论文部分内容阅读
结构的损伤识别属于力学中的反分析范畴,是利用结构响应值的改变来识别结构相关物理参数的变化,故可将损伤识别问题转化为对应的多峰值优化问题或确定模式下的分类识别问题。与传统数学方法相比,人工智能算法在解决大规模非线性问题时具有很强的优势,因此在结构损伤识别中得到了广泛的应用。目前应用最广的智能算法是遗传算法与支持向量机。本文从解决斜拉桥损伤识别的角度出发,提出适用于斜拉桥损伤识别的改进遗传算法,并将该方法与支持向量机相结合,实现斜拉桥全结构的损伤识别,主要研究工作如下:(1)简要论述了结构损伤识别的发展概况,阐述了支持向量机和遗传算法在桥梁损伤识别中的应用现状。(2)介绍了遗传算法的基本原理、实现过程,选用能够减少有限元迭代次数的微种群遗传算法进行了斜拉桥主梁的损伤识别研究,并以实验室独塔斜拉桥模型作为研究对象验证了此方法的可行性,仿真结果表明:该方法与标准遗传算法相比能大幅度提升损伤识别的寻优速度,但对于复杂的损伤工况易出现“早熟”的现象。(3)为进一步提升微种群遗传算法的损伤识别性能,解决“早熟”问题,提出了一种分层遗传算法,该方法从寻优计算的适应度函数形式、算法的结构、算子的组成,搜索策略等方面对微种群遗传算法进行改进,提高了该方法的损伤识别性能。数值仿真结果表明:分层遗传算法在继承微种群遗传算法快速搜索特性的同时,提升了算法的局部搜索性能,能够更好的识别斜拉桥多种复杂工况和较小程度的单元损伤,减少了寻优过程陷入“早熟”陷阱的可能性;经抗噪性分析发现,在小噪声污染情况下,损伤识别的效果良好。(4)采用支持向量机与分层遗传算法相结合的联合优化算法实现了斜拉桥全结构的损伤识别。该方法首先按结构的材料特性将斜拉桥分为主梁、索塔、斜拉索三个子结构,利用支持向量机的分类特性判定损伤的来源;确定损伤属于某一种子结构后,将基于几何位置的多重子结构法与分层遗传算法联合使用,并对子结构中的单元进行损伤位置与损伤程度的识别。对实验室独塔斜拉桥不同构件的损伤进行数值模拟,仿真结果表明:支持向量机能较准确的对主梁、索塔、斜拉索三种构件的损伤进行分类识别;分层遗传算法能快速有效的完成斜拉桥某一构件中损伤单元的识别;分步识别使以上两种算法成功的结合,实现了斜拉桥全桥的损伤识别,同时分步识别能减少训练样本与初始种群的规模,提升寻优的效率。