论文部分内容阅读
斜拉桥结构作为一个由多种材料、不同结构组成的大型复杂结构系统,由于其良好的跨越能力,而成为目前大跨桥梁的主要结构形式。斜拉桥在其服役期间必然会产生损伤和破坏,其损伤和破坏将可能造成不可挽回的经济损失。因此,如何在桥梁损伤出现的早期就对损伤位置和程度做出准确识别具有非常重要的现实意义。本文从解决斜拉桥主梁损伤识别的角度出发,进行了基于模式识别的结构损伤识别方法的研究,主要研究工作如下:(1)以实验室模型斜拉桥为对象,建立了面向损伤识别的空间板壳有限元模型,根据实测模型斜拉桥索力确定了有限元模型的成桥状态。(2)结合斜拉桥损伤识别的特点,探讨了一种用于损伤识别的BP神经网络优化设计方法。对输入参数的选择和输出量的表示进行了优化,并采用自动确定算法确定了网络的隐藏层节点数。(3)采用BP神经网络的优化设计方法,探讨了BP神经网络结合最敏感索张力指标对主梁进行损伤识别的方法。通过进行主梁损伤的敏感性分析,得到对主梁损伤最敏感的斜拉索。以不同损伤程度下最敏感索的张力指标作为神经网络的训练和测试输入,由神经网络的输出来指示主梁的损伤位置,神经网络的设计采用本文提出的优化设计方法。对实验室模型斜拉桥主梁的损伤识别进行全方位数值模拟,结果表明:神经网络优化设计方法可以有效减小网络的规模,并能较快寻找到最佳隐节点数;BP神经网络可以有效的对主梁各个部位、不同程度的损伤进行定位。(4)采用粒子群优化支持向量机的方法对斜拉桥主梁进行损伤识别。该方法利用粒子群算法寻找的SVM最优参数建立SVM预测模型,以不同位置、不同损伤程度下最敏感索的张力指标作为SVM的训练和测试输入,由SVM的输出确定损伤位置。通过对主梁损伤识别的数值模拟对该方法的有效性进行了验证,发现粒子群优化支持向量机方法对主梁不同程度的损伤均有很高的识别率,而且粒子群优化支持向量机损伤识别精度明显优于BP神经网络。