钢筋混凝土框架结构地震损伤的识别与试验分析

通过单层及多层钢筋混凝土框架模型的地震损伤模拟试验，揭示了钢筋混凝土结构地震损伤与动力特性变化的关系；概据损伤力学方法，建立了利用可识别参数的地震损伤模型；提出了结构损伤状态参数的识别方法和以上此为基础估计结构地震损伤的方法，从而为钢筋混凝土框架结构的震后损伤识别和修得加固提供了理论依据。     

基于提升小波的框架结构损伤识别研究

提升小波分析方法可以将信号按任意精度进行分解,具有优越的时、频局部化性能。文中在提升小波分析基础上提出了框架结构的损伤检测和识别方法。首先将结构加速度响应信号进行提升小波变换,然后采用单支重构的方法获取细节信号,通过细节信号的突变特征识别结构损伤情况,并用悬臂梁的数值模拟和三层框架模型结构试验验证了所提出方法的实用性。     

基于BP神经网络的网格结构损伤识别与试验研究

针对网格结构中杆件数量众多,但节点数总是远远小于杆件数的特点,损伤识别中采用了基于BP神经网络技术和面向节点的损伤初步定位方法的网格结构损伤识别的三步法。对双层柱面网壳结构模型在不同杆件去掉时的四种损伤情况下的振动特性进行了实测,并以实测低阶模态的频率变化率和少数测点的振型分量作为神经网络输入参数,对模型的各种损伤情况进行了识别。结果表明,所用的方法可以精简神经网络的结构,并提高其模式识别的能力。该方法可用于对大型复杂结构的损伤识别。     

基于振型曲率演化法的RC框架结构地震损伤识别

为快速识别地震导致的框架结构损伤,采用一种新的损伤识别方法,即振型曲率演化法。该方法采用S变换对结构顶部的加速度进行分析,进而得出地震前与地震期间的两个重要时刻,然后通过计算这两个时刻的振型曲率差识别结构薄弱层位置。为验证该方法的合理性和有效性,以6层3跨RC框架结构为例,在不同地震波和不同调幅工况下,分别对比振型曲率演化法与单参数层间位移角、双参数损伤指数两种损伤指标识别的结构薄弱层位置。在此基础上进一步研究了振型曲率差与两种损伤指标之间的相关性,并建立了线性关联模型来识别薄弱层损伤程度。结果表明：振型曲率演化法与两种损伤指标在不同地震工况作用下识别的薄弱层有很好的一致性,说明该方法能够准确识别结构薄弱层位置。振型曲率差与两种损伤指标之间的拟合公式的相关系数均在0.8以上,相关性都很高,通过分析这种相关性,可以利用振型曲率差获得结构薄弱层的损伤程度。     

基于BP神经网络的空间索杆结构节点损伤识别研究

针对某实际空间索杆结构的节点损伤现象,采用BP神经网络与基于振动的损伤识别两步法对其进行了识别研究,即首先确定可能发生节点损伤的子区域,在此基础上利用对应子区域的子网络识别出具体的损伤位置和程度。识别过程中采用两个杆单元模拟发生节点损伤的杆件,用抗弯刚度降低的端部短杆单元模拟节点损伤。研究表明,虽然空间索杆结构的动力性能较为复杂,但基于结构固有频率和模态位移的组合指标对节点损伤仍较为敏感,利用它们进行节点损伤识别是有效的。     

框架结构损伤识别的改进直接解析法

在一般直接解析法的基础上进行模态截尾误差的改进,从而大大降低了测量模态数目,而且识别效果也很好,但迭代次数多且收敛比较慢,本文通过改进方程解法来提高其速度。作者将约束最小二乘法迭代迅速的特点和极小最小二乘法搜索寻优功能相结合,提出了一种混合迭代求解方法,改进的方法充分组合了一般方法的搜索能力强和约束最小二乘法求解精度高的优点,从而解决了改进模态截尾误差后迭代收敛慢的问题。通过对五层两跨的平面框架结构进行损伤识别数值模拟分析后表明改进的方程解法是有效的,与一般的方法相比,算法收敛速度明显加快,求解精度明显提高,验证了改进后方法的可行性与准确性。     

基于BP神经网络的空间索杆结构承重索损伤识别研究

针对某实际空间索杆结构的承重索预应力松弛现象,采用BP神经网络与基于振动的损伤识别方法,分别对单榀承重索和双榀承重索的预应力松弛进行了识别研究。研究表明,虽然空间索杆结构的动力性能较为复杂,但归一化后的结构前10阶固有频率变化比和归一化后的对应结构第一阶模态的部分节点的损伤信号指标对承重索的损伤位置较为敏感,利用其进行损伤定位是可行的。在此基础上,再增加考虑结构的第一阶同有频率平方变化比即可进一步有效识别出承重索的损伤程度。     

