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。     

System identification of a building from multiple seismic records

This paper describes the identification of finite dimensional, linear, time‐invariant models of a 4‐story building in the state space representation using multiple data sets of earthquake response. The building, instrumented with 31 accelerometers, is located on the University of California, Irvine campus. Multiple data sets, recorded during the 2005 Yucaipa, 2005 San Clemente, 2008 Chino Hills and 2009 Inglewood earthquakes, are used for identification and validation. Considering the response of the building as the output and the ground motion as the input, the state space models that represent the underlying dynamics of the building in the discrete‐time domain corresponding to each data set are identified. The time‐domain Eigensystem Realization Algorithm with the Observer/Kalman filter identification procedure are adopted in this paper, and the modal parameters of the identified models are consistently determined by constructing stabilization diagrams. The four state space models identified demonstrate that the response of the building is amplitude dependent with the response frequency and damping, being dependent on the magnitude of ground excitation. The practical application of this finding is that the consistency of this building response to future earthquakes can be quickly assessed, within the range of ground excitations considered (0.005g–0.074g), for consistency with prior response—this assessment of consistent response is discussed and demonstrated with reference to the four earthquake events considered in this study. Inclusion of data sets relating to future earthquakes will enable the findings to be extended to a wider range of ground excitation magnitudes. Copyright © 2010 John Wiley & Sons, Ltd.     

Modal identification of structures from ambient vibration,free vibration,and seismic response data via a subspace approach

This work presents a unified procedure for determining the natural frequencies, modal damping ratios and modal shapes of a structure from its ambient vibration, free vibration and earthquake response data. To evaluate the coefficient matrices of a state‐space model, the proposed procedure applies a subspace approach cooperating with an instrumental variable concept. The dynamic characteristics of a structure are determined from the coefficient matrices. The feasibility of the procedure is demonstrated through processing an in situ ambient vibration measurement of a five‐storey steel frame, an impulse response measurement of a three‐span continuous bridge, and simulated earthquake responses of five‐storey steel frames from shaking table tests. The excellent agreement of the results obtained herein with those published previously confirms the feasibility of the present procedure. Copyright © 2001 John Wiley & Sons, Ltd.     

Control of structural seismic response by self-recurrent neural network (SRNN)

A new paradigm called self-recurrent neural network (SRNN) is proposed. Two SRNNs are utilized in a control system, one as an emulator and the other as a controller. To guarantee convergence and for faster learning, an approach using adaptive learning rate is developed by Lyapunov function. Finally, the neural network control algorithm is developed for on-line control of structural seismic response in real time. Simulation-results have shown that it can effectively control structural seismic response and make it consist with the desired response. © 1998 John Wiley & Sons, Ltd.     

遗传优化神经网络方法在桥梁震害预测中的应用

本文将遗传算法与神经网络相结合,从而建立了一种高效的、实用的桥梁震害预测方法。根据遗传算法具有局部寻优的特点,为避免BP神经网络陷入局部极小值,本文将二者结合起来形成GA-BP混合算法,以GA优化神经网络的初始权值和阈值,对网络进行训练。在大量收集梁式桥震害资料的基础上,将此算法引入桥梁的震害预测中,并与传统的单独BP神经网络相比较,结果表明该方法能够有效、准确地对桥梁结构进行震害预测。     

基于BP网络的框架结构损伤的多重分步识别理论

本文介绍了基于BP网络的框架结构损伤识别的多重分步识别方法，这一方法采取先确定有损伤的层，再确定层内有损伤的杆件最后确定损伤程度的策略，具有所需网络学习样本少和识别准确性与精度高的优越性，文中通过一个钢框架模型的模拟地震振动台试验的应用，详细说明了该方法的应用过程及有效性。     

基于卷积神经网络的智能化地震数据插值技术

地震数据通常存在数据缺失问题,严重影响地震数据各个处理环节,需采用适当的手段对其重构.本文提出了一种基于深度学习卷积神经网络(CNN)的智能化地震数据插值技术.算法的关键在于构建一个适用于地震资料插值的CNN模型,该技术以缺失地震数据作为输入层,由卷积算法提取地震数据的特征信息,并通过池化层实现数据压缩降维,同时引入修正线性函数(ReLU)提高模型的非线性表达能力,再通过反卷积层恢复数据尺寸,最终搭建卷积自编码器模型(CAE),实现数据-数据的映射关系.该模型通过残差学习获得缺失数据特征并实现重构数据输出,与现有技术相比,该方法采用自监督学习方式,利用大量数据训练卷积自编码器模型,通过所得模型实现缺失地震道的数据重构.分别利用CAE模型及POCS插值技术对模型资料和实际数据进行插值,测试结果表明,CAE能有效实现地震数据插值,且与POCS方法相比具有更高的精度,验证了算法的可行性和有效性.     

基于神经网络的结构地震反应仿真

提出了基于神经网络的结构地震反应仿真方法，探讨了仿真基本步骤中样本集的准备、目标函数的选取、网络拓扑结构的构建、隐层神经元数目的确定、训练方法的选择以及提高泛化精度的措施等若干实际问题，并通过算例分析验证了本方法的可行性。     

Tracking modal parameters from building seismic response data using recursive subspace identification algorithm

Tracking modal parameters and estimating the current structural state of a building from seismic response measurements, particularly during strong earthquake excitations, can provide useful information for building safety assessment and the adaptive control of a structure. Therefore, online or recursive identification techniques need to be developed and implemented for building seismic response monitoring. This paper develops and examines different methods to track modal parameters from building seismic response data. The methods include recursive data‐driven subspace identification (RSI‐DATA) using Givens rotation algorithm, and RSI‐DATA using Bona fide algorithm. The question on how well the results of RSI‐DATA reflect the real condition is investigated and verified with a bilinear SDOF simulation study. Time‐varying modal parameters of a four‐story reinforced concrete school building are identified based on a series of earthquake excitations, including several seismic events, large and small. Discussions on the different methods' ability to track the time‐varying modal parameters are presented. The variation of the identified building modal frequencies and damping ratios from a series of event‐by‐event seismic responses, particularly before and after retrofitting of the building is also discussed. Copyright © 2017 John Wiley & Sons, Ltd.     

