CN109325263A - 基于神经网络的桁架桥梁损伤位置与损伤程度识别方法 - Google Patents
基于神经网络的桁架桥梁损伤位置与损伤程度识别方法 Download PDFInfo
- Publication number
- CN109325263A CN109325263A CN201810983152.6A CN201810983152A CN109325263A CN 109325263 A CN109325263 A CN 109325263A CN 201810983152 A CN201810983152 A CN 201810983152A CN 109325263 A CN109325263 A CN 109325263A
- Authority
- CN
- China
- Prior art keywords
- damage
- neural network
- bridge
- frequency
- weight
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000006378 damage Effects 0.000 title claims abstract description 79
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 230000002068 genetic effect Effects 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 230000006735 deficit Effects 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims abstract description 10
- 210000002569 neuron Anatomy 0.000 claims abstract description 4
- 208000027418 Wounds and injury Diseases 0.000 claims description 14
- 208000014674 injury Diseases 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000004083 survival effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 abstract description 5
- 230000002787 reinforcement Effects 0.000 abstract description 2
- 229910000831 Steel Inorganic materials 0.000 description 7
- 239000010959 steel Substances 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于神经网络的桁架桥梁损伤位置与损伤程度识别方法，该方法包括：构造桥梁样本数据；利用有限元方法建立桥梁模型，获得桥梁完好及不同损伤情况下的模拟频率数据；根据桥梁完好及不同损伤情况下的模拟频率数据计算频率变化比、频率平方变化比以及频率变化率；确定网络拓扑结构：采用BP神经网络，并确定各个层所含神经元的个数同时初始化神经网络的权值和阈值；采用结合遗传算法的弹性梯度法对神经网络进行训练并利用测试样本对神经网络进行测试，获得训练好的神经网络；将桥梁的实时频率数据输入训练好的神经网络，实现桥梁的损伤位置与损伤程度识别。本发明方法计算速度快，对实际桥梁的维修加固具有较大的工程应用价值。
Description
技术领域
本发明涉及桥梁结构健康监测技术，尤其涉及一种基于神经网络的桁架桥梁损伤位置与损伤程度识别方法。
背景技术
近年来随着国民经济的飞速发展，钢材的产量与品质不断提高，钢结构在我国大型工程结构中应用越来越广泛。钢桁架桥梁以其跨径大、施工工期短且适应重载交通等优点，成为我国目前应用最为广泛的桥型之一。然而随着钢结构老化锈蚀，疲劳强度降低以及重载交通的增多，在役的钢桁架桥梁的安全状况不容乐观。于是对钢桁架桥梁进行健康监测，以及对桥梁损伤位置及损伤程度进行快速高效的识别显得尤为重要，这样不仅可以保障桥梁的安全性与耐久性，也可以为钢桁架桥梁的养护与维修提供依据。
桥梁结构健康监测是以科学的监测理论与方法为依据，采用各种适合的检测手段获取数据，对结构的主要性能指标和特性进行分析。通过分析桥梁某些特征参数的变化，来评估桥梁的健康状况。结构损伤识别的目的就是利用监测仪器对结构的主要性能指标和特性进行分析，从而判断结构是否发生损伤，这样人们就能够及早发现和处理桥梁结构安全隐患，诊断结构突发和累计损伤发生位置与程度，并对发生后果的可能性进行判断与预测。有效防止安全事故的发生，也为桥梁结构的评估以及为后期的维修养护提供依据。
由于桁架桥梁结构复杂，杆件较多，对一些隐蔽的损伤存在漏检的可能。目前国内一些学者通过测试应力、模态振型等参数来识别结构的损伤。测试应力的方法精度较高，但其对局部损伤敏感，测试工作量过大；模态振型、柔度的方法理论可行，模态振型尤其是高阶振型对局部损伤较为敏感，但对于桁架桥梁结构这种大型结构，受到各方面因素的影响，所测模态振型的误差较大，导致利用模态振型及其衍生量的损伤识别精度降低。频率是工程上经济实用、简单易获得的模态参数，测试精度也很高，是较为理想的识别因子。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于神经网络的桁架桥梁损伤位置与损伤程度识别方法。
本发明解决其技术问题所采用的技术方案是：一种基于神经网络的桁架桥梁损伤位置与损伤程度识别方法，包括以下步骤：
