欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022103002709
申请人: 郑州大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法,其特征在于,包括以下步骤:(1)在桥梁跨中位置处设置挠度测点,测得结构损伤前后主梁跨中的位移影响线;

(2)对结构损伤前后的位移影响线作差,得到其位移影响线差曲线并求得该曲线的曲率,根据位移影响线差曲率曲线的变化趋势初步定位桥梁结构的损伤区域;

(3)在该区域内布置传感器,获取单位荷载作用下的位移响应信号,对该信号进行小波包分解,收集小波包总能量,进一步计算得到其小波包能量相对变化率(RES)。绘制RES变化曲线,根据曲线的变化情况对桥梁结构损伤位置进行精确定位;

(4)采用遗传模拟退火算法对BP神经网络进行优化,对优化后的BP神经网络进行训练,并利用测试样本对其进行测试。对构建的BP神经网络进行评价与修正,获得训练完成的优化BP神经网络;

(5)将桥梁结构损伤位置处的RES数据输入到训练好的优化BP神经网络,得到其损伤程度,最终实现桥梁结构损伤位置与损伤程度的识别。

2.根据权利要求1所述的一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法,其特征在于:步骤(2)中,计算测点位置处损伤前后位移影响线差:Δωi=ωd‑ω0

其中:ω0为测点位置损伤前的位移影响线,ωd为测点位置损伤后的位移影响线,Δωi为测点位置处损伤前后的位移影响线差。

绘制出测点位置处的位移影响线差曲线,根据位移影响线差曲线的变化情况,初步识别桥梁结构损伤位置。

3.根据权利要求1所述的一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法,其特征在于:步骤(2)中,为使桥梁结构损伤位置的识别效果更佳,计算权利2所得位移影响线差的曲率。权利2中设某测点S处的位移影响线差为Δωi,采用中心差分法求解位移影响线差曲率k为:其中:下标i为移动荷载加载在节点上的节点号,k为移动荷载作用于i节点位置的位移影响线差曲率,ε为节点i‑1到节点i的间距与节点i到节点i+1间距值的平均值。

绘制位移影响线差曲率曲线,根据位移影响线差曲率曲线的变化情况,初步识别桥梁结构损伤位置。

4.根据权利要求1所述的一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法,其特征在于:步骤(3)中,将传感器所收集到的信号x(t)进行小波包分解,得:其中: 为小波包系数,i,r,j分为尺度指标,位置指标和频率指标,ψi,r,j(t)为小波包函数,是一组标准正交基,当m≠n时:对原始信号进行小波包分解得到小波系数,并对同一频带范围内的小波系数求平方和得到在这个频带上的能量分量,频带能量和为小波包总能量,此时信号的总能量为:由小波包的正交性可得:

其中:小波包组分能量Et可以认为是存储于组分信号 和的能量,Ei为结构第i频带的能量Et为小波包分解总能量,i为频带数目,j为频带内小波包系数数目。

小波包能量相对变化率(RES)是基于小波包系数的总能量变化率的损伤指标,其表示为:RES=E(t,undam)/E(t,dam)

其中,RES为小波包能量相对变化率,Et,undam为完好结构小波包总能量,Et,dam为已损伤结构小波包总能量。

根据计算所得的RES绘制出RES曲线,根据曲线的变化情况精准定位桥梁结构的损伤位置。

5.根据权利要求1所述的一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法,其特征在于:步骤(4)中,采用遗传模拟退火算法对BP神经网络进行优化,该算法可以避免网络学习陷入局部极小,其实现途径为:如果神经元的权值修改使网络的训练误差下降,则接受这次权值修改;如果权值修改使网络的训练误差增大,则以概率p(p<1)接受这次权值修改,从而使网络在该概率水平下逃逸出局部极小点,概率p以指数关系依赖于网络温度T,表示为:‑ΔE/T

p=e

其中,ΔE是网络的训练误差。

采用遗传模拟退火算法对BP神经网络进行优化的主要步骤为:

步骤1、设定三层前向神经网络的输入节点r、隐含层节点h、输出节点c、初始温度T0、退火次数Num、退火个体数N;

步骤2、在[0,1]范围内随机产生p条染色体,得到初始种群,并设初始进化代数L=0;

步骤3、由设定的选择概率按选择机制对个体选择;

步骤4、由自适应交叉概率按交叉算子进行交叉操作;

步骤5、由自适应变异概率按变异算子进行变异操作;

步骤6、把由步骤3、4、5得到的个体放到一起作为中间种群;

步骤7、计算中间种群的适应度,将适应度大的个体分别进行模拟退火Num次;

步骤8、将模拟退火后得到的N个最好的个体替代中间种群中取出的N个个体,组成新种群;

步骤9、如果进化代数小于预先设定的最大遗传代数,令L=L+1,转步骤3,否则,终止网络的训练,选出最优个体,则进行第10步;

步骤10、将最优个体按顺序拆分,作为BP网络的最优权值;

步骤11、输入与训练样本集模式相一致的预测样本,得到预测值,并计算出相对误差。

最后获得由遗传模拟退火算法优化后的BP神经网络。

6.根据权利要求1所述的一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法,其特征在于:步骤(4)中,对由遗传模拟退火算法优化后的BP神经网络进行训练的主要步骤为:1)确定神经网络模型的拓扑结构;2)确定神经网络模型的输入层、输出层、隐含层层数及各隐含层所包含的神经元个数;3)选用控制截面的RES作为神经网络模型的输入层数据,以控制截面对应的损伤程度作为输出层数据,把得到的损伤识别指标RES值作为训练集样本数据,建立训练集样本数据库;4)将训练集样本数据库中的数据RES作为训练样本,对神经网络进行训练;5)达到目标精度后训练停止,获得训练完成的BP神经网络。

7.根据权利要求1所述的一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法,其特征在于:步骤(5)中,将桥梁结构的损伤指标RES数据输入到训练完成的优化BP神经网络中,分析各训练网络计算损伤程度的预测能力。预测集样本数据经过网络分析后,可以得到损伤位置的损伤程度输出值,绘制损伤程度预测图,实现桥梁结构损伤位置处的损伤程度识别。