CN112818577B - 一种基于深度学习理论的叠合梁火灾后损伤识别方法 - Google Patents
一种基于深度学习理论的叠合梁火灾后损伤识别方法 Download PDFInfo
- Publication number
- CN112818577B CN112818577B CN202110136170.2A CN202110136170A CN112818577B CN 112818577 B CN112818577 B CN 112818577B CN 202110136170 A CN202110136170 A CN 202110136170A CN 112818577 B CN112818577 B CN 112818577B
- Authority
- CN
- China
- Prior art keywords
- damage
- fire
- constructing
- automatic encoder
- damaged
- 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.)
- Active
Links
- 230000006378 damage Effects 0.000 title claims abstract description 183
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 230000009467 reduction Effects 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 24
- 238000004088 simulation Methods 0.000 claims description 20
- 239000004567 concrete Substances 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 239000002131 composite material Substances 0.000 claims description 10
- 229910000831 Steel Inorganic materials 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 9
- 239000010959 steel Substances 0.000 claims description 9
- 238000011160 research Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 5
- 229910001294 Reinforcing steel Inorganic materials 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 14
- 239000010410 layer Substances 0.000 description 8
- 230000002787 reinforcement Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000008439 repair process Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000011150 reinforced concrete Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009970 fire resistant effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000011241 protective layer Substances 0.000 description 1
Images
