CALENDER

Tsunami run-up heights (R) were predicted by using two different artificial neural network (ANN) methods such as feed forward back propagation (FFBP) and generalised regression neural networks (GRNN). The R records resulting from the ground motions, which occurred between 1900 and 2007, were used during the applications. These records were gathered from three coastal states of the USA, namely California (CA), Oregon (OR) and Washington (WA). First, the earthquake moment magnitude (M _w ), the distance from the earthquake source to the run-up location (D), the latitude of the run-up location (L _x ) and the longitude of the run-up location (L _y ) were used as inputs of each ANN method. In order to evaluate the effects of the L _x and L _y on the R prediction, a second input combination consisting of the M _w and D was used. Each ANN method structured for each input combination was applied to estimate the R of both the separate state and the Western Seaboard. In general, the forecasting performance of the FFBP model that used the M _w , D, L _x and L _y in the input layer was found superior to the other models under the conditions of the used data and model structures.     

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.     

结构损伤动力识别技术的研究与进展

通过对结构损伤的动力识别技术近二十年来国内外研究成果的总结,阐述了结构损伤动力识别研究的发展历程。首先介绍了结构损伤动力识别技术的基本原理,然后从三个方面,即结构损伤的动力识别机理、结构损伤的动力识别参数和结构损伤的识别算法,分别探讨了结构损伤动力识别技术的发展现状和面临的问题,最后对结构损伤动力识别的未来研究趋势进行了展望。     

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.     

神经网络用于结构损伤识别的几个关键问题研究

利用神经网络识别结构损伤是当前结构工程研究领域中一个重要方向 ,对其中的最优样本点数量的确定及分布、损伤识别参数的提取和处理等几个关键问题进行了研究     

用统计神经网络进行结构损伤存在检测

用新奇检测的方法来检测结构损伤的存在 ,因其不需要建立结构的计算模型 ,能适合于大型复杂结构的损伤检测。然而 ,目前采用的新奇检测方法—自联想记忆神经网络方法 ,当所用的测试数据具有不同噪声水平或为非正态分布时 ,可能会得出错误的结果。为此本文提出了一种新的方法—统计神经网络方法用于结构的损伤存在检测 ,并用“可能性”来描述结构损伤的存在。通过一个两层框架的数值模拟和一个简支梁的实验数据分析 ,证明统计神经网络可以用来检测结构的损伤存在 ,并且具有比自联想记忆神经网络更好的检测效果     

神经网络在结构损伤识别中的应用

探讨了用神经网络对混凝土结构裂缝进行损伤识别和定位的方法,以一矩形截面悬臂梁为研究对象,通过完好结构和损伤结构的有限元分析,并进行了单处损伤和多处损伤的定位研究,数值仿真结果表明,该方法对于实际工程结构的损伤识别具有一定的指导意义。     

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。     

小波尺度选择对钢结构损伤识别的影响

采用小波概率神经网络（WPNN）损伤识别方法，分析了结构损伤识别中信号的小波分解带宽范围、小波尺度步长和尺度数量对损伤识别结果的影响，研究发现，小波尺度的选择对结构的损伤识别结果有决定性的影响。     

基于模态参数的结构损伤识别指标综述

从指标定义和指标应用的角度,对目前已有的指标进行了综合分析与评价,指出了利用模态参数构造指标来进行损伤识别的优势以及需要进一步解决的问题,以期促进结构损伤检测技术的完善和提高。     

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。     

基于振动的结构损伤识别方法综述

本文简要地总结了目前主要的基于振动的结构损伤识别方法,讨论了结构损伤检测所面临的主要问题。为较好地解决模态数组的不完备性和测量误差,文中简明地阐述了基于Beyesian方法的结构损伤识别方法。     

BP神经网络在桥梁结构损伤诊断中的应用

针对桥梁台后结构损伤分别进行了动力计算和静力试验,提出了采用BP神经网络进行结构损伤位置和程度的识别诊断研究,试验结果表明比较准确可信,该方法具有良好的应用前景。     

采用扩展的贝叶斯人工神经网络选择结构损伤监测模型

对采用规则的动态数据进行结构损伤监测时,模式识别是一个有效的方法,人工神经网络作为匹配模式特征的系统方式广泛应用于模式识别研究中。人工神经网络设计是影响模型识别性能和效率的最基本因素。由Lam等人提出的贝叶斯人工神经网络设计法则为单隐层前馈人工神经网络确定大量隐性神经单元提供了严格的数学手段。本文的第一个目标是对贝叶斯人工神经网络设计法则进行拓展,包括选择隐层中神经单元的传递函数。所提出的法则具有高效的特点,适用于实时人工神经网络设计。目前,许多人工神经网络设计技术需要在训练前已知人工神经网络模型的类型,因此,最基本的问题是自动选择优化的人工神经网络模型类型的技术。由于模型参数和Ritz向量一般用于描述模式的特征,本文的第二个目标是采用模式识别对结构损伤监测中这两个模式特征进行比较。为了清楚判断这两个特征,研究中采用了IASC-ASCE准则。研究结果显示:采用模型参数进行训练的人工神经网络性能略优于采用Ritz向量进行训练的人工神经网络性能。     

桥梁结构损伤检测现状

对桥梁结构损伤检测的现状进行分析,讨论目前各种检测分析方法的优缺点,为结构检测领域的进一步发展提供理论依据。     

基于神经网络的结构损伤识别综述

简单介绍了神经网络技术及其分类方法,对使用神经网络进行斜拉桥损伤识别的基本流程进行了详细阐述,并分析了输入向量的选择优缺点,以期促进基于神经网络的结构损伤识别技术的推广应用。     

基于结构振动的损伤识别技术研究进展

对目前基于结构振动损伤识别技术的基本方法、研究现状及进展进行了回顾和总结,讨论了各种方法在理论和实际应用中的优点和存在的问题,分析了当前基于振动损伤识别技术存在的主要困难和发展方向,为保证桥梁工程的安全运营提供了理论基础。     

土木工程结构损伤诊断研究现状与展望

阐述了结构损伤诊断技术在土木工程结构中的重要性，在综述结构损伤诊断研究现状的基础上，重点介绍了用于土木工程结构的各种损伤诊断方法，并对相关问题进行了讨论和评述，最后对土木工程结构损伤诊断的未来研究方向提出了建议与展望。     

基于小波变换的结构损伤识别与试验分析

钢筋混凝土结构在中等以上地震作用下将产生损伤,结构动力特性随之变化。通过对结构微幅振动信号的Fourier分析,可以判断结构是否产生损伤,但是不能确定损伤位置。本文将结构振动信号置于不同频段进行时-频分析,利用小波变换的多分辨率特点对结构损伤进行在线检测,确定损伤位置。通过钢筋混凝土框架的振动台试验,将模型地震反应信号按不同频段分解,提取各频段的损伤信号特征。对于试件模型而言,如果某处出现开裂,即产生损伤,表现在响应信号上为一瞬态分量,通过信号小波变换的尺度函数可以判断结构某层是否损伤。该方法克服了Fourier变换不能反映结构振动信号局部特性的缺点,试验表明本文所采用的方法是可行的。