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。     

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。     

基于Hilbert-Huang变换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Hilbert-Huang变换引入到结构损伤识别中。介绍了Hilbert-Huang变换的由来、原理和研究意义,概述了国内外基于Hilbert-Huang变换的结构损伤识别研究进展。通过分析可以看出,HilbertHuang变换用于结构损伤识别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。     

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。     

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     

基于神经网络的框架结构构件损伤识别研究

采用多重分步识别方法对框架结构构件损伤识别研究。第一步对构件损伤进行预警;第二步识别构件损伤所在的楼层;第三步在识别出的楼层内对构件损伤具体定位;第四步对构件损伤程度进行识别。以三跨四层的框架结构为计算模型进行了数值模拟,研究表明,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构件损伤进行预警、定位。     

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。     

基于神经网络的平面钢桁架结构损伤识别研究

利用神经网络的鲁棒性、容错性和泛化能力,建立了3个不同的神经网络对平面钢桁架结构进行了损伤定位和定量的评估。首先用PNN神经网络诊断出损伤杆件所在的子结构;并用RBF神经网络进一步诊断出损伤杆件的具体位置;进而确定出损伤杆件的损伤程度。数值仿真表明,该方法用于平面钢桁架结构的损伤识别是可行的。     

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。     

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。     

基于结构动力参数的RBF损伤辨识方法

本文研究了基于不同结构动力参数的径向基网络损伤辨识方法,并结合简支梁损伤辨识进行了应用.研究发现:(1)径向基网络的输入参数选择对结果有较大影响;(2)使用模态曲率变化作为输入参数的网络辨识效果优于采用频率变化率的辨识效果;(3)综合使用频率变化率和模态曲率变化的网络辨识效果优于单独使用频率变化率或模态曲率的效果.结果...     

结构健康监测中基于神经网络技术的两级识别策略

文章简要介绍了神经网络技术算法及两级识别策略,对其在大型土木工程健康监测中的应用进行了探讨。     

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。     

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。     

人工神经网络技术在火因鉴定中的应用设想

文章在综合论述人工神经网络应用理论的基础上，提出了将人工神经网络应用于火灾原因的设想，分析了人工神经网络应用于火灾原因鉴定中的优势，构造了相应的结构框架，并提出了应用中应注意的问题。