,自由度数目很多,要测得完整的模态数据有很大的困难。如何利用有限的测量信息对结构的损伤情况进行判断是一个实际的问题。对测量自由度不完整情况下网架的损伤识别,提出了两步法:第一,将测量的振型通过动力扩阶方法得到完整振型,利用模态应变能进行疑似损伤杆件判断;第二,利用最小二乘支持向量机对第一步判断的疑似杆件进行进一步的杆件损伤定位和定量。以一个空间网架结构为模型进行了数值模拟验证,结果表明对于测量模态不完整的网架结构损伤识别本文提出的方法是有效的。     

基于RBF神经网络的网架结构损伤识别试验研究

针对网架结构损伤识别中模态密集、自由度高等困难,利用RBF网络良好的容错性和鲁棒性,依据损伤前后的网架结构模态参数发生变化理论,提出了基于模态参数和RBF神经网络的网架结构损伤识别方法。以一个6 m×7.5 m的正放四角锥网架结构为研究对象,首先依据连续倒塌理论计算各杆件的重要性系数,确定模拟损伤杆件位置;然后以损伤前后结构的标准化频率平方变化率及标准化位移振型的组合参数作为RBF神经网络的损伤指标,利用有限元分析得到学习样本,试验分析结果作为测试样本。采用二阶段损伤识别方法,首先在所有杆件中排查出可疑受损杆件位置,最后再精确识别损伤位置和程度。结果表明,该方法能够很好地识别网架结构的损伤位置和程度。     

基于单元应变模态差的网架结构损伤诊断研究

对具有一定程度损伤的网架结构来说,常规的结构有限元分析或实验模态分析得到的位移模态和频率难以有效地反映结构的损伤状况。为了提高诊断效率与诊断结果的可靠性,根据空间杆系结构的受力特点,利用两节点空间铰接杆单元有限元法,由节点位移模态推导出单元应变模态,提出采用结构损伤前后的单元应变模态差作为网架结构损伤定位的识别指标,并以损伤单元应变模态的差值大小确定损伤程度。通过对一个典型网架结构的数值模拟研究表明:该方法能够在低阶模态条件下,有效识别网架结构不同位置和程度的局部损伤;且在一定噪声水平下具有较强的鲁棒性,适用于实际观测条件下的网架结构损伤定位。     

基于神经网络技术的复杂框架结构节点损伤的两步诊断法

大量研究表明,对于发生损伤的大型复杂结构,采用常规的一步方法进行损伤诊断将是十分困难,甚至是不可能的。因此,本文对多层及高层复杂框架结构节点损伤,提出了基于神经网络技术的两步诊断方法,此方法先将结构划分为n个子区域,将损伤引起的结构前n阶模态频率变化比与损伤区域的关系输入概率神经网络,建立系统,进行损伤子区域判定;然后将结构损伤子区域内第二阶杆端应变模态变化量与节点损伤位置和损伤程度的关系输入径向基神经网络,建立系统,进行损伤位置和损伤程度具体诊断。数值仿真分析结果表明,此方法可对多层及高层框架结构的地震节点损伤做出成功诊断,且具有较好的抗干扰能力。     

基于模态振型和神经网络方法的人防工程结构损伤诊断

随着人防工程建设规模的扩大与发展,对人防工程结构的损伤诊断及其安全性评价已成为亟待解决的重要问题。本文提出了一种基于模态振型与神经网络相结合的人防工程结构损伤诊断方法,构造了以模态振型变化率为输入的BP神经网络。以某人防工程结构为算例,用单元弹性模量E的降低模拟结构的损伤位置和损伤程度,通过给定人防工程结构不同单元不同程度的损伤,计算结构的前3阶振型变化率绝对值之和作为BP神经网络的输入,计算分析表明,利用模态振型与神经网络相结合的方法能够准确地诊断出人防工程结构的损伤位置和损伤程度,能方便、有效地解决地下人防工程结构的损伤诊断问题。     

基于曲率模态的钢筋混凝土梁多点损伤位置识别

采用曲率模态对钢筋混凝土梁的多点损伤位置进行了识别研究。首先用有限元程序建立结构模型,并计算出位移模态振型,然后用差分法计算出曲率模态;同时对实际结构进行检测,得到结构的振型并计算出曲率模态。通过有限元模型和实际结构的曲率模态计算得到结构损伤因子,通过分析该损伤因子,可以判断实际结构的损伤位置。数值模拟算例分析表明,曲率模态对结构的损伤较敏感,用该方法识别结构的多点损伤位置是行之有效的。     