1)构造桥梁样本数据；利用有限元方法建立桥梁模型，获得桥梁完好及不同损伤情况下的模拟频率数据，所述不同损伤情况包括不同损伤位置与损伤程度；
2)根据桥梁完好及不同损伤情况下的模拟频率数据计算频率变化比、频率平方变化比以及频率变化率；
所述的频率变化比为：频率平方变化比为：其中，Δωi为损伤前后第i阶频率的变化，Δωj损伤前后为第j阶频率的变化；频率变化率为：ω1i为损伤前的第i阶频率；
3)将频率变化比和频率平方变化比组合参数作为BP神经网络中损伤位置识别的输入样本数据，将频率变化率作为BP神经网络中损伤程度识别的输入样本数据；使用被损伤的桁架单元的编号作为BP神经网络中损伤位置识别的输出样本数据；将损伤程度分为n类，记损伤程度由轻微到严重依次为并将该数值作为BP神经网络中损伤程度识别的输出样本数据；将输入样本数据与输出样本数据作为测试样本；
4)确定网络拓扑结构：采用BP神经网络，并确定各个层所含神经元的个数同时初始化神经网络的权值和阈值；
5)采用结合遗传算法的弹性梯度法对神经网络进行训练并利用测试样本对神经网络进行测试，获得训练好的神经网络；
6)损伤位置与损伤程度识别：将桥梁的实时频率数据输入训练好的神经网络，实现桥梁的损伤位置与损伤程度识别。
按上述方案，所述步骤1)中利用有限元方法建立桥梁模型是指利用通用有限元计算软件ANSYS建立全桥的实体有限元模型。
按上述方案，所述步骤1)中获得桥梁完好及不同损伤情况下的模拟频率数据方法如下：使用ANSYS软件对模型进行分析采用降低弹性模量的方法模拟不同位置及程度的损伤从而得到不同程度不同位置情况下的频率数据。
按上述方案，所述步骤4)中，初始化神经网络的权值阈值时采用遗传算法优化网络权值和阈值，具体步骤为：根据种群规模的不同，在一定区域内初始化神经网络权重；其次，根据遗传算法“优胜劣汰”的进化原理，以“网络误差最小”作为进化准则，经过多次迭代，最后获得一组权重，该组权重是遗传算法所能遍历的权重中网络误差最小的，是给定结构下趋于全局能量最小的权重，以这组权重作为网络训练的权重。
本发明产生的有益效果是：
1、本发明提出一种基于频率变化比和频率平方变化比组合参数作为BP神经网络的输入数据，来识别损伤的位置；采用频率变化比和频率平方变化比组合参数作为神经网络输入参数，将加速收敛速度。利用这种方法的优点是不需要模型修正等高深知识，同时计算速度快，可以在线测试。
2、采用遗传算法优化网络权值和阈值，极大提高了BP网络的训练速度。
3、通过建立不同的有限元模型，能够模拟不同桁架桥梁，该方法适用性广。
4、输出结果对实际桥梁的维修加固具有较大的工程应用价值。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例的方法流程图；
图2是本发明实施例的神经网络训练流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，基于神经网络的桁架桥梁损伤位置与损伤程度识别方法,包括以下步骤：
S1、构造样本数据。利用有限元方法建立桥梁模型,获得桥梁完好及不同损伤情况(位置+程度)下的模拟频率数据,不同损伤建模方式可采用降低不同桁架的弹性模量来实现。利用有限元方法建立桥梁模型是指利用通用有限元计算软件ANSYS建立全桥的实体有限元模型，获得桥梁完好及不同损伤情况下的模拟频率数据包括：使用ANSYS软件对模型进行分析采用降低弹性模量的方法模拟不同位置及程度的损伤从而得到不同程度不同位置情况下的频率数据。
计算频率变化比和频率平方变化比组合参数作为BP神经网络中损伤位置识别的输入样本数据，计算频率变化率作为BP神经网络中损伤程度识别的输入样本数据；使用被损伤的桁架单元的编号作为BP神经网络中损伤位置识别的输出样本数据，将损伤程度分为n类，损伤程度由轻微到严重依次为并将该数值作为BP神经网络中损伤程度识别的输出样本数据，将输入样本数据与输出样本数据作为测试样本。所述的频率变化比为：频率平方变化比为：其中Δωi为损伤前后第i阶频率的变化，Δωj损伤前后为第j阶频率的变化；频率变化率为：Δωi为损伤前后第i阶频率的变化，ω1i为损伤前的第i阶频率。
S2、确定网络拓扑结构：采用BP神经网络，并确定各个层所含神经元的个数同时初始化神经网络的权值和阈值；神经网络的层数可根据实际情况设置；
本实施例中初始化神经网络的权值阈值采用遗传算法优化网络权值和阈值。遗传算法优化网络权值和阈值具体步骤为：根据种群规模的不同，在一定区域内初始化网络权重；其次,根据遗传算法“优胜劣汰”的进化原理,以“网络误差最小”作为进化准则，经过多次迭代,最后获得一组权重,该组权重是遗传算法所能遍历的权重中网络误差最小的,是给定结构下趋于全局能量最小的权重。以这组权重作为网络训练的权重，如图2。
S3、训练及测试；采用结合遗传算法的弹性梯度法对神经网络进行训练并利用测试样本对神经网络进行测试；
神经网络训练采用数据正向传输(forwards)和误差反向(backwards)的方式进行。具体地分为一下步骤：
step1.随机初始化接近于0的权值theta。
step2.执行前向传播算法，对于有m个输入样本的x，每个x得到一个输出。
step3.通过代码计算代价函数。
step4.用反向传播算法计算代价函数的偏导。
step5.应用梯度检查法，将数值计算出的偏导数与反向传播偏导数作比较，保证正确应用了反向传播算法。检验完成后去掉梯度检查代码，因为会给程序带来额外的代价。
step6.用梯度下降或者其他更高级的优化算法来达到代价函数的最小取值，从而得到分类函数。
S4、损伤位置与损伤程度识别；将桥梁的实时频率数据输入训练好的神经网络,实现桥梁的损伤位置与损伤程度识别。
BP神经网络有多种算法,选择合适的算法对能否保证训练效果至关重要,本发明选取的为结合遗传算法的弹性梯度法,利用matlab软件采用遗传算法优化网络权值和阈值进行训练，BP神经网络的训练速度有了明显的提高。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (4)
