基于神经网络技术的结构损伤检测

结构损伤会导致其振动频率的变化,因此测量结构振动频率可以判断结构是否存在损伤,同时,基于频率测量的结构损伤识别方法具有测试简便,精度较好的优点,在分析结构固有频率的基础上,把结构损伤识别问题分为损伤辨别、损伤定位、损伤程度标定3个子模块,对每个子模块用模态参数构造对损伤敏感的标识量,并作为特征参数输入到神经网络中实现损伤识别,将BP网络和频率相结合进行了矩形梁的损伤检测,计算分析结果表明,该方法在结构损伤检测中具有较好的识别效果,最后对神经网络方法在损伤检测中的发展前景作了展望.     

基于模态分析理论和神经网络的斜拉桥拉索损伤识别研究

将振动模态分析和神经网络技术结合起来,以振动模态构造的损伤标识量作为神经网络识别输入的特征参数,进行结构健康监测。根据云阳长江公路大桥设计资料,考虑桥梁拉索结构的单构件损伤、2个构件损伤、3个构件损伤3类损伤工况,分别采用了模态频率、位移振型模态、曲率模态3种指标作为神经网络的输入参数,共建立9个BP神经网络模型进行了桥梁损伤识别的研究。研究结果表明基于振动模态分析理论和BP神经网络的桥梁损伤识别方法可用于识别斜拉桥拉索结构的损伤位置和损伤程度。     

梁桥损伤识别的神经网络设计

神经网络已经越来越地到基于振动的结构损伤识别中。论文讨论了梁桥损伤识别的ＲＢＦ神经网络。扩大了输入向量和损伤分段的选择，取得了很好的识别效果。     

径向基网络在简支梁损伤识别中的应用

对简支梁进行了损伤分析,研究了不同损伤工况下的频率变化率和模态振型曲率变化,并采用径向基神经网络对结构进行了损伤识别研究,研究中采用了三种方案:仅利用频率变化率;仅用第1阶模态曲率变化;综合使用前3阶频率变化率和模态曲率变化.结果表明,基于动力参数和径向基神经网络的结构损伤识别方法能够准确地识别结构的损伤程度,神经网络...     

基于频率下降率的刚性路面脱空自适应神经网络识别研究

为快速而又有效地进行无损检测(NDT)，探讨了动量系数和学习率自适应调整的神经冈络算法．及刚性路面脱空识别特征参数的选取，提出以反映结构损伤位置和程度的频率下降率作为结构脱空识别的特征参数。利用有限元方法对刚性路面脱空进行数值模拟，同时采用声振法研究了刚性路面板声学特征变化的关系，分别获取训练样本数据，通过自适应神经网络对刚性路面脱空进行了识别研究。从中可以看出，采用频率下降率和自适应神经网络技术对刚性路面脱空进行缺陷识别分析具有较高的精度和可靠性。为用声学特征进行刚性路面脱空等缺陷识别提供了理论和实验依据。     

基于斜拉索张力测定的斜拉桥健康诊断

应用试验校正的高精度三维有限元模型,对斜拉桥主梁结构损伤位置识别的斜拉索张力指标进行了研究。模拟12种可能的损伤情况,研究了基于斜拉索局部模态基频构造索张力指标的方法,索张力指标对各损伤情况下损伤位置的识别效果和对损伤程度的敏感性。结果表明,用斜拉索局部模态基频所构造的张力指标对不同的损伤程度呈现较好的稳定性和灵敏性,对模拟的12种损伤情况的正确识别率可达75%。该方法的突出优点是只需测量斜拉索局部振动模态的基频,就能获得较好的损伤识别效果,比其他面向损伤检测的测量容易得多。该方法可十分方便地推广应用于悬索桥加劲梁结构的损伤定位,具有较高的实用价值。     

