CN114723042A - 一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法 - Google Patents

一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法 Download PDF

Info

Publication number
CN114723042A
CN114723042A CN202210300270.9A CN202210300270A CN114723042A CN 114723042 A CN114723042 A CN 114723042A CN 202210300270 A CN202210300270 A CN 202210300270A CN 114723042 A CN114723042 A CN 114723042A
Authority
CN
China
Prior art keywords
damage
neural network
bridge
curve
res
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.)
Granted
Application number
CN202210300270.9A
Other languages
English (en)
Other versions
CN114723042B (zh
Inventor
陈代海
张云森
许世展
李整
李银鑫
房益林
朱家鹏
张宇
杨朝旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhengzhou University
Original Assignee
Zhengzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhengzhou University filed Critical Zhengzhou University
Priority to CN202210300270.9A priority Critical patent/CN114723042B/zh
Publication of CN114723042A publication Critical patent/CN114723042A/zh
Application granted granted Critical
Publication of CN114723042B publication Critical patent/CN114723042B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0008—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings of bridges
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法，步骤如下：在桥梁跨中位置处设置挠度测点，测得桥梁损伤前后主梁跨中的位移影响线并做差，得到位移影响线差曲线并求得该曲线的曲率，根据曲线的变化趋势初步定位桥梁的损伤区域；在该区域内布置传感器，获取单位荷载作用下的位移响应信号，计算其小波包能量相对变化率(RES)并绘制RES曲线，根据曲线的变化情况对桥梁损伤位置进行精确定位；采用遗传模拟退火算法对BP神经网络进行优化并训练；将桥梁结构损伤位置处的RES输入到训练好的优化BP神经网络，得到其损伤程度。本发明只需要较少传感器即可对桥梁损伤进行准确定位与定量，对桥梁的维修加固具有较大的工程应用价值。

