CN110147611A - 一种基于iwoa的结构损伤识别方法 - Google Patents
一种基于iwoa的结构损伤识别方法 Download PDFInfo
- Publication number
- CN110147611A CN110147611A CN201910419693.0A CN201910419693A CN110147611A CN 110147611 A CN110147611 A CN 110147611A CN 201910419693 A CN201910419693 A CN 201910419693A CN 110147611 A CN110147611 A CN 110147611A
- Authority
- CN
- China
- Prior art keywords
- whale
- population
- formula
- iwoa
- structural
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于IWOA的结构损伤识别方法,首先建立结构物理参数的辨识模型,对所辨识的结构物理参数(质量、刚度和阻尼比)进行编码,合理设置参数的搜索范围;接着根据结构的实测动力时程响应数据建立适应度函数;最后利用改进的鲸鱼优化算法对适应度函数进行优化,寻找最优解。其中,改进的鲸鱼算法有效解决了传统鲸鱼优化算法收敛精度低、迭代后期易陷入局部最优的缺陷。本发明提出的结构物理参数辨识方法是一种时域优化方法,即直接利用结构动力时程响应数据进行参数优化,避免了频域方法中的模态分析步骤,对结构质量、刚度和阻尼均具有良好的辨识能力,可应用于结构模型修正。
Description
技术领域
本发明涉及结构损伤识别技术领域,特别是一种基于IWOA的结构损伤识别方法。
背景技术
随着经济的发展,科技的进步,人类社会的要求日益提高,许多基础设施如大型桥梁、水利大坝、高层建筑、大跨度公共建筑、高耸结构等得以兴建,这些工程结构规模越来越大的同时人们也对其安全性提出了越来越高的要求。土木工程结构设计寿命通常为几十年甚至上百年,在其使用期限内,除了受到各种荷载的共同作用,还受到疲劳效应、腐蚀作用、材料性能退化等不利因素的作用,这些作用客观上造成了损伤的累积和结构抗力衰减。结构损伤如果得不到及时处理和加固可能导致巨大的维修费用,极端情况下甚至可能导致结构破坏。
结构损伤识别是健康监测系统的关键环节,是通过对结构的关键性能指标的测试和分析,判断结构是否受到损伤。工程结构的损伤确定和质量评估通常可分为五个层次:检测结构是否发生损伤;损伤部位的定位;损伤严重程度及类型的判别;结构的剩余寿命的估计;结构的安全及可靠性评价。目前关于结构损伤识别的第一层次的研究已经成熟,而关于损伤定位与损伤识别大小方面的研究是核心,也是难点。
结构的物理参数如刚度、质量、阻尼,决定了结构的力学性质,能够直观反映结构性能状态的变化。因此,当结构发生损伤时,通过结构物理参数的变化就可以直接判定损伤发生的位置和损伤程度,也就是说,结构损伤识别问题可以转化为结构物理参数辨识问题。
发明内容
有鉴于此,本发明的目的是提出一种基于IWOA的结构损伤识别方法,对结构质量、刚度和阻尼均具有良好的辨识能力。
本发明采用以下方案实现:一种基于IWOA的结构损伤识别方法,具体包括以下步骤:
步骤S1:建立结构物理参数的辨识模型,对所辨识的结构物理参数(质量、刚度和阻尼比)进行编码,并设置参数的搜索范围;
步骤S2:根据结构的实测动力时程响应(位移、速度或加速度)数据建立适应度函数;
步骤S3:利用改进的鲸鱼优化算法对适应度函数进行优化,寻找最优解。
进一步地,步骤S2中,所述适应度函数为:
式中,dmea(i,j)、vmea(i,j)、amea(i,j)分别是结构实测的第i个时刻第j个测点的位移、速度和加速度响应;dnum(i,j)、vnum(i,j)、anum(i,j)是相应的数值模型预测值;L是测量数据的总长度;N是测点的数量;θ是待辨识结构参数向量;Θ是待辨识参数的取值范围。
进一步地,步骤S3具体包括以下步骤:
步骤S31:初始化种群规模N,最大迭代次数T,搜索维数D,搜索范围[lb,ub];
步骤S32:在搜索空间中随机初始化鲸鱼种群;
步骤S33:利用反向学习算法更新鲸鱼种群的个体;
步骤S34:利用随机差分变异策略,以产生新的个体;
步骤S35:计算出每个鲸鱼个体的适应度值,找出适应度值最小的个体位置作为最优位置;
步骤S36:更新收敛因子a、系数向量产生随机数p;
步骤S37:更新鲸鱼种群的个体位置;
步骤S38:若当代迭代次数达到最大迭代次数T,则输出最优个体,即算法找到的最优解;否则,返回步骤S33。
进一步地,步骤S33具体为:
令当前所得的种群为P={xij},i=1,2,...,N,j=1,2,...,D;
计算反向种群P'={x'ij},x'ij=xminj+xmaxj-xij,其中,xmaxj和xminj分别表示种群xi第j维元素最大值和最小值;
合并种群P和P',将其2N个鲸鱼位置个体按照适应度值进行升序排序,选取适应度值的前N个作为初始种群。
进一步地,步骤S34中,所述随机差分变异策略的表达式为:
式中,t为当前迭代次数;r为[0,1]之间的随机数;为当前最优个体位置,为群体中随机选取的个体;表示当前鲸鱼的个体位置。
