基于计算智能技术的桥梁结构损伤识别研究

论文摘要

本文概述了桥梁结构损伤识别理论和计算智能技术等方面的内容,成功地将计算智能技术引入到桥梁结构的损伤识别中,并取了良好的效果。根据残余力向量的概念,把结构损伤识别问题转化成优化问题,并建立了适合结构损伤识别的多目标优化模型,为提高模型求解的准确性,利用灰色关联度能够很好地分析各非劣解与理想解之间的接近程度,并能掌握解空间全貌的特点,依据目标矢量序列和基准矢量序列之间的灰色关联度大小选取粒子群算法中的全局极值和个体极值,提出了适合高维多目标求解的灰色粒子群算法;利用支持向量机建立了一组待反演参数与各阶频率和一阶振型之间的函数关系,将所得到函数表达式与结构各阶实测频率和振型间的差异作为优化目标,建立了一个多目标优化模型,并用所提出的灰色粒子群算法进行求解;为提高神经网络的收敛速度,提出了基于局部学习的小波神经网络算法,并将该算法应用到桥梁结构损伤识别中,取得了较好的效果;为增强网络的泛化能力,提出了基于灰色聚类技术的神经网络集成方法,该方法改善了利用传统神经网络进行结构损伤识别时泛化能力低的情况。算例结果表明,上述方法提高了桥梁结构损伤识别的效果,得到了具有学术理论指导价值和实际应用参考价值的结果。

论文目录

• 内容提要
• 第一章 绪论
• 1.1 课题研究的背景
• 1.2 桥梁结构损伤识别研究的现状与发展
• 1.3 计算智能技术研究的现状与发展
• 1.4 计算智能在结构损伤识别中的应用
• 1.5 本文研究的内容
• 第二章结构损伤识别方法和计算智能理论
• 2.1 引言
• 2.2 基于动力特性的结构损伤识别方法
• 2.2.1 基于固有频率变化的损伤识别方法
• 2.2.2 基于模态振型的损伤识别方法
• 2.2.3 基于模态应变能的损伤识别方法
• 2.2.4 基于频响函数的损伤识别方法
• 2.3 基于模型修正的损伤识别方法
• 2.4 损伤结构动力的有限元模型
• 2.4.1 网格法
• 2.4.2 变刚度法
• 2.4.3 动态子结构法
• 2.4.4 网格-变刚度-子结构混合法
• 2.5 神经网络的基本理论
• 2.5.1 神经网络模型
• 2.5.2 神经元状态转换函数的类型
• 2.5.3 神经网络的学习方式
• 2.5.4 网络结构设计
• 2.5.5 网络训练的算法
• 2.6 小波变换
• 2.7 神经网络集成理论
• 2.7.1 神经网络集成基本理论
• 2.7.2 神经网络的负相关学习
• 2.8 粒子群法理论
• 2.8.1 基本算法
• 2.8.2 改进的粒子群算法
• 2.8.3 PSO 算法机理的数学理论
• 2.9 本章小结
• 第三章 基于粒子群算法的桥梁结构可靠性稳健优化设计与损伤识别研究
• 3.1 引言
• 3.2 灰色关联分析
• 3.3 多目标优化问题
• 3.4 灰色粒子群算法优化策略
• 3.4.1 算法的引入
• 3.4.2 灰色粒子群算法
• 3.4.3 多目标函数优化实例
• 3.5 基于灰色粒子群算法的钢筋混凝土简支梁的可靠性稳健优化设计
• 3.5.1 可靠性设计的随机摄动法
• 3.5.2 可靠性稳健优化设计模型的建立
• 3.5.3 数值算例
• 3.6 基于粒子群算法和残余力向量的结构损伤识别
• 3.6.1 残余力向量法
• 3.6.2 目标函数的建立
• 3.6.3 悬臂梁的损伤识别
• 3.6.4 桁架的损伤识别
• 3.7 本章总结
• 第四章 基于支持向量机和粒子群算法的桥梁结构损伤识别研究
• 4.1 引言
• 4.2 支持向量机的基本理论
• 4.2.1 支持向量机的线性逼近
• 4.2.2 支持向量机的非线性逼近
• 4.3 基于支持向量机和粒子群算法的结构损伤识别方法
• 4.3.1 基于支持向量机的非线性函数拟合
• 4.3.2 多目优化模型的建立
• 4.3.3 基于支持向量机和灰色粒子群算法进行结构损伤识别的步骤
• 4.4 简支梁桥的损伤识别
• 4.4.1 一个单元发生损伤的识别
• 4.4.2 多个单元发生损伤的识别
• 4.4.3 与其他方法比较
• 4.5 本章小结
• 第五章 基于神经网络的桥梁结构损伤识别
• 5.1 引言
• 5.2 基于小波神经网络的桥梁结构损伤识别
• 5.2.1 小波神经网络模型
• 5.2.2 小波神经网络与常规神经网络的比较
• 5.2.3 小波神经网络初始化
• 5.2.4 小波神经网络基本算法
• 5.2.5 基于局部学习的共轭梯度算法
• 5.2.6 网络样本选取
• 5.2.7 连续梁桥的损伤识别
• 5.3 基于灰色聚类神经网络集成的损伤识别方法
• 5.3.1 聚类分析
• 5.3.2 基于灰色聚类的神经网络集成算法
• 5.3.3 桁架的损伤识别
• 5.3.4 斜拉桥的损伤识别
• 5.4 本章小结
• 第六章 结论与展望
• 参考文献
• 作者在攻读博士学位期间发表的论文
• 致谢
• 摘要
• Abstract