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。     

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。     

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。     

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。     

建筑结构损伤神经网络识别方法

结构健康监测是土木工程研究的新课题。随着结构健康监测系统的发展,基于健康监测数据对结构损伤的识别显得很重要,以确保结构不突然破坏。介绍了用于结构损伤识别的BP神经网络法、概率神经网络法,为结构健康监测提供了有效依据。     

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。     

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     

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。     

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。     

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。     

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。     

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。     

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。     

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.     

基于LM方法的神经网络用于线性时不变系统的广义状态转移矩阵的识别

用神经网络方法对系统状态转移矩阵进行识别的研究,首先建立结构动力学运动方程的状态转移矩阵的识别与神经网络的权值矩阵识别间的相互等价关系,其次利用神经网络功能强大的并行运算能力和丰富的学习功能以单层线性神经网络来识别线性时不变系统的广义状态转移矩阵以获取结构的状态参数.最后通过识别获得的神经网络仿真系统结构在任意激励下的响应,可用以抗震性能评估或振动控制.