进一步地,步骤S36具体为:采用下式作为基于余弦函数a描述收敛因子a的非线性动态变化策略:
式中,t为当前迭代次数;T为最大迭代次数;ainitial和afinal分别为收敛因子的初始值和终止值;
更新系数向量
式中,是两个相互独立的随机向量,它们都服从[0,1]上的均匀分布;
产生随机数p,其服从[0,1]上的均匀分布。
进一步地,步骤S37具体为:
若p>0.5,则利用下式更新位置:
式中,是当前鲸鱼与猎物之间的距离向量,l是在[-1,1]之间服从均匀分布的随机数,b是定义对数螺旋线形状的一个常量,其值通常取1,是当前最优个体位置;
若p<0.5,且则利用下式更新位置:
式中,t表示当前迭代次数,表示当前鲸鱼的个体位置,是当前最优个体位置;
若p<0.5,且则利用下式更新位置:
式中,表示当前鲸鱼参考的从鲸鱼种群中随机选取的鲸鱼位置向量。
与现有技术相比,本发明有以下有益效果:本发明直接利用结构动力时程响应数据进行参数优化,避免了频域方法中的模态分析步骤,对结构质量、刚度和阻尼均具有良好的辨识能力,可应用于结构模型修正。
附图说明
图1为本发明实施例方法流程示意图。
图2为本发明实施例的框架结构简化模型图。
图3为本发明实施例的质量已知情况下不同优化算法的迭代曲线图。
图4为本发明实施例的质量未知情况下不同优化算法的迭代曲线图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种基于IWOA的结构损伤识别方法,具体包括以下步骤:
步骤S1:建立结构物理参数的辨识模型,对所辨识的结构物理参数(质量、刚度和阻尼比)进行编码,并设置参数的搜索范围;
步骤S2:根据结构的实测动力时程响应(位移、速度或加速度)数据建立适应度函数;
步骤S3:利用改进的鲸鱼优化算法对适应度函数进行优化,寻找最优解。
在本实施例中,步骤S2中,所述适应度函数为:
式中,dmea(i,j)、vmea(i,j)、amea(i,j)分别是结构实测的第i个时刻第j个测点的位移、速度和加速度响应;dnum(i,j)、vnum(i,j)、anum(i,j)是相应的数值模型预测值;L是测量数据的总长度;N是测点的数量;θ是待辨识结构参数向量;Θ是待辨识参数的取值范围。
在本实施例中,步骤S3具体包括以下步骤:
步骤S31:初始化种群规模N,最大迭代次数T,搜索维数D,搜索范围[lb,ub];
步骤S32:在搜索空间中随机初始化鲸鱼种群;
步骤S33:利用反向学习算法更新鲸鱼种群的个体;
步骤S34:利用随机差分变异策略,以产生新的个体;
步骤S35:计算出每个鲸鱼个体的适应度值,找出适应度值最小的个体位置作为最优位置;
步骤S36:更新收敛因子a、系数向量产生随机数p;
步骤S37:更新鲸鱼种群的个体位置;
步骤S38:若当代迭代次数达到最大迭代次数T,则输出最优个体,即算法找到的最优解;否则,返回步骤S33。
在本实施例中,步骤S33具体为:
令当前(第一次是步骤S32,后续是步骤S37)所得的种群为P={xij},i=1,2,...,N,j=1,2,...,D;
计算反向种群P'={x'ij},x'ij=xminj+xmaxj-xij,其中,xmaxj和xminj分别表示种群xi第j维元素最大值和最小值;
合并种群P和P',将其2N个鲸鱼位置个体按照适应度值进行升序排序,选取适应度值的前N个作为初始种群。
在本实施例中,步骤S34中,所述随机差分变异策略的表达式为:
式中,t为当前迭代次数;r为[0,1]之间的随机数;为当前最优个体位置,为群体中随机选取的个体;表示当前鲸鱼的个体位置。
在本实施例中,步骤S36具体为:采用下式作为基于余弦函数a描述收敛因子a的非线性动态变化策略:
式中,t为当前迭代次数;T为最大迭代次数;ainitial和afinal分别为收敛因子的初始值和终止值;
更新系数向量
式中,是两个相互独立的随机向量,它们都服从[0,1]上的均匀分布;
产生随机数p,其服从[0,1]上的均匀分布。
在本实施例中,步骤S37具体为:
若p>0.5,则利用下式更新位置:
式中,是当前鲸鱼与猎物之间的距离向量,l是在[-1,1]之间服从均匀分布的随机数,b是定义对数螺旋线形状的一个常量,其值通常取1,是当前最优个体位置;
若p<0.5,且则利用下式更新位置:
式中,t表示当前迭代次数,表示当前鲸鱼的个体位置,是当前最优个体位置;
若p<0.5,且则利用下式更新位置:
式中,表示当前鲸鱼参考的从鲸鱼种群中随机选取的鲸鱼位置向量。
具体的,如图2所示,本实施例建立一个七层剪切型线性框架结构数值模型,简化模型如图2所示。假设模型各层质量为m1=m2=...=m6=3.78kg,m7=3.31kg,层间刚度值为k1=k2=...=k7=375kN/m,前两阶阻尼比ζ1和ζ2均为2%。随机激励F作用在结构的顶层,采样频率取1000Hz,结构的基本周期为0.1s,信噪比为25dB。根据结构第1-7层的实测加速度建立适应度函数。设定IWOA参数:种群规模N=30,最大迭代次数T=500,搜索维数D=9,刚度和阻尼的搜索范围为理论值的0.5-5倍。利用改进鲸鱼优化算法(IWOA)、粒子群算法(PSO)、灰狼优化算法(GWO)和基本鲸鱼优化算法(WOA)进行结构物理参数辨识。为了避免偶然误差的影响,均取10次辨识结果的平均值作为最终的辨识结果,误差为理论值和识别值的差值与理论值的比值。质量已知情况下,结果见表1、图3。质量未知情况下,结果见表2、图4。