Description

一种基于优化神经网络的桥梁损伤位置和损伤程度的识别 方法
技术领域
本发明涉及一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法，属于桥梁损伤识别技术领域。
背景技术
桥梁健康监测系统是指对运营中的整个桥梁结构进行实时监测，对行为信息进行处理，对结构状态进行智能评估，并对主要性能指标的变化进行研判从而识别桥梁损伤的系统。损伤识别是桥梁健康监测系统的核心。通过分析桥梁结构的性能，可以对桥梁结构是否存在损伤、损伤类型、损伤位置和损伤程度做出准确合理的判断。桥梁损伤识别技术的研究可以加深对桥梁结构运行状态的掌握，以便及早发现和维修，保证桥梁结构的安全和延长桥梁的使用寿命。
本发明利用在桥梁结构中布置的较少传感器，测得桥梁在车辆移动荷载作用下的响应，基于位移影响线差、位移影响线差曲率、小波包总能量和由遗传模拟退火算法优化后的BP神经网络，提出一种精确识别桥梁结构损伤位置和损伤程度的方法，为桥梁结构检测和维修提供技术支撑。
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不足，提供一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法，包括以下步骤：
在桥梁跨中位置处设置挠度测点，测得结构损伤前后主梁跨中的位移影响线；
对结构损伤前后的位移影响线作差，得到其位移影响线差曲线并求得该曲线的曲率，根据位移影响线差曲率曲线的变化趋势初步定位桥梁结构的损伤区域；
在该区域内布置传感器，获取单位荷载作用下的位移响应信号，对该信号进行小波包分解，收集小波包总能量，进一步计算得到其小波包能量相对变化率(RES)。绘制RES变化曲线，根据曲线的变化情况对桥梁结构损伤位置进行精确定位；
采用遗传模拟退火算法对BP神经网络进行优化，对优化后的BP神经网络进行训练，并利用测试样本对其进行测试。对构建的BP神经网络进行评价与修正，获得训练完成的优化BP神经网络；
将桥梁结构损伤位置处的RES数据输入到训练好的优化BP神经网络，得到其损伤程度，最终实现桥梁结构损伤位置与损伤程度的识别。
进一步的，计算测点位置处损伤前后位移影响线差：
Δωi＝ωd-ω0
其中：ω0为测点位置损伤前的位移影响线，ωd为测点位置损伤后的位移影响线，Δωi为测点位置处损伤前后的位移影响线差。
绘制出测点位置处的位移影响线差曲线，根据位移影响线差曲线的变化情况，初步识别桥梁结构损伤位置。
进一步的，计算位移影响线差的曲率。设某测点S处的位移影响线差为Δωi，采用中心差分法求解位移影响线差曲率k为：
Figure BDA0003562602540000021
其中：下标i为移动荷载加载在节点上的节点号，k为移动荷载作用于i节点位置的位移影响线差曲率，ε为节点i-1到节点i的间距与节点i到节点i+1间距值的平均值。
绘制位移影响线差曲率曲线，根据位移影响线差曲率曲线的变化情况，初步识别桥梁结构损伤位置。
进一步的，将传感器所收集到的信号x(t)进行小波包分解，得：
Figure BDA0003562602540000022
Figure BDA0003562602540000023
Figure BDA0003562602540000024
其中：
Figure BDA0003562602540000031
为小波包系数，i，r，j分为尺度指标，位置指标和频率指标，ψi,r,j(t)为小波包函数，是一组标准正交基，当m≠n时：
Figure BDA0003562602540000032
对原始信号进行小波包分解得到小波系数，并对同一频带范围内的小波系数求平方和得到在这个频带上的能量分量，频带能量和为小波包总能量，此时信号的总能量为：
Figure BDA0003562602540000033
由小波包的正交性可得：
Figure BDA0003562602540000034
其中：小波包组分能量Et可以认为是存储于组分信号
Figure BDA0003562602540000035
中的能量，Ei为结构第i频带的能量Et为小波包分解总能量，i为频带数目，j为频带内小波包系数数目。
小波包能量相对变化率(RES)是基于小波包系数的总能量变化率的损伤指标，其表示为：
RES＝E(t,undam)/E(t,dam)
其中，RES为小波包能量相对变化率，Et,undam为完好结构小波包总能量，Et,dam为已损伤结构小波包总能量。