基于神经网络和滤波技术的贮仓结构参数识别

利用神经网络和Kalman滤波技术,提出了一种直接识别结构物理参数的方法,用Kalman滤波技术训练网络。在贮仓振动台实验的基础上,用贮仓在动载作用下的位移、速度作为网络的输入,激振加速度和响应加速度作为网络的输出。仿真计算表明,本文方法是可行的。     

基于灰关联与人工神经网络综合评价模型的多层砖房震害预测

结合几次大地震中多层砖房的实际震害资料,基于灰关联识别方法,解析了各影响因子对多层砖房抗震性能的影响程度。以反映结构抗震性能的各类物理参数作为输入数据,以给定地震动峰值加速度下建筑物破坏状态的概率作为输出数据,采用8-6-5层结构,建立了基于BP人工神经网络的非线性模型,并对震害样本进行了训练。结果表明:利用灰关联分析,可得出各因子对多层砖房抗震性能影响程度的大小排序,有利于实际的工程抗震设计;基于BP人工神经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,其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。     

土木工程结构健康诊断中的统计识别方法综述

本文对土木工程结构健康诊断中的统计识别方法进行了综述。对统计识别中的统计系统识别方法(Bayes模型修正、随机有限元模型修正)、统计模式识别方法和概率神经网络方法的基本理论及其在土木工程结构健康诊断中的研究现状进行了论述，在此基础上提出了土木工程结构健康诊断中统计识别方法需要解决的关键问题和研究发展方向。     

基于波动理论的结构损伤识别研究进展

目前人们对于结构的使用安全越来越重视,结构在日常使用或灾后的损伤识别检测也变得尤为重要。近年来国内外对于波在结构中的传播理论进行了深入研究,基于波动理论的结构损伤识别方法也取得了一定进展。文章首先介绍波在介质中的传播以及在各种类型结构中的传播规律和传播特性,其次从基于波传播理论的结构损伤识别、基于Lamb波的结构损伤识别、波动理论和神经网络相结合、波动理论与其他技术或算法的融合4个方面对国内外基于波动理论对结构损伤识别方法的研究成果进行综述。     

基于RBF神经网络的地震与爆破识别技术

利用天然地震震源和人工爆破震源之间信号能量分布的差异,结合RBF神经网络技术,对2类事件进行分类,具体步骤如下:使用8个带通滤波器对事件波形进行滤波,并划分为4个波形段:P波、P波尾波、S波和S波尾波,分别计算每个滤波器信道和波形段的能量特征值,以所得32个特征参数作为输入向量,利用RBF神经网络,对地震和爆破事件进行分类识别。结果表明,基于RBF神经网络的地震事件识别方法,识别率为88.1%,具有较高的准确性,可作为地震与爆破事件识别的一个重要依据。     

基于多尺度卷积神经网络的结构损伤识别研究

为了利用结构振动响应的时间多尺度特征来提升卷积神经网络识别结构损伤的能力,给出了两种用于结构损伤识别的多尺度卷积神经网络,即多尺度输入和多尺度卷积核卷积神经网络.对于多尺度输入卷积神经网络,将通过下采样和滑动平均获取的具有不同时间尺度特征的振动信号输入固定尺寸卷积核的分支卷积神经网络;对于多尺度卷积核卷积神经网络,则将...     

基于深度卷积神经网络的地震数据局部信噪比估计

估计地震数据的信噪比对于地震数据的处理和解释具有重要作用.以往估计地震数据信噪比的方法都需要分离数据中的有效信号和噪声, 然后再估计相应的信噪比.这些估计方法的精度严重依赖信号估计方法或噪声压制方法的有效性, 往往存在偏差.本文提出一种估计地震数据局部信噪比的深度卷积神经网络模型, 通过迭代训练优化参数, 构建从含噪地震数据到其信噪比的特征映射.然后使用该神经网络完成信噪比的推理预测, 不需要分离地震数据中的有效信号和噪声.模拟数据和实际资料的处理结果都表明, 本文的方法可以准确而高效地估计局部地震数据的信噪比, 为地震数据质量的定量评价提供依据.

     

基于神经网络的结构震后快速损伤评估

为了利用结构地震响应观测数据在震后对结构进行损伤快速评估,本文提出了基于BP传播神经网络多参数预测震后结构损伤程度的方法。本文设计了9个不同设防烈度和层数的钢筋混凝土框架结构,利用OpenSees有限元软件进行了非线性时程分析,并用损伤指数量化了结构损伤程度。利用有限元模拟结果,创建了神经网络的数据集,训练神经网络建立了结构参数与结构损伤指数之间的映射,对比了不同参数组合预测结构损伤水平的能力,提出了最优参数组合。结果表明：此方法预测结构损伤指数准确度高,耗时短,可为建筑工程震后损伤快速评估提供支撑。     

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。     

应用人工神经元网络方法识别近震与远震

利用人工神经元网络方法,提出了一种在实时系统中识别近震与远震的算法,并用广东省台网记录的地震波形数据进行训练和测试。结果表明,该算法能准确可靠地识别远、近震,可以应用于台网的实时处理系统。     

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。