基于递归图和BP神经网络的桥梁损伤识别研究

为研究递归图和多层前馈（BP）神经网络在桥梁损伤识别方面的应用,以某大跨斜拉桥为例,采用ABAQUS有限元软件建立其三维模型,通过动力分析提取该三维模型的加速度曲线并进行递归图处理和BP神经网络分析。研究结果表明：递归图方法能够初步地识别主梁的损伤位置和损伤程度;BP神经网络分析能够精确识别主梁损伤的具体位置和损伤程度值,且识别准确率均大于85.0%。该方法可为类似桥梁工程的损伤识别提供借鉴。     

基于神经网络的斜拉索损伤识别研究

以一模型桥为背景,探讨了斜拉索损伤定位以及损伤程度确定的方法.基于ANSYS有限元模型,采用RBF网络,模拟了斜拉索的损伤情况.以不同损伤程度下自振频率和局部模态作为神经网络的训练与测试输入样本,由神经网络的输出来指示损伤位置和损伤程度,并与BP神经网络的识别效果进行比较.     

基于模态应变能和BP神经网络的混凝土框架结构损伤识别

采用模态应变能变化率和BP神经网络的两步损伤识别方法,对钢筋混凝土框架结构进行损伤识别研究.首先,利用单元的模态应变能变化率作为结构损伤定位因子,运用通用有限元ANSYS的APDL语言编制程序,计算模态应变能变化率;然后,利用BP神经网络进行损伤程度识别.该方法将二者优点相结合,并克服了单纯利用模态应变能难以准确计算损伤程度以及单纯利用BP神经网络样本巨大的困难.数值仿真结果表明,该方法适用于框架结构的损伤识别.     

考虑温度效应的简支梁桥损伤识别方法研究

基于模态频率的损伤识别方法得到了广泛的应用,而温度往往会掩盖桥梁损伤造成的模态参数变化.通过建立简支梁有限元模型,改变混凝土弹性模量进行模态分析,得出了温度和损伤作用下的简支梁模态频率.结合BP神经网络,对温度影响下的简支梁桥损伤进行了有效识别.     

基于动应变识别桥梁移动荷载

移动荷载识别可作为桥梁健康监测的研究基础,提出了基于BP神经网络技术识别桥上移动荷载的新方法。基于相似理论,建立车桥耦合试验模型,测试与数值仿真了一简支T梁的动应变数据,两者吻合较好。将测试的应变、速度与荷载数据作为训练样本,采用BP神经网络识别预测结果。结果表明:通过传感器采集桥梁截面的动应变数据,运用BP神经网络技术识别车重方法可靠有效,可以广泛运用在桥梁的荷载识别中,适合工程应用。     

基于模态参数和神经网络的结构损伤检测

基于Levenberg—Marquardt规则BP神经网络算法,利用频率变化量和曲率模态参数分别对框架结构损伤定位和定量识别问题进行了研究和实例分析。结果表明．它们均能对结构损伤进行预测,BP神经网络适用于此类损伤无规律对象问题的诊断。     

BP神经网络在健康监测基准模型损伤识别中的应用

本文针对ASCE提出的健康监测基准问题的结构模型,分析了基于固有频率的结构损伤识别方法,使用MATLAB软件模拟不同的结构损伤情况,根据得到的固有频率构造BP神经网络输入参数并进行相应的训练,通过神经网络对结构损伤分步分层次的进行诊断。通过数值分析结果说明这种方法可以取得较好结果,也进一步说明神经网络技术是进行结构损伤识别有效方法。     

基于不完整频响函数的结构整体状态评估

分析了土木工程结构的有限元模型,推导了损伤判别指标,构建了整体损伤计算方程组;利用最小二乘法求解得到结构中的各单元损伤状况.利用结构的频响函数图形的偏移程度对结构的损伤进行定性判定;通过不完整频响函数建立损伤识别指标对损伤位置进行识别;构建了损伤定量计算方程组;利用最小二乘法求解该方程组,并对损伤程度进行评估.仿真结果...     