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]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种基于深度学习理论的叠合梁火灾后损伤识别方法，涉及灾害风险评估技术领域，简支梁的损伤识别包括：构建简支梁火灾后损伤模型；构建第一损伤识别样本；构建第一堆栈降噪自动编码器；得到简支梁损伤程度识别结果；多跨连续梁的损伤识别包括：构建连续梁火灾后损伤模型；将连续梁划分为多个子结构；构建第二损伤识别样本；构建第二堆栈降噪自动编码器；样本输入获得受损梁跨所在的子结构；构建第三损伤识别样本；构建第三堆栈降噪自动编码器；获得子结构中的具体受损梁跨；构建第四损伤识别样本；构建第四堆栈降噪自动编码器；获得受损梁跨的损伤程度。本发明将深度学习理论应用到叠合梁的火灾识别中，具有较强的鲁棒性和容错性。
Description
技术领域
本发明涉及灾害风险评估技术领域，具体涉及一种基于深度学习理论的叠合梁火灾后损伤识别方法。
背景技术
火灾是导致结构损坏、倒塌以及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。随着世界各国建筑工程的不断发展，建筑工业化已成为建筑的发展方向。目前国内主流的装配式混凝土结构体系分为装配式剪力墙和装配式框架，装配式叠合梁板结构在两种结构体系中均有应用。但是有关装配式叠合梁抗火理论研究较少，装配式叠合梁的损伤识别研究更是少之又少。
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，同时也为火灾后结构的损伤评估及加固修复提供理论基础。因此，建立结构的损伤识别算法进而快速准确地识别出损伤的存在、位置及程度具有重大的工程意义。
传统的损伤检测方法往往过于依赖技术人员的经验，或者在检测过程中对结构造成不同程度的损伤。基于振动测试的损伤识别方法，大多以单一的频率作为输入指标，忽略了对损伤更为敏感的振型指标。
现有的关于堆栈降噪自动编码器(SDAE)的损伤识别方法大多集中在常温结构的损伤识别，对于历经高温后的结构损伤识别研究较少。现有的基于人工智能算法的结构损伤识别方法大多以传统的机器学习(如人工神经网络、支持向量机等)进行损伤识别，但是叠合梁火灾损伤识别模式复杂、数量庞大，使得人工神经网络与支持向量机在处理结构损伤识别问题时受到诸多限制。而深度神经网络因其复杂的多层结构和创新的训练算法，在模式分类能力及计算效率等方面有较大的进步，有必要开发一种基于深度学习理论对装配式叠合梁进行火灾后损伤评估的方法。
发明内容
为解决现有技术的问题，本发明提供了一种基于深度学习理论的叠合梁火灾后损伤识别方法，该方法采用频率与振型的组合参数作为SDAE的输入，以受火时间、承载力、刚度作为SDAE的输出，提出了基于堆栈降噪自动编码器的装配式叠合梁火灾损伤识别方法；此方法具有较强的鲁棒性和容错性，具有较高的预测精度和稳定性。
为解决上述问题，本发明技术方案为：
一种基于深度学习理论的叠合梁火灾后损伤识别方法，所述的叠合梁为装配式叠合梁，包括简支梁和多跨连续梁；
所述的简支梁的损伤识别方法包括如下步骤：
步骤一A、基于Abaqus有限元分析软件构建简支梁火灾后损伤模型，然后，选择Frequency分析步，使用Lanczos特征值求解器进行模态分析，进而获得火灾损伤后的模态参数；步骤二A、根据有限元模拟结果及实测的受损伤构件的振动信息采集结果，构建第一损伤识别样本，采用频率与振型的组合参数作为损伤识别算法的输入，以相应的受火时间、承载力、刚度为输出；步骤三A、构建第一堆栈降噪自动编码器；步骤四A、将第一损伤识别样本输入到第一堆栈降噪自动编码器中进行训练，并得到简支梁损伤程度识别结果；
所述的多跨连续梁的损伤识别方法包括如下步骤：
步骤一B、基于Abaqus有限元分析软件构建连续梁火灾后损伤模型，然后，选择Frequency分析步，使用Lanczos特征值求解器进行模态分析，进而获得火灾损伤后的模态参数；步骤二B、将连续梁划分为多个子结构；步骤三B、构建第二损伤识别样本，用于识别损伤子结构；步骤四B、构建用于识别损伤子结构的第二堆栈降噪自动编码器；步骤五B、将步骤三B中的第二损伤识别样本输入到第二堆栈降噪自动编码器中，获得受损子结构序号；步骤六B、构建第三损伤识别样本，用于识别步骤五B中的子结构中的具体受损梁跨，即根据有限元模拟结果及实测的受损伤构件的振动信息采集结果，构建第三损伤识别样本，采用频率与振型的组合参数作为损伤识别算法的输入，此时输出参数为的梁跨序号；步骤七B、构建用于识别受损梁跨的第三堆栈降噪自动编码器；步骤八B、将第三损伤识别样本输入到第三堆栈降噪自动编码器中，获得子结构中的具体受损梁跨序号；步骤九B、构建第四损伤识别样本，用于识别步骤八B中具体受损梁跨损伤程度，即根据有限元模拟结果及实测的受损伤构件的振动信息采集结果，构建第四损伤识别样本，采用频率与振型的组合参数作为损伤识别算法的输入，此时输出参数为受损梁跨的受火时间、残余承载力及残余刚度；步骤十B、构建用于识别子结构中受损梁跨具体损伤程度的第四堆栈降噪自动编码器；步骤十一B、将第四损伤识别样本输入到第四堆栈降噪自动编码器中，获得受损梁跨的损伤程度。