基于新奇检测技术的桥梁结构损伤预警方法

结构损伤预警是实现损伤检测策略的第一步,是进一步进行结构健康诊断的基础。大量的研究证明新奇检测技术可以较好地应用于结构的损伤预警。探讨了应用前馈BP网络(Feed-forward back-propagation network)实现新奇检测技术的方法。以结构的自振频率为作为网络的基本输入,对斜拉桥结构进行了损伤预警模拟研究。该方法的优点是不依赖于数值模型。对神经网络的训练仅需要健康结构的若干实测频率。模拟研究表明,该方法具有较高的实用价值。导致频率2.5%以上变化的损伤情况,均可给予预警。模拟了14种损伤情况,每种损伤考虑2种损伤程度。通过多指标策略,预警同时还在一定意义上指示损伤程度。     

道路桥梁检测中的拉索频率识别技术

阐述将拉索频率识别技术应用于道路桥梁检测中的具体应用，进而提出振动频率法原理和相应计算公式。通过试验案例，指出利用IBIS-FS系统进行多阶频率识别，并进一步分析影响拉索索力测量的重要因素，具体包括：拉索边界条件、设置抗弯强度、频谱分析结果的精确度以及减振器装置、拉索垂度等。未来随科学技术发展，拉索频率识别技术应用，其精确能够准确识别桥梁道路振动频率。     

基于模态频率应变能熵和Tent—SSA—BP神经网络的桥梁损伤识别方法的研究

针对服役中的中小型梁桥因环境和材料因素影响易发生损伤的问题，提出了一种融合模态应变能、频率和信息熵的桥梁损伤识别的方法。该方法首先提取出桥梁的模态参数，通过公式得出模态频率应变能熵，对梁进行单点和多点损伤定位分析。其次，利用混沌tent映射，优化麻雀搜索算法的权阈值，调整寻优能力，并且将麻雀搜索算法(SSA)和混沌优化过后的麻雀搜索算法(Tent—SSA)分别优化BP神经网络。最后，将熵值变化率作为输入数据放进神经网络中训练，输出简支梁桥的损伤程度，做出定量对比分析。使用有限元软件进行算例分析的结果表明，模态频率应变能熵能精确定位损伤的位置，对损伤的敏感度较强，解决了识别过程中的非线性问题；同时，优化过后的BP神经网络对损伤识别的准确率更高，预测效果更好。     

土木工程结构损伤识别研究

结构损伤识别是近年来国际上的研究热点。阐述了实施土木工程结构损伤识别的必要性,在综述近几年国内外有关结构损伤诊断研究进展的基础上,讨论了结构损伤检测中的两类方法,重点对损伤识别中的动力指纹法、模型修正法、神经网络法、遗传算法、小波分析法进行了分析和比较,最后阐述了结构损伤识别领域目前存在的主要问题和未来的发展方向。     

基于模态识别的波形钢腹板箱梁损伤位置研究

为解决波形钢腹板箱梁损伤识别和损伤定位问题,以上海塘大桥工程中波形钢腹板箱梁为研究对象,采用Ansys Workbench有限元建立波形钢腹板箱梁损伤结构计算模型,结合BP神经网络学习和重复训练功能,对波形钢腹板箱梁损伤前后的模态进行重复训练和计算,探索波形钢腹板箱梁损伤程度和位置与模态参数之间的变化规律。研究表明：波形钢腹板箱梁损伤后模态参数呈现下降趋势,不同程度和位置损伤后对模态参数影响存在一定的差异性,结构损伤程度与模态参数下降呈线性关系,训练后的BP神经网络对波形钢腹板箱梁损伤识别误差在3%范围内,验证了训练后的BP神经网络对波形钢腹板箱梁损伤识别的可靠性和准确性。     

曲率模态和神经网络在损伤识别中的应用

以连续梁为例，通过曲率模态及改进后的模态置信准则联合确定损伤位置，并使用神经网络判定各损伤处的损伤程度。数值模拟考虑了梁不同位置及不同程度损伤情况，研究了运用曲率模态和模态置信准则进行损伤和损伤位置的识别，分析了各自方法的优缺点，通过两种方法的联合运用，使损伤位置识别准确、合理，并且说明了1阶曲率模态的局部参数是损伤程度识别较优的网络输入量，最后运用神经网络识别损伤程度。     