根据计算所得的RES绘制出RES曲线，根据曲线的变化情况精准定位桥梁结构的损伤位置。
进一步的，采用遗传模拟退火算法对BP神经网络进行优化，该算法可以避免网络学习陷入局部极小，其实现途径为：如果神经元的权值修改使网络的训练误差下降，则接受这次权值修改；如果权值修改使网络的训练误差增大，则以概率p(p<1)接受这次权值修改，从而使网络在该概率水平下逃逸出局部极小点，概率p以指数关系依赖于网络温度T，表示为：
p＝e-ΔE/T
其中，ΔE是网络的训练误差。
采用遗传模拟退火算法对BP神经网络进行优化的主要步骤为：
步骤1、设定三层前向神经网络的输入节点r、隐含层节点h、输出节点c、初始温度T0、退火次数Num、退火个体数N；
步骤2、在[0,1]范围内随机产生p条染色体，得到初始种群，并设初始进化代数L＝0；
步骤3、由设定的选择概率按选择机制对个体选择；
步骤4、由自适应交叉概率按交叉算子进行交叉操作；
步骤5、由自适应变异概率按变异算子进行变异操作；
步骤6、把由步骤3、4、5得到的个体放到一起作为中间种群；
步骤7、计算中间种群的适应度，将适应度大的个体分别进行模拟退火Num次；
步骤8、将模拟退火后得到的N个最好的个体替代中间种群中取出的N个个体，组成新种群；
步骤9、如果进化代数小于预先设定的最大遗传代数，令L＝L+1，转步骤3，否则，终止网络的训练，选出最优个体，则进行第10步；
步骤10、将最优个体按顺序拆分，作为BP网络的最优权值；
步骤11、输入与训练样本集模式相一致的预测样本，得到预测值，并计算出相对误差。
最后获得由遗传模拟退火算法优化后的BP神经网络。
进一步的，对由遗传模拟退火算法优化后的BP神经网络进行训练的主要步骤为：1)确定神经网络模型的拓扑结构；2)确定神经网络模型的输入层、输出层、隐含层层数及各隐含层所包含的神经元个数；3)选用控制截面的RES作为神经网络模型的输入层数据，以控制截面对应的损伤程度作为输出层数据，把得到的损伤识别指标RES值作为训练集样本数据，建立训练集样本数据库；4)将训练集样本数据库中的数据RES作为训练样本，对神经网络进行训练；5)达到目标精度后训练停止，获得训练完成的BP神经网络。
进一步的，将桥梁结构的损伤指标RES数据输入到训练完成的优化BP神经网络中，分析各训练网络计算损伤程度的预测能力。预测集样本数据经过网络分析后，可以得到损伤位置的损伤程度输出值，绘制损伤程度预测图，实现桥梁结构损伤位置处的损伤程度识别。
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是本发明的方法流程图；
图2是本发明实施例的简支梁示意图；
图3(a)为本发明实施例中工况2-4的位移影响线差曲线，图3(b)为实施例中工况2-4的位移影响线差曲率曲线；
图4(a)为本发明实施例中工况5-7的位移影响线差曲线，图4(b)为实施例中工况5-7的位移影响线差曲率曲线；
图5是本发明实施例中工况2-4的RES变化曲线，图6为实施例中工况5-7的RES变化曲线；
图7是本发明实施例中工况2-4的损伤程度识别结果图，图8为实施例中工况5-7的损伤程度识别结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
如图1所示一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法，包括以下步骤：
在桥梁跨中位置处设置挠度测点，测得结构损伤前后主梁跨中的位移影响线；
对结构损伤前后的位移影响线作差，得到其位移影响线差曲线并求得该曲线的曲率，根据位移影响线差曲率曲线的变化趋势初步定位桥梁结构的损伤区域；
在该区域内布置传感器，获取单位荷载作用下的位移响应信号，对该信号进行小波包分解，收集小波包总能量，进一步计算得到其小波包能量相对变化率(RES)。绘制RES变化曲线，根据曲线的变化情况对桥梁结构损伤位置进行精确定位；
采用遗传模拟退火算法对BP神经网络进行优化，对优化后的BP神经网络进行训练，并利用测试样本对其进行测试。对构建的BP神经网络进行评价与修正，获得训练完成的优化BP神经网络；
将桥梁结构损伤位置处的RES数据输入到训练好的优化BP神经网络，得到其损伤程度，最终实现桥梁结构损伤位置与损伤程度的识别。
进一步的，计算测点位置处损伤前后位移影响线差：
Δωi＝ωd-ω0
