斜拉桥拉索索力状态评估理论和实验的研究

《斜拉桥拉索索力状态评估理论和实验的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、万方数据Cableforcestateassessmenttheoryandexperimentalstudyofcable—stayedbridgeTypeofDegreeAcademicThesisDisciplinegiyi!基塾gi坠曼曼d坠gCandidate№旦g堑StudentNumber10010204013SupervisorandPr．ofessionalTitle里!Q￡业堕gXi丛YQ垒gPracticeMentorandProfessionalTitleNoneSchool墨璺鱼QQ!Q￡￡iyil壁垒gi垒曼昼!i坠gDate丛垒Y三Q兰2Q13University

2、HunanUniversityofScienceandTechnology．．．．．．．．．．．．．．．．．．．．．．．．．——万方数据学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名：褐《C：f日期：加召年r月夯日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子

3、版，允许论文被查阅和借阅。本人授权湖南科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。涉密论文按学校规定处理。作者张杉≮导师签名：劾嘎努日期：山3年日期：之D『弓年r)月弓力日f月弓6日万方数据摘要斜拉桥在现代桥梁中应用越来越广泛，确保其运营期内结构的安全是桥梁工程界需要研究的重要课题。拉索是斜拉桥中最重要的受力构件之一，研究拉索问关联度对评估拉索工作状态具有重要的实际意义。本文以广东G325九江大桥为背景工程，设计与制作了该桥缩尺试验模型，采用有限元分析与实验研究，应用灰色关联系数和自组织神经网络方法，对拉索问的关联度及

4、基于关联度的拉索状态评估方法开展了研究。主要内容如下：(1)介绍了灰色关联分析理论与自组织神经网络SOM算法，对应用于多维数列关联分析的优化初值法进行了研究。(2)以相似定律为理论基础，设计并制作了G325九江大桥1：50试验模型，在模型上安装68个索力传感器，建立了该模型索力测量系统，通过断开该模型每根拉索得到索力变化数据。基于索力变化数据运用优化灰色关联系数初值法和自组织特征映射神经网络(SOM)算法研究了拉索之间的关联度。(3)采用MIDAS分析软件，建立了试验模型的有限元模型，模拟每根拉索断开的索力变化情况，通过拉索索力变化得到的数据对拉索的相关性进行了研究。(4)根据试验方法与有限元

5、分析所求的拉索相关性，对拉索间关联影响矩阵进行了研究。通过拉索关联影响矩阵对试验模型和有限元模型斜拉桥拉索索力的状态评估进行了研究。关键词：斜拉桥；拉索；MIDASCivil；灰色关联；SOM算法；关联影响矩阵万方数据ABSTRACTThecable—stayedbridgeinthemodernbridgeismoreandmorewidelyapplied．Itisanimportanttopictoensurethesecurityofthestructureundertheoperationperiodinbridgeengineeringresearch．Thecableisoneo

6、fthemostimportantcomponentsofthecable-stayedbridges．Investigationofcorrelationdegreebetweencabletensionshasimportantpracticalsignificancefortheworkingstateevaluationofcable．TakingJiujiangBridgeofG325inGuangdongProvinceasthebackgroundproject，thescaletestmodelofthebridgewasdesignedandmanufactured．Base

7、donthefiniteelementanalysisandexperiment，thecorrelationdegreebetweencabletensionsandthecablestateevaluationmethodwereinvestigatedusinggreycorrelationcoefficientandtheself-organizingneuralnetworkmethod