基于神经网络的框架结构损伤多重分步识别

提出了基于神经网络的框架结构损伤多重分步识别方法,建立了用于框架结构损伤识别的高效神经网络。根据构件损伤的多重分步识别思路,把构件损伤识别过程分为:利用神经网络建立损伤异常过滤器对构件损伤进行预警;以频率构造的组合指标作为神经网络输入向量,对构件损伤进行初步定位;以频率和模态振型构造的组合指标作为神经网络输入向量,对构件损伤进行具体定位;以频率平方变化率作为神经网络输入向量,对构件损伤程度进行识别。最后针对三跨四层的框架结构进行了损伤识别数值模拟。结果表明:基于神经网络的框架结构损伤多重分步识别方法简化了网络的结构,能够有效地对框架结构损伤进行预警、定位和定量。     

基于神经网络的框架结构构件损伤识别研究

采用多重分步识别方法对框架结构构件损伤识别研究。第一步对构件损伤进行预警;第二步识别构件损伤所在的楼层;第三步在识别出的楼层内对构件损伤具体定位;第四步对构件损伤程度进行识别。以三跨四层的框架结构为计算模型进行了数值模拟,研究表明,应用神经网络技术,采用多重分步识别方法,简化了网络的结构,能够有效地对框架结构构件损伤进行预警、定位。     

基于均匀设计试验的框架结构正分析分步式损伤识别方法

为对框架结构柱损伤位置和程度进行识别,应用均匀设计方法构建可用于结构损伤正分析档案库的试验表,按此试验表对抽样出的损伤位置和程度进行BP神经网络训练.训练后的神经网络根据分步式识别方法,以固有频率对结构出现的损伤进行层定位,再以位移变化率对损伤进行构件定位,同时反馈获得构件的损伤程度.通过2个模型结构损伤识别的算例,分别验证了所构建神经网络和识别参数的正确性,以及基于均匀设计试验分步式损伤识别方法的有效性.计算结果表明均匀设计试验可在保证识别效果的同时,大幅减少神经网络的训练次数;分步识别方法可对框架结构损伤位置进行精确判定,克服了一步识别框架损伤或单独使用某种参数进行损伤识别的缺陷.     

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GRNN神经网络的桁架结构损伤识别的两步法

损伤识别方法是结构健康监测系统的重要组成部分。基于广义回归神经网络(GRNN)模型,建立了结构损伤识别的两步法,构造了用于损伤定位和损伤定量的不同损伤识别组合损伤指标,并引入模态应变能系数选择节点,最后,结合典型桁架结构进行了损伤识别数值模拟研究。结果表明,即使在只获得低阶频率和少量节点一阶振型数据且含有噪声的情况下,采用构造的组合参数,GRNN神经网络对损伤位置及损伤程度识别都取得了比较理想的识别效果。     

空间网格结构节点螺栓松动损伤定位有限元分析

以单层柱面网壳试验模型为背景进行损伤定位研究,采用ANSYS软件对其螺栓松动损伤进行了有限元分析,利用神经网络的模式分类功能进行了螺栓松动的分步损伤定位,即首先以整体结构为研究对象,采用面向子结构的损伤定位,确定结构是否存在损伤及损伤的大致位置;然后采用面向节点的损伤定位法,确定子结构中螺栓松动损伤的节点位置。研究结果表明：损伤识别的成功率与杆件灵敏度密切相关,为了保证识别结果准确性,其灵敏度达到2%以上才能正确识别,当杆件的灵敏度过低时将无法通过动力测试识别;采用分步损伤定位方法可以显著减少损伤精确定位时训练样本的数量,适合于不完备的模态数据,利用低阶模态数据即可准确识别损伤的子结构与节点位置。     

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。     

基于模态应变能和小波分析方法的网壳结构损伤识别研究

工程结构损伤的识别与定位研究以往主要针对梁、框架等结构形式.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.为提高结构损伤识别方法的准确性和适用性,将小波分析引入到网壳结构损伤识别中.根据小波奇异性检测理论,提出将模态应变能和小波变换相结合的方法对网壳结构进行定位,即以结构损伤前后单元模态应变能差作为结构损伤指标,对其分别进行bior6.8连续和离散小波变换,利用小波系数极大值点判断网壳结构有无损伤和损伤位置.以跨度40m的Kiewitt网壳结构为例进行数值模拟,结果表明:基于模态应变能和小波变换相结合的方法,在测得一阶模态下,不但对单一损伤而且对多损伤均能有效地识别出结构的损伤位置,证明该方法对此类结构损伤定位具有有效性和实用性.     

基于均匀设计实验的框架结构损伤识别应用研究

为对不规则框架结构的柱进行损伤识别,由位移指标对损伤初步定位后,利用均匀设计思想构造分步识别方案,通过BP神经网络利用频率和位移指标对损伤构件进行具体定位。通过6层框架数值模拟结果表明此方法克服了大型均匀设计表偏差过大,以及单一参数进行损伤识别的缺陷,能够较好地对框架结构损伤位置进行精确判定。     

神经网络在结构工程健康监测中的应用探讨

建立结构损伤诊断子系统是建立大型工程结构智能健康监测专家系统的核心问题。人工神经网络技术可以实现结构损伤的自动识别与定位,具有广阔的应用前景。本文介绍基于人工神经网络的两级损伤识别策略,并对采用人工神经网络进行结构损伤诊断的网络输入参数与网络结构选择等关键问题进行了探讨。     

结构损伤定位与定量识别方法研究

针对结构损伤问题,采用损伤定位、定量的分阶段识别方法,即利用柔度曲率改变率指标来确定结构损伤的具体位置,然后以频率改变率为输入参数构建神经网络对损伤部位进行程度识别。通过对一个简支梁的仿真计算,表明上述方法能判别损伤位置和程度,且识别精度较高。     

