论文部分内容阅读
随着水工结构运行时间的增长,难免会发生老化、病害甚至事故。因此,水工结构健康问题已被日益关注。为了减少水工结构的运行风险,必须实施水工结构健康监测,而水工结构的劣化诊断评价以及结构参数反演分析等是水工结构健康监测领域的重要研究内容,也是水工结构领域研究的热点问题。近年来,越来越多的人工智能技术应用于水工结构健康监测。在使用支持向量机(Support Vector Machine,SVM)进行机器学习时,参数选取的好坏决定着支持向量机分类和预测的准确性,以往对支持向量机参数选取的研究,有传统的方法和群智能算法,针对以往的选取方法存在的不足,引进了一种新近发展起来的群智能算法的代表—萤火虫群优化算法。本文决定采用改进支持向量机(GSO_SVM)进行水工结构的劣化诊断评价以及结构参数反演分析。为此,本文主要在以下几个方面进行了研究: (1)介绍了支持向量机和萤火虫群优化算法的基本原理和算法流程,分析了对支持向量机寻优性能有影响的参数设置问题,选取了萤火虫群优化算法来进行支持向量机的参数优化选择,有效地增强了支持向量机算法的寻优能力。引入了萤火虫群优化算法优化支持向量机模型参数,建立了改进向量机模型。 (2)针对水工结构劣化评价,应用已有水工结构劣化评价实例,建立了水工混凝土结构劣化评价的改进支持向量机模型。实例分析结果表明,该方法在劣化评价中,耗时短、计算结果准确,适用于已有较多评价实例的同类混凝土结构或构件的劣化评价。 (3)针对水工结构物理力学参数反演。基于均匀设计法及改进支持向量机模型,进行了碱渣坝的物理力学参数反演,用训练得到的改进支持向量机模型代替数值模型实现物理力学参数与安全系数的复杂映射关系,大大提高了反演计算效率,并应用反演结果进行了坝坡稳定分析,其结果与真实情况相符。 (4)总结了本文的研究工作,分析了研究的不足之处,并对今后的研究重点进行了展望。