1.一种基于神经网络的桁架桥梁损伤位置与损伤程度识别方法，其特征在于，包括以下步骤：
1)构造桥梁样本数据；利用有限元方法建立桥梁模型，获得桥梁完好及不同损伤情况下的模拟频率数据，所述不同损伤情况包括不同损伤位置与损伤程度；
2)根据桥梁完好及不同损伤情况下的模拟频率数据计算频率变化比、频率平方变化比以及频率变化率；
所述的频率变化比为：频率平方变化比为：其中，Δωi为损伤前后第i阶频率的变化，Δωj损伤前后为第j阶频率的变化；频率变化率为：ω1i为损伤前的第i阶频率；
3)将频率变化比和频率平方变化比组合参数作为BP神经网络中损伤位置识别的输入样本数据，将频率变化率作为BP神经网络中损伤程度识别的输入样本数据；使用被损伤的桁架单元的编号作为BP神经网络中损伤位置识别的输出样本数据；将损伤程度分为n类，记损伤程度由轻微到严重依次为并将该数值作为BP神经网络中损伤程度识别的输出样本数据；将输入样本数据与输出样本数据作为测试样本；
4)确定网络拓扑结构：采用BP神经网络，并确定各个层所含神经元的个数同时初始化神经网络的权值和阈值；
5)采用结合遗传算法的弹性梯度法对神经网络进行训练并利用测试样本对神经网络进行测试，获得训练好的神经网络；
6)损伤位置与损伤程度识别：将桥梁的实时频率数据输入训练好的神经网络，实现桥梁的损伤位置与损伤程度识别。
2.根据权利要求1所述的桁架桥梁损伤位置与损伤程度识别方法，其特征在于，所述步骤1)中利用有限元方法建立桥梁模型是指利用通用有限元计算软件ANSYS建立全桥的实体有限元模型。
3.根据权利要求1所述的桁架桥梁损伤位置与损伤程度识别方法，其特征在于，所述步骤1)中获得桥梁完好及不同损伤情况下的模拟频率数据方法如下：使用ANSYS软件对模型进行分析采用降低弹性模量的方法模拟不同位置及程度的损伤从而得到不同程度不同位置情况下的频率数据。
4.根据权利要求1所述的桁架桥梁损伤位置与损伤程度识别方法，其特征在于，所述步骤4)中，初始化神经网络的权值阈值时采用遗传算法优化网络权值和阈值，具体步骤为：根据种群规模的不同，在一定区域内初始化神经网络权重；其次，根据遗传算法“优胜劣汰”的进化原理，以“网络误差最小”作为进化准则，经过多次迭代，最后获得一组权重，该组权重是遗传算法所能遍历的权重中网络误差最小的，是给定结构下趋于全局能量最小的权重，以这组权重作为网络训练的权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810983152.6A CN109325263A (zh) | 2018-08-27 | 2018-08-27 | 基于神经网络的桁架桥梁损伤位置与损伤程度识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810983152.6A CN109325263A (zh) | 2018-08-27 | 2018-08-27 | 基于神经网络的桁架桥梁损伤位置与损伤程度识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109325263A true CN109325263A (zh) | 2019-02-12 |
Family
ID=65263388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810983152.6A Pending CN109325263A (zh) | 2018-08-27 | 2018-08-27 | 基于神经网络的桁架桥梁损伤位置与损伤程度识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109325263A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110427652A (zh) * | 2019-07-08 | 2019-11-08 | 河海大学 | 一种基于频率特征曲线的梁式结构损伤初步定位方法 |
| CN111373252A (zh) * | 2019-12-16 | 2020-07-03 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种桥梁损伤快速检测方法及相关装置 |
| CN111488710A (zh) * | 2020-04-01 | 2020-08-04 | 武汉理工大学 | 基于自适应woa-vmd和范围熵的结构损伤识别方法 |
| CN111967076A (zh) * | 2020-07-15 | 2020-11-20 | 哈尔滨工业大学（深圳） | 温度作用对工程结构频率影响分离方法、装置、设备 |
| CN112131781A (zh) * | 2020-08-26 | 2020-12-25 | 浙江工业大学 | 基于全连接神经网络与传递率函数的钢结构损伤检测方法 |
| CN112613224A (zh) * | 2020-11-25 | 2021-04-06 | 西人马联合测控（泉州）科技有限公司 | 桥梁结构检测模型的训练方法、检测方法、装置、设备 |
| CN112883608A (zh) * | 2021-01-27 | 2021-06-01 | 宁波工程学院 | 一种桁架桥的健康指数评估方法与系统 |
| CN113742983A (zh) * | 2021-10-09 | 2021-12-03 | 福州大学 | 基于深度自编码器神经网络的长跨结构损伤识别方法 |
| WO2022199783A1 (en) * | 2021-03-22 | 2022-09-29 | Huawei Technologies Co., Ltd. | Device and method for identifying unknown classes for artificial neural networks |