其中：ω0为测点位置损伤前的位移影响线，ωd为测点位置损伤后的位移影响线，Δωi为测点位置处损伤前后的位移影响线差。
绘制出测点位置处的位移影响线差曲线，根据位移影响线差曲线的变化情况，初步识别桥梁结构损伤位置。
进一步的，计算位移影响线差的曲率。设某测点S处的位移影响线差为Δωi，采用中心差分法求解位移影响线差曲率k为：
Figure BDA0003562602540000061
其中：下标i为移动荷载加载在节点上的节点号，k为移动荷载作用于i节点位置的位移影响线差曲率，ε为节点i-1到节点i的间距与节点i到节点i+1间距值的平均值。
绘制位移影响线差曲率曲线，根据位移影响线差曲率曲线的变化情况，初步识别桥梁结构损伤位置。
进一步的，将传感器所收集到的信号x(t)进行小波包分解，得：
Figure BDA0003562602540000071
Figure BDA0003562602540000072
Figure BDA0003562602540000073
其中：
Figure BDA0003562602540000074
为小波包系数，i，r，j分为尺度指标，位置指标和频率指标，ψi,r,j(t)为小波包函数，是一组标准正交基，当m≠n时：
Figure BDA0003562602540000075
对原始信号进行小波包分解得到小波系数，并对同一频带范围内的小波系数求平方和得到在这个频带上的能量分量，频带能量和为小波包总能量，此时信号的总能量为：
Figure BDA0003562602540000076
由小波包的正交性可得：
Figure BDA0003562602540000077
其中：小波包组分能量Et可以认为是存储于组分信号
Figure BDA0003562602540000078
中的能量，Ei为结构第i频带的能量Et为小波包分解总能量，i为频带数目，j为频带内小波包系数数目。
小波包能量相对变化率(RES)是基于小波包系数的总能量变化率的损伤指标，其表示为：
RES＝E(t,undam)/E(t,dam)
其中，RES为小波包能量相对变化率，Et,undam为完好结构小波包总能量，Et,dam为已损伤结构小波包总能量。
根据计算所得的RES绘制出RES曲线，根据曲线的变化情况精准定位桥梁结构的损伤位置。
进一步的，采用遗传模拟退火算法对BP神经网络进行优化，该算法可以避免网络学习陷入局部极小，其实现途径为：如果神经元的权值修改使网络的训练误差下降，则接受这次权值修改；如果权值修改使网络的训练误差增大，则以概率p(p<1)接受这次权值修改，从而使网络在该概率水平下逃逸出局部极小点，概率p以指数关系依赖于网络温度T，表示为：
p＝e-ΔE/T
其中，ΔE是网络的训练误差。
采用遗传模拟退火算法对BP神经网络进行优化的主要步骤为：
步骤1、设定三层前向神经网络的输入节点r、隐含层节点h、输出节点c、初始温度T0、退火次数Num、退火个体数N；
步骤2、在[0,1]范围内随机产生p条染色体，得到初始种群，并设初始进化代数L＝0；
步骤3、由设定的选择概率按选择机制对个体选择；
步骤4、由自适应交叉概率按交叉算子进行交叉操作；
步骤5、由自适应变异概率按变异算子进行变异操作；
步骤6、把由步骤3、4、5得到的个体放到一起作为中间种群；
步骤7、计算中间种群的适应度，将适应度大的个体分别进行模拟退火Num次；
步骤8、将模拟退火后得到的N个最好的个体替代中间种群中取出的N个个体，组成新种群；
步骤9、如果进化代数小于预先设定的最大遗传代数，令L＝L+1，转步骤3，否则，终止网络的训练，选出最优个体，则进行第10步；
步骤10、将最优个体按顺序拆分，作为BP网络的最优权值；
步骤11、输入与训练样本集模式相一致的预测样本，得到预测值，并计算出相对误差。
最后获得由遗传模拟退火算法优化后的BP神经网络。
进一步的，对由遗传模拟退火算法优化后的BP神经网络进行训练的主要步骤为：1)确定神经网络模型的拓扑结构；2)确定神经网络模型的输入层、输出层、隐含层层数及各隐含层所包含的神经元个数；3)选用控制截面的RES作为神经网络模型的输入层数据，以控制截面对应的损伤程度作为输出层数据，把得到的损伤识别指标RES值作为训练集样本数据，建立训练集样本数据库；4)将训练集样本数据库中的数据RES作为训练样本，对神经网络进行训练；5)达到目标精度后训练停止，获得训练完成的BP神经网络。
