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。     

基于模态参数的结构损伤识别指标综述

从指标定义和指标应用的角度,对目前已有的指标进行了综合分析与评价,指出了利用模态参数构造指标来进行损伤识别的优势以及需要进一步解决的问题,以期促进结构损伤检测技术的完善和提高。     

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。     

基于动力参数的桥梁结构损伤识别研究进展

简要介绍了基于结构动力参数的损伤识别方法的发展情况和研究现状,并在前人的基础上对其进行了分析和评述,同时根据桥梁损伤识别方法中现存的问题,展望了桥梁损伤识别未来的发展方向和趋势,以期进一步提高结构损伤识别效果并将其成功应用于工程实例。     

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     

基于静力参数的梁结构损伤识别试验研究

本文以混凝土梁结构为试验对象,采用静力单调加载试验,研究了基于应变的裂缝检测方法,为了消除分级加载级距对应变增量的影响,提出了一种新的检测指标:应变变化速率。该指标可以更科学地反映应变变化随荷载变化的增量大小,它和结构裂缝的对应关系也更加直接明确。试验结果表明:应变变化速率指标对裂缝有着很高敏感性,每次在新裂缝出现之前,相应位置处应变片的应变变化速率在上一级荷载就已经发生突变,且发生突变的应变片正好覆盖了出现裂缝的梁段,本文所提的应变变化速率指标,可以用于梁结构的早期损伤预警及定位中。     

基于结构动力参数的土木工程结构损伤识别方法

简要综述了近几年基于结构动力参数的土木工程结构损伤识别的方法，对各结构损伤识别方法进行评论。讨论各种方法在理论和实际应用中的优点及存在的问题。最后，通过对一试验模型的模拟损伤试验说明动力参数检测方法的应用。     

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。     

人工神经网络在结构控制中的应用

对人工神经网络在结构控制中的应用做了综合评述。介绍了神经网络的控制原理,总结了结构控制中常见的网络模型,阐述了人工神经网络在结构控制中的应用情况,并对未来的发展方向进行了展望。     

用统计神经网络进行结构损伤存在检测

用新奇检测的方法来检测结构损伤的存在 ,因其不需要建立结构的计算模型 ,能适合于大型复杂结构的损伤检测。然而 ,目前采用的新奇检测方法—自联想记忆神经网络方法 ,当所用的测试数据具有不同噪声水平或为非正态分布时 ,可能会得出错误的结果。为此本文提出了一种新的方法—统计神经网络方法用于结构的损伤存在检测 ,并用“可能性”来描述结构损伤的存在。通过一个两层框架的数值模拟和一个简支梁的实验数据分析 ,证明统计神经网络可以用来检测结构的损伤存在 ,并且具有比自联想记忆神经网络更好的检测效果     

考虑土-结构动力相互作用影响的结构神经网络控制

将人工神经网络控制理论应用于软弱地基上建筑结构地震反应的主动控制分析中。通过训练神经控制器NNC (Neural networkController)预测结构控制力 ,由神经模仿器NNE (Neural networkEmulator)预测结构对地震力的反应来修正NNC的输入 ,从而实现结构的主动控制。数值模拟表明 ,神经网络控制系统能够有效地控制结构的地震反应 ,且对地震输入有很好的自适应性 ,在设计神经网络控制系统时 ,应考虑土—结构动力相互作用的影响。     

基于神经网络技术的复杂框架结构节点损伤的两步诊断法

大量研究表明,对于发生损伤的大型复杂结构,采用常规的一步方法进行损伤诊断将是十分困难,甚至是不可能的。因此,本文对多层及高层复杂框架结构节点损伤,提出了基于神经网络技术的两步诊断方法,此方法先将结构划分为n个子区域,将损伤引起的结构前n阶模态频率变化比与损伤区域的关系输入概率神经网络,建立系统,进行损伤子区域判定;然后将结构损伤子区域内第二阶杆端应变模态变化量与节点损伤位置和损伤程度的关系输入径向基神经网络,建立系统,进行损伤位置和损伤程度具体诊断。数值仿真分析结果表明,此方法可对多层及高层框架结构的地震节点损伤做出成功诊断,且具有较好的抗干扰能力。     

基于小波变换的结构损伤识别与试验分析

钢筋混凝土结构在中等以上地震作用下将产生损伤,结构动力特性随之变化。通过对结构微幅振动信号的Fourier分析,可以判断结构是否产生损伤,但是不能确定损伤位置。本文将结构振动信号置于不同频段进行时-频分析,利用小波变换的多分辨率特点对结构损伤进行在线检测,确定损伤位置。通过钢筋混凝土框架的振动台试验,将模型地震反应信号按不同频段分解,提取各频段的损伤信号特征。对于试件模型而言,如果某处出现开裂,即产生损伤,表现在响应信号上为一瞬态分量,通过信号小波变换的尺度函数可以判断结构某层是否损伤。该方法克服了Fourier变换不能反映结构振动信号局部特性的缺点,试验表明本文所采用的方法是可行的。     

人工神经网络与遗传算法在岩石力学中的应用

岩石力学与岩石工程问题包含极其丰富的内容，实际工程问题又不断地提出各种新的要求，致使很多问题利用传统的方法难于解决。借鉴其他相关学科的先进思想与技术来解决岩石力学研究中的难点问题，已经成为当前岩石力学研究领域的一个热门课题。计算智能中有关模型与方法的利用有助于我们更深入地研究与解决岩石力学中的某些问题。参考近年来人工神经网络与遗传算法在岩石力学应用中的某些问题，对有关课题的研究状况与进展做了介绍，对计算智能在岩石力学与岩石工程中的应用研究做了展望。     

基于不确定性的结构损伤识别方法研究综述

基于静动力特性改变的结构损伤诊断方法在过去几十年中发展迅速。与损伤识别的确定性方法相比,损伤识别的不确定性方法能更为有效合理地处理损伤识别过程中涉及的不确定性干扰问题,并从统计意义上实现复杂工程结构健康监测的早期损伤诊断,因此已成为当前结构损伤识别领域的研究热点。在简要回顾了损伤识别确定性方法的基础上,主要介绍了损伤识别不确定性方法的研究进展,并分析了各方法的优缺点,对有待进一步研究的问题及此类方法的发展趋势进行了展望。