基于小波分析的网架结构杆单元损伤检测研究

网架是以杆单元作为主要构件的结构,节点损伤信息无法反映损伤杆单元的真实位置。采用单元损伤信息作为杆单元损伤位置判定的参数,结合杆单元损伤前后的应变模态差,建立了杆单元应变模态损伤识别方法。损伤表现为信号局部特征的改变,而小波分析在时域和频域上都具有表征信号局部特征的能力,故将杆单元损伤前后应变模态差作为结构损伤指标,应用小波变换对网架损伤杆单元进行定位。将该方法应用于一个正放四角锥网架结构的杆单元损伤识别,结果表明,该方法在低阶模态下就能较准确地定位网架结构中单一或多个损伤的位置。     

基于神经网络的立体钢桁架损伤具体定位研究

探讨了用神经网络对立体钢桁架损伤具体定位法.利用结构损伤前后的模态参数,构造出一系列的损伤指标,研究它们与损伤位置的关系,为神经网络损伤识别输入参数的选择提供依据.用RBF神经网络诊断出损伤杆件所在的具体位置(编号);数值仿真证明了这种方法的有效性.     

一种框架结构损伤诊断两步法

提出了一种仅用限模态信息的结构损伤诊断两步法。第一步,利用测量自由度正则化损伤指标向量得到损伤构件的大致区域。第二步,在第一步选定的区域内,利用设计灵敏度技术对可能的损伤构件进行定位、定量分析。利用四层平面框架进行了数值模拟,建立四层平面框架的有限元模型,用不同单元弹性模量的降低来模拟各种不同的损伤工况,并对每种损伤工况进行了损伤位置和损伤程度的诊断,数值模拟结果表明,本文所提出的结构损伤诊断的两步法是可行的。     

基于应变模态差的索桁架-索网结构损伤识别

应变模态差法多用于刚性结构的损伤识别,而较少用于柔性结构。索桁架-索网结构是柔性组合结构,该结构通过预应力索提供刚度,结构损伤的主要因素是索的损伤和预应力损失。基于有限元模态分析提取结构损伤前后的应变模态差作为损伤识别指标,应用应变模态差法对索桁架-索网结构进行计算分析。结果表明:索单元发生损伤后,通过应变模态差能够准确地识别索不同位置的损伤,同时对小损伤(损伤程度10%)较敏感;得出应变模态差与损伤程度的关系曲线,该曲线在不同工况下能够很好地判断索单元损伤程度;利用应变模态差能够识别出索的预应力损失的位置,并可大致判断损失程度;验证应变模态差损伤识别方法可以较好地用于索桁架-索网结构的损伤识别。     

基于柔度曲率曲线的结构损伤识别方法

对柔度曲率法进行了改进,提出了基于柔度曲率曲线的结构损伤识别方法。提出了结构在健康状态下的完好柔度曲率曲线这一概念,并运用最小二乘法拟合构建该曲线;在此基础之上,进一步对结构损伤的程度进行了研究,通过损伤有效面积的大小来判断结构损伤程度。最后通过简支梁的单处和两处损伤对该方法进行了数值验证。结果表明：不需结构损伤前模态参数,该方法能够对简支梁发生单处和两处损伤进行准确定位及损伤程度分析;且损伤程度正比于损伤有效面积;同一损伤程度下,单元距离跨中位置越近损伤有效面积也越大。     

振型平方差法判断结构损伤位置

针对振型是判断建筑物动力特性的主要参数,采用振型平方差法对结构的损伤进行定位,并就结构损伤对频率及振型的影响进行分析,找出结构损伤与动力特性参数间的关系,从而为判断结构损伤位置提供了参考.     

A hybrid neural network strategy for identification of structural parameters

This paper presents a multistage identification scheme for structural damage detection using modal data. Previous studies of damage assessment using neural networks mostly involved training a backpropagation neural network (BPN) to learn damage patterns that were obtained either experimentally or by simulation for different damage cases. Damage identification for large structures, especially those involving multiple member damage, could result in large training data sets that require a large BPN and consequently greater computational effort. The proposed scheme involves using a counterpropagation neural network (CPN) in the first stage for sorting the training data into clusters and giving an approximate guess of the damage extent within a very short time. After an approximate estimate of the damage is obtained, a new set of training patterns of reduced size is generated using the CPN prediction. In the second stage, a BPN trained with the Levenberg–Marquardt algorithm is used to learn the new training data and predict a more accurate result. A superior convergence and a substantial decrease in central processing unit (CPU) time are observed for three numerical examples.     

