桥梁耦合极值应力的贝叶斯动态预测

为了更合理地动态预测桥梁耦合极值应力,将历史监测极值应力数据视为多阶模态响应耦合的多分量信号,并结合Hilbert信号分解以及Hilbert平方解调技术（Hilbert Square Demodulation,HSD）在多分量信号解调方面的优势,提出了预测桥梁极值应力的贝叶斯Hilbert动态线性模型（Bayesian Hilbert Dynamic Linear Model,BHDLM）。利用Hilbert信号分解技术实现对监测极值应力的解耦,并基于HSD建立了各阶应力响应的Hilbert动态线性模型（Hilbert Dynamic Linear Model,HDLM）;结合贝叶斯方法以及单分量极值应力对HDLM进行概率递推,实现了对单分量桥梁极值应力的动态预测,进而可得桥梁耦合极值应力的动态预测;利用在役桥梁的监测数据对本文所提模型的有效性进行了验证。结果表明：利用解耦得到的单分量极值应力数据建立的HDLM过程简单,并能很好地反映出监测数据的周期性、随机性等特点。结合贝叶斯方法,可以有效地对桥梁极值应力进行动态预测。     

基于模块化贝叶斯推理的随机非线性模型修正EI北大核心CSCD

为同时考虑多种不确定因素对非线性结构模型修正的影响,提出了一种基于模块化贝叶斯推理的随机非线性模型修正方法。为了描述具有时变特性的非线性动力响应,提取结构动力响应主分量的瞬时加速度幅值作为非线性指标,基于贝叶斯方法,将整个模型修正过程分为3个相互独立的模块:首先建立非线性模型的高斯过程替代模型记为模块一;同时,为考虑模型误差对非线性结构随机模型修正的影响,将设计变量作为输入,模型误差作为输出,建立关于模型误差的高斯过程替代模型,记为模块二;最后,结合贝叶斯推理方法与模块一和模块二中的高斯过程模型,利用过渡马尔可夫链蒙特卡罗(transitional Markov Chain Monte Carlo,TMCMC)随机采样方法估计待修正参数后验概率密度函数,实现基于模块化贝叶斯推理的随机非线性模型修正研究。采用三跨连续梁桥数值算例来验证所提出的随机非线性模型修正方法的准确性,并对比了不同噪声水平、不同程度模型误差条件下的模型修正结果。研究结果表明,基于模块化贝叶斯推理的随机非线性模型修正方法能够有效地实现非线性结构的随机模型修正,并具有较好的鲁棒性。     

基于贝叶斯理论的非线性结构模型修正及其动力可靠度分析EI北大核心CSCD

提出一种基于贝叶斯推理的非线性结构模型修正方法,同时考虑激励的随机性,建立了复合随机振动系统的动力可靠度分析方法。利用实测结构动力响应主分量的瞬时特征参数作为非线性指标构建似然函数,结合拒绝延缓自适应(Delayed Rejection and Adaptive Metropolis,DRAM)算法和高斯过程替代模型实现了非线性结构模型修正及其参数的不确定性量化。根据首次超越破坏准则,利用广义概率密度演化方法,分别对仅考虑激励随机性的确定性模型和同时考虑结构参数与激励不确定性的复合随机振动模型进行动力可靠度分析,并利用蒙特卡洛随机抽样方法验证了计算结果的准确性。研究结果表明:基于振动响应瞬时特征参数的贝叶斯推理方法能够快速、准确地实现结构的非线性模型修正及其参数的不确定性量化。与具有初始设计参数名义值的确定性模型相比,考虑参数不确定性的复合随机模型的动力可靠度总体偏低,因此,在结构安全评估中应考虑非线性模型参数不确定性的影响,使评估结果更加安全、可靠。     

基于VMD和DBN的非线性结构模型参数识别

为解决现有的非线性结构模型参数识别方法面临优化过程复杂的问题,提出一种基于变分模态分解(variational mode decomposition, VMD)和深度置信网络(deep belief network, DBN)的非线性结构模型参数识别方法。首先,利用VMD和希尔伯特变换(Hilbert transform, HT)识别振动响应的瞬时参数;将瞬时参数进行主成分分析后作为输入,非线性模型参数作为输出;然后,利用DBN拟合两者之间的非线性映射关系;最后,将实测振动响应的瞬时参数进行主成分分析,输入训练好的DBN可直接识别修正后的非线性模型参数。通过对两个不同非线性类型的双自由度模型和一个复杂框架模型在地震作用下的数值模拟,与高压输电结构的振动台试验,验证了该方法的有效性。数值与试验结果表明,所提方法具有较高的计算效率和良好的抗噪性。