增设落地剪力墙对框架结构地震剪力分配的影响研究

为研究地震作用下钢筋混凝土框架结构倒塌机理,验证基于内力分配得到的抗倒塌措施的合理性,设计2组缩尺比例为1∶4的框架结构模型并开展振动台对比试验,单次双向输入地震动峰值加速度为1.0 g,分析地震作用下填充墙-框架结构变形模式和破坏特点,对比分析有、无落地剪力墙框架结构柱间内力分配规律。研究结果表明,填充墙影响框架结构整体变形及柱破坏模式,横向满砌填充墙约束结构扭转变形,即使在双向地震作用下,偏心结构也未发生扭转;由于窗下半高连续填充墙的约束作用,窗间柱抗侧刚度变大,在地震作用下承担的地震剪力是不受半高连续填充墙约束柱的6～8倍;设置落地剪力墙可优化底层柱间地震剪力分配,使框架柱地震剪力分配趋于均匀,避免结构因“凝震聚力”而发生倒塌,实现“大震不倒”。     

多层及高层框架结构地震损伤诊断的神经网络方法

本文提出了强震后多层及高层框架结构地震损伤诊断的神经网络方法。文中在提出有结点损伤的梁柱有限元刚度矩阵的基础上，建立了有结点损伤框架结构的有限元模型。通过完好结构和有损伤结构的有限元分析，获取二者应变模态差值作为损伤标识量，并输入径向基（RBF）神经网络进行训练，得到了框架结构结点损伤诊断的神经网络系统。数值仿真分析结果表明，此神经网络可以对多层及高层框架结构结点各种程度的损伤做出成功诊断。     

基于BP神经网络的单人步行荷载参数识别

步行荷载模型的参数识别是准确重构步行荷载的前提.通过试验得到单人不同步频下的步行荷载加速度时程,经过傅里叶变换得到步行荷载频谱,获得各阶动载因子与实际步频.基于包含亚谐分量的步行荷载傅里叶级数模型,提出均匀试验设计与BP神经网络相结合的相位角识别方法,进而重构步行荷载.结果表明,提高均匀试验设计的水平数可以提高相位角的...     

基于BP神经网络模型的多层砖房震害预测方法

针对传统的基于地震烈度的建筑物震害预测方法的不足,本文以地震动峰值加速度作为建筑物震害预测的地震动指标,结合几次大地震中多层砖房的震害实例,提出了一种基于BP神经网络模型的建筑物震害预测方法,模型的输入为反映结构抗震性能的各类物理参数,输出为给定地震动峰值加速度下建筑物破坏状态的概率。研究表明:基于BP网络模型的多层砖房的震害预测结果与震害实例的实际情况比较吻合,本文的思路和方法可推广于其他不同类型的建筑结构的震害预测。     

基于模糊神经网络和证据理论的结构损伤识别新方法

为了有效利用结构健康监测系统中的多源不确定数据,提高损伤识别的正确率,通过构造模糊神经网络(FNN)分类器,提出了一种新的概率赋值函数构造方法和数据融合损伤识别新方法.该损伤识别方法先对数据预处理,提取有效的特征参数,接着将它作为FNN的输入,构造FNN分类器,最后运用数据融合中的D-S证据理论计算出融合决策结果.为了验证所提方法的有效性,通过一个七层剪切型框架结构的数值模型,分别用单一FNN分类器和数据融合损伤识别方法进行了损伤识别和比较.研究结果表明,本文所提方法比单一决策结果更准确,具有更高的可靠度。     

输电塔法兰联结节点螺栓松动损伤诊断改进的模糊模式识别方法

本文针对输电塔架结构的损伤特点,采用优化等效的方法,建立了具有螺栓松动损伤的输电塔结构的有限元模型,同时提出了此结构螺栓松动损伤诊断基于应变模态的改进的模糊模式识别方法。通过距离贴近度与相似贴近度的双重识别,可达到对输电塔架结构螺栓松动损伤的位置和程度的诊断。对湘江输电塔架结构的数值仿真分析,表明本文提出的损伤诊断方法的结果是令人满意的,具有实际工程应用价值。     

工作状态下梁及桥梁模态与损伤识别的新方法

工作状态下桥梁结构的模态参数识别是桥梁损伤识别的重要环节,考虑桥梁检测的实用性,桥梁检测一般应建立在环境激励的基础上,已有的环境激励下模态参数识别的方法对模态频率的识别的精度较高,而对位移模态的识别则误差较大。提出了一种利用移动质量块在不同位置时对桥梁的模态频率进行多次测量,用各次测得的频率值确定位移模态的新方法,使得位移模态识别的精度接近频率识别的精度,建立了该方法的初步模型,推导了频率与位移模态关系的理论公式,并通过数值模拟对该方法的有效性进行了说明。     

基于GIS技术的钢筋混凝土框架结构震害预测系统设计

根据传统的钢筋混凝土框架结构震害预测方法，利用地理信息系统软件ArcView，研制了一套钢筋混凝土框架结构震害预测与评价系统。这一预测系统不仅适用于钢筋混凝土框架结构，而且适用于底层框架和内框架结构。     

A neural network approach for structural identification and diagnosis of a building from seismic response data

This work presents a novel procedure for identifying the dynamic characteristics of a building and diagnosing whether the building has been damaged by earthquakes, using a back‐propagation neural network approach. The dynamic characteristics are directly evaluated from the weighting matrices of the neural network trained by observed acceleration responses and input base excitations. Whether the building is damaged under a large earthquake is assessed by comparing the modal parameters and responses for this large earthquake with those for a small earthquake that has not caused this building any damage. The feasibility of the approach is demonstrated through processing the dynamic responses of a five‐storey steel frame, subjected to different strengths of the Kobe earthquake, in shaking table tests. Copyright © 2002 John Wiley & Sons, Ltd.