表1质量已知情况下结构参数辨识结果
表2质量未知情况下结构参数辨识结果
从以上辨识结果中可以看出,相比于其他一般的优化算法,本实施例的IWOA对结构各层质量、层间刚度和阻尼的识别值同理论值比较吻合,说明IWOA对结构物理参数有更好的辨识精度。
综上,本实施例建立了一种基于IWOA的结构损伤识别方法,主要步骤如下:(1)首先建立结构物理参数的辨识模型,对所辨识的结构物理参数(质量、刚度和阻尼比)进行编码,合理设置参数的搜索范围;(2)根据结构的实测动力时程响应数据建立适应度函数;(3)利用改进的鲸鱼优化算法对适应度函数进行优化,寻找最优解。其中,改进的鲸鱼算法有效解决了传统鲸鱼优化算法收敛精度低、迭代后期易陷入局部最优的缺陷。本发明提出的结构物理参数辨识方法是一种时域优化方法,即直接利用结构动力时程响应数据进行参数优化,避免了频域方法中的模态分析步骤,对结构质量、刚度和阻尼均具有良好的辨识能力,可应用于结构模型修正。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (7)
1.一种基于IWOA的结构损伤识别方法,其特征在于,包括以下步骤:
步骤S1:建立结构物理参数的辨识模型,对所辨识的结构物理参数进行编码,并设置参数的搜索范围;
步骤S2:根据结构的实测动力时程响应数据建立适应度函数;
步骤S3:利用改进的鲸鱼优化算法对适应度函数进行优化,寻找最优解。
2.根据权利要求1所述的一种基于IWOA的结构损伤识别方法,其特征在于,步骤S2中,所述适应度函数为:
式中,dmea(i,j)、vmea(i,j)、amea(i,j)分别是结构实测的第i个时刻第j个测点的位移、速度和加速度响应;dnum(i,j)、vnum(i,j)、anum(i,j)是相应的数值模型预测值;L是测量数据的总长度;N是测点的数量;θ是待辨识结构参数向量;Θ是待辨识参数的取值范围。
3.根据权利要求1所述的一种基于IWOA的结构损伤识别方法,其特征在于,步骤S3具体包括以下步骤:
步骤S31:初始化种群规模N,最大迭代次数T,搜索维数D,搜索范围[lb,ub];
步骤S32:在搜索空间中随机初始化鲸鱼种群;
步骤S33:利用反向学习算法更新鲸鱼种群的个体;
步骤S34:利用随机差分变异策略,以产生新的个体;
步骤S35:计算出每个鲸鱼个体的适应度值,找出适应度值最小的个体位置作为最优位置;
步骤S36:更新收敛因子a、系数向量产生随机数p;
步骤S37:更新鲸鱼种群的个体位置;
步骤S38:若当代迭代次数达到最大迭代次数T,则输出最优个体,即算法找到的最优解;否则,返回步骤S33。
4.根据权利要求3所述的一种基于IWOA的结构损伤识别方法,其特征在于,步骤S33具体为:
令当前所得的种群为P={xij},i=1,2,...,N,j=1,2,...,D;
计算反向种群P'={x'ij},x'ij=xminj+xmaxj-xij,其中,xmaxj和xminj分别表示种群xi第j维元素最大值和最小值;
合并种群P和P',将其2N个鲸鱼位置个体按照适应度值进行升序排序,选取适应度值的前N个作为初始种群。
5.根据权利要求3所述的一种基于IWOA的结构损伤识别方法,其特征在于,步骤S34中,所述随机差分变异策略的表达式为:
式中,t为当前迭代次数;r为[0,1]之间的随机数;为当前最优个体位置,为群体中随机选取的个体;表示当前鲸鱼的个体位置。
6.根据权利要求3所述的一种基于IWOA的结构损伤识别方法,其特征在于,步骤S36具体为:采用下式作为基于余弦函数a描述收敛因子a的非线性动态变化策略:
式中,t为当前迭代次数;T为最大迭代次数;ainitial和afinal分别为收敛因子的初始值和终止值;
更新系数向量
式中,是两个相互独立的随机向量,它们都服从[0,1]上的均匀分布;
产生随机数p,其服从[0,1]上的均匀分布。
7.根据权利要求3所述的一种基于IWOA的结构损伤识别方法,其特征在于,步骤S37具体为:
若p>0.5,则利用下式更新位置:
式中,是当前鲸鱼与猎物之间的距离向量,l是在[-1,1]之间服从均匀分布的随机数,b是定义对数螺旋线形状的一个常量,是当前最优个体位置;
若p<0.5,且则利用下式更新位置:
式中,t表示当前迭代次数,表示当前鲸鱼的个体位置,是当前最优个体位置;
若p<0.5,且则利用下式更新位置:
式中,表示当前鲸鱼参考的从鲸鱼种群中随机选取的鲸鱼位置向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910419693.0A CN110147611A (zh) | 2019-05-20 | 2019-05-20 | 一种基于iwoa的结构损伤识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910419693.0A CN110147611A (zh) | 2019-05-20 | 2019-05-20 | 一种基于iwoa的结构损伤识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110147611A true CN110147611A (zh) | 2019-08-20 |
