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。     

方钢管桁架次应力分析

从某体育馆转换桁架提取一部分,分别分析其次应力分布大小及规律,初步探讨次应力产生的原因以及杆件类型与次正应力比的关系,为以后施工、设计提供参考。     

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LiDAR点云的电力线自适应密度聚类提取

目前，高压电力线巡检效率已不能满足新时期电力系统智能化管理的要求。通过深入探讨密度聚类法在机载LiDAR电力线点云提取中存在的弊端，给出自适应—密度聚类解决方案。实测青海省某电力走廊机载LiDAR点云数据，借助Visual Studio 2010 C++开发环境，编制自适应—密度聚类等相关处理程序，对自适应密度聚类方案的电力线点云提取、电力线三维抛物线的拟合进行测试与精度评定，结果表明：(1)自适应—密度聚类方案提取准确率达99.96%,电力线拟合最小残差0.220m,最大拟合残差0.252m,平均拟合残差0.232m;(2)自适应—密度聚类方案一次便可成功提取电力线，较好地规避了密度聚类法中多次试探邻域半径r_Eps与密度阈值p_MinPts等初始参数的赋值问题，大大提高了基于机载LiDAR点云数据的电力巡线工作效率，可应用于电力行业的实际工作中。     

Q690耐张塔多环板空间节点力学性能研究

多环板空间节点杆件交汇繁多,应力分布复杂,为研究高强钢多环板空间节点的受力性能,开展Q690高强钢SJC1型耐张塔足尺试验,并建立了变坡和横担处空间节点的有限元模型,基于大风等不利工况研究了不同加载模式下空间节点的力学性能,揭示其空间耦合受力机理.分析结果表明:断线和大风等不利工况下环板或加劲肋与主材连接处、槽形插板与...     

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。