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。     

基于AR模型和GRNN的结构损伤识别研究

文中建立了一种基于AR模型与广义回归神经网络(general regression neural network,简称GRNN)结合的损伤识别模型。首先,对加速度响应信号建立AR模型,其次选取损伤和无损工况下的AR模型系数的变化比作为损伤指标,最后利用GRNN神经网络进行结构损伤位置识别。通过五层海洋平台结构的数值模拟及其分析结果验证了该方法的有效性和抗噪性。     

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。     

基于动力测试的单层柱面网壳损伤定位与试验研究

针对空间网格结构中杆件数量众多,但杆件按照一定的规律相互组合的特点,提出以面向子结构的损伤初步定位为基础的损伤识别三步法。设计一个157个节点、414根杆件的单层柱面网壳试验模型,对其在完好状态及不同杆件去掉时的5种损伤工况下的振动特性进行实测。然后对试验模型结构进行精细化建模,在其基础上利用部分测点的实测前3阶模态信息构造神经网络输入参数,采用提出的方法对模型的各种损伤工况进行识别。结果表明,基于实测低阶的不完备模态,采用三步法可以精简神经网络的结构,并取得良好的识别效果,验证了所提方法的可行性。     

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.     

考虑残差学习的深层卷积神经网络在结构损伤识别中的应用研究

提出了一种考虑残差学习的深层卷积神经网络损伤识别方法,并将其应用到框架结构节点损伤识别中。采用试验研究方式对所提方法进行了深入探讨,结果表明该方法可以很好地解决网络深化带来的网络退化或梯度爆炸、弥散导致的收敛困难和识别准确率差等问题,能对结构损伤诊断中的损伤定位这一复杂问题进行有效识别。在对试验框架节点损伤位置识别的对比研究中,考虑残差学习的深层卷积神经网络收敛速度和准确率均高于常规浅层神经网络和深层神经网络,有极高的准确率和稳定性,从而使得对于工程中复杂结构损伤诊断所需要的更深层、更复杂网络的搭建成为可能。此外,为提升网络用训练样本的质量和数量,依据样本划分规律提出了一种新的数据样本扩增方法,该方法在相同条件下可以显著增加用以训练的样本量并能弱化数据截断带来的信息缺失,识别准确率和收敛速度也大幅提高,研究显示了该处理方式的有效性和适用性。     

结构损伤识别的混合神经网络方法

在损伤位置和程度的诊断中分别构造各自相适当的网络和识别样本形成混合神经网络系统,并选择不同的输入参数对结构损伤的位置和程度进行了识别,针对一个损伤钢梁进行了数值仿真,从而证明了混合神经网络两步检测法的可行性。     

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.     

基于卷积神经网络的结构损伤识别研究进展

为系统梳理基于卷积神经网络的工程结构损伤识别方法的发展脉络和研究现状,分别从结构损伤的识别目的和在不同类型结构中的应用两方面进行了归类、分析和评价。介绍了卷积神经网络的基本结构和评价指标,回顾了卷积神经网络的研究和应用历程。在损伤的识别目的方面,主要针对混凝土结构损伤的分类、定位和分割,详细介绍了基于不同类型卷积神经网络的结构损伤识别方法,即基于分类的方法、基于回归的方法和像素级的图像分割算法; 分析了各类方法所使用的卷积神经网络模型的结构特点、计算流程、训练方法和损伤识别性能。在不同类型结构的损伤识别方面,分析了卷积神经网络在砌体结构、钢结构桥梁和古建筑木结构裂缝识别中的应用。最后,基于对卷积神经网络优缺点的思考,提出了发展建议和展望。结果表明:训练样本中结构损伤的多样性对模型的损伤识别效果影响较大; 现有基于卷积神经网络的损伤分割方法模型参数较多,计算量大; 采用数据增广和迁移学习方法可有效防止模型过拟合,提高模型训练效率; 针对微小损伤和不同类型结构损伤的识别,此类方法的性能有待提高。     

