基于IWOA-LSTM算法的预应力钢筋混凝土梁损伤识别

为准确识别桥梁结构的损伤程度,制作了桥梁的关键构件——预应力钢筋混凝土梁,进行三点弯曲加载试验.收集了损伤破坏全过程的声发射(AE)信号,通过AE信号参数分析,将梁的损伤破坏过程划分为4个典型阶段.构建了长短时记忆神经网络(LSTM)模型,根据经验设置LSTM模型的超参数容易导致网络陷入局部最优而影响了分类结果,提出采用Sine混沌映射和自适应权重来改进鲸鱼优化算法(WOA),对LSTM进行超参数寻优.设计了IWOA-LSTM算法模型,训练识别试验梁各损伤阶段的AE信号特征参数.定型网络结构,并识别同种工况下其他梁的AE信号.结果表明:IWOA-LSTM算法模型识别准确率均超过或接近92%,相较于普通LSTM模型,IWOA-LSTM模型识别准确率提高了约7%.

基于递归本征正交分解与强跟踪扩展卡尔曼滤波的结构损伤识别

针对目前已有损伤识别方法难以实时跟踪结构损伤且计算量大的问题,提出了一种基于递归本征正交分解(recursive proper orthogonal decomposition,RPOD)与强跟踪扩展卡尔曼滤波(strong tracking extended Kalman filter,STEKF)相结合的模型降阶与结构损伤在线识别方法,对动载荷作用下的结构损伤识别进行了研究。利用RPOD方法在线更新并实时建立反映结构状态的降阶模型,解决未知载荷作用下多自由度结构动力分析计算量大且难以收敛的问题,同时跟踪损伤的演化并对其进行定位;通过STEKF方法跟踪降阶模型的状态向量,识别因损伤而退化的降阶模型参数。分别采用六层剪切型框架的数值模拟与三层钢框架的模型试验验证了该方法的可行性,结果表明,所提出的方法能够准确建立降阶模型并跟踪降阶模型参数的时变历程,同时可以有效地识别出剪切型建筑结构损伤的位置和程度,即使在处理高程度噪声时仍有较高的精度。

振动响应二次协方差矩阵参数在梁式结构损伤识别中的应用

本文提出了基于随机振动响应二次协方差矩阵参数的结构损伤识别方法。首先,证明了在白噪声随机激励作用下,结构动应变的二次协方差矩阵参数是结构模态参数(如频率、振型等)的函数,且结构的损伤会引起二次协方差矩阵参数的改变;然后,通过简支钢梁的有限元数值模拟和试验,并利用测点响应的二次协方差矩阵参数向量变化,构造了损伤识别指标对结构损伤进行判定。研究结果证明了该结构损伤识别方法的有效性。

基于轻量化卷积神经网络的桥梁斜拉索PE护套损伤识别方法

深度神经网络和计算机视觉技术近年来在结构健康监测中发挥了越来越重要的作用。利用无人机航拍采集的桥梁斜拉索损伤图像数据,研究基于深度学习技术的斜拉索PE护套损伤识别方法。为实现在较低运算能力设备上对大跨度桥梁斜拉索表面局部损伤的智能快速识别,解决传统深度卷积神经网络的运算效率相对较低、模型参数规模较大的问题,提出轻量化处理的区域推荐型卷积神经网络模型。介绍区域推荐网络与其轻量化改进方法的理论基础,分析轻量化模型处理的必要性,其能在保证识别精度的前提下降低模型训练与预测的设备性能需求,达到节约计算资源与时间的目的;通过数据增广等多手段解决损伤样本数据量不足的问题,设置对比试验,统计分析结果,验证了轻量化神经网络模型的优越性。结果表明,轻量化网络在牺牲少量识别准确度的前提下,能够在较大程度上实现对模型复杂度与计算量的改进,在工程应用中能有效拓展神经网络的实用性。