| CN115830012A (zh) * | 2023-02-08 | 2023-03-21 | 诺比侃人工智能科技(成都)股份有限公司 | 一种接触网线索损伤数据检测分析方法 |
| CN117113557A (zh) * | 2023-08-07 | 2023-11-24 | 湖北隆中实验室 | 复合材料轴管损伤识别网络的训练方法、应用方法和介质 |
| CN117592382A (zh) * | 2024-01-18 | 2024-02-23 | 高速铁路建造技术国家工程研究中心 | 一种铁路车轨桥系统动态响应预测方法、系统及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200005A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 基于神经网络的桥梁损伤识别方法 |
| CN104200265A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 一种改进的基于神经网络的桥梁损伤识别方法 |
| CN104200004A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 一种优化的基于神经网络的桥梁损伤识别方法 |
| CN106092479A (zh) * | 2016-07-28 | 2016-11-09 | 西南交通大学 | 板梁结构载荷识别和损伤识别的多功能试验台 |
-
2018
- 2018-08-27 CN CN201810983152.6A patent/CN109325263A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200005A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 基于神经网络的桥梁损伤识别方法 |
| CN104200265A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 一种改进的基于神经网络的桥梁损伤识别方法 |
| CN104200004A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 一种优化的基于神经网络的桥梁损伤识别方法 |
| CN106092479A (zh) * | 2016-07-28 | 2016-11-09 | 西南交通大学 | 板梁结构载荷识别和损伤识别的多功能试验台 |
Non-Patent Citations (2)
| Title |
|---|
| 武永彩等: "基于神经网络的平面钢桁架结构损伤识别研究", 《国外建材科技》 * |
| 韩东颖,时培明: "基于频率和BP神经网络的井架钢结构损伤识别", 《中国安全科学学报》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110427652B (zh) * | 2019-07-08 | 2022-08-19 | 河海大学 | 一种基于频率特征曲线的梁式结构损伤初步定位方法 |
| CN110427652A (zh) * | 2019-07-08 | 2019-11-08 | 河海大学 | 一种基于频率特征曲线的梁式结构损伤初步定位方法 |
| CN111373252A (zh) * | 2019-12-16 | 2020-07-03 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种桥梁损伤快速检测方法及相关装置 |
| CN111373252B (zh) * | 2019-12-16 | 2023-01-10 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种桥梁损伤快速检测方法及相关装置 |
| CN111488710A (zh) * | 2020-04-01 | 2020-08-04 | 武汉理工大学 | 基于自适应woa-vmd和范围熵的结构损伤识别方法 |
| CN111488710B (zh) * | 2020-04-01 | 2023-02-21 | 武汉理工大学 | 基于自适应woa-vmd和范围熵的结构损伤识别方法 |
| CN111967076A (zh) * | 2020-07-15 | 2020-11-20 | 哈尔滨工业大学（深圳） | 温度作用对工程结构频率影响分离方法、装置、设备 |
| CN112131781A (zh) * | 2020-08-26 | 2020-12-25 | 浙江工业大学 | 基于全连接神经网络与传递率函数的钢结构损伤检测方法 |
| CN112613224A (zh) * | 2020-11-25 | 2021-04-06 | 西人马联合测控（泉州）科技有限公司 | 桥梁结构检测模型的训练方法、检测方法、装置、设备 |
| CN112883608A (zh) * | 2021-01-27 | 2021-06-01 | 宁波工程学院 | 一种桁架桥的健康指数评估方法与系统 |
| CN112883608B (zh) * | 2021-01-27 | 2023-08-08 | 宁波工程学院 | 一种桁架桥的健康指数评估方法与系统 |
| WO2022199783A1 (en) * | 2021-03-22 | 2022-09-29 | Huawei Technologies Co., Ltd. | Device and method for identifying unknown classes for artificial neural networks |