进一步的，将桥梁结构的损伤指标RES数据输入到训练完成的优化BP神经网络中，分析各训练网络计算损伤程度的预测能力。预测集样本数据经过网络分析后，可以得到损伤位置的损伤程度输出值，绘制损伤程度预测图，实现桥梁结构损伤位置处的损伤程度识别。
下面通过附图和实施例对本发明进行详细说明。
实施例：
简支梁损伤识别方法：
如图1所示，利用通用有限元分析软件建立一简支梁桥的有限元模型。模拟的简支梁长10m，采用1×1m的矩形截面，材料选取强度等级为C50的混凝土，其弹性模量E＝3.45×104MPa，截面惯性矩I＝0.0833m4，密度ρ＝2500kg/m3，全桥共划分为100个单元，共101个节点。采用集中力模拟车辆荷载，其大小为1kN，考虑其以10m/s的速度匀速通过该简支梁，计算得到简支梁桥的响应。
假定桥梁不同的损伤位置和损伤程度，设立7种计算工况，其中工况1表示桥梁无损伤状态，工况2-4表示单点损伤状态，工况5-7表示两点损伤状态。见表1。
表1简支梁桥不同损伤位置和损伤程度的计算工况
Figure BDA0003562602540000101
计算上述工况下简支梁桥跨中的竖向静位移，得到桥梁结构损伤前后的位移影响线。图3(a)为工况2-4的位移影响线差曲线，图3(b)为工况2-4的位移影响线差曲率曲线；图4(a)为工况5-7的位移影响线差曲线，图4(b)为工况5-7的位移影响线差曲率曲线。
由图3(a)和图3(b)可知，在工况2-4中，1/4跨截面位置处的位移影响线差值和位移影响线差曲率值均明显大于其他位置处的值，说明此处发生了损伤，这与事先假定的损伤位置吻合。相比于位移影响线差曲线，位移影响线差曲率曲线在结构损伤位置处的突变更明显，能更直观的显示结构损伤位置。
由图4(a)和图4(b)可知，在工况5-7中，1/4跨截面和1/2跨截面位置处的位移影响线差值和位移影响线差曲率值均明显大于其他位置处的值，说明此处发生了损伤，这与事先假定的损伤位置吻合。相比于位移影响线差曲线，位移影响线差曲率曲线在结构损伤位置处的突变更明显，能更直观的显示结构损伤位置。
计算上述工况下简支梁桥跨中的竖向位移时程，对其进行小波包分解，得到小波包能量相对变化率(RES)曲线，根据曲线的变化趋势精准定位桥梁损伤位置。
图5为工况2-4的RES曲线，由图可知，1/4跨位置处出现RES峰值，说明此处发生了损伤，与事先假定的损伤位置吻合。
图6为工况5-7的RES曲线，由图可知，1/4跨和1/2跨位置处出现RES峰值，说明此处发生了损伤，与事先假定的损伤位置吻合。
根据位移影响线差曲率初步判断结构损伤位置，再根据RES曲线精确定位结构损伤位置，为进一步识别桥梁损伤位置处的损伤程度做准备。
采用遗传模拟退火算法优化BP神经网络，具体参数如下：
(1)初始温度T0取为100℃。
(2)退火方式采用指数下降方式：T＝αT0，α为降温因子。
(3)终止温度Te取为0.1℃。
对经遗传模拟退火算法优化后的BP神经网络进行训练。根据结构损伤点数的不同定义单点损伤、两点损伤和三点损伤等3种损伤状态。假定桥梁结构在八分点处发生损伤，全桥共有7个损伤点，损伤程度定为10％、20％、30％三种。将损伤点位和损伤程度进行组合，单点损伤共计21种工况，两点损伤共计126种工况，三点损伤共计140种工况。去除表1中作为预测的6种损伤计算工况，训练工况共计281种。
将上述281种工况下桥梁结构损伤位置处的RES值作为训练样本输入到优化后的BP神经网络进行训练，得到训练完成后的优化BP神经网络。
表1中的工况2-7作为6种预测工况，将该预测工况下桥梁结构损伤位置处的RES值输入到训练完成后的优化BP神经网络，得到桥梁结构损伤位置处的损伤程度，见表2。
表2桥梁结构损伤位置处损伤程度(％)
Figure BDA0003562602540000111
Figure BDA0003562602540000121
由表2、图7和图8可知，桥梁结构损伤位置和损伤程度的识别结果分别为：在工况2中，1/4跨处发生了损伤程度为10％的结构损伤，在工况3中，1/4跨处发生了损伤程度为20％的结构损伤，在工况4中，1/4跨处发生了损伤程度为30％的结构损伤，在工况5中，1/4跨和1/2跨处均发生了损伤程度为10％的结构损伤，在工况6中，1/4跨和1/2跨处均发生了损伤程度为20％的结构损伤，在工况6中，1/4跨和1/2跨处均发生了损伤程度为30％的结构损伤。
上述识别结果与事先假定的桥梁结构损伤位置和损伤程度相吻合，能够对结构损伤做出有效识别。从而验证了本发明方法的准确性和可靠性。

