用神经网络和优化方法进行结构参数识别

《用神经网络和优化方法进行结构参数识别》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第18卷第Z期计算力学学报VOI.18NO.ZZ001年5月C-INESEOURNALOFCOMPUTATIONALMEC-ANICSMaZ001文章编号:1007-4708(Z001D0Z-0Z35-04用神经网络和优化方法进行结构参数识别周仙通1王柏生1倪一清Z(1-浙江大学土木系浙江杭州3100Z7;Z-香港理工大学土木与结构系香港D摘要:本文分别采用优化方法和神经网络方法对工程中经常碰到的结构参数识别问题进行了研究论文对一个二层试验框架和香港青马大桥马湾塔的实测资料进行了分析结果表明:该两种方法对于解决实际工程结构的参数识别问题都是可行的精度可以满足工程要求;并对这两种方法作了对比

2、指出了各自的优缺点和值得进一步研究的问题关键词:优化方法;神经网络;结构参数识别中图分类号:TP183;O3Z文献标识码:A文将优化方法用于求解非线性最小二乘问题即为1引言了得到结构正确的力学参数先用振动法测得结构对于实际工程结构在许多情况下需要建立其的实际动力特性同时用有限元动力分析程序计算精确的计算模型如在结构损伤检测中就需要一个结构在给定力学参数下的动力特性然后按照最小精确的有限元模型由于受许多随机因素影响已有二乘原理将实测值与程序输出值的误差作为优化问题的目标函数通过优化求解使得程序输出值跟结构的质量~刚度~弹性模量等参数往往是不确定结构实测值尽可能接近当误差满足给定的精度要的与设

3、计值有一定的差异;另一方面在使用过程求时对应的力学参数就可以被认为是结构的实际力中结构参数随时间也会有一定的变化因此结构参学参数(图1D数识别问题是实际工程的一个重要课题目前对结构参数识别或有限元模型修改已经有很多文献加以研究提出了许多方法[1Z]如矩阵摄动法~误差范数极小化~元素修正法等这些方法一般都采用迭代技术其精度依赖于迭代次数计算量较大本文分别采用优化方法和神经网络方法进行结构参数识别(有限元计算模型修改D基本思路就是根据结构的动力特性(固有频率~模态等D与结构实际参数密切相关的特点应用振动法测得结构的实在用优化方法实现实际结构的力学参数识别际动力特性然后将实测动力特性作为优化反分

4、析时考虑到基于改进的Marguardt-Lenvenberg算法目标函数的控制参数通过优化反分析求得结构实的优化是目前应用较广泛的一种无约束优化方法际参数;或者将实测动力特性输入到已训练好的神它克服了牛顿法的不能有效地处理奇异和非正定经网络利用神经网络的非线性映射能力由神经网[3]-esse矩阵和对初始点要求比较苛刻的问题本络的输出层得到结构实际参数文在FORTRAN语言的集成化编译环境MSPOW-2基于优化方法的结构参数识别erStatiOn下通过自编主程序然后调用基于此算法的MSPOWerStatiOnMath库中的函数来实现对实优化方法已被广泛应用于线性和非线性规划~际结构参数的优化

5、求解动态规划~系统优化设计~结构优化反分析等[3]本收稿日期:1-05-18;修改稿收到日期:Z000-05-10.作者简介:周仙通(174-D男硕士-314计算力学学报第18卷3基于神经网络的结构参数识别神经网络的发展从六~七十年代的一度低潮到最近几年被广泛应用于模式识别~图像处理~故障诊断~智能控制*是因为它具有高度并行处理能力~非线性映射能力和很强的鲁棒性~容错性在已有的数十年神经网络模型中*网络因其思路清晰~算法简单被得到广泛应用4-7其网络模型如图2所示:根据香港理工大学土木与结构系对此二层框架结构作动力试验的实测数据8*将前六阶弯曲自振频率与所选四点(已标于图4中)的第一阶模态

6、值分别与相应实测值的误差作为优化目标函数通过本文应用模型完成结构参数识别首先在优化迭代求解*最后收敛到点(0.2267*0.5976*给定范围内随机产生若干结构参数值*赋予计算模0.0052*5.3619*5.2663)型然后*对应这些参数分别进行动力有限元分析*用神经网络实现参数识别时*构造10-12-5的得到相应的动力特性将结构参数作为神经网络的网络模型与一定范围内55个学习样本训练网输入*动力特性作为神经网络的输出*构造学习样络*然后将实测动力特性输入到已经训练好的本*用于训练神经网络最后将实测的动力性输入到网络输入层*最后由输出层得到神经网络的相应输已训练好的神经网络*由神经网络的

7、输出层得到要出为(0.2286*0.6143*0.0066*5.4573*5.2400)识别的结构实际力学参数最后*分别以上述两点作有限元分析*有限元结4算例分析果及与实测值的误差如下表1所示通过表1看出:4.1二层框架实验数据分析优化收敛点与神经网络输出点比较接近优化的最图3~图4是一个二层试验框架的立面图与有限大误差为4.65%*神经网络最大误差为4.173%*因元计算模型梁单元与柱单元各属于一种单元类型此相对来说*