基于单元级损伤指标的复合材料层合板分步正则化损伤识别方法研究

针对复合材料层合板结构进行损伤识别,传统的损伤识别指标在描述其损伤时过于粗糙,而材料级损伤参数数量巨大难以识别,故引入了能反映层合板面内和面外损伤的单元级损伤指标。为提高损伤识别求解效率,提出了针对单元级损伤指标的两步正则化损伤识别方法。通过对复合材料层合板结构进行渐进失效分析,基于刚度退化进行单元级损伤指标与材料级损伤指标等效,构建基于组合刚度系数的单元级损伤指标,并对其进行相关性分析,为后续损伤识别提供先验信息。再用分步正则化方法对损伤参数进行定量分析,即第一步利用L2正则化和相关性提供的先验信息提供初步的损伤识别结果,第二步在第一步的基础上利用L1正则化方法求解损伤变量,从而获得更精细的识别结果。数值模拟和试验结果表明,所提的分步正则化方法能够有效实现复合材料层合板损伤识别,同时探究了噪声污染、模态阶次对识别结果的影响。

不完整模态数据下基于布谷鸟算法的结构损伤识别研究

鉴于安装在结构上的少量传感器难以获得完整的模态数据,文章提出一种使用不完整模态数据来定位和量化结构损伤的有效方法。首先,采用一种改进的缩聚系统方法来匹配有限元模型和实际测量中的自由度差异,从而解决模态空间不完整性问题。然后,利用不完整模态数据获得的结构柔度矩阵计算结构的静态位移。最后,利用结构的静态位移建立损伤优化函数,并采用布谷鸟算法进行求解。通过数值模拟和试验验证了所提方法的有效性和鲁棒性。数值和试验结果表明,在测量传感器数量有限的情况下,所提出的损伤识别方法仍具有高效且稳定的性能。

基于相关函数和卷积神经网络的结构损伤识别

为了改善基于振动信号的结构损伤识别效果,提出一种基于相关函数和卷积神经网络相结合的结构损伤识别方法。以一铁路钢梁桥结构为例,首先通过对结构的振动响应进行自相关运算来提高振动信号的信噪比,再使用自相关样本作为卷积神经网络(convolutional neural network,CNN)的输入可以显著提高其识别精度,且当振动信号中的噪声水平越高时,自相关样本作为CNN输入的识别精度的提升效果越明显,且自相关运算具有比快速傅里叶变换(fast Fourier transform,FFT)更强的抗噪性。使用互相关函数对结构上布置的多传感器的数据进行融合,再将融合后的信号作为CNN的输入,互相关在对2个传感器数据特征有效融合的前提下可以成倍地削减数据集的维度,减少网络运算的参数量,从而减少用时提高训练效率,且互相关样本作为网络输入同样具有较高的识别精度和较强的抗噪性。

基于动响应数据特征的桥梁结构损伤识别

介绍了本征正交分解(Proper Orthogonal Decomposition,POD)的基本原理,探讨了POD在桥梁结构损伤识别中的应用。提出了基于动响应数据特征的桥梁结构损伤识别方法,该识别方法基于POD技术对桥梁结构在不同位置、不同时刻收集到的位移快照矩阵(Snapshot Matrix)进行本征正交分解,得到结构的本征正交模态(POMs),进而构造出损伤指标来识别结构的损伤位置及程度,实现了对桥梁结构损伤的多工况识别。并以保定黄花沟桥为例,通过数值模拟试验,验证了该方法的有效性,结果表明POD能够从空心板桥结构的振动响应数据中提取出结构的本质特征,并且提取过程简单、快捷,可为桥梁结构提供一种有效的损伤识别方法。