Family
ID=67592244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910419693.0A Pending CN110147611A (zh) | 2019-05-20 | 2019-05-20 | 一种基于iwoa的结构损伤识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110147611A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110765530A (zh) * | 2019-10-23 | 2020-02-07 | 宁波工程学院 | 一种快速确定框架-摇摆墙结构中摇摆墙刚度的方法 |
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 |
CN111507045A (zh) * | 2020-04-01 | 2020-08-07 | 武汉理工大学 | 基于自适应权重鲸鱼优化算法的结构损伤识别方法 |
CN111523749A (zh) * | 2020-02-28 | 2020-08-11 | 华中科技大学 | 一种水电机组模型智能辨识方法 |
CN111725804A (zh) * | 2020-06-10 | 2020-09-29 | 国网新疆电力有限公司 | 一种综合负荷模型参数辨识方法和计算机可读存储介质 |
CN112598036A (zh) * | 2020-12-14 | 2021-04-02 | 湖北工业大学 | 一种网络流量分类方法和系统 |
CN112670984A (zh) * | 2020-12-16 | 2021-04-16 | 广州大学 | 一种基于改进鲸鱼算法的电力系统经济负荷分配方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6192758B1 (en) * | 1998-12-14 | 2001-02-27 | Kang Huang | Structure safety inspection |
CN109145464A (zh) * | 2018-08-28 | 2019-01-04 | 暨南大学 | 融合多目标蚁狮优化与迹稀疏正则化的结构损伤识别方法 |
-
2019
- 2019-05-20 CN CN201910419693.0A patent/CN110147611A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6192758B1 (en) * | 1998-12-14 | 2001-02-27 | Kang Huang | Structure safety inspection |
CN109145464A (zh) * | 2018-08-28 | 2019-01-04 | 暨南大学 | 融合多目标蚁狮优化与迹稀疏正则化的结构损伤识别方法 |
Non-Patent Citations (3)
Title |
---|
姜绍飞等: "基于振动时程响应的框架结构智能损伤检测", 《沈阳建筑大学学报(自然科学版)》 * |
覃溪等: "基于随机差分变异的改进鲸鱼优化算法", 《中国科技论文工程科技II》 * |
龙文等: "求解大规模优化问题的改进鲸鱼优化算法", 《系统工程理论与实践》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110765530A (zh) * | 2019-10-23 | 2020-02-07 | 宁波工程学院 | 一种快速确定框架-摇摆墙结构中摇摆墙刚度的方法 |
CN111523749A (zh) * | 2020-02-28 | 2020-08-11 | 华中科技大学 | 一种水电机组模型智能辨识方法 |
CN111523749B (zh) * | 2020-02-28 | 2022-05-13 | 华中科技大学 | 一种水电机组模型智能辨识方法 |
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 |
CN111507045A (zh) * | 2020-04-01 | 2020-08-07 | 武汉理工大学 | 基于自适应权重鲸鱼优化算法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 |
CN111507045B (zh) * | 2020-04-01 | 2024-06-04 | 武汉理工大学 | 基于自适应权重鲸鱼优化算法的结构损伤识别方法 |
CN111725804A (zh) * | 2020-06-10 | 2020-09-29 | 国网新疆电力有限公司 | 一种综合负荷模型参数辨识方法和计算机可读存储介质 |
CN112598036A (zh) * | 2020-12-14 | 2021-04-02 | 湖北工业大学 | 一种网络流量分类方法和系统 |