基于最小秩方法的结构损伤识别

针对结构损伤识别中的最小秩方法存在的问题,经过研究发现,对测试模态进行关于质量矩阵的正交归一化可保证反演后刚度矩阵的对称性;提出了一种迭代修正算法,可保持反演结果的稀疏性;基于模态力余量,定义了一种损伤指标来预先判定结构损伤单元的位置,并可据此选取合适的测试模态阶数进行反演计算。数值试验结果表明,改进后的方法在考虑测试模态误差的情况下可对结构的损伤进行精确的定位和标定。     

基于模态灵敏度分析的框架结构损伤识别:灵敏度分析

结构损伤识别是开发结构安全监测系统中的一个重要课题。由于结构频率容易测试并且有较高的测量精度,因此成为损伤识别中广泛应用的模态参数。基于模态频率的灵敏度分析,提出了一种基于结构损伤前后频率变化测量的损伤参数识别方法,用于确定结构的损伤位置和损伤程度。     

Exploring the possibility of assessing the damage degree of liquefaction based only on seismic records by artificial neural networks

This study presents a new approach to determine the damage degree of liquefaction caused by a large earthquake. We propose an artificial neural network (ANN) model based only on the seismic records of ground and define the degree of liquefaction “DDL” as a damage index. This ANN model predicts the degree of excess pore water pressure increase as the correct output label based on the seismic records obtained from the three-dimensional shaking table test. The proposed model achieved high accuracy, and the outcomes from training data indicated that the ANN model is suitable to function as a liquefaction assessment system. Further, to evaluate the applicability of the proposed ANN model in the real world, the datasets of waves from three actual seismic records were input to the ANN as validation data. The DDL judgment obtained was a good fit with the real phenomena observed.     

Structural Health Monitoring via Measured Ritz Vectors Utilizing Artificial Neural Networks

Abstract:   A pattern recognition approach for structural health monitoring (SHM) is presented that uses damage-induced changes in Ritz vectors as the features to characterize the damage patterns defined by the corresponding locations and severity of damage. Unlike most other pattern recognition methods, an artificial neural network (ANN) technique is employed as a tool for systematically identifying the damage pattern corresponding to an observed feature. An important aspect of using an ANN is its design but this is usually skipped in the literature on ANN-based SHM. The design of an ANN has significant effects on both the training and performance of the ANN. As the multi-layer perceptron ANN model is adopted in this work, ANN design refers to the selection of the number of hidden layers and the number of neurons in each hidden layer. A design method based on a Bayesian probabilistic approach for model selection is proposed. The combination of the pattern recognition method and the Bayesian ANN design method forms a practical SHM methodology. A truss model is employed to demonstrate the proposed methodology.     

基于模态曲率与小波变换的网壳结构损伤识别研究

结合模态曲率与小波变换的方法对网壳结构的损伤识别进行研究。以一网壳结构的缩尺模型为例进行数值分析,假设结构35号杆件的截面出现刚度折减的轻微损伤,以模型损伤前后的模态曲率作为损伤指标进行连续小波变换,从而判断结构的损伤位置。数值分析的结果表明,利用模态曲率的小波变换系数差可以粗略定位损伤,而利用曲率模态差值的小波变换系数可以较为准确地定位损伤,且分析及数据处理过程更为简便可靠,可见基于模态曲率与小波变换的损伤识别方法对于网壳结构的损伤定位是非常有效的。     

模型参数误差对用神经网络进行结构损伤识别的影响

通过理论推导得到了模型参数误差对损伤引起模态参数改变的贡献的表达式,用该式可指导神经网络输入参数的选择和输入向量的构造.理论分析表明,适当地构造输入向量,可以减小模型参数误差对结构损伤识别的影响.在采用BP网络和合适的输入向量后,还用数值模拟的方式对一榀六层框架的损伤识别进行了确定性研究和概率分析,结果表明,用神经网络进行结构损伤识别,受模型参数误差的影响很小,在训练神经网络时,10%的模型参数误差是可以接受的.最后,用一个两层钢框架的实验数据验证了神经网络在有模型误差时的识别能力.