优选的，所述的步骤一A中，根据受损伤的简支梁进行建模，在建模的基础上，基于温度场数值模拟结果，参考其他学者关于高温后混凝土和钢筋的质量密度、弹性模量、泊松比的研究成果，建立简支梁火灾后损伤模型；在简支梁火灾后损伤模型中，叠合面的建立采用SPRING2弹簧单元，钢筋单元节点与混凝土单元节点在垂直方向与水平方向的弹簧单元刚度取极大值。
优选的，所述的步骤一A中，针对简支梁火灾后损伤模型，选择静力通用分析步，获得预制装配式叠合梁火灾后的残余承载力以及进行残余刚度计算。
优选的，所述的步骤二A中，
输入参数如下：
A＝{FR1,FR2,···,FRm；MO1,MO2,···,MOn}
式中：
m：频率的阶数；
n：振型的阶数；
FRi：结构的i阶频率；
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、容易被噪声污染的特点，为保证测试有效性，m≤4，n≤4；
输出参数如下：
考虑到火灾损伤识别的目的是为火灾后结构的损伤评估及加固修复提供理论支撑，损伤识别算法的输出参数分为间接损伤指标和直接损伤指标，所述的间接损伤指标为受火时间，所述的直接损伤指标为承载力及刚度；
Q＝{T}
C＝{M,B}
式中，Q为间接损伤指标，C为直接损伤指标，T为受火时间，M为承载力，B为刚度。
优选的，所述的步骤三A中，构建第一堆栈降噪自动编码器的步骤如下：
①确定堆栈降噪自动编码器的层数为4层；
②选择Tanh函数作为激活函数，MSE为损失函数；
③选择高斯噪声为样本添加噪声；
④选择支持向量回归机作为分类器；
⑤第一堆栈降噪自动编码器构建完毕。
优选的，所述的步骤一B中，根据受损的连续梁进行模型，在建模的基础上，基于温度场数值模拟结果，参考其他学者关于高温后混凝土和钢筋的质量密度、弹性模量、泊松比的研究成果，构建连续梁火灾后损伤模型，在连续梁火灾后损伤模型中，叠合面的建立采用SPRING2弹簧单元，钢筋单元节点与混凝土单元节点在垂直方向与水平方向的弹簧单元刚度取极大值。
优选的，所述的步骤一B中，针对连续梁火灾后损伤模型，选择静力通用分析步，获得预制装配式叠合梁火灾后的残余承载力以及进行残余刚度计算。
优选的，第四堆栈降噪自动编码器的构建步骤与第一堆栈降噪自动编码器的构建步骤相同；第二堆栈降噪自动编码器、第三堆栈降噪自动编码器的构建步骤如下：
①确定堆栈降噪自动编码器的层数为4层；
②选择Tanh函数作为激活函数，MSE为损失函数；
③选择高斯噪声为样本添加噪声；
④选择支持向量分类机作为分类器；
⑤堆栈降噪自动编码器构建完毕。
本发明一种基于深度学习理论的叠合梁火灾后损伤识别方法具有如下有益效果：
1、本发明将深度学习理论的堆栈降噪自动编码器应用到叠合梁的火灾识别中，此方法具有较强的鲁棒性和容错性，并且具有较高的预测精度和稳定性；
2、本发明可以对简支梁和多跨连续梁的火灾损伤进行识别，针对多跨连续梁火灾损伤提出了分步识别方法，该方法大大提高了多跨连续梁损伤识别速度；
3、本发明考虑到火灾后的损伤评估与加固修复，输出参数选用两组损伤指标，其中，间接损伤指标为受火时间，直接损伤指标为承载力和刚度，间接损失指标对应火灾后的损伤评估，直接指标对应火灾后的加固修复，具有明显的针对性。
附图说明
图1、本发明的简支梁火灾后损伤识别方法的原理图；
图2、本发明的多跨连续梁火灾后损伤识别方法的原理图；
图3、a本发明试验例中的叠合梁尺寸及配筋信息；b本发明试验例中的热电偶布置位置示意图；
图4、本发明试验例中的多跨连续梁尺寸及配筋信息示意图；
图5、本发明试验例中的多跨连续梁子结构划分图；
01：子结构划分标记；02：梁跨标号。
具体实施方式
以下所述，是以阶梯递进的方式对本发明的实施方式详细说明，该说明仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
本发明的描述中，需要说明的是，术语“上”“下”“左”“右”“顶”“底”“内”“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以及特定的方位构造和操作，因此不能理解为对本发明的限制。