| CN113742983A (zh) * | 2021-10-09 | 2021-12-03 | 福州大学 | 基于深度自编码器神经网络的长跨结构损伤识别方法 |
| CN115830012A (zh) * | 2023-02-08 | 2023-03-21 | 诺比侃人工智能科技(成都)股份有限公司 | 一种接触网线索损伤数据检测分析方法 |
| CN117113557A (zh) * | 2023-08-07 | 2023-11-24 | 湖北隆中实验室 | 复合材料轴管损伤识别网络的训练方法、应用方法和介质 |
| CN117592382A (zh) * | 2024-01-18 | 2024-02-23 | 高速铁路建造技术国家工程研究中心 | 一种铁路车轨桥系统动态响应预测方法、系统及介质 |
| CN117592382B (zh) * | 2024-01-18 | 2024-04-26 | 高速铁路建造技术国家工程研究中心 | 一种铁路车轨桥系统动态响应预测方法、系统及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109325263A (zh) | 基于神经网络的桁架桥梁损伤位置与损伤程度识别方法 | |
| CN104200005A (zh) | 基于神经网络的桥梁损伤识别方法 | |
| CN104200004A (zh) | 一种优化的基于神经网络的桥梁损伤识别方法 | |
| Story et al. | A structural impairment detection system using competitive arrays of artificial neural networks | |
| CN103942398B (zh) | 基于遗传算法及广义回归神经网络的交通仿真校正方法 | |
| CN111625988A (zh) | 基于深度学习的桥梁健康管理分析与预测系统及方法 | |
| Yang et al. | Damage identification of frame structure based on approximate Metropolis–Hastings algorithm and probability density evolution method | |
| CN104299033A (zh) | 基于布谷鸟搜索和粒子滤波混杂算法的漏磁缺陷重构方法 | |
| CN106568647B (zh) | 一种基于神经网络的混凝土强度预测方法 | |
| Laxman et al. | Determination of vehicle loads on bridges by acoustic emission and an improved ensemble artificial neural network | |
| Bouabaz et al. | A cost estimation model for repair bridges based on artificial neural network | |
| CN117233347B (zh) | 一种碳钢球化等级测量方法、系统及设备 | |
| Liu et al. | Fuzzy optimization BP neural network model for pavement performance assessment | |
| CN111177918A (zh) | 一种地铁施工对既有桥梁损伤的评估方法 | |
| CN113484678B (zh) | 一种基于ewm的电网故障冲击强度量化指标分析方法 | |
| CN107908825A (zh) | 基于振动测量的钢筋混凝土简支梁火灾损伤识别方法 | |
| CN109426857A (zh) | 一种基于状态池网络的水质指标预测方法 | |
| Nechval et al. | Prediction of fatigue crack growth process via artificial neural network technique | |
| Sofge | Structural health monitoring using neural network based vibrational system identification | |
| Al-Rahmani et al. | A combined soft computing-mechanics approach to inversely predict damage in bridges | |
| Li et al. | Remote sensing and artificial neural network estimation of on-road vehicle emissions | |
| Wang et al. | GA-BP neural network used for knock detection of aviation composite materials | |
| Chen et al. | Application of BP artificial neural network in structure damage identification | |
| CN111291490B (zh) | 一种结构多尺度异类响应的非线性映射智能建模方法 | |
| Sharma | State-of-the-Art on Evolved Optimization Approaches for Damage Detection in Steel Bridges |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190212 |
|
| RJ01 | Rejection of invention patent application after publication |