论文部分内容阅读
本文提出一种基于深度学习算法的结构损伤识别方法。结构发生损伤会引起结构质量、刚度和阻尼的变化,进而引起模态参数的变化,其中有关研究表明模态应变能对结构的局部信息变化比较敏感。卷积神经网络作为一种智能算法具有自动提取特征的能力,而损伤识别其实就是寻找结构损伤时的特征,所以将该算法应用到损伤识别领域具有巨大的潜力。本文结合模态应变能和卷积神经网络算法进行损伤识别研究,将该方法分别应用到数值模型与实验模型中,取得了理想的识别效果,证明了该方法的可行性。前期的准备工作主要包括:卷积神经网络基本原理的学习、卷积神经网络模型设计以及网络训练样本的获取方法。本文分别开发了基于MATALB的卷积神经网络框架的搭建及在损伤识别方面的应用,以及基于ABAQUS有限元软件的参数化获取损伤样本的Python脚本,建立了自动获取大量样本的方法,节省了人力资源及大量的时间消耗。对于提出的损伤识别方法,首先从数值模拟方面进行了研究,研究对象为矩形简支梁和三维的钢架结构。分别从结构单个损伤位置、单个损伤位置的损伤程度及多个损伤位置的角度对卷积神经网络的识别效果进行研究,结果表明:卷积神经网络不仅对于简单模型(矩形截面简支梁)具有极好的识别效果,对于三维复杂钢架模型的识别效果也是理想的,对于损伤位置及程度的识别均具有相当高的精度。为了模拟真实世界的损伤识别过程可能遇到的复杂情况,利用人工噪声和制造不完整数据的方法对识别过程进行干扰。随着噪声强度的增加,卷积神经网络对损伤位置识别的正确率变化不大,但对于损伤程度识别的误差较大。对于不完整数据影响的研究,随着缺失数据的增加,卷积神经网络对损伤位置识别的正确率下降,对于损伤程度识别的误差也增加。为了证明卷积神经网络的独特优势,将正常数据以及存在干扰的数据(含有噪声、数据不完整)的损伤识别过程重新应用到传统的神经网络中,从而比较两者的优劣。对于正常数据而言,卷积神经网络的计算速度得到了极大的提升,损伤位置识别方面更具有优势,损伤程度方面拟合效果略低于传统神经网络,但综合计算速度与识别效果两种因素来看,卷积神经网络比传统神经网络更具有优势;对于存在干扰的数据而言,卷积神经网络具有更好的抗干扰能力,在损伤位置和损伤程度方面都具有较好的识别效果,正确率和精度都超过传统的神经网络。最后为了证明卷积神经网络对真实模型也具有识别效果,提出一种基于异源数据的对于真实模型的损伤识别方法。以一个三维钢架作为研究对象,以数值模拟数据作为网络训练的样本,损伤指标采用模态应变能变化率,待网络训练完毕后,将实验数据输入到的网络中,可以准确识别真实结构的损伤情况,相比于传统的识别方法,卷积神经网络表现出独特的优势。