【摘要】：結(jié)構(gòu)損傷識(shí)別是一種有效的檢測(cè)結(jié)構(gòu)的健康狀況,防止重大工程事故突然發(fā)生,避免或降低人員傷亡和經(jīng)濟(jì)損失的技術(shù),具有十分重要的科研意義。土木工程建筑在使用過(guò)程中由于自然環(huán)境、荷載作用,以及材料老化等原因,結(jié)構(gòu)材料內(nèi)部的微小損傷經(jīng)過(guò)日積月累,演變成重大的損傷,極有可能導(dǎo)致結(jié)構(gòu)坍塌,引發(fā)災(zāi)難性后果,結(jié)構(gòu)損傷識(shí)別就是要在事故發(fā)生之前檢測(cè)到結(jié)構(gòu)潛在的危險(xiǎn),以采取適當(dāng)?shù)膽?yīng)對(duì)方案,避免災(zāi)難降臨。在基于結(jié)構(gòu)力學(xué)特性改變的方法當(dāng)中,柔度法及模態(tài)應(yīng)變能法是兩種較好的方法,對(duì)局部損傷具有很高的敏感度,構(gòu)造簡(jiǎn)便。本文在這兩種方法的基礎(chǔ)上加以改進(jìn),一種是基于結(jié)構(gòu)力學(xué)特性改變的方法,提出一種新的柔度曲率差(Flexibility Curvature Difference,簡(jiǎn)稱FCD)法;另一種是基于信號(hào)處理的方法,將模態(tài)應(yīng)變能差作為BP神經(jīng)網(wǎng)絡(luò)(Back-Propagation Neural Network)的輸入來(lái)訓(xùn)練網(wǎng)絡(luò),新的數(shù)據(jù)輸入訓(xùn)練好的網(wǎng)絡(luò)可預(yù)測(cè)損傷。本文提出了一種新的綜合平均柔度曲率差法,首先取三維結(jié)構(gòu)在四個(gè)方向的模態(tài)振型,由此求到四個(gè)不同的柔度曲率差,再對(duì)這四個(gè)指標(biāo)求絕對(duì)值的平均值得到綜合平均指標(biāo)。由數(shù)值模擬結(jié)果表明取四個(gè)指標(biāo)時(shí)存在干擾單元,而綜合平均指標(biāo)可以準(zhǔn)確地識(shí)別損傷位置,新方法比一般的柔度曲率差方法更好。另一種方法是將模態(tài)應(yīng)變能差(第一階模態(tài))作為BP神經(jīng)網(wǎng)絡(luò)的輸入,對(duì)空間鋼架進(jìn)行有限元數(shù)值仿真分析,一共做了9個(gè)網(wǎng)絡(luò)的訓(xùn)練及測(cè)試,通過(guò)對(duì)測(cè)試結(jié)果的統(tǒng)計(jì)分析,表明將單一的損傷指標(biāo)作為BP神經(jīng)網(wǎng)絡(luò)的輸入,取單隱含層網(wǎng)絡(luò),在足夠多的訓(xùn)練樣本的情況下,訓(xùn)練好的網(wǎng)絡(luò)可以對(duì)一組新的數(shù)據(jù)作出準(zhǔn)確的損傷預(yù)測(cè)。這種方法比僅利用模態(tài)應(yīng)變能的方法有著顯著的優(yōu)點(diǎn),可同時(shí)識(shí)別損傷位置和程度,正確率也大大提高。
【圖文】：

鋼架結(jié)構(gòu)模型圖

(e) 第五階振型圖 3-3 空間鋼架無(wú)損情況的前五階模態(tài)陣型圖Figure 3-3 The first five-order mode shapes of undamaged steel frame由圖 3-3 可知，結(jié)構(gòu)在第一階的位移主要在 Y 方向，第二階位移主要在 Z 方向，第三階是發(fā)生 Y 和 Z 方向的扭轉(zhuǎn)，第四階第五階則發(fā)生更大程度的位移。將模態(tài)振型進(jìn)行質(zhì)量歸一化后，柔度矩陣反比于固有頻率的平方，即：211nTi ii iF (3.37這里的 是第 i 階振型， 是質(zhì)量歸一化振型。柔度曲率是將柔度矩陣進(jìn)行二次差分求得，本文按對(duì)角元素計(jì)算：將n 維柔度方陣的對(duì)角元素提出，，按節(jié)點(diǎn)組成新的 維的列矩陣 ，即： j diag F(3.38
【學(xué)位授予單位】：廣東工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TU317

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場(chǎng)中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測(cè)法[J];金融經(jīng)濟(jì);2017年18期

2 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評(píng)[J];國(guó)際學(xué)術(shù)動(dòng)態(tài);1996年01期

3 王方;苗放;陳墾;;基于優(yōu)化神經(jīng)網(wǎng)絡(luò)的地質(zhì)災(zāi)害監(jiān)測(cè)預(yù)警仿真[J];計(jì)算機(jī)仿真;2019年11期

4 馬猛;王明紅;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的304不銹鋼車削加工表面粗糙度預(yù)測(cè)[J];輕工機(jī)械;2019年06期

5 莊連生;呂揚(yáng);楊健;李厚強(qiáng);;時(shí)頻聯(lián)合長(zhǎng)時(shí)循環(huán)神經(jīng)網(wǎng)絡(luò)[J];計(jì)算機(jī)研究與發(fā)展;2019年12期

6 李杰;孫仁誠(chéng);;幾種典型卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重分析與研究[J];青島大學(xué)學(xué)報(bào)(自然科學(xué)版);2019年04期

7 岳新;杜玉紅;蔡文超;;基于GA-BP神經(jīng)網(wǎng)絡(luò)異纖分揀機(jī)檢測(cè)參數(shù)優(yōu)化[J];棉紡織技術(shù);2020年01期

8 趙偉榮;李慧;;基于集成神經(jīng)網(wǎng)絡(luò)的織物主觀風(fēng)格預(yù)測(cè)研究[J];紡織科技進(jìn)展;2020年01期

9 李金堂;;試析神經(jīng)網(wǎng)絡(luò)技術(shù)在機(jī)械工程中的應(yīng)用及發(fā)展[J];網(wǎng)絡(luò)安全技術(shù)與應(yīng)用;2020年02期

10 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)別[J];通訊世界;2018年12期

相關(guān)會(huì)議論文 前10條

1 孫軍田;張U

本文編號(hào)：2594262