基于神经网络的框架结构构件损伤识别研究

基于神经网络的框架结构构件损伤识别研究

ID:46599924

大小:248.06 KB

页数:3页

时间:2019-11-26

基于神经网络的框架结构构件损伤识别研究_第1页
基于神经网络的框架结构构件损伤识别研究_第2页
基于神经网络的框架结构构件损伤识别研究_第3页
资源描述:

《基于神经网络的框架结构构件损伤识别研究》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、基于神经网络的框架结构构件损伤识别研究陈远(中国建筑西南设计研究院有限公司,四川成都6l0041)摘要:采用多重分步识别方法对框架结构构件损伤识另q研究。第一步时构件损伤进行预警;第二步识别构件损伤所在的楼层;第三步在识别出的楼层内对构件损伤具体定位;第四步对构件损伤程度进行识别。以三跨四层的框架结构为计算模型进行了数值模拟。研究表明,应用神经网络技术。采用多重分步识别方法,简化了网络的结构,能够有效地对框架结构构件损伤进行预警、定位。关键词:框架结构;神经网络;构件;损伤识别中图分类号:11J31文献标识码:B文章编号:1672—4011(2011)02—0042—03O前言目前,钢筋

2、混凝土框架结构是建筑结构中应用最广泛的结构形式之一。结构在使用过程中常常会出现各种损伤,如梁柱出现裂缝、钢筋锈蚀、混凝土过火等。此外,历史建筑结构中的构件由于老化而出现的破损,亟待损伤和维修加固。由此可见,有必要建立一套系统有效的损伤识别技术,以便及早发现结构损伤,从而保证了结构的安全性。神经网络是由大量的简单处理单元相互连接而成的巨型复杂网络。神经网络具有处理信息的自学习性、并行性、自组织性,联想记忆功能以及很强的鲁棒性和容错性,因而它在结构损伤识别领域受到广泛的关注。由于BP神经网络在结构损伤识别中应用最广泛,因此本文主要采用BP神经网络进行计算。l计算模型框架结构的计算模型如图1所

3、示,图中加圆圈的数字表示构件编号。结构参数如下:弹性模量E=3×104J】l,几,泊松比∥=O.3,材料密度p=2500培/m),梁的截面为300×600(mm),截面惯性矩,I=5.4×109删矿,柱的截面为500×500(m,n),截面惯性矩,2=5.2l×109翮∥。本文通过折减构件的弹性模量来模拟构件损伤。表l预设的损伤工况损伤工况构件损伤Gl2s35G22ls65c320s35+21舶G46835+10s35C52945+22845c620目20+24s55研2940+15835C810960+23s60注l:2335表示2号构件发生了35%的损伤,其他类似;2:20s35+2

4、1940表示20号构件发生了35%的损伤和21号构件发生了40%的损伤,其他类似。@④@⑧@⑦⑩圆⑤@⑥@⑤⑨2损伤预警圈l计算模型文献⋯研究表明采用损伤异常检测技术对构件损伤进行预警。本文利用BP神经网络建立损伤异常过滤器对构件损伤进行预警。通过用完好结构的自振频率训练网络使之建立结构的健康状态模式,当把未知状态下的自振频率输入到已经训练好的网络时,网络将检查新的模式是否偏离已经建立的健康模式,这一过程可以成为结构的异常检测,根据异常检测的结果可实现损伤预警。在网络的训练阶段,把多次测量的完好结构的自振频率组成的向量/输入神经网络,输入出目标y定义如下:),i=屉∽一,ni)+mi(i

5、=1,2,⋯,n)(1)式中,.

6、}为一个正常数,他为输入向量,中的第f元素的平均值。网络训练完成后,再将输入向量,输入到训练好的网络,得到输出y‘,于是训练阶段的异常指标A。定义如下:A。;0y‘一l,lI(2)在网络的测试阶段,一系列来自同一结构,未知状态下的自振频率输入到训练好的神经网络,得到输出F,于是训练阶段的异常指标A:定义如下:A:=0F—y10(3)式中,y

7、中的元素为:,,4=%(‰一m。)+mi(i=l,2,⋯,厅)(4)将A.和A:二者比较:如果测试阶段的异常指标A:偏离训练阶段的异常指标A。,则表示损伤产生;若两个序列不可分,则表示无损伤。选取表1中的八种损伤工况

8、,利用有限元模型计算出健康状态下和损伤状态下的前八阶频率。将计算的自振频率加上1%水平的测量噪声,其中测量噪声是用均值为为0,方差为l的高斯白噪声模拟。八种损伤工况的预警结果如图2所示。由图2可以看出,对于包含测量噪声的训练样本,其异常指标无法指示损伤工况c2和G6下的构件损伤,而对于其他六种损伤工况下的损伤都能准确地预警。这与测量噪声引起的误差及损伤引起的模态频率变化率有关。运用异常指标能够明确预警的损伤工况有G1、G4、G5、G7、G8。它们由于损伤引起的最大频率变化率分别为2.95%、6.42%、3.75%、4.23%、12.26%,这些数值都大于3%。无法运用异常指标进行预警的损

9、伤工况是G2和G14,它们由损伤引起的最大频率变化率分别为2.55%和2.36%,这些数值都小于2.8%。刚好能够运用异常指标进行预警的工况是c4,它由损伤引起的最大频率变化率为2.8%。由上述分析可得:只要由损伤引起的最大频率变化率大于测量误差时,损伤异常过滤器就能明确判断损伤是否出现,当损伤引起的最大频率变化率小于测量误差时,过滤器也能判断损伤是否出现,但是最大频率变化率必须要大于2.8%。样本数据个数0薹。篓。圃毒基圈D1洲”

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。