论文部分内容阅读
工程结构的健康状态与人民的生命财产安全息息相关,对结构进行高效精准的损伤识别具有重要的社会意义。然而现今的损伤识别方法存在很多局限性,这一方面是因为结构本身的多样性与环境的复杂性,导致难以建立精确的有限元模型;另一方面是因为测量仪器的精度有限,导致测量数据存在误差并且不够完整,进而影响到损伤识别的效果。因此研究新的结构损伤识别方法并将该方法运用在实际桥梁中有着重要意义。结构响应向量(Structural Response Vector,SRV)可以同时包含结构的静态响应与动态响应,更加利于反映结构的健康状态。机器学习方法可以有效避免人工复杂的计算,直接有效地挖掘输入量的信息,可以在大数据的基础上得到更加可靠的损伤识别结果。但是目前基于结构动静态响应的研究不够深入,动态响应部分受噪声影响较大,此外机器学习的方法依旧缺少实桥模型的验证。因此本文基于SRV与机器学习,完成了以下工作:以珠江黄埔大桥北汊桥为背景,建立斜拉桥有限元模型,通过斜拉索弹性模量损失模拟桥梁损伤,得到斜拉桥在斜拉索单损伤以及多损伤情况下的动静态响应。本文研究结果表明,可以通过主梁竖向位移来判断发生损伤的斜拉索的位置和估计损伤程度,也可以通过固有频率增量的极值点所属阶次,判断损伤发生的位置。这为构建对损伤敏感的SRV分量提供了理论依据。提出一种基于SRV与机器学习的简支梁损伤识别方法,该方法以2阶固有频率与5个节点的竖向位移组成SRV,对简支钢梁模型进行损伤定位与定量化研究,得到了良好的识别效果与计算效率。为了解决基于SRV与支持向量机的损伤识别抗噪性较差的问题,本文引入主成分分析(Principal Component Analysis,简称PCA),对SRV中的动态分量进行降噪处理,保障了所提出的损伤识别方法的抗噪性。该方法有效解决了相平面法数据信息过度压缩、对结构响应类型不够敏感的问题。为了验证基于SRV与机器学习的损伤识别方法在实际工程中的可行性,也为了模拟结构实际的损伤形式,本文基于斜拉桥模型,进行了斜拉桥单损伤与多损伤的识别研究。该方法在斜拉桥单损伤识别方面拥有较高的识别准确率与一定的抵抗干扰的能力。在斜拉桥多损伤识别方面对所提方法进行了调整,在SRV的基础上,结合神经网络的多输出特性对斜拉桥进行损伤定位与定量化研究,得到了可观的结果。相比较传统的损伤识别方法,本文提出的方法既避免了复杂的计算,又能在所需响应信息更加精练的基础上得到很好的识别效果,更加具有工程实用性。