Claims (7)

1.一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法，其特征在于，包括以下步骤：
(1)在桥梁跨中位置处设置挠度测点，测得结构损伤前后主梁跨中的位移影响线；
(2)对结构损伤前后的位移影响线作差，得到其位移影响线差曲线并求得该曲线的曲率，根据位移影响线差曲率曲线的变化趋势初步定位桥梁结构的损伤区域；
(3)在该区域内布置传感器，获取单位荷载作用下的位移响应信号，对该信号进行小波包分解，收集小波包总能量，进一步计算得到其小波包能量相对变化率(RES)。绘制RES变化曲线，根据曲线的变化情况对桥梁结构损伤位置进行精确定位；
(4)采用遗传模拟退火算法对BP神经网络进行优化，对优化后的BP神经网络进行训练，并利用测试样本对其进行测试。对构建的BP神经网络进行评价与修正，获得训练完成的优化BP神经网络；
(5)将桥梁结构损伤位置处的RES数据输入到训练好的优化BP神经网络，得到其损伤程度，最终实现桥梁结构损伤位置与损伤程度的识别。
2.根据权利要求1所述的一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法，其特征在于：步骤(2)中，计算测点位置处损伤前后位移影响线差：
Δωi＝ωd-ω0
其中：ω0为测点位置损伤前的位移影响线，ωd为测点位置损伤后的位移影响线，Δωi为测点位置处损伤前后的位移影响线差。
绘制出测点位置处的位移影响线差曲线，根据位移影响线差曲线的变化情况，初步识别桥梁结构损伤位置。
3.根据权利要求1所述的一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法，其特征在于：步骤(2)中，为使桥梁结构损伤位置的识别效果更佳，计算权利2所得位移影响线差的曲率。权利2中设某测点S处的位移影响线差为Δωi，采用中心差分法求解位移影响线差曲率k为：
Figure RE-FDA0003644581490000021
其中：下标i为移动荷载加载在节点上的节点号，k为移动荷载作用于i节点位置的位移影响线差曲率，ε为节点i-1到节点i的间距与节点i到节点i+1间距值的平均值。
绘制位移影响线差曲率曲线，根据位移影响线差曲率曲线的变化情况，初步识别桥梁结构损伤位置。
4.根据权利要求1所述的一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法，其特征在于：步骤(3)中，将传感器所收集到的信号x(t)进行小波包分解，得：
Figure RE-FDA0003644581490000022
Figure RE-FDA0003644581490000023
Figure RE-FDA0003644581490000024
其中：
Figure RE-FDA0003644581490000025
为小波包系数，i，r，j分为尺度指标，位置指标和频率指标，ψi，r，j(t)为小波包函数，是一组标准正交基，当m≠n时：
Figure RE-FDA0003644581490000026
对原始信号进行小波包分解得到小波系数，并对同一频带范围内的小波系数求平方和得到在这个频带上的能量分量，频带能量和为小波包总能量，此时信号的总能量为：
Figure RE-FDA0003644581490000027
由小波包的正交性可得：
Figure RE-FDA0003644581490000031
其中：小波包组分能量Et可以认为是存储于组分信号
Figure RE-FDA0003644581490000032
中的能量，Ei为结构第i频带的能量Et为小波包分解总能量，i为频带数目，j为频带内小波包系数数目。
小波包能量相对变化率(RES)是基于小波包系数的总能量变化率的损伤指标，其表示为：
RES＝E(t，undam)/E(t，dam)
其中，RES为小波包能量相对变化率，Et，undam为完好结构小波包总能量，Et，dam为已损伤结构小波包总能量。
