观测自由度不完整、数据误差以及模型误差是制约结构损伤识别发展与应用的主要因素。有鉴于此,本文利用不完整且存在数据误差的静力观测位移、模态观测振型以及结构固有频率等数据,开展了人工神经网络结构损伤识别方法以及基于有限元模型的损伤识别方法研究,具体研究工作如下: 通过对土木工程结构损伤识别方法的发展现状进行较为详尽的研究与总结,发现观测自由度不完整、观测数据误差以及结构模型误差是制约结构损伤识别领域取得进一步发展的阻碍因素,同时也认识到在观测自由度不完整以及数据不精确的基础上进行结构损伤方法研究是未来土木工程结构损伤识别领域的发展方向。进而确定了本文的研究思路。 由于人工神经网络算法在模式识别等反问题求解方面所具备的突出优点,已逐渐被越来越多的研究者应用于结构损伤识别领域。验证神经网络算法的损伤识别能力关键是网络输入参数的选取,即结构损伤识别指针是否对损伤位置或是损伤程度更为灵敏。本文利用易于实测且精度高的结构模态振型以及低阶固有频率构造出神经网络的组合输入参数。利用改进的动量BP网络对结构进行了损伤位置以及程度识别数值模拟研究。结果表明即使在只获得少量节点振型数据且含有数据误差的情况下网络仍具有较好稳定性和鲁棒性。在一定误差范围内,识别结果受误差影响不大。 静力位移响应可以反映结构刚度矩阵变化,因此识别结构刚度特性最自然、最直接的方法就是基于静力位移观测的方法。此外,考虑到结构低阶固有频率测试精度高且能反映结构整体的动力特性。在已有的研究基础上,本文将部分节点静力观测位移以及结构前几阶固有频率结合起来,构造出结构损伤位置及损伤程度识别的神经网络输入组合参数,利用径向基神经网络算法对结构进行了损伤识别数值模拟研究,着重研究了观测自由度不完整情况下不同数据误差水平对结构损伤识别结果的影响以及选取的频率数量对损伤程度识别结果的影响。识别结果表明,径向基神经网络具有很强的鲁棒性,对损伤位置及损伤程度识别都取得了非常理想结果。以往基于有限元模型修正的损伤识别模型多数是在观测数据完整且不含数据误差的情况下进行结构的损伤识别,当观测数据不完整、数据含有一定噪声时,往往就无法有效识别结构损伤,识别能力受到很大限制,不易在实际的工程结构中应用。 本文依据不完整模态数据(前几阶低阶模态、不完整自由度上的实测振型)并利用模态参与因子构造出完整自由度模态振型,建立了损伤结构系统的非线性控制方程。避免了采用模型缩聚或是扩阶方法所带来的额外误差。在此基础上,