局部随机点蚀钢构件的卷积神经网络损伤智能识别

海洋等结构服役环境引起的点蚀会对钢结构的安全产生影响,而点蚀形式具有较强的多尺度多参数随机性。为在实际工程中对点蚀进行有效检测与损伤识别,基于卷积神经网络,结合试验研究、数值模拟、理论分析,对钢构件的局部随机点蚀进行系统研究。选用多参数局部随机点蚀数值模型,在遵循点蚀坑深度的分布模型、点蚀坑的直径时变模型的前提下,对点蚀坑的位置分布进行边界限制和交叉限制,利用Python实现点蚀坑在尺寸、位置和数量等方面的随机性,使Abaqus能够批量生成锈蚀位置和锈蚀率各不相同的钢板有限元模型,进行运算分析,得到各有限元模型的振型样本。之后,以有限元模型作为试验原型,将数值试验得到的大量前6阶振型样本作为数据集,用于建立、训练一种适用于损伤位置识别的卷积神经网络模型,并使用有限元数据集对模型的精度进行验证。最后,采用足尺试验的振型结果进一步验证卷积神经网络模型的精度。研究表明,该模型充分考虑了点蚀在形状参数和位置坐标等方面的随机性,参数合理,接近现实中的实际点蚀情况,识别准确率较高,在数值试验中点蚀损伤识别到真实区域及其相邻区域的准确率高达95.9%,在足尺试验中的准确率达到81.2%,能满足钢构件智能损伤识别实际应用的精度需求。