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。     

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。     

基于曲率模态方法的钢桁架桥梁损伤识别

由于曲率模态（CurvatureModeShabe）是一个能反映局部特征变化的模态参数,它可以通过各阶振型来得到,所以在桥梁结构状态监测中有着良好的应用前景。论文对曲率模态方法理论进行研究,建立钢桁架铁路桥梁的有限元模型,进行曲率模态的研究。通过研究得到：随着损伤的加剧,各阶固有频率均呈下降的趋势,但变化不明显;从振型的变化也难以看出损伤的位置;随着损伤的加剧,曲率模态变化较明显,因此通过曲率模态的变化容易识别损伤的位置及损伤程度。     

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。     

平面双向钢桁架结构拼装施工技术

随着我国社会经济和科学技术的发展,平面双向钢桁架工业厂房以其特有的结构特征及受力性能,越来越得到广泛的研究和应用.平面双向钢桁架其结构双向均能形成单榀桁架以承担荷载,可减少用钢量,满足钢结构厂房的承载力和整体稳定性要求.文章根据“平面双向钢桁架”的理念,对上海通用汽车有限公司总装车间厂房施工关键技术进行实践与总结,为以后相似工程提供了很好的案例和参照.     

模型缩聚法在桁架结构损伤识别中的应用

为了达到实测自由度与理论自由度相匹配,通过模型缩聚可以解决这一问题。文章利用改进的Guyan缩聚法对一平面桁架结构进行水平自由度减缩,解决了Guyan缩聚忽略结构质量产生较大误差的问题,其模态分析结果与缩聚前十分接近。通过数值模拟,利用曲率模态方法实现了模型缩聚下的平面桁架结构的损伤识别,表明模型缩聚可以应用于平面桁架结构的损伤识别。     

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。     

空间网架结构损伤识别模型试验研究

制作了大比例的空间网架结构试验模型,并设计了包括构件损伤及支座沉降在内的6种损伤工况,通过对试验模型在损伤前后的节点位移、杆件应变和一阶频率进行对比分析,总结了大跨度空间网架结构在各种损伤状态前后结构静力响应及频率变化规律,为实际工程结构的损伤识别及健康监测提供借鉴.     

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。     

基于神经网络的框架结构破损评估

提出了基于神经网络的框架结构破损评估方法,为动力条件下结构的破损评估提供了一条新的途径。通过计算模拟,对本方法的适用性和有效性进行了讨论,数值结果证实了该方法的可行性。     

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。     

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。     

框架结构震后损伤的精确定位

基于频率易测且精度较高的特点,提出了框架结构损伤诊断的三步法。首先确定损伤杆件:把频率看作损伤参数的函数,以结构的每根杆件为一个单元,通过测量结构损伤前后频率的变化,构造以损伤参数为未知量的线性方程组,求解得到受损的构件。其次,把受损杆件划分成若干单元,再次构建方程组并求解,确定出损伤的具体位置和程度。最后,采用数理统计的方法,解决了由于测量误差影响诊断精度的问题。通过对一个2层框架结构进行数值模拟分析,表明其损伤识别效果较好。