基于数字孪生和深度学习的结构损伤识别

土木工程实际结构损伤状态的时间跨度通常只占总生命周期的一小部分。为解决传统基于数据驱动的结构损伤识别方法缺乏足够多的损伤训练数据的问题,提出结合数字孪生和深度学习的结构损伤识别方法,并应用于实际工程。该方法利用数值仿真模型和在线监测数据构建结构的数字孪生,以获得不同损伤工况下结构动力响应的“大数据”;为了摆脱对外激励信息的依赖,应用经验模态分解法和传递率函数对得到的数据进行预处理;将预处理后的固有模态传递率函数数据作为深度学习的输入进行训练,实现结构的损伤识别。为验证方法的有效性,对实际结构未经训练的监测数据进行分析,结果表明,该方法泛化能力良好,能够有效识别结构损伤状况。通过数字孪生技术解决了传统方法数据匮乏的问题,不需要任何地震信息,利用固有模态传递率函数数据训练的深度神经网络仍能保持较高的损伤识别准确率,二者结合可以使工程结构健康监测更为主动、可靠、高效。

基于BP神经网络的高桩码头基桩损伤识别研究

针对高桩码头基桩的损伤识别问题,基于BP神经网络开展了损伤定位研究。传统损伤定位方法在识别过程中受到人为主观因素的干扰,且对于只有一阶模态数据的情况定位效果有限。为克服这些问题,构建了不受人为因素影响的损伤定位神经网络,以第三类损伤指标ULSC和δFC作为训练样本,实现了对基桩局部损伤的准确定位。在建立合理的高桩码头有限元模型的基础上,构建了基于BP神经网络的损伤定位模型,并使用ABAQUS模拟数据和实测振动信号数据进行训练和测试。实验结果表明,该神经网络模型具有较高的定位准确性和鲁棒性,在不同损伤工况和10%噪声水平下仍表现优异。

结合蜉蝣算法和响应面的结构静力损伤识别

提出了一种结合蜉蝣智能搜索算法和静位移响应面的结构损伤识别方法.首先构造了基于灵敏度的静力损伤识别方程残差和位移残差指标的正则化优化目标函数,然后采用人工智能领域的蜉蝣算法来识别结构单元级别的损伤.在优化过程中,为了解决静力加载点和位移测点不一致的问题,利用模型凝聚和位移扩展方法重新构建了损伤识别方程.同时,利用静位移响应面计算目标函数中的位移残差,避免了耗时的有限元计算,提高了优化效率.简支梁的数值算例结果表明,本文方法在寻优速度和精度方面均优于传统的粒子群法和差分进化算法;与单独基于静力损伤识别方程残差或位移残差指标的方法相比,识别损伤更为准确.铝合金悬臂梁损伤识别的静载实验进一步验证了本文方法的高效率和有效性.

基于损伤因子的T形梁桥横向连接构件损伤识别

近年来,装配式T形梁桥在我国广泛应用,对桥梁易损位置横向连接构件损伤识别成为关注的热点问题.将T形梁桥的横隔梁简化成等刚度桥面板,采用弹簧体系模拟横向连接构件的受力变形,考虑横向连接构件剪力、横向力和翼缘板变形的影响,提出装配式T形梁桥横向连接构件损伤因子的理论计算式.将MATLAB理论计算、ANSYS数值模拟和实验的结果进行对比,验证损伤因子的有效性,并通过7种模拟工况和3种实际工况的对比,发现荷载作用位置越接近损伤横向连接构件,损伤识别的精确度越高.

结合传递比与栈式自编码器的结构损伤识别

如何从土木结构响应数据中挖掘损伤特征并有效分类,是实现损伤模式识别的关键。为此,以框架结构为分析对象,搭建设有自编码器隐藏层和Softmax分类层的栈式自编码器网络,采用无监督联合有监督的混合学习机制;基于有限元分析获取框架不同工况下的传递比函数值,构建训练集、验证集和测试集样本;通过预训练确定自编码器隐藏层的参数值如权重和偏置值,避免网络出现过拟合;采用微调方式进一步调整预训练后的网络参数值,再结合验证集实现对网络超参数的调整;将实测传递比数据输入网络,实现对框架节点损伤的评估。结果表明:所提方法能有效进行损伤特征的提取和分类,准确识别框架节点的单、双损伤工况,相较于传统浅层神经网络具有更高的识别准确度和更好的抗噪性。

