地震是一种破坏力极强的自然灾害,震后的抗震救灾工作刻不容缓,交通运输网络则是人员和物资转运的生命线。桥梁作为交通运输网络的关键节点,其地震损伤状态直接影响后续抗震救灾工作的开展,因此快速识别桥梁地震损伤状态至关重要。在已有桥梁损伤识别研究中,通常将完好或有损的桥梁均视为线性结构,并基于线性损伤特征对桥梁损伤状态进行识别。然而,地震激励下的桥梁将表现出非线性行为,且在发生损伤后其非线性行为愈发明显,线性损伤特征的应用将受到诸多限制。桥梁在地震激励下可能发生多处不同程度的损伤,其损伤状态复杂,适合采用模式识别方法进行求解。近年来,深层神经网络(Deep Neural Network,DNN)因具有比传统模式识别方法更强大的学习能力而迅速兴起,为复杂的桥梁地震损伤识别问题提供了新方案。然而,DNN在土木工程结构损伤识别领域的应用研究才刚刚开始,仍存在许多问题有待深入探讨。针对上述问题,本文开展了基于时频域损伤特征与DNN的桥梁地震损伤模式识别问题研究。主要研究内容如下:1.对地震激励下桥梁钢筋混凝土构件的弯剪损伤模拟方法进行讨论,采用纤维单元与剪切弹簧串联的方式对弯剪损伤进行模拟,将该方法引入增量动力分析,实现了对地震激励下桥梁弯剪损伤全过程的模拟。2.使用形态滤波器(Morphological Filter,MF)对不同主频、信噪比、采样频率的信号进行滤波,以滤波后的信噪比作为滤波效果评价指标,对结构元素形状进行比选并建立结构元素尺寸的计算方法,使MF成为自适应方法,使用模拟数据和实测数据验证了自适应MF的滤波效果。3.基于MF在噪声滤除方面的优良性能,将自适应MF引入聚合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)提出了MF-EEMD算法,使用MF滤除EEMD过程中冗余的噪声分量以抑制其模态混叠问题,使用MF-EEMD对模拟数据和实测数据进行分解,分解所得波形及其Hilbert谱更加清晰、连续,验证了所提MF-EEMD的改进效果。4.使用MF-EEMD对地震激励下的桥梁加速度响应进行分解,依据能量指标对分解分量进行时段划分,在各时段内对分解分量的频率和幅值取平均,并以此作为桥梁时频域损伤特征,结果表明时频域损伤特征与地震损伤状态之间存在明显的相关性。5.讨论了不同类型DNN的特点及适用场景,针对桥梁地震损伤模式识别问题搭建了相应的DNN模型,对其网络结构、激活函数、分类函数、损失函数、训练方法等进行了比选,使用连续刚构桥有限元模型模拟地震损伤模式样本对DNN进行训练与测试,实现了桥梁地震损伤模式识别。6.以大比尺斜拉桥振动台试验模型为研究对象,使用本文所提方法对其进行地震损伤模式识别,对比可见DNN识别的地震损伤模式与试验现场观测的损伤现象吻合较好,验证了所提桥梁地震损伤模式识别方法在实际应用中的可行性及有效性。