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。     

基于虚拟脉冲响应函数与神经网络的结构损伤定位研究

针对环境激励下无法获得激励信息的困难,直接利用白噪声激励下结构两点响应构造虚拟脉冲响应函数,并对虚拟脉冲响应函数的幅值进行了小波包分解并计算其节点能量。以结构损伤前后的小波包节点能量变化量作为损伤特征向量,利用BP神经网络的模式分类功能进行结构损伤定位研究。海洋平台结构单损伤和多损伤的数值模拟结果表明,当结构损伤程度较大时,该方法是可行的并且具有较强的噪声鲁棒性。     

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。     

基于改进遗传模拟退火算法的结构损伤识别研究

针对遗传算法容易"早熟"、局部寻优能力较差等缺点,提出一种基于改进遗传模拟退火算法的结构损伤识别方法。先用节点的残余力向量来进行损伤定位,然后以节点的残余力向量构造目标函数,以单元刚度折减系数为设计变量,利用改进的遗传模拟退火算法进行损伤程度的识别。最后,对一个桁架结构模型进行数值模拟,结果表明,该算法能够准确识别结构的多处损伤,验证了该方法的有效性。     

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。     

基于振动传递率的钢质导管架海洋平台结构损伤识别方法研究

基于振动的结构损伤识别方法在应用过程中会遇到激励信息难以获得、实测模态参数不完备以及对有限元模型的依赖等问题。为此,利用白噪声激励下的结构两点加速度响应构造振动传递率函数,通过主成份分析降低其维数,将结构损伤前、后振动传递率函数幅值的主成份变化量作为结构损伤特征向量,输入BP神经网络进行结构损伤识别,并考虑了不同程度噪声对损伤识别结果的影响。钢质海洋平台结构数值模拟和模型试验结果表明,该方法能识别出结构损伤位置并且具有一定的抗噪声能力。     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。     

钢筋混凝土柱-钢梁组合结构边节点地震损伤模型研究

为研究钢筋混凝土柱-钢梁组合结构边节点在地震作用下的损伤,建立钢筋混凝土柱-钢梁组合结构边节点地震损伤模型,设计了两个钢筋混凝土柱-钢梁组合结构边节点试件,并对试件进行了低周反复荷载试验研究。结合试验结果,就Park-Ang模型和欧进萍模型对钢筋混凝土柱-钢梁组合结构边节点地震损伤研究的适用性进行了分析,提出了一种适用于钢筋混凝土柱-钢梁组合结构边节点的地震损伤模型。研究表明,提出的地震损伤模型能够很好地评价钢筋混凝土柱-钢梁组合结构边节点从"基本完好"到"倒塌"的整个损伤过程。     

焊接空间结构节点焊缝拉裂损伤识别

针对焊接空间结构节点易发生损伤和破坏的问题,为了识别焊接空间结构节点焊缝拉裂损伤,建立了节点焊缝拉裂损伤等效模型,考虑到焊接空间结构具有杆件和节点众多的特点,提出了损伤识别两步法。首先建立有焊缝拉裂损伤焊接球节点三维实体有限元模型,划分焊缝裂缝宽度,然后分析不同焊缝裂缝宽度与节点刚度系数之间的关系,最后将所获得的不同裂缝尺寸焊接球节点刚度系数等效为弹簧刚度,施加于结构杆件两端,成为杆端弹簧约束模型,即考虑节点焊缝拉裂损伤的等效有限元模型; 建立等效模型后,采用两步法识别节点焊缝拉裂损伤位置,先对结构分区,用小波分析方法识别结构杆件有节点焊缝拉裂损伤发生的区域,然后基于等效模型提取应变模态作为损伤标示量,在损伤区域内具体定位有节点焊缝拉裂损伤发生的杆件。结果表明:焊缝拉裂损伤等效模型能够模拟实际结构节点焊缝拉裂损伤,所建立的节点焊缝损伤等效模型易于提取损伤标示量,采用两步法能够识别出焊接空间结构节点焊缝拉裂损伤位置。     

基于BP神经网络的结构损伤识别分析

对损伤识别的参数选取作了分析,以一个经典的简支矩形钢梁为例,对基于BP神经网络的结构损伤识别进行了探讨,从算例结果可以看出：BP神经网络控制理论在结构损伤识别分析中应用是可行的。