一种基于深度学习理论的叠合梁火灾后损伤识别方法，所述的叠合梁为装配式叠合梁，包括简支梁和多跨连续梁；
所述的简支梁的损伤识别方法包括如下步骤：
步骤一A、基于Abaqus有限元分析软件构建简支梁火灾后损伤模型，然后，选择Frequency分析步，使用Lanczos特征值求解器进行模态分析，进而获得火灾损伤后的模态参数；步骤二A、根据有限元模拟结果及实测的受损伤构件的振动信息采集结果，构建第一损伤识别样本，采用频率与振型的组合参数作为损伤识别算法的输入，以相应的受火时间、承载力、刚度为输出；步骤三A、构建第一堆栈降噪自动编码器；步骤四A、将第一损伤识别样本输入到第一堆栈降噪自动编码器中进行训练，并得到简支梁损伤程度识别结果；
所述的多跨连续梁的损伤识别方法包括如下步骤：
步骤一B、基于Abaqus有限元分析软件构建连续梁火灾后损伤模型，然后，选择Frequency分析步，使用Lanczos特征值求解器进行模态分析，进而获得火灾损伤后的模态参数；步骤二B、将连续梁划分为多个子结构；步骤三B、构建第二损伤识别样本，用于识别损伤子结构；步骤四B、构建用于识别损伤子结构的第二堆栈降噪自动编码器；步骤五B、将步骤三B中的第二损伤识别样本输入到第二堆栈降噪自动编码器中，获得受损子结构序号；步骤六B、构建第三损伤识别样本，用于识别步骤五B中的子结构中的具体受损梁跨，根据有限元模拟结果及实测的受损伤构件的振动信息采集结果，构建第三损伤识别样本，采用频率与振型的组合参数作为损伤识别算法的输入，此时输出参数为的梁跨序号；步骤七B、构建用于识别受损梁跨的第三堆栈降噪自动编码器；步骤八B、将第三损伤识别样本输入到第三堆栈降噪自动编码器中，获得子结构中的具体受损梁跨序号；步骤九B、构建第四损伤识别样本，用于识别步骤八B中具体受损梁跨损伤程度，根据有限元模拟结果及实测的受损伤构件的振动信息采集结果，构建第四损伤识别样本，采用频率与振型的组合参数作为损伤识别算法的输入，此时输出参数为受损梁跨的受火时间、残余承载力及残余刚度；步骤十B、构建用于识别子结构中受损梁跨具体损伤程度的第四堆栈降噪自动编码器；步骤十一B、将第四损伤识别样本输入到第四堆栈降噪自动编码器中，获得受损梁跨的损伤程度；
所述的步骤一A中，根据受损伤的简支梁进行建模，在建模的基础上，基于温度场数值模拟结果，参考其他学者关于高温后混凝土和钢筋的质量密度、弹性模量、泊松比的研究成果，建立简支梁火灾后损伤模型；在简支梁火灾后损伤模型中，叠合面的建立采用SPRING2弹簧单元，钢筋单元节点与混凝土单元节点在垂直方向与水平方向的弹簧单元刚度取极大值；
所述的步骤一A中，针对简支梁火灾后损伤模型，选择静力通用分析步，获得预制装配式叠合梁火灾后的残余承载力以及进行残余刚度计算；
所述的步骤二A中，
输入参数如下：
A＝{FR1,FR2,···,FRm；MO1,MO2,···,MOn}
式中：
m：频率的阶数；
n：振型的阶数；
FRi：结构的i阶频率；
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、容易被噪声污染的特点，为保证测试有效性，m≤4，n≤4；
输出参数如下：
考虑到火灾损伤识别的目的是为火灾后结构的损伤评估及加固修复提供理论支撑，损伤识别算法的输出参数分为间接损伤指标和直接损伤指标，所述的间接损伤指标为受火时间，所述的直接损伤指标为承载力及刚度；
Q＝{T}
C＝{M,B}
式中，Q为间接损伤指标，C为直接损伤指标，T为受火时间，M为承载力，B为刚度；
所述的步骤三A中，构建第一堆栈降噪自动编码器的步骤如下：
①确定堆栈降噪自动编码器的层数为4层；
②选择Tanh函数作为激活函数，MSE为损失函数；
③选择高斯噪声为样本添加噪声；
④选择支持向量回归机作为分类器；
⑤第一堆栈降噪自动编码器构建完毕；
所述的步骤一B中，根据受损的连续梁进行模型，在建模的基础上，基于温度场数值模拟结果，参考其他学者关于高温后混凝土和钢筋的质量密度、弹性模量、泊松比的研究成果，构建连续梁火灾后损伤模型，在连续梁火灾后损伤模型中，叠合面的建立采用SPRING2弹簧单元，钢筋单元节点与混凝土单元节点在垂直方向与水平方向的弹簧单元刚度取极大值；
所述的步骤一B中，针对连续梁火灾后损伤模型，选择静力通用分析步，获得预制装配式叠合梁火灾后的残余承载力以及进行残余刚度计算；
第四堆栈降噪自动编码器的构建步骤与第一堆栈降噪自动编码器的构建步骤相同；第二堆栈降噪自动编码器、第三堆栈降噪自动编码器的构建步骤如下：
