【摘要】：結構損傷識別是一種有效的檢測結構的健康狀況,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)濟損失的技術,具有十分重要的科研意義。土木工程建筑在使用過程中由于自然環(huán)境、荷載作用,以及材料老化等原因,結構材料內部的微小損傷經(jīng)過日積月累,演變成重大的損傷,極有可能導致結構坍塌,引發(fā)災難性后果,結構損傷識別就是要在事故發(fā)生之前檢測到結構潛在的危險,以采取適當?shù)膽獙Ψ桨?避免災難降臨。在基于結構力學特性改變的方法當中,柔度法及模態(tài)應變能法是兩種較好的方法,對局部損傷具有很高的敏感度,構造簡便。本文在這兩種方法的基礎上加以改進,一種是基于結構力學特性改變的方法,提出一種新的柔度曲率差(Flexibility Curvature Difference,簡稱FCD)法;另一種是基于信號處理的方法,將模態(tài)應變能差作為BP神經(jīng)網(wǎng)絡(Back-Propagation Neural Network)的輸入來訓練網(wǎng)絡,新的數(shù)據(jù)輸入訓練好的網(wǎng)絡可預測損傷。本文提出了一種新的綜合平均柔度曲率差法,首先取三維結構在四個方向的模態(tài)振型,由此求到四個不同的柔度曲率差,再對這四個指標求絕對值的平均值得到綜合平均指標。由數(shù)值模擬結果表明取四個指標時存在干擾單元,而綜合平均指標可以準確地識別損傷位置,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)應變能差(第一階模態(tài))作為BP神經(jīng)網(wǎng)絡的輸入,對空間鋼架進行有限元數(shù)值仿真分析,一共做了9個網(wǎng)絡的訓練及測試,通過對測試結果的統(tǒng)計分析,表明將單一的損傷指標作為BP神經(jīng)網(wǎng)絡的輸入,取單隱含層網(wǎng)絡,在足夠多的訓練樣本的情況下,訓練好的網(wǎng)絡可以對一組新的數(shù)據(jù)作出準確的損傷預測。這種方法比僅利用模態(tài)應變能的方法有著顯著的優(yōu)點,可同時識別損傷位置和程度,正確率也大大提高。
【圖文】：

鋼架結構模型圖

(e) 第五階振型圖 3-3 空間鋼架無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，結構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，第四階第五階則發(fā)生更大程度的位移。將模態(tài)振型進行質量歸一化后，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， 是質量歸一化振型。柔度曲率是將柔度矩陣進行二次差分求得，本文按對角元素計算：將n 維柔度方陣的對角元素提出，，按節(jié)點組成新的 維的列矩陣 ，即： j diag F(3.38
【學位授予單位】：廣東工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TU317

【相似文獻】

相關期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡拐點預測法[J];金融經(jīng)濟;2017年18期

2 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡大會述評[J];國際學術動態(tài);1996年01期

3 王方;苗放;陳墾;;基于優(yōu)化神經(jīng)網(wǎng)絡的地質災害監(jiān)測預警仿真[J];計算機仿真;2019年11期

4 馬猛;王明紅;;基于進化神經(jīng)網(wǎng)絡的304不銹鋼車削加工表面粗糙度預測[J];輕工機械;2019年06期

5 莊連生;呂揚;楊健;李厚強;;時頻聯(lián)合長時循環(huán)神經(jīng)網(wǎng)絡[J];計算機研究與發(fā)展;2019年12期

6 李杰;孫仁誠;;幾種典型卷積神經(jīng)網(wǎng)絡的權重分析與研究[J];青島大學學報(自然科學版);2019年04期

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

8 趙偉榮;李慧;;基于集成神經(jīng)網(wǎng)絡的織物主觀風格預測研究[J];紡織科技進展;2020年01期

9 李金堂;;試析神經(jīng)網(wǎng)絡技術在機械工程中的應用及發(fā)展[J];網(wǎng)絡安全技術與應用;2020年02期

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

相關會議論文 前10條

1 孫軍田;張U

本文編號：2594262