动态交通流量预测方法研究

随着智能运输系统的广泛应用,实时交通流量预测的重要性也日益显著。本文介绍了预测模型发展过程中比较重要的几个模型,并由此引出人工神经网络。介绍误差逆传播(BP)模型的相关理论。指出传统BP神经网络的缺陷,并提出提高预测精度的措施引进高阶神经网络。建立普通BP神经网络的预测模型,利用误差反传播算法实现这些影响因素到输出变量的复杂映射,再用高阶神经网络构建另一预测模型。利用交叉口实测数据进行预测,并用实际数据进行比较验证。     

基于BP神经网络的CPI预测模型

采用归一化数据处理方法,选择神经网络的训练样本,利用神经网络的结构特性及Matlab的人工神经网络工具箱,建立基于BP神经网络的CPI预测系统的数学模型.利用该模型对2008年山东省居民消费价格指数进行预测,通过前4个月的数据分析,模型的预测值与实测值的误差为0.91%.     

基于神经网络的重载列车缓冲器模型

以试验数据为基础,利用BP神经网络快速准确地建立缓冲器模型,对不同冲击速度下的单车碰撞试验进行模拟仿真,并与试验结果作对比.结果表明:所建模型拟合出缓冲器工作过程的曲线形式与试验曲线形式相似性较高;所拟合的最大阻抗力与试验最大阻抗力误差基本在10%以内,发生位置误差小于1 mm.构建的缓冲器数学模型有利于进一步对HM-1型与HM-2型重载货车缓冲器力学特性的研究,也可以用于其他型缓冲器,利用试验数据构造缓冲器模型.为重载列车缓冲器的试验结果处理、缓冲器模型建立以及重载列车纵向动力学研究开辟了新途径.     

基于神经网络的重载列车缓冲器模型

以试验数据为基础,利用BP神经网络快速准确地建立缓冲器模型,对不同冲击速度下的单车碰撞试验进行模拟仿真,并与试验结果作对比.结果表明:所建模型拟合出缓冲器工作过程的曲线形式与试验曲线形式相似性较高;所拟合的最大阻抗力与试验最大阻抗力误差基本在10%以内,发生位置误差小于1 mm.构建的缓冲器数学模型有利于进一步对HM-1型与HM-2型重载货车缓冲器力学特性的研究,也可以用于其他型缓冲器,利用试验数据构造缓冲器模型.为重载列车缓冲器的试验结果处理、缓冲器模型建立以及重载列车纵向动力学研究开辟了新途径.     

地铁车辆制动时车轮闸瓦热-机耦合分析

从闸瓦和车轮的三维接触模型入手,建立用于数值分析的有限元模型,通过Marc软件提供的有限元方法,采用直接热-机耦合进行分析不同工况时踏面的温度和应力.结果表明,制动初速度,闸瓦压力,闸瓦材料对踏面的温度和热应力都会有影响.不同计算工况下踏面上温度和应力极值出现的位置一致,在所用车轮模型踏面上距离左边界40~55 mm处.在频繁制动后,该位置受到热损伤积累,将会出现沟槽等异常磨耗.     

斜拉桥索无损检测信号的滤波处理方法

针对在役斜拉桥索只能进行无损检测的特点,设计了基于漏磁检测的缆索缺陷检测系统。实测结果表明,缺陷产生的漏磁信号往往附有大量的噪声信号,导致信号特征不显著。为此,应用信号平滑、小波包差分超限滤波和BP神经网络模式识别等信号分析方法,对采集信息进行滤波处理,以获取比较显著的特征量化信号。仿真结果表明,经过滤波处理后的漏磁信号特征明显,为桥梁斜拉索的断丝缺陷检测和分析提供了可靠依据。     

机器学习——动力学耦合车辆跟驰模型

目前,跟驰模型的建立主要基于动力学方法和机器学习算法,将两者耦合起来建立跟驰模型的研究还没有.以线性组合预测为基础,对最优加权法中的目标函数进行改进,将经典的Gipps模型和基于BP神经网络的跟驰模型(BP Car-following Model,BP)耦合起来,建立线性组合车辆跟驰模型(Linear Combination Car-following Model,LC-CF).结果表明:BP模型的预测结果更加贴近真实值,Gipps模型的预测结果更加贴近安全值;LC-CF模型可以通过调整参数,来控制BP模型和Gipps模型在LC-CF模型中的权重,进而达到控制预测速度的真实性和安全性的目的.     