①确定堆栈降噪自动编码器的层数为4层；
②选择Tanh函数作为激活函数，MSE为损失函数；
③选择高斯噪声为样本添加噪声；
④选择支持向量分类机作为分类器；
⑤堆栈降噪自动编码器构建完毕。
试验例：
简支梁损伤识别方法：
设计并制作缩尺的预制装配式钢筋混凝土叠合梁试件，混凝土梁长3m，其中有效长度为2.8m(两端各留0.1m支撑长度)，混凝土保护层厚度分别为40mm和60mm，详细的试验设计参数见表1，梁配筋及热电偶布置图见图3。
表1试验设计参数
注：正常使用状态活荷载常遇系数取0.4；以P-T06L0H40、P-NH40为例，说明梁编号，P-叠合梁，T06-受火时间为60min，L44-荷载比为0.44，H40-叠合面高度60，N-自然状态。
对火灾前、后叠合梁进行动力测试，模态测点选取为支座间六等分点，对火灾后锈蚀钢筋混凝土梁进行静力加载，加载点为支座间三等分点。
损伤识别具体步骤如下：
(1)实测火灾前后叠合梁构件的模态参数及其火灾后残余承载力及残余刚度。
(2)根据实际工况进行建模。针对建好的模型，选择Frequency分析步，使用Lanczos特征值求解器进行模态分析，进而获得火灾损伤后的模态参数。同时，可以针对建好的模型，选择静力通用分析步，获得预制装配式叠合梁火灾后的残余承载力以及进行残余刚度计算。
(3)根据有限元模拟结果及实测结果构建样本。
(4)构建合适的堆栈降噪自动编码器，步骤如下：
①确定堆栈降噪自动编码器的层数为4层；
②选择Tanh函数作为激活函数，MSE为损失函数；
③选择高斯噪声为样本添加噪声；
④选择支持向量回归机作为分类器；
⑤堆栈降噪自动编码器构建完毕。
(5)将(3)的样本输入到(4)的SDAE中进行训练，获得简支梁损伤识别结果。
火灾后损伤识别结果见表2和表3。
表2火灾后间接损伤指标识别结果
表3火灾后直接损伤指标识别结果
根据上述识别结果可得，该方法能有效的预测叠合梁的损伤程度。
多跨连续梁的火灾损伤识别过程如下：
以5跨连续梁为例进行说明。根据有限元模拟，以施加噪声干扰的几组数据作为“真实值”，进行损伤识别。
5跨梁的尺寸及配筋信息如图4所示，子结构划分及梁跨标号如图5所示。
设定工况：2、3、4跨受火时间分别为40min、55min、40min。
(1)根据工况设定，建立5跨连续梁损伤模型。针对建好的模型，选择Frequency分析步，使用Lanczos特征值求解器进行模态分析，进而获得火灾损伤后的模态参数。同时，可以针对建好的模型，选择静力通用分析步，获得预制装配式叠合梁火灾后的残余承载力以及进行残余刚度计算。
(2)将连续梁划分为3个子结构，如图5所示。
(3)构建识别损伤子结构的样本。根据有限元软件模拟结果及实测结果构建样本。输入参数的选取同简支梁相同，此时输出参数为子结构序号。
(4)构建用于识别损伤梁跨所在的子结构的堆栈降噪自动编码器。
①确定堆栈降噪自动编码器的层数为4层；
②选择Tanh函数作为激活函数，MSE为损失函数；
③选择高斯噪声为样本添加噪声；
④选择支持向量分类机作为分类器；
⑤堆栈降噪自动编码器构建完毕。
(5)将(3)的样本输入到(4)构建的SDAE中，获得受损梁跨所在的子结构，识别结果为Ⅰ、Ⅱ、Ⅲ。
(6)构建用于识别(5)子结构中的具体受损梁跨的样本。根据有限元软件模拟结果及实测结果构建样本，输入参数的选取同简支梁相同，此时输出参数为子结构中的梁跨序号。
(7)构建用于识别子结构中受损梁跨的堆栈降噪自动编码器。
①确定堆栈降噪自动编码器的层数为4层；
②选择Tanh函数作为激活函数，MSE为损失函数；
③选择高斯噪声为样本添加噪声；
④选择支持向量分类机作为分类器；
⑤堆栈降噪自动编码器构建完毕。
(8)将(6)的样本输入到(7)构建的SDAE中，获得子结构中的具体受损梁跨，识别结果为2、3、4。
(9)构建用于识别(8)子结构中的具体受损梁跨损伤程度的样本。根据有限元软件模拟结果及实测结果构建样本，输入参数的选取同简支梁相同，此时输出参数受损梁跨的受火时间、残余承载力及残余刚度。
(10)构建用于识别子结构中受损梁跨具体损伤程度的堆栈降噪自动编码器。
①确定堆栈降噪自动编码器的层数为4层；
②选择Tanh函数作为激活函数，MSE为损失函数；
③选择高斯噪声为样本添加噪声；
④选择支持向量回归机作为分类器；
⑤堆栈降噪自动编码器构建完毕。
(11)将(9)的样本输入到(10)构建的SDAE中，获得子结构中的具体受损梁跨的损伤程度。
识别结果如下表所示：
表4火灾后间接损伤指标识别结果
