CN107908825A - 基于振动测量的钢筋混凝土简支梁火灾损伤识别方法 - Google Patents

Abstract

本发明涉及一种基于振动测量的钢筋混凝土简支梁火灾损伤识别方法，属于基于振动测量的损伤识别技术领域，包括如下步骤：步骤一：利用ANSYS温度场间接耦合法获取火灾损伤结构模态；步骤二：利用Block Lanczos方法进行模态分析，得出火灾损伤前后的模态参数；步骤三：构造基于SVM的训练样本的输入参数和输出参数；步骤四：SVM回归预测；步骤五：构造基于SVM的检测样本的输入参数和输出参数；步骤六：验证模型的损伤识别结果。该发明应用高效的支持向量机人工智能算法构建损伤识别网络进行识别，可以大大减少损伤精确定位时训练样本的数量，构造了自振频率与振型二者相结合的输入参数，从而使识别效果更加显著。

Description

基于振动测量的钢筋混凝土简支梁火灾损伤识别方法

技术领域

本发明涉及一种基于振动测量的钢筋混凝土简支梁火灾损伤识别方法，属于基于振动测量的损伤识别技术领域。

背景技术

火灾下结构损坏甚至倒塌是造成人员伤亡的原因之一，更是造成直接和间接经济损失的主要原因。结构损伤识别和健康监测技术可以探测出结构损伤的存在、位置，并预测结构剩余寿命，同时也为火灾后期结构的损伤评估及加固对策提供理论基础。可以预见，如何建立这一类结构的损伤识别算法从而能够快速准确地识别出损伤的存在、位置及程度以保证结构的安全将具有重大的工程意义。国内外对常温下结构振动特性的研究以及工程应用较多，但是对建筑物在火灾作用下的振动监测研究尚不多见。

传统的损伤检测方法很多，但均有所不足。例如过于依赖技术人员的经验，对建筑物有一定的损伤，效率低等。大部分基于振动测量的损伤识别方法都没有考虑振型的影响，且针对混凝土简支梁模型损伤识别的研究较少，传统方法存在数据爆炸、收敛效果不明显等缺陷，抗噪声能力差。

发明内容

本发明的目的在于克服现有火灾损伤识别方法存在的上述缺陷，提出了一种基于振动测量的钢筋混凝土简支梁火灾损伤识别方法，采用自振频率与振型二者相结合的输入参数，运用支持向量机(SVM)人工智能算法构建损伤识别网络，具有较强的鲁棒性和容错性，大大减少了损伤精确定位时训练样本的数量，避免了所谓的“维数灾难”，有效克服神经网络的局部极值问题，效率显著提高。

本发明是采用以下的技术方案实现的：

步骤一：利用ANSYS温度场间接耦合法获取火灾损伤结构模态；

间接耦合法是按照顺序进行两次或更多次的相关场分析。它是通过把第一次场分析的结果作为第二次场分析的载荷来实现两种场的耦合，将热分析得到的节点温度作为“体力”载荷施加在后续结构场模态分析中来实现耦合的。在实用问题中，这种方法比直接耦合要方便一些，因为分析使用的是单场单元，不用进行多次迭代计算。通过将温度荷载施加到结构场中，利用ANSYS模态分析，可获得各火灾时刻下钢筋混凝土简支梁的模态参数。

步骤二：利用Block Lanczos方法进行模态分析，得出火灾损伤前后的模态参数；

步骤三：构造基于SVM的训练样本的输入参数和输出参数；

输入参数采用频率与振型的组合参数：

A＝{FR₁,FR₂,…,FR_m；MO₁,MO₂,…,MO_n}

式中：

m：损伤识别所用频率阶数，

n：损伤识别所用振型阶数，

FR_i：损伤识别所用第i阶频率，

为第i阶模态对应q个测试自由度归一化振型向量，计算式为：

第i阶模态对应于j个测试自由度分量。

构造组合参数A时，需注意以下原则：考虑到实际工程，结构动力响应测试数据具有随机性强、幅值较小、容易被噪声污染等特点。为保证测试有效性，m≤4，n≤4。

考虑到RBF核函数具有较好的曲线拟合、函数逼近能力，本申请采用RBF函数作为核函数实现非线性系统到高维空间的映射。

输出参数采用各跨受火时间：

T＝{t₁,t₂,…,t_k}

k：梁结构跨数

t_i：梁结构第i跨受火时间。

步骤四：SVM回归预测；

凭借SVM做回归预测时，需要调节惩罚参数c和核函数g才能得到比较理想的预测效果。关于SVM参数的优化选取，是让c和g在一定范围内取值，划定取值精度，验证其均方误差MSE值，选取MSE最低的验证分组c和g作为最佳的参数。可能最终结果会有多组的c和g对应较低的MSE，这种情况通常的处理方法是同等条件选取较小的c，这样做的理由是过高的c会导致过学习状态发生，即训练样本MSE很低，测试样本MSE较高。

