改进多种群遗传算法在墙土系统损伤识别中的应用

针对墙土系统损伤识别方法进行研究,提出了一种基于改进多种群遗传算法的墙土系统损伤识别方法。首先,建立了墙土系统动测简化模型,同时对土体发生损伤时墙土系统的特征方程进行理论分析,基于系统的特征方程构造目标函数;其次,对多种群遗传算法进行改进,改进的内容主要包括采用实数编码、采用自适应交叉概率、采用自适应变异概率;最后,利用改进多种群遗传算法分别进行了无噪声条件和噪声条件下的墙土系统损伤定位和定量研究。通过分析结果表明：无论对单处损伤还是多处损伤、单一损伤程度还是多损伤程度,按所提出的方法都能较好的识别出损伤位置和损伤程度,具有较强的抗噪声能力。因此,所提出的方法为墙土系统的损伤识别提供一种简单有效的途径。     

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。     

媒体重头文章概览

《土木建筑与环境工程》03/2013改进多程群遗传算法在墙土系统损伤识别中的应用针对墙土系统损伤识别方法进行研究,提出了一种基于改进多种群遗传算法的墙土系统损伤识别方法。首先,建立了墙土系统动测简化模型,同时对土体发生损伤时墙土系统的特征方程进行理论分析,基于系统的特征方程构造目标函数;其次,对多种群遗传算法进行改进,改进的内容主要包括采用实数编码、采用自适应交叉概率、采用自适应变异概率;最后,利用改进多种群遗传算法分别进行了无噪声条件和噪声条件下的墙土系统损伤     

结构损伤识别中的广义残余力向量差法研究

采用矩阵摄动有限元方法,给出了结构损伤识别方程.为减小模型误差和测试误差对损伤识别结果的影响,利用残余力向量对损伤单元的敏感性,提出了广义残余力向量差的概念.为提高损伤识别结果精度和计算效率,联合采用广义残余力向量差定位与频率变化定量的结构损伤识别方法,先运用广义残余力向量差来初步确定损伤位置,再根据频率摄动运用测试精度较高的频率筛选计算损伤程度并确认损伤位置.实例证明,即使考虑测试误差,该方法仍然可以实现对损伤位置和程度的快速准确识别,具有较强的噪声鲁棒性.     

残余力向量矩阵变化率的损伤诊断法

为降低损伤诊断时模态数据不完备对损伤识别结果精度的影响,提出一种运用残余力向量矩阵变化率的损伤检测法。采用缩聚法对结构自由度进行缩减,并推导出结构自由度缩聚后的残余力向量表达式。通过利用结构损伤前、后的前几阶模态参数计算出受损结构的残余力向量变化率矩阵,取变化率矩阵每行元素最大值的绝对值作为改进的残余力向量。算例研究表明:在考虑随机噪音的影响下,无论单处损伤还是多处损伤该方法的损伤识别结果精度均高于传统的残余力向量法。验证了该方法具有良好的损伤定位性能和鲁棒性,其损伤识别结果可靠性高,具有较高的实际应用价值。     

基于改进后的BP神经网络在混凝土桥梁损伤识别中的应用研究

混凝土桥梁的损伤识别与定位是目前的研究热点之一。本文在传统BP神经网络的基础上对其进行改进,并将改进后的BP神经网络应用在混凝土桥梁损伤定位与识别过程中。首先建立了识别桥梁的数值有限元模型,然后得到不同损伤情况下的桥梁自振频率和曲率模态值。将自振频率和曲率模态值作为改进后BP神经网络的输入参数,以有限元单模型中的损伤位置和损伤程度作为输出值,进而实现对桥梁结构的损伤定位和损伤识别。最后通过南京浦仪公路混凝土简支梁和连续梁为工程背景进行了验证。结果表明：采用改进后的BP神经网络可以很好的实现对桥梁的损伤定位和损伤程度的识别,并且具有很好的识别精度。即使在噪声存在的情况下,改进后的BP神经网络仍然可以达到很好的识别效果。     

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。     

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。     

基于神经网络的立体钢桁架损伤初步定位研究

本文探讨了用神经网络对立体钢桁架损伤初步定位法。为了使大型复杂结构的损伤识别成为可能,引入了子结构的概念。避免了将结构损伤指标一次性输入网络进行训练时,向量维数太多,导致网络不收敛的现象。用PNN神经网络诊断出损伤杆件所在的子结构;数值仿真证明了这种方法的有效性。     

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。     

基于数据挖掘技术的黄土分类问题研究

依据数据挖掘技术,采用分类回归树决策树和概率神经网络对黄土的分类规则进行挖掘。利用主成分分析法对数据进行了清洗和降维处理,以处理后的新变量作为挖掘对象,使挖掘出的分类模型和规则得到了简化,提高了计算精度;同时归纳出了影响黄土分类的因素,所挖掘出的分类规则可用于黄土地层的智能划分。研究结果表明,挖掘出的知识具有良好的实用性。     