表5火灾后直接损伤指标识别结果
综上所述，多跨连续梁火灾分步识别方法能较准确的识别损伤。
Claims (3)
1.一种基于深度学习理论的叠合梁火灾后损伤识别方法，所述的叠合梁为装配式叠合梁，包括简支梁和多跨连续梁；其特征为：
所述的简支梁的损伤识别方法包括如下步骤：
步骤一A、基于Abaqus有限元分析软件构建简支梁火灾后损伤模型，然后，选择Frequency分析步，使用Lanczos特征值求解器进行模态分析，进而获得火灾损伤后的模态参数；步骤二A、根据有限元模拟结果及实测的受损伤构件的振动信息采集结果，构建第一损伤识别样本，采用频率与振型的组合参数作为损伤识别算法的输入，以相应的受火时间、承载力、刚度为输出；步骤三A、构建第一堆栈降噪自动编码器SDAE；步骤四A、将第一损伤识别样本输入到第一堆栈降噪自动编码器中进行训练，并得到简支梁损伤程度识别结果；
所述的多跨连续梁的损伤识别方法包括如下步骤：
步骤一B、基于Abaqus有限元分析软件构建连续梁火灾后损伤模型，然后，选择Frequency分析步，使用Lanczos特征值求解器进行模态分析，进而获得火灾损伤后的模态参数；步骤二B、将连续梁划分为多个子结构；步骤三B、构建第二损伤识别样本，用于识别损伤子结构；步骤四B、构建用于识别损伤子结构的第二堆栈降噪自动编码器；步骤五B、将步骤三B中的第二损伤识别样本输入到第二堆栈降噪自动编码器中，获得受损子结构序号；步骤六B、构建第三损伤识别样本，用于识别步骤五B中的子结构中的具体受损梁跨，根据有限元模拟结果及实测的受损伤构件的振动信息采集结果，构建第三损伤识别样本，采用频率与振型的组合参数作为损伤识别算法的输入，此时输出参数为的梁跨序号；步骤七B、构建用于识别受损梁跨的第三堆栈降噪自动编码器；步骤八B、将第三损伤识别样本输入到第三堆栈降噪自动编码器中，获得子结构中的具体受损梁跨序号；步骤九B、构建第四损伤识别样本，用于识别步骤八B中具体受损梁跨损伤程度，根据有限元模拟结果及实测的受损伤构件的振动信息采集结果，构建第四损伤识别样本，采用频率与振型的组合参数作为损伤识别算法的输入，此时输出参数为受损梁跨的受火时间、残余承载力及残余刚度；步骤十B、构建用于识别子结构中受损梁跨具体损伤程度的第四堆栈降噪自动编码器；步骤十一B、将第四损伤识别样本输入到第四堆栈降噪自动编码器中，获得受损梁跨的损伤程度；
所述的步骤一A中，针对简支梁火灾后损伤模型，选择静力通用分析步，获得预制装配式叠合梁火灾后的残余承载力以及进行残余刚度计算；
所述的步骤二A中，
输入参数如下：
A＝{FR1,FR2,…,FRm；MO1,MO2,…,MOn}
式中：
m：频率的阶数；
n：振型的阶数；
FRi：结构的i阶频率；
构造组合参数A时，需注意以下原则：
m≤4，n≤4；
输出参数如下：
损伤识别算法的输出参数分为间接损伤指标和直接损伤指标，所述的间接损伤指标为受火时间，所述的直接损伤指标为承载力及刚度；
Q＝{T}
C＝{M,B}
式中，Q为间接损伤指标，C为直接损伤指标，T为受火时间，M为承载力，B为刚度；
所述的步骤三A中，构建第一堆栈降噪自动编码器的步骤如下：
①确定堆栈降噪自动编码器的层数为4层；
②选择Tanh函数作为激活函数，MSE为损失函数；
③选择高斯噪声为样本添加噪声；
④选择支持向量回归机作为分类器；
⑤第一堆栈降噪自动编码器构建完毕；
所述的步骤一B中，针对连续梁火灾后损伤模型，选择静力通用分析步，获得预制装配式叠合梁火灾后的残余承载力以及进行残余刚度计算；
第四堆栈降噪自动编码器的构建步骤与第一堆栈降噪自动编码器的构建步骤相同；第二堆栈降噪自动编码器、第三堆栈降噪自动编码器的构建步骤如下：
①确定堆栈降噪自动编码器的层数为4层；
②选择Tanh函数作为激活函数，MSE为损失函数；
③选择高斯噪声为样本添加噪声；
④选择支持向量分类机作为分类器；
⑤堆栈降噪自动编码器构建完毕。
2.如权利要求1所述的一种基于深度学习理论的叠合梁火灾后损伤识别方法，其特征为：所述的步骤一A中，根据受损伤的简支梁进行建模，在建模的基础上，基于温度场数值模拟结果，参考其他学者关于高温后混凝土和钢筋的质量密度、弹性模量、泊松比的研究成果，构建简支梁火灾后损伤模型；在简支梁火灾后损伤模型中，叠合面的建立采用SPRING2弹簧单元，钢筋单元节点与混凝土单元节点在垂直方向与水平方向的弹簧单元刚度取极大值。
