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。     

BP和RBF在桥梁损伤识别中的应用比较

本文通过某桥对应变、挠度、振动、温度和动态轴重五个方面的监测数据的处理,得到能够反映桥梁工作状态的几个相关特征参数,然后根据这些参数以及设定的损伤指标和损伤级别,分别进行BP和RBF神经网络的训练,经过比对两次的训练误差、收敛速度等方面,最终选用RBF神经网络来实现对桥跨结构的损伤评估。     

基于神经网络的连续梁桥结构损伤识别

探讨了神经网络技术对连续桥梁的损伤位置和损伤程度识别的方法,用有限元软件ANSYS的模态分析技术对连续梁结构的损伤情况进行模拟,得到损伤标示量并将其作为神经网络训练样本,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参考意义。     

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。     

径向基函数神经网络在桥梁结构损伤识别中的应用

鉴于新旧桥梁在日常运营中缺乏连续、实时的损伤情况分析,基于桥梁结构损伤识别与机器学习中的径向基函数理论,提出了2种损伤识别方法.一是分步识别法,运用频率的变式识别损伤位置,曲率、频率组合输入识别损伤程度,得到了88％以上的位置识别正确率与92％以上的程度识别正确率,适用于对准确率要求较高的结构损伤识别.二是综合识别法,...     

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。     

BP神经网络在悬臂柱损伤位置识别中的应用

介绍了使用模态指标及神经网络进行结构损伤识别的方法。通过对悬臂柱进行损伤模拟,获得结构的模态参数,采用对损伤位置敏感的损伤指标,使用BP神经网络对悬臂柱的损伤位置进行识别,最终得到了有效的识别结果。     

基于神经网络的桥梁损伤识别研究综述

对人工神经网络的基本原理、特点以及与损伤识别的关系作了简要介绍,并重点介绍了损伤识别中常用的BP 神经网络的原理及其改进方法,以及国内外在基于神经网络的桥梁损伤识别应用方面的主要研究成果,最后对神经网络在桥梁损伤识别中的发展和应用作了展望。     

基于BP神经网络的融合参数结构损伤识别研究

1 概述 结构损伤识别及诊断是当前的研究热点。由于动力损伤诊断方法较传统的诊断方法(如目侧及外观检查、无破损或半破损试验、现场载荷试验等)具有较易实施、测试速度快、对结构不造成新的损伤、可在结构的层次上把握整体信息等优点,因而     

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。     

基于神经网络和柔度曲率的简支梁损伤识别

将神经网络和柔度对角曲率结合起来,得到一套简支梁智能损伤识别方法,对一经典简支梁模型进行了损伤识别,并且在损伤单元数量未知情况下,准确识别出了其损伤位置和损伤程度。     

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。     

基于人工神经网络的火因认定技术的研究

分析了人工神经网络应用于火灾原因鉴定中的优势,提出了将人工神经网络应用于火灾原因鉴定的设想。     

用于结构损伤识别的神经网络输入选取规则探究

将神经网络作为模式识别工具用于结构损伤位置识别时,其识别效果除了要受到网络隐层数目、各隐层神经元数目、神经元传递函数的形式、训练样本的数量与质量及训练方法的影响外,还会受网络输入性能的影响。在其他因素均相同的条件下,网络输入对网络性能起着决定性作用。为解决网络输入的选取问题,从网络功能、类别可分性和噪声的影响三个方面对网络输入的选取进行了分析研究,提出了用于结构损伤识别的神经网络输入选取的一般性规则,对采用神经网络处理模式识别问题具有参考价值。     

火灾气体辨识的人工神经网络方法研究

为了解决火灾气体探测时,能有效地辨识火灾标示性气体的问题,提出一种人工神经网络的辨识方法。通过设计三层反向传播(BP)人工神经网络模型,使用自适应学习速率的BP算法,对所设计的火灾气体辨识BP网络进行训练,经过410次训练后,达到目标误差1×10-4,而且验证实验中的最大输出误差仅为0.0907。表明:火灾气体辨识的人工神经网络方法能有效地识别“火灾”与“非火灾”状态。     

基于人工神经网络的典型桥梁断面气动参数识别

基于同济大学风洞实验室既有大跨度桥梁试验数据成果,利用Access数据库软件和Java编程语言,集成了大跨度桥梁抗风性能的数据库系统。通过人工神经网络技术对人工神经元的训练和神经元间连接权值的调整,建立大跨度桥梁主梁气动参数（包括静力三分力系数和颤振导数）的智能化识别方法,主要针对扁平箱梁和倒梯形箱梁两种断面。气动参数的神经网络输出与期望输出间的误差符合预期要求,以期可作为桥梁结构初步设计阶段参考。     

基于微粒群算法和BP网络的结构损伤识别

提出了基于BP网络的结构损伤识别方法,同时引入了微粒群算法对BP网络权值和阀值进行优化,建立了完整模型和损伤模型,进行了仿真,经检测样本证明,微粒群算法优化后的BP网络能很好的识别出结构损伤的位置和程度,是一种快速、有效的结构损伤识别方法。