动力作用下桥梁损伤识别技术研究

本文针对目前在役桥梁存在的种种安全隐患,展开桥梁性能检测和损伤识别技术的研究,以随时了解桥梁的结构性能和安全情况,避免灾难性事故的发生。探讨了遗传算法优化的神经网络在桥梁结构损伤检测中的应用。基于遗传算法优化的一种有效的结构损伤检测,建立评估钢筋锈蚀程度的人工神经网络模型。选择对结构损伤较为敏感的参数作为网络的输入向量,结构的损伤状态作为网络的输出向量,建立损伤训练样本集,利用遗传算法优化神经网络的权值和阈值,进而预测结构损伤程度。     

遗传算法–神经网络方法的结构损伤识别

应用人工神经网络技术,提取结构的固有频率的变化为特征参数,建立结构损伤识别模型,提出用遗传算法来调整神经网络的权值,并对一个框架模型进行了损伤数值模拟计算,即基于遗传算法-神经网络方法的结构损伤识别的研究。该方法弥补了传统的神经网络 BP 网络收敛速度慢,易陷入局部极小点等缺陷. 结构表明,该方法具有收敛速度快和识别精度高的特点。     

桥梁健康监测中桥梁结构损伤智能识别方法研究

作为桥梁健康监测中的重要组成部分,结构损伤识别对桥梁维修和管理有着重要意义。为优化桥梁结构损伤智能识别效果,研究提出了基于小波变换改进和深度置信网络的桥梁结构损伤智能识别方法。结果显示,该方法对斜拉索受损模式的最大识别准确性可达到0.95,相较于NB算法提高了0.12。这表明,该方法增强了对复杂桥梁数据的处理能力,提高了桥梁结构损伤智能识别的准确性,有利于促进桥梁结构损伤识别技术的发展,为提升桥梁管理水平提供保障。     

桥梁健康监测应用与研究现状

桥梁损伤诊断与健康监测是近年来国际上的研究热点 ,在实践方面 ,土木工程和航空航天工程、机械工程有明显的差别 ,比如桥梁结构以及其他大多数土木结构 ,尺寸大、质量重 ,具有较低的自然频率和振动水平 ,桥梁结构的动力响应极容易受到不可预见的环境状态、非结构构件等的影响 ,这些变化往往被误解为结构的损伤 ,这使得桥梁这类复杂结构的损伤评估具有极大的挑战性 .本文首先给出了结构健康监测系统的定义和基本构成 ,然后集中回顾和分析了如下几个方面的问题 :①损伤评估的室内实验和现场测试 ;②损伤检测方法的发展 ,包括 :(a)动力指纹分析和模式识别方法 ,(b)模型修正和系统识别方法 ,(c)神经网络方法 ;③传感器及其优化布置等 ,并比较和分析了各自方法的优点和不足 .文中还总结了健康监测和损伤识别在桥梁工程中的应用 ,指出桥梁健康监测的关键问题在于损伤的自动检测和诊断 ,这也是最困难的问题 ;最后展望了桥梁健康监测系统的研究和发展方向     

遗传算法-神经网络方法的结构损伤识别

应用人工神经网络技术，提取结构的固有频率的变化为特征参数，建立结构损伤识别模型，提出用遗传算法来调整神经网络的权值，并对一个框架模型进行了损伤数值模拟计算，即基于遗传算法一神经网络方法的结构损伤识别的研究。该方法弥补了传统的种经网络BP网络收敛速度慢，易陷入局部极小点等缺陷．结构表明，该方法具有收敛速度快和识别精度高的特点。     

一种基于卷积神经网络的结构损伤检测方法

针对结构健康监测系统产生的海量数据难以高效分析的问题,采用了一种基于二维卷积神经网络的损伤识别检测方法,该方法直接将结构在外界激励作用下的加速度时程数据作为输入信息,通过卷积神经网络自动提取加速度数据中的隐含特征,识别结构的损伤.以板的损伤识别为例,给出了卷积神经网络损伤识别模型的输入数据格式、网络结构和训练方法,分析了卷积神经网络分别在不含噪声,含噪声5%、10%以及混合噪声情况下的损伤识别能力.测试结果显示这种基于加速度输入的卷积神经网络具有较高的损伤识别精度和抗噪能力,从而为结构健康监测系统数据分析和损伤识别提供了一种新的途径.     

桥梁的损伤识别

现在很多桥梁都安装了监测系统 ,自动损伤识别是桥梁健康监测系统的核心技术和热点研究问题。文章介绍了几种桥梁损伤的识别方法 ,包括动态法、静态法、有模型法、无模型法、位移法、应变法以及 BP和 RBF神经网络法的比较。目前健康监测系统尚不具备损伤识别能力。如何设计一个高效的用于结构损伤识别的自动损伤识别系统 ,是个值得研究的问题     

基于遗传算法的ENN的变压器故障诊断

可拓神经网络结合了可拓学理论和人工神经网络技术.针对变压器故障诊断的特点,提出一种基于遗传算法和可拓神经网络的电力变压器故障诊断方法.介绍了双权可拓神经网络的结构;构造了基于遗传算法和可拓神经网络的故障诊断模型和算法设计,并将其应用到电力变压器的诊断识别;通过仿真实验验证了该方法简单易行、训练误差小、收敛时间快等优点.     

