由于社会发展的需要,现在人们正致力于研究与发展智能结构或智能材料系统,其最终目标是实现智能材料与结构。我们认为,在此系统具有的感知与响应内外环境变化,实现自检测、自诊断、自监控、自校正、自修复与自愈合等诸多功能中,感知是最基本的功能。对智能材料结构与系统而言,首先必须实现材料与结构的状态监测。 载荷与温度的变化,化学和环境的作用等都会使材料内部存在和产生微观的以至宏观的缺陷。当材料内部含有这些微观或宏观的缺陷时便认为材料受到了“损伤”。由于“损伤”对结构的安全造成了巨大的威胁,因此这一问题受到了学术界和工程界广泛的重视并对此进行了大量的研究,因此建立具有较高自动化程度的损伤识别系统已经迫在眉睫。 损伤识别过程是一个高度非线性、多变量的复杂过程,具有信号分布范围广,且信号由大量的离散信号组成,用一般的信号处理方法计算量大,处理时间长,不能满足实时监测的需要。而神经网络因其具有高度的并行性、非线性、良好的容错能力和自适应自学习能力,适合用于智能结构损伤评估。本文采用适合于损伤识别的前向神经网络中的BP网络模型对石膏构件进行损伤评估。其中主要进行以下三个方面的研究内容:(1)石膏智能构件损伤的识别;(2)石膏智能构件的损伤定位;(3)石膏智能构件损伤程度的标定与评价。 本论文针对石膏智能构件设计了光纤传感神经网络识别模型,并采用多种训练算法对网络进行训练。结果表明Levenberg-Marquardt优化算法比传统的批梯度训练算法有较快的收敛速度,但贝叶斯正则化算法在兼顾网络训练速度的同时,更能提高网络的推广能力。