基于RBF神经网络的结构损伤识别方法研究进展

阐述了径向基神经网络(RBF网络)用于结构损伤识别的工作原理,介绍了国内外学者利用RBF神经网络对结构进行损伤识别的研究进展,从网络输入参数、网络算法、结构建模等方面,分析了该方法的优点和存在的问题,指明了进一步研究的方向。     

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。     

基于高效神经网络的框架结构节点损伤的多重分步识别方法

提出了基于神经网络的框架结构节点损伤的多重分步识别方法,建立了用于框架结构节点损伤识别的高效神经网络法。根据节点损伤的多重分步识别思路,把节点损伤识别主要分为四步:第一步利用神经网络建立损伤异常过滤器对节点损伤进行预警;第二步以频率构造的组合指标作为神经网络输入向量,对节点损伤进行初步定位;第三步以归一化的应变模态差绝对值作为神经网络输入向量,对节点损伤进行具体定位;第四步以应变模态差绝对值作为神经网络输入向量,对节点损伤程度进行识别。针对三跨四层的框架结构进行了节点损伤识别数值模拟,结果表明: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节点损伤进行预警、定位和定量。     

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.     

卷积神经网络在结构损伤诊断中的应用

对卷积神经网络(CNN)在工程结构损伤诊断中的应用进行了深入探讨; 以多层框架结构节点损伤位置的识别问题为研究对象,构建了可以直接从结构动力反应信号中进行学习并完成分类诊断的基于原始信号和傅里叶频域信息的一维卷积神经网络模型和基于小波变换数据的二维卷积神经网络模型; 从输入数据样本类别、训练时间、预测准确率、浅层与深层卷积神经网络以及不同损伤程度的影响等多方面进行了研究。结果表明:卷积神经网络能从结构动力反应信息中有效提取结构的损伤特征,且具有很高的识别精度; 相比直接用加速度反应样本,使用傅里叶变换后的频域数据作为训练样本能使CNN的收敛速度更快、更稳定,并且深层CNN的性能要好于浅层CNN; 将卷积神经网络用于工程结构损伤诊断具有可行性,特别是在大数据处理和解决复杂问题能力方面与其他传统诊断方法相比有很大优势,应用前景广阔。     

单层网壳损伤识别理论与试验研究

结构损伤识别可以归结为结构损伤参数的模式识别问题.对结构响应信号进行小波包分解可以获得各频带的信号能量,将此特征向量作为输入,利用支持向量机强大的模式分类功能,可以实现结构的损伤识别.在环境振动下,对1/10比例的单层网壳模型进行损伤识别试验,将不同的杆件沿径向进行相应程度的截面切割用以模拟不同程度的损伤状态.对不同损伤情况的加速度样本进行三层小波包分解,以相应频带的信号能量作为输入建立支持向量机,利用支持向量机对未训练样本的信号能量进行损伤分类.试验结果表明该方法简便准确,验证了小波包和支持向量机方法用于损失识别的有效性.     

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。     

粗糙集和神经网络相融合的钻井安全评价模型

针对动态性、随机性和不确定性较强的钻井作业现场,开展了安全评价的研究。提出了一种基于粗糙集和BP神经网络对作业现场进行安全评价的方法。首先以粗糙集为基础来构建BP神经网络的前置系统,对采集到的样本数据进行属性约简。其次,根据约简结果以及作业当天的事故情况完成了BP神经网络输入层和输出层的设计,并根据输入层和输出层神经元的个数通过试凑法确定网络隐含层的神经元数量范围,并采用训练样本对不同神经元个数所对应的网络模型进行训练,选择网络误差最低的网络作为所构建的网络模型。最后,选取16 d的测试样本对网络进行验证,将网络的输出同作业现场的实际结果进行比较,有14 d的网络结果与实际结果相符,测试准确率达到了87.5%。     

混沌神经网络在深基坑开挖侧移预测中的应用

以混沌理论为基础 ,由去偏复自相关函数确定输入神经元的数目 ,通过含有隐层的误差反向传播神经网络输出预测值 ,对神经网络输出的“尖点”预测值进行混沌控制 ,通过参数控制法确定预测值 ,使预测结果更加准确。最后将该方法应用于北京市北新桥地铁车站深基坑的侧移预测 ,取得较好的预测结果     

影响基坑围护结构变形预测的因素分析

本文结合工程实例研究了人工神经网络输入层参数对网络训练和测试的影响 ,表明输入层参数变化对于网络测试并无显著影响 ,适当的输入层神经元数就可以用于网络的训练和测试     

基于区间估计的结构损伤识别方法研究

当检测样本与训练样本的噪声水平不同时,用“自联想”神经网络对结构损伤存在性进行识别时会出现正误判,为解决这一问题,提出用区间估计的方法对结构损伤存在性进行识别,给出了2种情况下区间估计的计算方法。研究表明：当结构没有损伤时,即使检测状态的噪声水平与初始完好状态的噪声水平不同,区间估计的方法也能给出较高正确率的识别结果;当损伤达到一定程度时,只需要相对较少的样本,即可由区间估计的方法对结构是否发生损伤做出正确的识别。     

基于遗传神经网络的坝基岩体渗透系数识别

基于坝基岩体渗流场正演分析的数学模型，通过观测渗流区域地下水运动的动态信息反演坝基岩体的渗透系数。将遗传算法和神经网络相结合，所建立的遗传神经网络具有较快的训练速度和较强的泛化能力。数值算例表明，遗传神经网络在求解坝基岩体渗透系数反演问题中具有较高的计算效率和识别精度。     

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。     

基于神经网络的结构损伤识别研究进展

为提高结构损伤识别方法的精确性和适用性,将神经网络引入到结构损伤识别中。介绍了神经网络的由来、原理和研究意义,概述了国内外基于神经网络的结构损伤识别研究进展。通过分析可以看,出用于结构损伤识别的神经网络方法有着广阔的应用前景。论文针对进一步研究的方向提出了建议。     

基于模态刚度的预应力混凝土梁损伤识别方法研究

阐明了模态刚度在损伤识别研究中的重要意义,并对11根多级损伤状态的预应力混凝土梁进行动力试验研究。通过对梁模态分析发现,由于噪音污染等多种因素的影响,仅凭各梁实测模态刚度数值的直观分析很难对梁的多级损伤状态进行有效的识别。为此,提出了以模态刚度变化率为损伤指标的BP神经网络和PNN神经网络的损伤识别方法,并利用实测数据验证所提方法的实用性。研究表明,两种神经网络分类器识别方法均能够有效应用于实际中,且具有很高的损伤识别精度,为结构损伤识别方法研究提供了新思路。     

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。     

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。     

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.     

Deep learning of rock microscopic images for intelligent lithology identification: Neural network comparison and selection

An intelligent lithology identification method is proposed based on deep learning of the rock microscopic images. Based on the characteristics of rock images in the dataset, we used Xception, Mobile Net＿v2,Inception＿Res Net＿v2, Inception＿v3, Densenet121, Res Net101＿v2, and Res Net-101 to develop microscopic image classification models, and then the network structures of seven different convolutional neural networks(CNNs) were compared. It shows that the multi-layer representation of rock feature...