基于广义柔度曲率信息熵的板式轨道脱空损伤识别

板式轨道填充层作为轨道结构关键部位,在高频列车荷载和环境共同作用下出现脱空损伤,引起脱空位置轨道结构刚度改变。为有效检测板式轨道的轨道板脱空情况,采用数值仿真分析得到无砟轨道模态信息,利用轨道脱空区域广义柔度曲率局部峰值进行轨道脱空损伤识别。结合广义柔度、均匀荷载面(Uniform load surface, ULS)、曲率和局部信息熵,提出可定位损伤的ULS曲率信息熵,并在CRTS III板式轨道上进行验证。研究结果表明:广义柔度曲率利用轨道脱空前后模态信息计算轨道脱空损伤曲率差,能够有效定位脱空位置;ULS曲率信息熵表征值只需要轨道的一阶模态信息便能够有效地反映轨道脱空位置及面积,且克服了广义柔度曲率需要健康模态信息的不足;轨道对称位置上相同面积脱空的ULS曲率信息熵值相同;ULS曲率信息熵值与脱空面积和厚度成正相关关系;ULS曲率信息熵表征值具有较好的损伤识别敏感性,能够识别小于单个测点布置面积的0.1 m×0.1 m小面积脱空,并且对轨道板边脱空识别敏感性高于轨道板中脱空识别敏感性。

基于模态柔度曲率的砖石古塔损伤识别研究

损伤识别是结构性能评估的有效途径之一,砖石古塔的模态柔度曲率是进行损伤识别的有效参数之一。为研究古塔结构损伤机制与模态柔度曲率的关系,依据兴教寺窥基塔结构模型振动台试验及数值模拟结果,分析周期性荷载作用下塔体动力响应及破坏特征,建立了塔体损伤程度与模态参数的关系模型。结果表明,古塔结构开裂破坏后,刚度减小,模态柔度曲率增大;数值计算与试验测试所得加速度及频域响应规律一致,塔体模型结构试件的开裂损伤随加载工况增多而持续累积,加载前期损伤参数变化缓慢,而后保持稳定,试验及模拟所得塔体的破坏过程一致。因此,塔体模态柔度曲率变化与古塔结构损伤累积具有一致性,可用于有效可靠识别砖石古塔结构损伤识别。

基于模型嵌入循环神经网络的损伤识别方法

目前,绝大多数基于深度学习的结构损伤识别方法依靠深度神经网络自动提取结构的损伤敏感特征,并通过损伤状态之间特征的差异实现模式分类识别.然而,这些方法面临着损伤量化难度大的挑战,并且需要大量的模型训练数据.本文提出基于模型嵌入循环神经网络(Model-Embedding Recurrent Neural Network,MERNN)的损伤识别方法.首先,通过数据驱动的卷积神经网络(Convolutional Neural Network,CNN)建立荷载-响应之间的映射关系,然后,利用龙格库塔法改进传统的循环神经网络,建立基于循环神经网络架构的数值计算单元.最后,基于结构响应计算值与实测响应残差构成的损失函数与神经网络的自动微分机制来实现结构刚度参数的更新,进而实现结构损伤识别.数值模拟框架与实验室的3层剪切型框架的损伤识别结果表明,本文提出的方法能基于少量响应数据准确量化结构损伤.