根据计算所得的RES绘制出RES曲线，根据曲线的变化情况精准定位桥梁结构的损伤位置。
5.根据权利要求1所述的一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法，其特征在于：步骤(4)中，采用遗传模拟退火算法对BP神经网络进行优化，该算法可以避免网络学习陷入局部极小，其实现途径为：如果神经元的权值修改使网络的训练误差下降，则接受这次权值修改；如果权值修改使网络的训练误差增大，则以概率p(p＜1)接受这次权值修改，从而使网络在该概率水平下逃逸出局部极小点，概率p以指数关系依赖于网络温度T，表示为：
p＝e-ΔE/T
其中，ΔE是网络的训练误差。
采用遗传模拟退火算法对BP神经网络进行优化的主要步骤为：
步骤1、设定三层前向神经网络的输入节点r、隐含层节点h、输出节点c、初始温度T0、退火次数Num、退火个体数N；
步骤2、在[0，1]范围内随机产生p条染色体，得到初始种群，并设初始进化代数L＝0；
步骤3、由设定的选择概率按选择机制对个体选择；
步骤4、由自适应交叉概率按交叉算子进行交叉操作；
步骤5、由自适应变异概率按变异算子进行变异操作；
步骤6、把由步骤3、4、5得到的个体放到一起作为中间种群；
步骤7、计算中间种群的适应度，将适应度大的个体分别进行模拟退火Num次；
步骤8、将模拟退火后得到的N个最好的个体替代中间种群中取出的N个个体，组成新种群；
步骤9、如果进化代数小于预先设定的最大遗传代数，令L＝L+1，转步骤3，否则，终止网络的训练，选出最优个体，则进行第10步；
步骤10、将最优个体按顺序拆分，作为BP网络的最优权值；
步骤11、输入与训练样本集模式相一致的预测样本，得到预测值，并计算出相对误差。
最后获得由遗传模拟退火算法优化后的BP神经网络。
6.根据权利要求1所述的一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法，其特征在于：步骤(4)中，对由遗传模拟退火算法优化后的BP神经网络进行训练的主要步骤为：1)确定神经网络模型的拓扑结构；2)确定神经网络模型的输入层、输出层、隐含层层数及各隐含层所包含的神经元个数；3)选用控制截面的RES作为神经网络模型的输入层数据，以控制截面对应的损伤程度作为输出层数据，把得到的损伤识别指标RES值作为训练集样本数据，建立训练集样本数据库；4)将训练集样本数据库中的数据RES作为训练样本，对神经网络进行训练；5)达到目标精度后训练停止，获得训练完成的BP神经网络。
7.根据权利要求1所述的一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法，其特征在于：步骤(5)中，将桥梁结构的损伤指标RES数据输入到训练完成的优化BP神经网络中，分析各训练网络计算损伤程度的预测能力。预测集样本数据经过网络分析后，可以得到损伤位置的损伤程度输出值，绘制损伤程度预测图，实现桥梁结构损伤位置处的损伤程度识别。
CN202210300270.9A 2022-03-24 2022-03-24 一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法 Active CN114723042B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210300270.9A CN114723042B (zh) 2022-03-24 2022-03-24 一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210300270.9A CN114723042B (zh) 2022-03-24 2022-03-24 一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法