用于结构损伤位置识别的两种神经网络性能比较

为了克服用BP网络进行结构损伤位置识别时网络结构确定难、网络训练易陷入局部极小、训练时间长以及处理带噪声数据需要大量的误码练样本等问题，提出用SOFM网络进行结构损伤位置识别的方法。分别用SOFM网络和BP网络对一桁架结构进行损伤位置识别，通过比较两种网络的性能发现SOFM网络不但网络结构容易确定，网络训练不存在陷入局部极小的问题，BP网络只有在大量训练样本条件下才能保证网络具有较好的抗噪声能力，若训练样本不足，则BP网络的抗噪声性能较差，而SOFM网络在较少训练样本情况下即可具有良好的抗噪声性能，因而SOFM网络更适合训练样本有限备件下的结构损伤位置识别。     

基于位移模态四阶导数的梁结构损伤识别

结构损伤识别一直是工程界关注的热点问题,针对混凝土梁结构的动力损伤识别,提出了利用位移模态的4阶导数进行损伤识别的新方法。通过有限元建模和分析,对钢筋混凝土梁进行损伤识别和算例仿真,从而验证这种方法的敏感性和可行性。研究结果和分析算例表明：利用位移模态4阶导数分析,对结构单处损伤、多处损伤以及对不同的损伤程度都能有效识别,而且不需要结构损伤前的模态参数,显示了该指标检测损伤的优越性和有效性。     

基于EKF和模态坐标转换的结构损伤识别方法

本文在扩展卡尔曼滤波算法的基础上,结合模态坐标变换,以模态坐标初始值和结构单元损伤参数构建状态向量,提出一种改进的扩展卡尔曼滤波(EKF)算法,可成功识别结构参数。通过数值算例的识别结果,证明本文方法能够对结构损伤参数有效识别。     

融合深度反残差与注意力机制的山区高速公路事故严重程度预测模型

山区高速公路事故严重程度预测对保障交通安全具有重大意义。针对现有事故严重程度预测模型存在准确率低、泛化性差等问题,考虑到深度卷积神经网络可以高效处理图像问题,为此将事故影响因素图像化,提出一种融合深度反残差与注意力机制的山区高速公路事故严重程度预测模型。该模型首先采用相关性分析确定影响交通事故严重程度的因素,依据严重程度与影响因素将事故划分为财产损失、轻伤事故、重伤事故和死亡事故4类;然后将影响因素处理成图片的形式,进而将事故严重程度预测问题转化为图像的分类问题,随之构建基于反残差与注意力机制的山区高速公路事故严重程度预测模型,其中：基于深度可分离卷积的反残差结构可以以较少训练参数获取较高的准确率,基于软阈值的注意力机制作为一种非线性层可以忽略与事故严重程度无关的信息,Mish激活函数可以确保更好的信息流入神经网络。结果表明：在山区高速公路交通安全事故严重程度评估中,相比于传统的机器学习模型,所提出的模型识别准确率具有明显的提高,且测试准确率为85%左右,满足山区高速公路安全评估的实际预测需求。     

基于神经网络技术的斜拉桥损伤分步识别方法

结合神经网络技术进行了斜拉桥损伤分步识别的系统性研究,提出了具体的斜拉桥损伤分步识别过程,给出了每一识别步骤中适当的损伤识别参数.可实现斜拉桥主要构件即拉索和主梁中损伤的有效识别.采用概率神经网络确定损伤构件的类型,采用径向基函数(RBF)网络实现损伤的定位定量分析.针对润扬大桥斜拉桥的损伤模拟分析表明:将测试数据进行平均计算可以大大降低噪声对于概率神经网络识别结果的影响;噪声水平对2个径向基函数网络的损伤位置和损伤程度的识别能力方面的影响较小.采用不同的神经网络分阶段实现大跨斜拉桥的损伤识别,不仅提高了损伤识别的效率和准确性,而且增强了损伤识别方法在实际结构中应用的可行性.