基于卷积神经网络和交叉模型交叉模态方法的钢框架两阶段损伤识别研究

在结构损伤识别领域中,交叉模型交叉模态方法(CMCM)在求解含噪声的损伤识别问题时,受到系数矩阵不稳定的影响,往往导致损伤识别结果的精度下降。为了解决这一问题,提出了一种两阶段的损伤识别方法,旨在减少CMCM方法系数矩阵的冗余方程,提高CMCM方法的计算性能和噪声鲁棒性。首先,在第一阶段,通过卷积神经网络(CNN)进行结构损伤定位,以消除CMCM方法系数矩阵的冗余方程。其次,在第二阶段,求解已缩减的CMCM系数矩阵方程,得到更准确的损伤识别结果。通过数值和试验研究,验证了所提出的两阶段损伤识别方法的有效性,与传统的CMCM方法相比,所提方法在求解含噪声的损伤识别问题时,显著提高了损伤识别精度。

基于CMCM方法的钢管混凝土框架结构损伤识别

设计一个比例为1∶4的4层钢管混凝土带楼板的空间框架结构模型,通过柱端钢管切口损伤来模拟震后钢管混凝土框架结构损伤,进行脉冲激励模态试验,得到健康状态和损伤状态结构的模态参数。数值模拟对应试验工况下的损伤位置和损伤程度并得到相应的模态参数。通过交叉模型交叉模态(Cross Model Cross Mode,简称CMCM)方法对钢管混凝土框架结构进行损伤识别研究,验证CMCM方法的可行性和有效性。