基于PNN神经网络的地下水水质评价及应用

概率神经网络是一种训练速度快、网络稳定、应用相当广泛的人工神经网络方法,它通过利用线性学习算法来解决非线性问题,在模式识别的分类问题中得到了广泛的应用。本文在阐述概率神经网络(PNN)原理的基础上,以我国地下水环境质量标准(GB/T14848-93)为训练样本,建立概率神经网络(PNN)模型,并将该网络模型运用于地下水水质评价。通过与灰色聚类法、模糊评判法和指标分类法比较,验证了该模型更为准确、可靠。     

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。     

Application of probabilistic neural networks in modelling structural deterioration of stormwater pipes

In Australia, when stormwater systems were first introduced over 100 years ago, they were constructed independently of the sewer systems, and they are normally the responsibility of the third level of government, i.e., local government or city councils. Because of the increasing age of these stormwater systems and their worsening performance, there are serious concerns in a significant number of city councils regarding their deterioration. A study has been conducted on the structural deterioration of concrete pipes that make up the bulk of the stormwater pipe systems in these councils. In an attempt to look for a reliable deterioration model, a probabilistic neural network (PNN) model was developed using the data set supplied from participating councils. The PNN model was validated with snapshot-based sample data, which makes up the data set. The predictive performance of the PNN model was compared with a traditional parametric model using discriminant analysis on the same data set. Structural deterioration was hypothesised to be influenced by a set of explanatory factors, including pipe design and construction factors—such as pipe size, buried depth—and site factors—such as soil type, moisture index, tree root intrusion, etc. The results show that the PNN model has a better predictive power and uses significantly more input variables (i.e., explanatory factors) than the discriminant model. More importantly, the key factors for prediction in the PNN model are difficult to interpret, suggesting that besides prediction accuracy, model interpretation is an important issue for further investigation.     

Structural damage assessment with incomplete and noisy modal data using model reduction technique and LAPO algorithm

Abstract

The present article proposes an efficient method for damage assessment of structures with incomplete and noisy modal data using model reduction method and Lightning Attachment Procedure Optimisation (LAPO) algorithm. The damage identification problem is formulated as an optimisation problem, in which the extent of damaged elements and a combination of both natural frequencies and modal flexibility changes are considered as the continuous design variables and a hybrid objective function, respectively. The LAPO algorithm, a recently developed algorithm, is for the first time extended to solve the formulated optimisation problem. In addition, due to incomplete modal data, an iterated improved reduction system (IIRS) technique is adopted to condense structural physical properties. The efficiency and robustness of the proposed method are investigated using three types of structures and the results are compared with those obtained by other well-known optimisation algorithms. It is shown that regardless of the effect of incomplete and noisy modal data, the proposed method not only successfully determines the location and extent of single and multiple damage cases in the structures, but also has lower computational cost than the other optimisers.     

半主动电涡流单摆式调谐质量阻尼器减震性能研究

为了提高传统的调谐质量阻尼器（TMD）对建筑结构的减震效果,提出了一种可实时调整频率和阻尼的半主动电涡流单摆式调谐质量阻尼器(SAEC-PTMD)。由Hilbert-Huang变换(HHT)识别结构的瞬时频率,通过基于HHT的控制算法实时调节SAEC-PTMD的摆长进行频率的调节。研究并拟合了电涡流有效阻尼系数与磁导间距之间的关系,通过基于线性二次型高斯(LQG)的控制算法实时调节磁导间距,以实时调节阻尼系数。为了验证SAEC-PTMD对建筑结构的减震效果,对一单自由度结构模型在地震激励下的震动响应进行数值模拟。数值模拟中,采用一经优化设计的被动TMD (PTMD)作为对比,并考虑由主结构的累积损伤引起自身频率下降而造成PTMD的失调效应。以主结构的加速度和位移时程峰值、整体均方根值及其加速度和位移反应谱作为评价指标,评估了SAEC-PTMD在结构发生损伤前后对PTMD的改良效果。数值模拟结果表明,在结构发生损伤前后,SAEC-PTMD均比经优化设计的PTMD具有更好的减震效果。     

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。     

基于概率神经网络对单桩竖向承载力预测方法的研究

针对层状地基,基于镇江地区CPTU测试数据,运用概率神经网络(PNN)算法,建立了单桩竖向极限承载力的预测模型,编制了相应的MATLAB程序进行预测分析。考虑了静力触探延桩长的全部CPTU测试数据,运用锥端阻力(q_t)、锥侧摩阻力(fs)、孔隙水压力(u_2)三个物理力学指标,结合室内土工试验,对桩长范围内的地基土进行分类,然后对单桩的极限承载力进行预测,将得到的结果与桩基静载试验的结果进行比较,发现运用基于CPTU测试数据的概率神经网络算法模型,可以对单桩的竖向抗压极限承载力进行预测,精度满足实践要求。     

基于小波分析的结构损伤检测

介绍了结构损伤的定义及发展,对损伤识别工作要解决的问题和常用的结构损伤诊断方法进行了分析,阐述了将小波分析与人工神经网络结合起来进行结构损伤检测的方法,并通过算例与传统BP神经网络作比较,以推广其应用。