基于Inception-BiLSTM和迁移学习的结构损伤识别

针对传统卷积神经网络(convolutional neural network,CNN)方法在时空特征提取存在不足,提出了一种改进的Inception与双向长短期记忆(bi-directional long short-term memory,BiLSTM)联合模型,以全面学习振动信号中的空间和时序信息。首先,构建具有多尺度感受野的Inception模块,自适应地提取不同尺度下的空间特征;其次,BiLSTM序列化处理时间特征,以深度挖掘时间相关性;最后,通过全局平均池化和Softmax分类器来实现钢框架结构的损伤识别。为评估该模型对噪声的鲁棒性,引入高斯白噪声作为干扰。此外,采用迁移学习策略来评估模型在不同强度激励和小样本下的泛化能力,确保适用于不同的损伤识别任务。结果表明,与传统的CNN方法相比,该模型在无噪声条件下及信噪比超过25 dB时保持了100%的识别精度。该方法解决了土木工程应用中样本量不足和不同强度激励的实际挑战。通过微调预训练模型的参数,实现了在不同强度激励和小样本情况下的知识迁移与泛化,从而增强了模型的实际适用性。

结合深度信念记忆网络的结构损伤识别

从结构响应信号中挖掘敏感损伤特征是基于模式分类的损伤识别方法的关键。为此,将深度信念网络和长短期记忆网络进行混合组网,通过混合学习机制有机结合了两种网络在高阶抽象特征提取和考虑数据序列相关性上的优点。将响应信号传递比值输入深度信念网络,实现初步数据压缩和特征提取,以减少响应中的冗余信息;将特征序列依次输入长短期记忆网络,以考虑响应间的相关性并获取敏感损伤特征;利用Softmax分类层对长短期记忆网络输出的特征进行分类,实现对不同结构损伤模式的识别。三维试验钢框架的损伤识别结果表明:混合学习机制能更好地训练网络参数,整体微调后更有利于后续的损伤特征分类;混合组网方式在包含数值或实测噪声的情况下仍可以有效进行数据压缩、特征提取和分类,准确识别了试验框架的多种损伤工况。

基于AE-BP模型的杨木胶合板应力损伤识别

【目的】利用声发射(AE)技术对应力损伤全过程中的杨木胶合板进行无损检测,并利用BP神经网络对AE检测结果进行识别,以提高胶合板损伤检测精度。【方法】以市场占有量较高的托盘用杨木胶合板作为研究对象,在联合AE和应力损伤试验过程中,提取6个AE特征参数,利用声发射RA-AF联合分析法区分杨木胶合板产生裂纹的类型,采用K-均值聚类分析方法确定损伤演化程度和AE特征参数之间的对应关系,利用BP神经网络建立损伤识别模型,并对识别网络进行测试训练。【结果】AE信号幅度和上升时间可有效地表征杨木胶合板应力损伤从微裂纹萌生、产生宏观裂纹至完全断裂的损伤演化过程;通过RA-AF联合分析发现:杨木胶合板在应力损伤试验第一阶段主要为剪切破坏损伤,第二、三阶段主要为拉伸破坏损伤;通过K-均值聚类分析发现损伤类型与AE峰值频率之间的存在较强对应关系,可有效的表征不同的损伤类型:在31 kHz内为基体开裂,在31~100 kHz内为脱胶分层,大于100 kHz为纤维断裂;构建AE-BP神经网络模型对应力损伤类型训练样本的拟合优度是95.94%,测试集的拟合优度是98.89%,模型总拟合优度是96.51%,网络训练效果较好。【结论】在应力承载AE监测过程中,通过构建AE-BP模型,可对杨木胶合板产生的未知损伤进行有效检测并准确识别。

基于振动传递率的层合板局部脱层损伤识别研究

为简单准确测出层合板结构的局部脱层损伤位置,提出了一种基于振动传递率函数稀疏化的局部脱层损伤识别方法。文章设计了含脱层GFRP层合板受迫振动的实验方案,并采集板面多点加速度响应数据,利用数据构建振动传递率函数图谱,选取局部稳态频段利用L1范数稀疏化提出脱层损伤指标TD;分析不同脱层位置,不同脱层程度对脱层损伤指标TD的影响。结果表明,该损伤识别指标TD的分布与实际试件脱层损伤的分布吻合性好,利用此指标可进行层合板脱层位置和脱层损伤识别,具有很好的工程应用价值。