Publications (2)

Publication Number Publication Date
CN114723042A true CN114723042A (zh) 2022-07-08
CN114723042B CN114723042B (zh) 2024-03-26

Family

ID=82239469

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210300270.9A Active CN114723042B (zh) 2022-03-24 2022-03-24 一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法

Country Status (1)

Country Link
CN (1) CN114723042B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117574110A (zh) * 2023-11-22 2024-02-20 四川农业大学 全域桥梁损伤快速识别方法、装置及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090326834A1 (en) * 2004-11-12 2009-12-31 Sundaresan Mannur J Systems, methods and computer program products for characterizing structural events
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
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
CN112529842A (zh) * 2020-11-23 2021-03-19 天津大学 一种基于小波包能量的多激励融合板结构损伤识别方法
CA3189484A1 (en) * 2020-08-18 2022-02-24 Level 42 Ai Inc. Sensor systems and methods for characterizing health conditions

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090326834A1 (en) * 2004-11-12 2009-12-31 Sundaresan Mannur J Systems, methods and computer program products for characterizing structural events
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
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
CA3189484A1 (en) * 2020-08-18 2022-02-24 Level 42 Ai Inc. Sensor systems and methods for characterizing health conditions
CN112529842A (zh) * 2020-11-23 2021-03-19 天津大学 一种基于小波包能量的多激励融合板结构损伤识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
李治学;白先梅;: "基于小波变换的码头结构损伤预警试验研究", 水运工程, no. 08, 25 August 2010 (2010-08-25) *
狄生奎;花尉攀;汲生伟;: "不同工况下简支梁桥损伤的模态曲率差值分析", 兰州理工大学学报, no. 05, 15 October 2010 (2010-10-15) *
薛祥;霍达;滕海文;: "基于空间小波分析的桥梁损伤识别", 中外公路, no. 06, 29 December 2005 (2005-12-29) *
薛祥;霍达;滕海文;姜雪峰;: "离散空间小波分析的环境荷载下桥梁的损伤识别", 公路交通科技, no. 07, 15 July 2006 (2006-07-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117574110A (zh) * 2023-11-22 2024-02-20 四川农业大学 全域桥梁损伤快速识别方法、装置及介质

Also Published As

Publication number Publication date
CN114723042B (zh) 2024-03-26

Similar Documents

Publication Publication Date Title
CN110704801B (zh) 桥梁集群结构运营安全智能监测与快速检测成套方法
CN113723010B (zh) 一种基于lstm温度-位移相关模型的桥梁损伤预警方法
CN101477340B (zh) 基于索力监测的索结构中索系统的递进式健康监测方法
CN101504333B (zh) 基于应变监测的索结构中索系统的递进式健康监测方法
CN210924883U (zh) 一种桥梁结构健康监测系统
CN111310686B (zh) 一种ipso-bp神经网络的钢丝绳断丝损伤识别方法
CN117291072B (zh) 一种桥梁损伤识别方法
CN115950609B (zh) 一种结合相关性分析和神经网络的桥梁挠度异常检测方法
CN116881819B (zh) 一种基于孤立森林的斜拉索工作状态监测方法
CN114723042B (zh) 一种基于优化神经网络的桥梁损伤位置和损伤程度的识别方法
CN111783212B (zh) 一种斜拉桥典型损伤识别方法
CN117312816B (zh) 一种特种钢材的冶炼效果评估方法及系统
WO2024041233A1 (zh) 桥梁结构多因素耦合作用疲劳损伤与寿命的评估方法
KR20220009058A (ko) 케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법 및 그 인공지능부
CN115048998A (zh) 一种基于监测数据的斜拉桥群索索力异常识别定位方法
CN116663126A (zh) 一种基于通道注意力BiLSTM模型的桥梁温度效应预测方法
CN116910879A (zh) 一种随机车载作用下桥梁斜拉索的索力异常诊断方法及装置
CN116591768A (zh) 一种基于分布式网络的隧道监测方法、系统及装置
CN114118249A (zh) 基于优化堆叠自编码器和多信号融合的结构损伤诊断方法
CN109993211B (zh) 基于结构加速度ar模型系数的损伤识别方法
CN117494026B (zh) 寒潮气象下输电线路覆冰故障定位方法、系统及存储介质
CN115793516B (zh) 一种智能桥梁移动检测的控制系统和方法
CN113408441B (zh) 基于DRSN和person相关系数的道床故障预警方法
CN117708553A (zh) 一种基于pso-bp神经网络的桥梁监测数据检验方法及其系统
Zou et al. Crack Detection and Classification of a Simulated Beam Using Deep Neural Network

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