基于神经网络的拱桥结构损伤识别

论文摘要

随着我国交通事业的快速发展,特大型桥梁结构不断涌现,新旧桥梁数量日益增多。为确保人民生命财产安全,快速有效地识别出桥梁结构可能发生损伤的部位和损伤程度,及时掌握桥梁运营下的健康状况,是当前桥梁工程研究领域的热点问题之一。拱桥特有的力学性能和结构上的优越性,使其在大跨度桥梁的建造方面具有广阔的发展前景,然而,国内对大跨度拱桥的安全性评价问题尚未进行深入研究。因此,如何在经济和技术允许的条件下,合理评价大跨度拱桥的安全性,是一项迫切而意义重大的课题。根据神经网络在结构损伤识别的已有成果,并对BP神经网络、RBF神经网络性能进行了分析,提出将RBF神经网络用于拱桥损伤识别研究,给出应用方法步骤。本文在研究国内外大量有关结构损伤识别和神经网络资料的基础上,根据桥梁结构损伤识别与神经网络的发展前景,以球溪河大桥为背景,利用有限元ANSYS及MATLAB程序将振动模态分析理论和RBF神经网络相结合应用于拱桥损伤识别中,同时实现对损伤位置与损伤程度的识别,集中考虑了桥梁结构单构件损伤、两个构件损伤、三个构件损伤三类损伤工况,分别采用了振动频率、振型模态、曲率模态三种指标作为神经网络的输入参数,采集各损伤状态下的样本数据,建立RBF神经网络模型进行了拱桥损伤识别的研究。研究表明RBF神经网络可用于识别拱桥结构损伤位置和损伤程度。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 桥梁结构健康监测和损伤识别研究的意义
• 1.2 国内外损伤识别技术概况
• 1.2.1 局部损伤识别
• 1.2.2 全局损伤识别
• 1.3 本文的主要研究内容
• 第2章 基于神经网络理论的损伤识别
• 2.1 概述
• 2.2 人工神经网络的基本理论
• 2.3 人工神经网络的特点
• 2.4 人工神经网络应用于结构损伤识别的基本原理
• 第3章 RBF神经网络设计
• 3.1 RBF神经网络的基本原理
• 3.1.1 神经网络的兴起
• 3.1.2 RBF基函数
• 3.1.3 RBF神经网络结构
• 3.1.4 RBF神经网络的映射关系
• 3.1.5 RBF神经网络的训练方法
• 3.1.6 RBF神经网络的训练算法
• 3.2 RBF神经网络与 BP神经网络的比较
• 3.3 RBF神经网络的损伤识别设计
• 3.3.1 RBF神经网络用于桥梁损伤识别的基本步骤
• 3.3.2 网络输入参数的选取
• 3.3.3 MATLAB神经网络工具箱
• 3.3.4 RBF神经网络设计函数
• 第4章 基于 RBF神经网络的拱桥损伤识别应用
• 4.1 有限元建模
• 4.1.1 工程概况
• 4.1.2 有限元模型
• 4.1.3 模态分类与动力特性分析
• 4.2 损伤识别研究的几点说明
• 4.3 RBF神经网络样本采集
• 4.3.1 单损伤识别样本采集
• 4.3.2 双损伤识别样本采集
• 4.3.3 三损伤识别样本采集
• 4.4 RBF神经网络训练
• 4.4.1 单损伤识别网络
• 4.4.2 双损伤与三损伤识别网络
• 4.4.3 训练过程描述
• 4.5 损伤位置识别
• 4.5.1 损伤位置识别判断标准
• 4.5.2 损伤位置识别效果
• 4.6 损伤程度识别
• 4.6.1 损伤程度识别判断标准
• 4.6.2 损伤程度识别效果
• 第5章 结论与展望
• 5.1 主要结论
• 5.2 展望
• 参考文献
• 攻读硕士学位期间发表的学术论文
• 致谢