| 【中文题名】 | 神经网络在钢筋混凝土框架结构损伤检测中的应用研究 |
| 【英文题名】 | The Study of the Application of Neural Network to Reinforced Concrete Framed Structural Damage Detection |
| 【学科专业】 | 结构工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2005-8-10 |
| 【中关键词】 | 钢筋混凝土框架,损伤检测,振型曲率比,BP神经网络,输入参数, |
| 【英关键词】 | reinforced concrete framed structure,damage detection,mode shape curvature ratio,BP neural network,input parameter, |
| 【分类导航】 | 工业技术>建筑科学>建筑结构>混凝土结构、钢筋混凝土结构>钢筋混凝土结构>框架 |
| 【论文摘要】 | 钢筋混凝土框架结构由于其取材方便、造价低廉、耐久性好等优点,在国内外得到了广泛的应用。但是大量在役建筑己接近设计基准期,还有的由于超载、意外荷载等种种原因,在不同程度上受到了破损,存在着一些质量隐患。这些损伤和质量隐患有时会造成工程结构的严重破坏甚至倒塌,使国家和人民的生命和财产安全受到严重威胁。因此,加强钢筋混凝土框架结构损伤检测的研究是十分必要的。近年来,国内外许多学者一直在努力寻找能够准确进行结构损伤检测的方法,由于人工神经网络非线性映射能力强、计算速度快、具有高度的鲁棒性和容错性,非常适宜用于结构的损伤检测,因此许多学者进行了该领域的探索和研究,并取得了很多成绩,但是也存在一些问题,如神经网络类型的选定、网络输入参数的选取、训练样本数量的确定、实际测试数据不完备等。本文在分析以往研究成果的基础上,找到了一个基于曲率模态的对钢筋混凝土框架结构损伤识别有效的参数——振型曲率比。使用该参数仅需得到结构损伤前后的第一阶模态振型,然后计算出结构的振型曲率比,就可以据此识别出结构的损伤位置,并可以大致判断损伤程度。数值算例表明,该参数对于框架结构单处和多处损伤的位置和程度都可以较好的识别。作者利用ANSYS有限元... |
| 【论文题纲】 |
|
1 引言 |
7-12 |
|
1.1 论文的研究意义和目的 |
7 |
|
1.2 国内外研究现状及发展动态 |
7-11 |
|
1.2.1 常规静态损伤检测技术 |
7-8 |
|
1.2.2 基于结构动力特征参数的损伤检测技术 |
8-10 |
|
1.2.3 基于神经网络的损伤检测技术 |
10-11 |
|
1.3 本文的研究工作 |
11-12 |
|
2 结构动力检测的原理和理论 |
12-18 |
|
2.1 有限元模型及动力方程的求解 |
12-15 |
|
2.1.1 钢筋混凝土结构的有限元模型 |
12-13 |
|
2.1.2 动力方程的建立 |
13-14 |
|
2.1.3 结构振动特征方程的求解 |
14-15 |
|
2.2 结构损伤的动力检测法的基本原理 |
15-18 |
|
2.2.1 动力损伤检测的基本思想 |
15-16 |
|
2.2.2 用振型曲率比作为损伤参数的原理 |
16-18 |
|
3 振型曲率模态用于框架结构损伤检测的算例 |
18-27 |
|
3.1 用ANSYS进行模态分析 |
18-19 |
|
3.2 数值算例 |
19-27 |
|
3.2.1 单处损伤位置识别 |
19-23 |
|
3.2.2 多处损伤位置识别 |
23-25 |
|
3.2.3 对损伤程度的识别 |
25-27 |
|
4 神经网络的理论和方法 |
27-34 |
|
4.1 概述 |
27-29 |
|
4.2 神经网络的学习与计算 |
29 |
|
4.3 BP网络结构及其学习算法 |
29-32 |
|
4.4 BP网络的优缺点及改进方法 |
32-34 |
|
5 应用神经网络预测结构损伤 |
34-45 |
|
5.1 选取输入参数 |
34-35 |
|
5.2 MATLAB神经网络工具箱 |
35 |
|
5.3 神经网络的建立和训练 |
35-38 |
|
5.4 神经网络的仿真 |
38-40 |
|
5.5 训练样本的选取问题 |
40-42 |
|
5.6 含噪声样本的训练和仿真 |
42-45 |
|
6 结论 |
45-46 |
|
参考文献 |
46-50 |
|
在读期间发表的学术论文 |
50-51 |
|
作者简历 |
51-52 |
|
致谢 |
52 |
|
| 【DOI】 | LunWen.ID:2.2008.121619 |