基于BP神经网络的结构损伤识别技术

基于对结构安全性的高要求,以各种不同监测技术为基础的结构健康监测系统得到广泛研究与应用,而结构损伤识别系统是结构健康监测系统的核心组成部分之一。本文以某悬臂梁为工程背景,研究结合信息融合的基于BP神经网络的结构损伤识别技术,通过MATLAB软件构建BP神经网络,训练完成的神经网络损伤识别准确率高于90%。本文对基于神经网络的结构损伤识别技术的可靠性进行讨论,总结了结合信息融合与神经网络的损伤识别技术的优缺点。网络识别结果证明了该技术的可行性,为工程结构损伤识别应用的进一步研究提供了参考。     

基于IPSO—BP神经网络的结构损伤识别

为了准确评估结构健康状况．将改进的粒子群算法与BP算法有机结合来训练人工神经网络,并用于结构损伤识别．以国际结构控制协会与美国土木工程学会（IASC-ASCE）提出的健康监测第二阶段Benchmark模型结构为例．对4种不同损伤模式进行了损伤定位．研究结果表明,在模型误差、测量噪声等因素的影响下,该方法能够取得令人满意的损伤识别结果．     

基于遗传算法的变结构神经Petri网模型

将Petri网理论引入到神经网络模型的研究中，依据生物学神经系统的可塑性，通过适当扩展规范Petri网，建立了人工神经元状态转化的Petri网模型．在此基础上给出了利用遗传算法设计变结构神经Petri网的方法，该方法不仅可以得到满足要求的网络参数，而且能对网络的拓扑结构进行优化．仿真结果验证了该方法的可行性．     

遗传算法神经网络的学习方法

提出了利用遗传算法的思想实现人工神经网络学习的方法，并具体讨论了在实现中的若干问题。     

用遗传神经网络模型预测公司财务困境

利用遗传算法的全局寻优能力。构造了一个预测财务困境的遗传神经网络模型(GANN)，该模型对预测财务困境的神经网络模型的输入变量进行了优化．通过对沪深A股市场部分上市公司财务困境的预测表明，该模型比ANN模型具有更好的预测财务困境的能力。     

一种基于遗传算法的BP神经网络算法及其应用

主要分析了神经网络和遗传算法的特点和存在的一些缺陷，研究了遗传算法和BP神经网络学习算法相结合的相关技术，设计并实现了一个基于遗传算法的BP神经网络算法BP—GA，已应用于肺癌早期细胞病理诊断系统中。实验结果表明，该算法具有较强的收敛性和鲁棒性，其应用效果很好。     

用模糊人工神经网络方法预测多层砖房震害

结构的震害预测是编制抗震防灾规划的重要基础内容。应用模糊人工神经网络方法来对结构震害进行分析预测。应针对不同类型的构造物筛选出影响其震害的主要因素 ,采用地区性的历史震害资料对所建成的人工神经网络进行训练的方法。以量大面广的多层砖房为例 ,以云南省近几年来的几次大地震的灾害资料为样本 ,运用灰色数学方法筛选出影响震害的主要因素 ,然后进行了模糊人工神经网络的构筑与训练。结果表明 ,这种方法的训练效果是令人满意的     

人工神经网络混合剪枝算法

目前人工神经网络(ANN)应用中所遇到的挑战之一就是如何针对特定问题确定相应网络。基于进化算法和局部搜索算法两类策略的特点和不足,文中提出了混合剪枝算法HAP(HybridAlgorithmofPruning)。算法首先联合进化算法代表之一遗传算法(GA)和反向传播算法BP的不同优势完成ANN网络结构和权重进化的初步阶段;然后应用多权重剪枝策略(MW-OBS)进一步简化、确定网络结构。结合案例与以往的混合策略算法进行对比研究,结果表明HAP在寻优能力、简化网络结构、保证稳定性等方面均有明显优势,更加适合大规模ANN的优化问题。     

一种新的全局优化算法——统计归纳算法

在多极值问题的优化领域 ,主要有模拟退火算法(SA) ,遗传算法 (GA) ,人工神经网络 (ANN)算法 ,它们都是基于对自然现象模仿的算法。该文从更基本的优化思想出发 ,基于概率论提出了一种新的全局优化算法——统计归纳算法 (SIA)。在一些标准测试函数以及“货郎担问题”(TSP)上的计算结果表明 ,该算法在智能性 (所需的函数计算次数 )和解的全局性方面都远远好于 SA和 GA。在中国 144个城市的 TSP问题实例中 ,它甚至很快就找到了比参考计算中给出的“目前已知的最优路径”更短的路径。从这一算法思想的角度 ,阐述了 SA和 GA为何对全局优化问题有效 ,以及SA和 GA各自固有的不足之处     

基于遗传神经网络的数字化渐进成形回弹预测

针对传统BP神经网络具有易陷入局部极小等缺陷,采用遗传算法(GA)对BP神经网络(初始权值、阈值)进行了优化,将人工智能技术和激光扫描测量技术有机结合,建立了金属板材数字化渐进成形回弹预测的遗传神经网络模型,对计算结果与BP神经网络预测结果进行比较,表明遗传神经网络预测值与实测值之间具有很高的相关性和精确度,该模型可用于预测渐进成形工艺参数与回弹量之间的映射关系,为金属板材数字化渐进成形回弹量的预测开辟了一条新的途径.