步骤五：构造基于SVM的检测样本的输入参数和输出参数；

为考虑测量噪声的影响，在检测样本施加不同程度的正态分布的随机白噪声，具体模拟公式如下：

有噪声时的模态参数

γ_i：无噪声时的模态参数

ε_i：正态分布的随机数(其值为0，均方值为1)

p：测试样本上所加噪声大小。

步骤六：验证模型的损伤识别结果。

采用以下收敛原则衡量模型的损伤识别效果：

假定表示实际测量的自振频率，表示实际测量的振型矢量，表示理论预测的自振频率，表示理论预测的振型矢量，

其中是频率变化率，是模态置信准则，当越趋近于0，越接近1时，意味着有限元模型和实际模型的模态相关性越好。

本发明的有益效果是：

(1)该发明应用高效的支持向量机人工智能算法构建损伤识别网络进行识别，可以减少损伤精确识别时训练样本的数量，从而解决了传统方法存在数据爆炸、收敛效果不明显等缺陷，增强损伤定位的实用性，并提高了诊断效率；

(2)该发明应用高效的支持向量机人工智能算法构建损伤识别网络，在选择输入参数时除考虑自振频率外，还考虑了对结构损伤更为敏感的振型，构造了自振频率与振型二者相结合的输入参数，从而使识别效果更加显著。

附图说明

图1是本发明的实现流程图。

具体实施方式

在简支梁的火灾损伤识别试验中，频率、振型采用前两阶，模态测点选取为简支梁跨度的4等分点。

根据已有相关城市的火灾统计资料可以得知，火灾持续时间在2h内被扑灭的火灾总数占95％，火灾持续时间在1.5h内被扑灭的火灾总数占88％，火灾持续时间在1h内被扑灭的火灾总数占80％。据以上统计资料，将受火时间定位在60～150min比较合理，可将火灾总数基本覆盖。为保证选取检测样本的均匀性，选取火灾时刻为60min、90min、120min、150min。

简支梁火灾下两组SVM损伤识别试验结果如表1和表2所示，试验的实际升温曲线与ISO-834存在差距，为实现结构损伤等效，引入等效爆火时间，等效爆火时间为与实际升温曲线下方的面积相等的标准升温曲线所对应的时间。

表1简支梁火灾下SVM损伤识别试验结果

表2简支梁火灾后SVM损伤识别试验结果

从表中可以看出意味着有限元模型和实际模型的模态相关性好，损伤识别结果好。

当然，上述内容仅为本发明的较佳实施例，不能被认为用于限定对本发明的实施例范围。本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的均等变化与改进等，均应归属于本发明的专利涵盖范围内。

Claims (7)

1.一种基于振动测量的钢筋混凝土简支梁火灾损伤识别方法，其特征在于：包括以下步骤：

步骤一：利用ANSYS温度场间接耦合法获取火灾损伤结构模态；

步骤二：利用Block Lanczos方法进行模态分析，得出火灾损伤前后的模态参数；

步骤三：构造基于SVM的训练样本的输入参数和输出参数；

步骤四：SVM回归预测；

步骤五：构造基于SVM的检测样本的输入参数和输出参数；

步骤六：验证模型的损伤识别结果。

2.根据权利要求1所述的火灾损伤识别方法，其特征在于：还包括在步骤五所述的检测样本施加不同程度的正态分布的随机白噪声的操作，具体模拟公式如下：

<mrow> <mover> <msub> <mi>&amp;gamma;</mi> <mi>i</mi> </msub> <mo>~</mo> </mover> <mo>=</mo> <msub> <mi>&amp;gamma;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <msub> <mi>&amp;epsiv;</mi> <mi>i</mi> </msub> <mi>p</mi> <mo>)</mo> </mrow> </mrow>

有噪声时的模态参数

γ_i：无噪声时的模态参数

ε_i：正态分布的随机数(其值为0，均方值为1)

p：测试样本上所加噪声大小。

3.根据权利要求1所述的火灾损伤识别方法，其特征在于：步骤三所述的输入参数采用频率与振型的组合参数：

A＝{FR₁,FR₂,…,FR_m；MO₁,MO₂,…,MO_n}

式中：

m：损伤识别所用频率阶数，

n：损伤识别所用振型阶数，

FR_i：损伤识别所用第i阶频率，

为第i阶模态对应q个测试自由度归一化振型向量，计算式为：

第i阶模态对应于j个测试自由度分量。

4.根据权利要求1所述的火灾损伤识别方法，其特征在于：步骤三中的训练样本采用RBF函数作为核函数实现非线性系统到高维空间的映射。

5.根据权利要求1所述的火灾损伤识别方法，其特征在于：步骤四中SVM参数的选取原则是：在多组满足条件的惩罚参数c和核函数中选取较小的c。

6.根据权利要求1所述的火灾损伤识别方法，其特征在于：步骤五所述的输出参数采用各跨受火时间：

T＝{t₁,t₂,…,t_k}

k：梁结构跨数

t_i：梁结构第i跨受火时间。

7.根据权利要求1所述的火灾损伤识别方法，其特征在于：步骤六采用以下收敛原则衡量模型的损伤识别效果：

假定表示实际测量的自振频率，表示实际测量的振型矢量，表示理论预测的自振频率，表示理论预测的振型矢量，

其中是频率变化率，是模态置信准则，当越趋近于0，越接近1时，意味着有限元模型和实际模型的模态相关性越好。