基于灰色网络的结构损伤识别研究

将用于损伤识别的静态位移曲率置信因子与人工神经网络技术相结合,建立了结构损伤识别的灰色网络系统。利用该系统对悬臂梁结构损伤位置和程度进行了识别分析和判断,可以看出,利用此方法对结构的损伤识别是非常有效的,且该方法不仅具有静态位移曲率置信因子计算简单、准确度高等优点,而且还具有神经网络高度并行运算能力和良好的的容错性。     

大跨度空间网格结构的损伤定位

本文建立了基于模态曲率法和人工神经网络技术相结合的、适用于大跨度空间网格结构的损伤定位新方法,即首先应用模态曲率法判断结构是否发生损伤并识别发生损伤的局部结构,然后对发生损伤的局部结构利用人工神经网络技术识别损伤的准确位置。通过分析和比较发现,以模态曲率为基础的损伤参数比较适合于大跨度空间网格结构的损伤定位,三种以模态曲率为基础的损伤定位参数按有效性进行排序,从低到高依次为模态曲率、模态曲率差、模态曲率变化率;针对天津奥林匹克中心体育场大跨度悬挑管桁结构进行了不同损伤状况的数值模拟,验证了所建立的损伤定位方法的适用性和有效性。研究结果表明:利用模态曲率变化率识别损伤发生的大致位置,当单榀桁架发生损伤时,识别的准确率达到100%,当多榀桁架同时发生损伤时,识别的准确率达93.7%;采用人工神经网络技术识别损伤桁架的准确损伤位置时,在无测量噪声影响下,损伤定位的准确率达到97.0%,且测量噪声对损伤定位准确率的影响很大。     

桁架结构损伤识别的数据融合方法研究

以数据融合技术进行桁架结构的单损伤和多损伤识别。通过研究基于频率的结构损伤理论,分析归一化的频率和损伤位置的关系;利用小波概率神经网络的算法对决策融合进行修正,建立基于小波概率神经网络的数据融合结构损伤识别模型。运用结构计算软件计算了一典型桁架结构的频率,并融合为小波概率神经网络算法的输入特征向量,并对桁架算例模型结构进行损伤识别。通过桁架不同位置的损伤情况,验证该方法的有效性,并提出工程应用中应注意的问题。研究结果表明,基于小波概率神经网络算法的数据融合技术是一种比较可靠的损伤识别方法,具有良好的工程应用前景。     

Structural health monitoring of a cable-stayed bridge with Bayesian neural networks

In recent years, there has been an increasing interest in permanent observation of the dynamic behaviour of bridges for long-term monitoring purpose. This is due not only to the ageing of a lot of structures, but also for dealing with the increasing complexity of new bridges. The long-term monitoring of bridges produces a huge quantity of data that need to be effectively processed. For this purpose, there has been a growing interest on the application of soft computing methods. In particular, this work deals with the applicability of Bayesian neural networks for the identification of damage of a cable-stayed bridge. The selected structure is a real bridge proposed as benchmark problem by the Asian-Pacific Network of Centers for Research in Smart Structure Technology (ANCRiSST). They shared data coming from the long-term monitoring of the bridge with the structural health monitoring community in order to assess the current progress on damage detection and identification methods with a full-scale example. The data set includes vibration data before and after the bridge was damaged, so they are useful for testing new approaches for damage detection. In the first part of the paper, the Bayesian neural network model is discussed; then in the second part, a Bayesian neural network procedure for damage detection has been tested. The proposed method is able to detect anomalies on the behaviour of the structure, which can be related to the presence of damage. In order to obtain a confirmation of the obtained results, in the last part of the paper, they are compared with those obtained by using a traditional approach for vibration-based structural identification.     

基于曲率模态曲线变化的桥梁损伤识别

针对传统损伤识别方法仅能对损伤位置进行确定,对于损伤程度识别效果较差的问题,根据桥梁出现损伤会使曲率模态曲线产生畸变这一特点,提出一种基于曲率模态曲线变化的损伤识别方法。以曲率模态参数指标为基础,对桥梁损伤前后其曲率模态曲线的变化进行研究。采用多项式拟合和BP神经网络拟合技术,根据桥梁受损后其曲率模态曲线畸变面积的大小来反向拟合出现损伤的位置和损伤程度。以一座简支桥为例,对其设定单损伤和多损伤工况进行研究分析,根据曲率模态曲线畸变产生的部位确定结构损伤的位置,并根据曲率模态曲线的畸变大小来拟合桥梁损伤的程度。结果表明:对于实际工程中经常出现的小损伤工况,该方法识别效果较好,可用于实际工程结构的监测。     

基于模态应变能与神经网络的钢网架损伤检测方法

神经网络通过对样本的学习,获得结构模态参数与损伤之间的映射关系。目前基于神经网络的损伤检测已经越来越广泛地使用在非破坏性损伤诊断当中。但对于大型结构而言,它的训练样本数量过大,将消耗大量的计算。所以如何降低神经网络的计算量使其可用于大型结构的损伤诊断是一个亟待解决的问题。为了解决这个问题,提出了空间钢网架损伤的两步诊断法:第一步,利用模态应变能对结构损伤的敏感性,判断出结构损伤的可能位置;第二步,利用神经网络从可能发生损伤的杆件中定位出实际损伤的位置,并进行损伤程度的判断。利用一个空间网架作为数值算例,进行可行性验证。结果表明此方法可以准确判断出结构的损伤位置以及损伤大小,是一种行之有效的方法。