论文部分内容阅读
随着人类技术的进步,大型基础设施越来越多。随着时间的积累,其结构会逐渐发生老化和损伤。从安全方面考虑,对结构进行监测并准确评估其健康状况尤为重要。对监测数据进行分析,需要有效的分析方法。神经网络由于功能强大,具有良好的泛化能力、非线性映射能力和高度并行性等特点,可以提高损伤识别的准确率,而广泛应用于结构损伤识别。采用神经网络法识别结构损伤,构造对损伤敏感的指标是至关重要的。白噪声激励下加速度响应的二次协方差矩阵(Covariance of Covariance Matrix,CoC Matrix)被证明仅与结构的模态参数(固有频率、振型和阻尼比)有关,而与采样时间无关,可以作为衡量结构损伤的指标。本文研究CoC矩阵和BP网络结合识别结构损伤的方法。首先,以白噪声作为激励,获取结构在不同损伤工况下的加速度响应,并计算相应的CoC矩阵;然后,把CoC矩阵作为BP神经网络的输入特征向量,对网络进行训练并对结构进行损伤诊断。本文主要包括以下五个部分:(1)介绍了结构损伤识别的研究意义及发展现状,总结了现今研究方法,并结合损伤识别未来发展趋势,提出了基于白噪声激励下加速度响应的CoC矩阵与和BP神经网络的结构损伤识别法。(2)阐述了CoC矩阵和BP神经网络等基本理论,以及神经网络用于损伤识别的方法,为本文研究方法提供了理论依据。(3)通过对六层钢结构进行数值模拟,阐述了小波包分析的基本理论,并将本文所推荐方法与小波包能量进行对比分析。讨论了钢结构在单层损伤和多层损伤下的识别结果,得到CoC矩阵和小波包能量的最大平均误差分别是5.41%和44.11%;对桁架结构数值模拟结果分别添加不同程度的噪声,采用本文推荐方法与模态指标进行对比分析,并研究了测点数和学习率对识别结果的影响。基于简单模型的数值算例结果表明了本文推荐方法的可行性与有效性。(4)将此方法用于美国土木工程师学会(American Society of Civil Engineers)提出的ASCE基准模型进行验证。首先定位结构损伤层,然后再进行损伤单元和损伤程度的识别。损伤单元和损伤程度识别时,利用CoC矩阵和小波包能量信息识别的准确率分别是98.79%和88.27%。并对哥伦比亚大学地震工程实验室采集到的实验数据进行了分析,结果说明,小波包能量会出现误判,而CoC矩阵能够精准定位损伤。(5)最后以实际工程珠江黄埔大桥复杂有限元模型为例,用本文推荐方法对桥塔、悬索、箱梁三部分的损伤进行了识别。损伤识别结果表明了本文推荐方法对于复杂模型的损伤识别也是适用并具有可行性的。