索支承体系桥梁是现阶段大跨度桥梁中的主要结构形式,而拉索则是索支承体系桥梁中至关重要的受力和传力构件。因此,准确地识别拉索索力等参数在桥梁的施工控制和安全运营中具有重要意义。本文基于索力测试中最常用的频率法理论,分析了拉索索力、抗弯刚度等参数和自振频率之间的复杂规律,提出了使用 LNN(Legendre Neural Network,勒让德神经网络)和 XGBoost(eXtreme Gradient Boosting,极端梯度提升)算法来进行基于频率法的拉索多参数识别研究,并通过试验验证了上述两种方法的精度和可行性。本文的主要工作如下:(1)推导了不同边界条件下,拉索索力、抗弯刚度等参数和自振频率的关系式,对于部分特殊边界条件下拉索的超越方程,构建了 LNN神经网络进行方程的求解。对于复杂边界条件下的拉索,引入弹性边界的概念,假定拉索两端支座存在转动约束刚度,推导了考虑弹性边界的拉索振动微分方程,并构建了 LNN神经网络基于该方程在已知拉索前三阶频率的情况下求解其索力、抗弯刚度和两端支座转动约束刚度。(2)对于拉索各项参数关系不能完全满足拉索振动微分方程的情况,采用XGBoost算法进行拉索多参数识别研究。采用由有限元软件基于实际拉索数据构建的几千组模拟拉索样本来训练XGBoost算法,并通过预测由有限元软件构建的测试集样本,证明了该算法的参数识别精度在95%以上,满足实际工程要求。同时,引入目前机器学习中使用较多的BP神经网络、极限学习机和贝叶斯方法利用同样的训练集和测试集进行拉索参数识别,验证了 XGBoost算法相较于上述三种方法的优越性。(3)设计了拉索缩尺模型试验,获得了不同索长和张拉力下实体拉索的前三阶频率,分别采用LNN神经网络和XGBoost算法根据试验拉索前三阶频率和索长进行索力、抗弯刚度等参数的识别,最终证明了上述两种方法在未知边界条件的拉索参数识别中的可行性和精度。(4)基于参考文献中杭州某桥吊杆、宁波某桥吊杆和贵州某桥吊杆的工程实测数据,在已知边界条件为两端固接的情况下,分别采用LNN神经网络和XGBoost算法根据吊杆前两阶频率和索长进行索力和抗弯刚度的识别,最终证明了上述两种方法在两端固接吊杆参数识别中的可行性和精度。