CN112670984A (zh) * | 2020-12-16 | 2021-04-16 | 广州大学 | 一种基于改进鲸鱼算法的电力系统经济负荷分配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110147611A (zh) | 一种基于iwoa的结构损伤识别方法 | |
Feng et al. | Interpretable XGBoost-SHAP machine-learning model for shear strength prediction of squat RC walls | |
CN103065042A (zh) | 基于情景的多目标综合决策评价方法 | |
CN110472363B (zh) | 适用于高速铁路隧道的围岩变形等级预测方法及系统 | |
Li et al. | Optimal sensor placement for long-span cable-stayed bridge using a novel particle swarm optimization algorithm | |
CN111209708A (zh) | 基于机器学习的桩-土相互作用预测分析方法 | |
CN108241901A (zh) | 一种基于预测数据的变压器预警评估方法及装置 | |
Gandomi et al. | Expression programming techniques for formulation of structural engineering systems | |
Felix et al. | Analysis of training parameters in the ANN learning process to mapping the concrete carbonation depth | |
CN105868556A (zh) | 一种基于北斗桥梁安全监测系统的桥梁安全评估方法 | |
CN110096805A (zh) | 一种有限观测数据下基于改进自助法的结构参数不确定性量化及传递方法 | |
CN108764659A (zh) | 一种基于模糊综合法的配电网可靠性影响因素分析方法 | |
CN109272217A (zh) | 一种数据处理方法及相关设备 | |
CN106568647A (zh) | 一种基于神经网络的混凝土强度预测方法 | |
Tyrtaiou et al. | Accomplished Reliability Level for Seismic Structural Damage Prediction Using Artificial Neural Networks | |
CN104866679A (zh) | 一种开关设备的机械特性预测方法 | |
CN107395704A (zh) | 一种Spark云计算平台下的结构物理参数辨识方法 | |
Wen et al. | Application of Improved Combined Deterministic‐Stochastic Subspace Algorithm in Bridge Modal Parameter Identification | |
Hassan et al. | Shear strength of reinforced concrete tapered beams by using systematic multiscale models and artificial neural network | |
CN117252085A (zh) | 基于神经网络与粒子群的斜拉桥索力容差优化方法及系统 | |
CN108959721B (zh) | 一种风车荷载作用下的大跨度桥梁构件可靠度计算方法 | |
Chen | Construction and Application of Forecast Model for Eco-Tourism Market Demand Based on BP Neural Network | |
Zeghal | Modeling the creep compliance of asphalt concrete using the artificial neural network technique | |
Li et al. | Model Updating Method for Jacket Platform Considering Different Component Degradation Based on Deep Learning. | |
Yao et al. | Structural damage identification of high-order shear beams based on a genetic algorithm |
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: 20190820 |
|
RJ01 | Rejection of invention patent application after publication |