3.如权利要求1或2所述的一种基于深度学习理论的叠合梁火灾后损伤识别方法，其特征为：所述的步骤一B中，根据受损的连续梁进行模型，在建模的基础上，基于温度场数值模拟结果，参考其他学者关于高温后混凝土和钢筋的质量密度、弹性模量、泊松比的研究成果，建立连续梁火灾后损伤模型，在连续梁火灾后损伤模型中，叠合面的建立采用SPRING2弹簧单元，钢筋单元节点与混凝土单元节点在垂直方向与水平方向的弹簧单元刚度取极大值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110136170.2A CN112818577B (zh) | 2021-02-01 | 2021-02-01 | 一种基于深度学习理论的叠合梁火灾后损伤识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110136170.2A CN112818577B (zh) | 2021-02-01 | 2021-02-01 | 一种基于深度学习理论的叠合梁火灾后损伤识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112818577A CN112818577A (zh) | 2021-05-18 |
| CN112818577B true CN112818577B (zh) | 2022-11-11 |
Family
ID=75860899
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110136170.2A Active CN112818577B (zh) | 2021-02-01 | 2021-02-01 | 一种基于深度学习理论的叠合梁火灾后损伤识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112818577B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114662525B (zh) * | 2022-01-26 | 2024-07-05 | 中铁第四勘察设计院集团有限公司 | 一种基于子结构模态参数的损伤识别方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107908824A (zh) * | 2017-10-24 | 2018-04-13 | 青岛理工大学 | 基于动力或静动力的钢筋混凝土简支梁火灾模型修正方法 |
| CN112287586A (zh) * | 2020-11-05 | 2021-01-29 | 长安大学 | 基于中小桥损伤识别结果的快速可靠度评估方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107085037B (zh) * | 2017-04-25 | 2019-10-11 | 湘潭大学 | 振型加权模态柔度的梁结构损伤识别方法 |
| CN107908825A (zh) * | 2017-10-24 | 2018-04-13 | 青岛理工大学 | 基于振动测量的钢筋混凝土简支梁火灾损伤识别方法 |
| CN109635382A (zh) * | 2018-11-28 | 2019-04-16 | 青岛理工大学 | 基于改进支持向量机钢筋混凝土简支梁火灾损伤识别方法 |
| CN110501127B9 (zh) * | 2019-08-28 | 2021-04-09 | 湘潭大学 | 一种基于损伤状态倾角斜率的等截面梁损伤识别方法 |
| CN111912589B (zh) * | 2020-06-16 | 2021-07-20 | 厦门大学 | 一种基于挠度影响线改变量识别梁结构损伤程度的方法 |
-
2021
- 2021-02-01 CN CN202110136170.2A patent/CN112818577B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107908824A (zh) * | 2017-10-24 | 2018-04-13 | 青岛理工大学 | 基于动力或静动力的钢筋混凝土简支梁火灾模型修正方法 |