具有峰值识别的神经网络模型对水沙过程的预报

在经典BP神经网络模型的基础上,增设误差修正系数,实现网络误差修正权重倾向于输出样本的较大值.同时提出了一种计算输入输出向量的归一化公式.在此基础上建立了具有洪峰识别的BP网络预报模型.该模型能根据实测资料模拟和预报不同特征年的流量或含沙量过程.采用建立的模型,对宜昌水文站典型年实测流量过程及含沙量过程进行了预测检验,其结果与实测值吻合较好,对峰值的预报较经典BP模型有所提高.     

基于模糊神经网络的高速公路路面质量评价

为提高高速公路沥青路面使用质量的评价精度,将T-S模糊理论与BP神经网络相结合,以高速公路沥青路面的路面状况指数、路面结构强度指数、道路行驶质量指数和路面抗滑性能指数4个检测指标作为输入变量,根据模糊推理规则构建路面质量评价的非线性映射关系,路面检测指标经过模糊神经网络的学习和训练,直至网络输出与期望输出的误差达到最小,去模糊化后得到各路段的精确评价结果,建立了路面使用质量的综合评价模型.用实际检测数据对该模型进行了验证,结果表明:该模型具有模糊系统的逻辑推理能力和神经网络的定量数据处理能力,通过本文方法仿真得到的路面质量的综合评价结果,与期望值的相对误差小于2.1%.      

L-M神经网络算法在汽轮发电机组故障诊断中的应用

针对汽轮发电机组的故障诊断,采用Levenberg-Marquardt算法建立多层前向人工神经网络,采用改进算法训练网络,克服了传统BP算法收敛速度慢,易陷入局部最小的缺陷.就BP网络的不足,提出了一种改进的BP神经网络模型,并使用L-M算法用于汽轮发电机组故障的诊断.经理论和实践证明:该方法有效地提高了故障诊断的精度和可靠度,为旋转机械故障诊断提供了有效方法.     

基于自回归条件异方差转换指标的非线性损伤识别

为了解决时域非线性损伤的识别问题,基于自回归条件异方差（ARCH）模型的基本理论给出了ARCH模型建模的定阶方法及模型参数估计的极大似然估计法;分析了结构非线性损伤的特性,提出了基于ARCH模型的非线性损伤识别原理;考虑到基于自由度的损伤指标难于判断损伤位置,故提出了一种自回归条件异方差转换指标;在测量误差和模型误差的影响下,使用3层框架结构的非线性损伤试验来验证该损伤指标的有效性. 试验结果表明:非线性间隙距离为0.05 mm和0.10 mm时,损伤位置第3层的自回归条件异方差转换指标值比传统的倒谱测距转化指标值高21.7%以上;当非线性间隙距离为0.20 mm时,第3层的自回归条件异方差转换指标值比倒谱测距转化指标值高3.7%.      

基于 SVM 的出行方式特征分析和识别研究

基于智能手机采集的居民出行轨迹信息,分析了不同出行方式的特征,利用支 持向量机进行了出行方式识别研究.首先探讨了利用手机软件所能检测和记录的参数,进 而从出行轨迹和特征参数两个方面对出行方式特征进行了分析,探讨了不同出行方式两 两可分的关键变量,提取用于识别不同出行方式的特征向量,最后建立了径向基核函数 支持向量机（SVM）分类器.利用从大连市出行轨迹数据获取的出行方式样本,训练了该 支持向量机,并且以决策树、BP 神经网络为对照.结果表明,SVM 识别精确度为 89.6%,BP 神经网络为 85.5%,决策树为 77.3%,SVM 具有更好的识别性能.