| CN112287586A (zh) * | 2020-11-05 | 2021-01-29 | 长安大学 | 基于中小桥损伤识别结果的快速可靠度评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112818577A (zh) | 2021-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108226399B (zh) | 一种基于模态参数的张弦结构损伤组合识别方法 | |
| CN103116759B (zh) | 一种适用于空间网格结构的损伤识别方法 | |
| CN104462785B (zh) | 一种两阶段式建筑框架结构损伤检测方法 | |
| CN101145214A (zh) | 基于改进反向传播神经网络的斜拉桥拉索损伤定位方法 | |
| CN109558621B (zh) | 一种结构损伤识别方法及系统 | |
| Perry et al. | Output‐only structural identification in time domain: numerical and experimental studies | |
| CN103884593B (zh) | 基于少量静态测量数据的结构损伤定位与程度识别方法 | |
| Tabrizian et al. | A New Damage Detection Method: Big Bang‐Big Crunch (BB‐BC) Algorithm | |
| Pan et al. | Improved automatic operational modal analysis method and application to large-scale bridges | |
| CN108280294B (zh) | 一种基于模态参数的索拱结构损伤组合识别方法 | |
| CN112949131B (zh) | 连续桥梁集群损伤诊断的概率损伤定位向量法 | |
| Aydin et al. | Damage diagnosis in beam-like structures by artificial neural networks | |
| CN112818577B (zh) | 一种基于深度学习理论的叠合梁火灾后损伤识别方法 | |
| CN104133960A (zh) | 一种改进的静力传感器的优化布设方法 | |
| CN105975702A (zh) | 斜拉桥健康监测传感器优化布置方法和系统 | |
| CN110008520B (zh) | 基于位移响应协方差参数和贝叶斯融合的结构损伤识别方法 | |
| CN110427716A (zh) | 基于统计矩的高层结构无模型损伤识别方法 | |
| CN107246944A (zh) | 一种基于统计矩理论的结构损伤识别方法 | |
| Guo et al. | Structural damage identification based on the wavelet transform and improved particle swarm optimization algorithm | |
| Zhang et al. | Structural damage identification with output-only measurements using modified Jaya algorithm and Tikhonov regularization method | |
| CN115544794A (zh) | 基于疲劳寿命预测的支撑钢框架设计参数选取方法 | |
| Rageh et al. | Model updating and parameter identification for developing digital twins for riveted steel railway bridges | |
| Baghiee et al. | Damage detection of multi-girder bridge superstructure based on the modal strain approaches | |
| CN113946989A (zh) | 基于广义模式搜索算法的结构损伤检测方法 | |
| Greco et al. | An optimization algorithm for the detection of damage in frame structures |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |