基于神經(jīng)網(wǎng)絡(luò)的大跨鋼結(jié)構(gòu)缺陷損傷的定位研究

熊仲明，王 超，林 濤

(1.西安建筑科技大學(xué) 土木工程學(xué)院，西安 710055;2.唐山市規(guī)劃建筑設(shè)計研究院，河北 唐山 063000)

大跨鋼結(jié)構(gòu)是常用的建筑結(jié)構(gòu)形式之一，廣泛應(yīng)用于體育館、候機廳、會展中心等大型公共建筑當中。但是鋼結(jié)構(gòu)在服役過程中由于受外部環(huán)境的腐蝕、偶然超載、長期疲勞積累以及自身缺陷［1]等因素影響，結(jié)構(gòu)會出現(xiàn)損傷情況，嚴重時可能危及人們的生命財產(chǎn)安全，因此對大跨鋼結(jié)構(gòu)進行損傷識別及安全評估方法的研究具有重要的現(xiàn)實意義。

人工神經(jīng)網(wǎng)絡(luò)(ANN)是一種模仿人腦信息處理機制的網(wǎng)絡(luò)系統(tǒng)，以其處理信息的并行性、自組織、自學(xué)習(xí)性、聯(lián)想記憶功能以及很強的魯棒性和容錯性等優(yōu)點，廣泛應(yīng)用于土木工程等諸多領(lǐng)域。應(yīng)用ANN的結(jié)構(gòu)損傷診斷方法不需要結(jié)構(gòu)動力特性的先驗知識，具有損傷診斷非參數(shù)的優(yōu)點;它能夠通過訓(xùn)練學(xué)習(xí)，獲得隱含在樣本數(shù)據(jù)內(nèi)部的輸入與輸出之間的隱性關(guān)系，能夠濾除噪聲及在有噪聲情況下抽取事物本身內(nèi)在的特征，因而它比較適合對具有大量噪聲和測量誤差的結(jié)構(gòu)進行在線健康監(jiān)測與狀態(tài)評估［2]。目前對結(jié)構(gòu)進行模擬損傷檢測主要采用BP神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)等人工神經(jīng)網(wǎng)絡(luò)。

(1)BP神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network，簡稱BP網(wǎng)絡(luò))由Rumelhart在1986提出。它是一種具有三層或三層以上神經(jīng)元的神經(jīng)網(wǎng)絡(luò)，包括輸入層、中間層(隱層)和輸出層，上下層之間實現(xiàn)全連接，而每層之間的神經(jīng)元無連接。BP網(wǎng)絡(luò)以其結(jié)構(gòu)簡單、可調(diào)參數(shù)多、訓(xùn)練算法多、可操控性好等特點廣泛的應(yīng)用于實際當中，如模式識別、圖像處理、故障診斷等領(lǐng)域。

(2)概率神經(jīng)網(wǎng)絡(luò)(PNN網(wǎng)絡(luò))是根據(jù)貝葉斯分類規(guī)則與PARZEN的概率密度函數(shù)提出的。在訓(xùn)練網(wǎng)絡(luò)時，網(wǎng)絡(luò)直接存儲訓(xùn)練樣本向量為網(wǎng)絡(luò)的模式樣本向量，不作任何修改。

(3)徑向基(RBF)網(wǎng)絡(luò)是一類以函數(shù)逼近理論為基礎(chǔ)，只有一個隱藏層的三層前饋神經(jīng)網(wǎng)絡(luò)。它具有構(gòu)造簡單，學(xué)習(xí)速度快，在隱含層神經(jīng)元足夠多的情況下可以任意精度逼近任何多元連續(xù)函數(shù)的特點，被廣泛的應(yīng)用于處理模式識別、數(shù)據(jù)分析、時間序列預(yù)測等問題中。

最早把神經(jīng)網(wǎng)絡(luò)應(yīng)用于工程結(jié)構(gòu)損傷檢測和診斷的是美國Purdu大學(xué)的Venkatasubramanian和Chan，他們于1989年第一次運用BP網(wǎng)絡(luò)進行了結(jié)構(gòu)損傷檢測。國內(nèi)外學(xué)者近年來對神經(jīng)網(wǎng)絡(luò)應(yīng)用于工程結(jié)構(gòu)損傷檢測和診斷進行了大量研究，提出了很多具有現(xiàn)實意義的研究成果［4－13]，如1998年 Zhao等人使用對偶傳播神經(jīng)網(wǎng)絡(luò)完成對一根梁和一個框架的損傷定位，同時還研究了不同診斷特征參數(shù)對損傷定位的影響，如靜態(tài)位移、固有頻率、模態(tài)、來自模態(tài)的狀態(tài)矩陣等，同BP網(wǎng)絡(luò)相比，它的學(xué)習(xí)速度提高了幾個數(shù)量級。Catelsni等人成功運用RBF神經(jīng)網(wǎng)絡(luò)實現(xiàn)了故障的自動診斷與分類。Stefano等人于1999年提出了用概率神經(jīng)網(wǎng)絡(luò)產(chǎn)生貝葉斯分類的方法，利用神經(jīng)網(wǎng)絡(luò)良好的函數(shù)學(xué)習(xí)和歸納泛化能力對結(jié)構(gòu)系統(tǒng)的薄弱部位進行檢測與診斷。Kaminsk以頻率的變化作為神經(jīng)網(wǎng)絡(luò)的輸入來近似識別損傷的位置，他研究了結(jié)構(gòu)固有頻率、損傷前后頻率變化比、標準化的損傷前后頻率變化比對損傷定位的影響，同時還討論了不同隱含層單元數(shù)對網(wǎng)絡(luò)性能的影響。陶寶祺等人把小波神經(jīng)網(wǎng)絡(luò)引入結(jié)構(gòu)損傷診斷領(lǐng)域，利用小波變換能將原始信號的頻段分解到一系列不同頻段內(nèi)的性質(zhì)，對結(jié)構(gòu)進行損傷診斷。Wu［11]于1992年提出一種基于傅里葉譜的結(jié)構(gòu)損傷檢測方法，并應(yīng)用此方法對一棟3層建筑的開裂與無裂縫結(jié)構(gòu)進行了損傷檢測，取得很好的效果。瞿偉廉、陳偉等［5]采用徑向基網(wǎng)絡(luò)對復(fù)雜框架結(jié)點的損傷位置和損傷程度進行了分析研究。伍雪南、孫宋光等［13]將神經(jīng)網(wǎng)絡(luò)技術(shù)運用到懸索橋的損傷定位，采用少量懸索局部模態(tài)的基頻獲得了較好的結(jié)果損傷檢測。從上面不難看出神經(jīng)網(wǎng)絡(luò)應(yīng)用于結(jié)構(gòu)損傷檢測有廣闊的發(fā)展前景，但上述研究僅僅對網(wǎng)絡(luò)的層數(shù)與隱含層單元數(shù)的設(shè)置以及迭代步長等參數(shù)確定影響的考慮，忽略了高階頻率對網(wǎng)絡(luò)的收斂速度及診斷精度的影響，缺乏對復(fù)雜結(jié)構(gòu)特別是像大跨鋼結(jié)構(gòu)這種缺陷敏感性較強并應(yīng)用于實際工程結(jié)構(gòu)的損傷監(jiān)測與診斷的方法與技術(shù)［3]的系統(tǒng)研究。

對此，本文利用神經(jīng)網(wǎng)絡(luò)技術(shù)，以某高校體育場館的大跨鋼結(jié)構(gòu)為工程背景進行模擬損傷定位研究，將該大跨結(jié)構(gòu)損傷定位問題分成損傷識別初步定位，損傷識別具體定位和損傷程度識別3個步驟。通過ANSYS計算軟件對該體育場館的大跨鋼結(jié)構(gòu)建模分析，得出了該結(jié)構(gòu)在損傷前后的模態(tài)參數(shù)，并將其結(jié)果作為網(wǎng)絡(luò)的輸入?yún)?shù)進行分析。為了提高神經(jīng)網(wǎng)絡(luò)模型對該結(jié)構(gòu)缺陷損傷判定的收斂速度及診斷精度，在進行損傷識別時，將該大跨結(jié)構(gòu)細分成許多子結(jié)構(gòu)，縮小損傷的范圍，同時將高階頻率引入到不同的神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本中進行網(wǎng)絡(luò)訓(xùn)練，檢驗其對該結(jié)構(gòu)及構(gòu)件損傷識別的影響，取得了較有意義的研究成果。

1 大跨鋼結(jié)構(gòu)模型的建立

1.1 工程簡介

本工程是西安建筑科技大學(xué)體育訓(xùn)練館，坐落于西安建筑科技大學(xué)5棟學(xué)生公寓南面，其結(jié)構(gòu)形式為單層輕型門式剛架，建筑面積約5 000 m2，建筑總長120 m，主要受力剛架的單跨最大跨度為46.5 m，高度13.7 m，抗震設(shè)防烈度為8度，場地類別二類，場地特征周期為0.4 s，結(jié)構(gòu)阻尼比取0.02，結(jié)構(gòu)安全等級二級，設(shè)計使用年限50年，構(gòu)件主梁變形控制值為L/400，結(jié)構(gòu)主剛架鋼材最大截面規(guī)格為H1180×300×12×20，系桿截面為H400×200×6×12，支撐截面為H300×200×8×12，材質(zhì)采用Q345B，其結(jié)構(gòu)平面布置如圖1所示。

圖1 大跨鋼結(jié)構(gòu)布置圖Fig.1 The layout of the long-span steel arch structure

1.2 大跨鋼結(jié)構(gòu)的數(shù)值模型

本文用ANSYS軟件建立該大跨鋼結(jié)構(gòu)體育館模型，部分桿件編號見圖2。其結(jié)構(gòu)的材料性質(zhì)分別為:彈性模量 E=2.1 ×E11 Pa，材料密度 7 850 kg/m3，泊松比0.3。計算得到該體育館無損傷時的前12階固有頻率分別是:H1=2.432 3 Hz，H2=2.896 9Hz，H3=3.030 6 Hz，H4=3.518 2 Hz，H5=3.705 0 Hz，H6=4.054 3 Hz，H7=4.872 2 Hz，H8=6.168 3 Hz，H9=6.276 4 Hz，H10=6.451 5 Hz，H11=6.781 3 Hz，H12=6.892 6 Hz。

圖2 桿件編號Fig.2 Rod pieces number

2 損傷識別初步定位

2.1 單損傷識別初步定位

結(jié)構(gòu)一根桿件剛度降低稱為單損傷情況。本體育館的結(jié)構(gòu)由梁、剛性系桿、支撐、抗風柱、檁條五類桿件組成，由于抗風柱和檁條對結(jié)構(gòu)影響不大，所以本文僅考慮梁、剛性系桿、支撐三類桿件的損傷情況。輸入目標定義為一個三維向量用來區(qū)分桿件的所屬類別。梁、剛性系桿、支撐的損傷輸出向量分別定位為(1 0 0)、(0 1 0)、(0 0 1)。由于本體育館是一對稱結(jié)構(gòu)，所以僅取一半桿件為研究對象，以提高網(wǎng)絡(luò)的識別精度。

為了進行單損傷識別初步定位，本文建立一個三層BP網(wǎng)絡(luò)和一個PNN網(wǎng)絡(luò)，采用以結(jié)構(gòu)頻率為基準的標準化的頻率變化率NFCRi作為BP網(wǎng)絡(luò)和PNN網(wǎng)絡(luò)的輸入?yún)?shù)。隱含層的神經(jīng)元個數(shù)與網(wǎng)絡(luò)的輸入層神經(jīng)元之間采用:n2=2n1+1進行試算。其中n1表示輸入層神經(jīng)元個數(shù)，n2表示隱含層神經(jīng)元個數(shù)。另外，隱含層神經(jīng)元傳遞函數(shù)采用S型正切函數(shù)tan sig，輸出層神經(jīng)元傳遞函數(shù)采用S型對數(shù)函數(shù)log sig，訓(xùn)練函數(shù)為trainlm，訓(xùn)練次數(shù)定為10 000，訓(xùn)練目標0.001，學(xué)習(xí)速率通過試算確定。為了檢測網(wǎng)絡(luò)的泛化能力，本文規(guī)定用來測試的樣本不能從訓(xùn)練樣本中選取，且選取范圍必須廣泛。

表1是單損傷訓(xùn)練樣本，共有40種分析工況。對于每種損傷情況，用ANASYS進行結(jié)構(gòu)的模態(tài)分析，得出結(jié)構(gòu)損傷前后的前十二階固有頻率。表2是BP網(wǎng)絡(luò)與PNN網(wǎng)絡(luò)在不同頻率下網(wǎng)絡(luò)識別正確率的對比。

表1 單損傷訓(xùn)練樣本Tab.1 Samples of training single damage

表2 BP網(wǎng)絡(luò)與PNN網(wǎng)絡(luò)在不同頻率下網(wǎng)絡(luò)識別正確率的對比Tab.2 Contrast of identification accuracy in different frequency between BP network and PNN network

通過對表1和表2的綜合分析可以看出:

(1)BP神經(jīng)網(wǎng)絡(luò)取前六階結(jié)構(gòu)固有頻率作為基本參數(shù)進行結(jié)構(gòu)損傷，損傷識別率為84%。對梁的識別率比較高，30根梁中只有4根存在識別誤差，占測試樣本中梁總數(shù)的13.3%，識別錯誤的4根梁主要集中在結(jié)構(gòu)的邊緣和頂部;當網(wǎng)絡(luò)取前九階結(jié)構(gòu)固有頻率作為基本參數(shù)進行結(jié)構(gòu)損傷時，損傷識別率為87%，提高不是很大。當網(wǎng)絡(luò)取前十二階結(jié)構(gòu)固有頻率作為基本參數(shù)進行結(jié)構(gòu)損傷識別時，網(wǎng)絡(luò)識別率進一步提高，達到90%。梁的識別率大幅提高，僅有2根梁存在識別誤差，占測試樣本中梁總數(shù)的7%，但剛性系桿和支撐識別率沒有提高;

(2)對于BP網(wǎng)絡(luò)，隱含層神經(jīng)元個數(shù)和學(xué)習(xí)速率對網(wǎng)絡(luò)影響比較敏感，取值范圍稍微過大就會導(dǎo)致網(wǎng)絡(luò)測試結(jié)果的正確率變化很大;

(3)PNN神經(jīng)網(wǎng)絡(luò)取前六階結(jié)構(gòu)固有頻率作為基本參數(shù)進行結(jié)構(gòu)損傷識別，損傷識別率為86%。對梁的識別率相對BP網(wǎng)絡(luò)有所下降30根梁中有7根存在識別誤差，占測試樣本中梁總數(shù)的23%，識別錯誤的7根梁同樣主要集中在結(jié)構(gòu)的邊緣和頂部，并且和BP網(wǎng)絡(luò)識別出的錯誤信息基本相同，造成誤差的原因除了可能是網(wǎng)絡(luò)的識別誤差或是和梁所處的特殊位置造成以外，還有一點就是所選取梁的訓(xùn)練數(shù)據(jù)不足(訓(xùn)練樣本中梁的數(shù)目僅占梁的2%)。當網(wǎng)絡(luò)取前九階結(jié)構(gòu)固有頻率作為基本參數(shù)進行結(jié)構(gòu)損傷時，損傷識別率有了很大的提高，達到了94%，所有桿件識別率均有大幅度的提高，30根梁中僅有1根存在識別誤差，占測試樣本中梁總數(shù)的3%，而在對15根剛性系桿和支撐的識別中，2根存在識別誤差，占測試樣本總數(shù)的13%，可以看出PNN網(wǎng)絡(luò)對高階頻率和存在微小變化的數(shù)據(jù)比較敏感;

(4)PNN網(wǎng)絡(luò)對學(xué)習(xí)速率不是十分敏感，學(xué)習(xí)速率在一定范圍內(nèi)使網(wǎng)絡(luò)的識別正確率不會有多大變化。

2.2 雙損傷識別初步定位

當有兩根桿件同時發(fā)生損傷時，稱之為雙損傷。根據(jù)前面對BP網(wǎng)絡(luò)和PNN網(wǎng)絡(luò)的比較，本文選用PNN網(wǎng)絡(luò)對雙損傷情況進行損傷識別。輸入?yún)?shù)選取前9階固有頻率為基本參數(shù)的標準化的頻率變化率NFCRi。為了考慮同類桿件發(fā)生損傷的情況以及不同類桿件發(fā)生損傷的情況，本文建立兩個PNN網(wǎng)絡(luò)。

2.2.1 同類桿件損傷情況

PNN網(wǎng)絡(luò)訓(xùn)練樣本不再列表詳述，輸入目標取前9階固有頻率為基本參數(shù)的標準化的頻率變化率NFCRi，由于篇幅有限，這里不再給出NFCRi的具體數(shù)值(下同)。輸出目標定義為一個三維向量:剛性系桿間的損傷輸出向量定義為(1 0 0)，支撐之間的損傷輸出向量定義為(0 1 0)，梁之間的損傷輸出向量定義為(0 0 1)，學(xué)習(xí)速率取為0.8。網(wǎng)絡(luò)訓(xùn)練后運用測試樣本進行檢測，網(wǎng)絡(luò)識別正確率為89%，部分測試樣本及結(jié)果見表3。表3中理想輸出和實際輸出中的1代表(1 0 0)，2代表(0 1 0)，3代表(0 0 1)，判別結(jié)果中0代表錯誤，1代表正確。

表3 部分雙損傷測試樣本及結(jié)果Tab.3 Samples and results of training double damage

2.2.2 不同類桿件損傷情況

輸入目標同樣取前9階固有頻率為基本參數(shù)的標準化的頻率變化率NFCRi，學(xué)習(xí)速率取為1.4。網(wǎng)絡(luò)訓(xùn)練后運用測試樣本檢測，網(wǎng)絡(luò)識別正確率為87%，對剛性系桿和支撐的組合識別正確率達到100%。從分析結(jié)果可見，單損傷識別精度明顯高于雙損傷識別，而且單損傷識別的PNN網(wǎng)絡(luò)具有更好的泛化能力和魯棒性。

3 損傷識別具體定位

本文采用RBF網(wǎng)絡(luò)進行損傷識別具體定位，選取與損傷位置有關(guān)的函數(shù)——歸一化的損傷信號指標NDSIi及組合損傷指標 X={NFCR1，NFCR2，…，NFCRm，NDSI1，NDSI2，…，NDSIn}，并對比兩組參數(shù)在損傷識別具體定位中對網(wǎng)絡(luò)識別效果的影響。

3.1 單損傷識別具體定位

3.1.1 剛性系桿的具體損傷定位

結(jié)構(gòu)中剛性系桿標號為529～638，為了方便網(wǎng)絡(luò)輸出，重新定義桿件編號為1～110。選取訓(xùn)練樣本，見表4，計算出每一種工況下結(jié)構(gòu)的前六階固有頻率和相應(yīng)節(jié)點的前一階振型，對數(shù)據(jù)進行歸一化作為RBF網(wǎng)絡(luò)的輸入?yún)?shù)。

(1)以歸一化的損傷信號指標作為網(wǎng)絡(luò)輸入向量的損傷識別

本文根據(jù)訓(xùn)練樣本見表4，輸入向量采用歸一化的損傷信號指標NDSIi，學(xué)習(xí)速率經(jīng)過測試選用1.43進行訓(xùn)練。網(wǎng)絡(luò)訓(xùn)練后運用測試樣本檢測，識別正確率為83%，測試樣本及結(jié)果見表5。

表4 剛性系桿的具體損傷定位訓(xùn)練樣本Tab.4 Training samples of locating the damages of rigid rod pieces

表5 剛性系桿具體損傷定位測試樣本及結(jié)果Tab.5 Training samples and results of locating the damages of rigid rod pieces

(2)以組合損傷指標作為網(wǎng)絡(luò)輸入向量的損傷識別

訓(xùn)練樣本取表 4 中的 1，28，35，70，100 五根桿件，輸入向量采用組合損傷指標，學(xué)習(xí)速率經(jīng)過測試選用0.98。網(wǎng)絡(luò)訓(xùn)練后運用測試樣本檢測，識別正確率達到85%，識別出的桿件大多集中在結(jié)構(gòu)邊緣和振型位移小的部位。

3.1.2 支撐的具體損傷識別定位

對支撐的識別定位過程同剛性系桿的定位過程，由于篇幅有限不再詳述。結(jié)果表明，當采用歸一化的損傷信號指標NDSIi作為網(wǎng)絡(luò)輸入向量進行具體損傷定位時，在所有的支撐中識別正確率為82%。識別出的桿件全部集中在位移變化比較平緩的支撐跨內(nèi)。當采用組合損傷指標作為輸入向量進行支撐的損傷定位時，識別正確率為86%，略有提高。

3.1.3 梁的具體損傷識別定位

對梁的識別定位過程同剛性系桿的定位過程。計算結(jié)果表明，當采用歸一化的損傷信號指標NDSIi作為網(wǎng)絡(luò)輸入向量進行具體損傷定位時，能夠完全正確定位梁編號的正確率為82%。當采用組合損傷指標作為輸入向量進行支撐損傷定位時，能夠完全正確定位梁編號的正確率為89%。

3.2 雙損傷識別具體定位

識別步驟同單損傷具體定位類似。本文只考慮兩根剛性系桿同時損傷的情況。網(wǎng)絡(luò)的輸入?yún)?shù)仍然選用歸一化的損傷信號指標NDSIi和組合損傷指標。

(1)以歸一化的損傷信號指標NDSIi作為網(wǎng)絡(luò)輸入向量的損傷識別，學(xué)習(xí)速率經(jīng)過測試取0.36。分析結(jié)果表明，網(wǎng)絡(luò)正確識別率為80%。測試樣本及結(jié)果見表6。

(2)用組合損傷指標作為網(wǎng)絡(luò)輸入向量進行雙損傷桿的具體損傷定位時，正確識別率85%，識別出的錯誤桿件與原桿件位置比較接近。

分析結(jié)果表明，損傷識別具體定位沒有初步定位正確率高，桿件數(shù)量和振型位移對識別效果影響很大;采用組合損傷指標時能夠提高網(wǎng)絡(luò)的識別正確率。

表6 雙損傷剛性系桿測試樣本及網(wǎng)絡(luò)實際輸出損傷桿件編號Tab.6 Samples of training double damages of rigid rod pieces and numbers of the damage rod pieces supplied by the network

4 損傷程度識別

完成初步定位和具體定位后，再確定桿件的損傷程度。本文仍然采用RBF網(wǎng)絡(luò)。網(wǎng)絡(luò)輸入向量選取頻率平方變化比NFSRi。

4.1 單損傷識別

表7是單損傷識別時，訓(xùn)練樣本的學(xué)習(xí)速率及測試樣本和部分桿件結(jié)果。從表7可以看出，本文僅采用五種損傷程度下的損傷桿件樣本進行訓(xùn)練后，就獲得了損傷桿件在整個損傷范圍內(nèi)的損傷程度。計算結(jié)果表明，無論是外推值還是內(nèi)插值都與理論值比較吻合，對低損傷情況的識別程度不夠理想。

4.2 雙損傷識別

雙損傷桿件損傷程度識別同單損傷步驟類似，這里僅考慮桿之間的雙損傷組合，選用的神經(jīng)網(wǎng)絡(luò)和網(wǎng)絡(luò)輸入向量同單損傷損傷程度識別，由于篇幅有限訓(xùn)練過程不再詳述。分析可見單損傷桿件損傷程度測試的識別精度明顯高于雙損傷桿件損傷程度測試的識別精度。

表7 單損傷損傷程度測試樣本及桿件部分結(jié)果Tab.7 Training samples of damage degree of singe damages and results of some rod pieces

5 結(jié)論

本文通過基于模態(tài)分析的神經(jīng)網(wǎng)絡(luò)損傷檢測方法，研究了大跨鋼結(jié)構(gòu)的損傷識別定位問題，得出以下主要結(jié)論:

(1)分析結(jié)果表明，采用神經(jīng)網(wǎng)絡(luò)技術(shù)對大大跨鋼結(jié)構(gòu)這種復(fù)雜結(jié)構(gòu)進行損傷檢測是可行的，且網(wǎng)絡(luò)識別精度有了很大的提高。

(2)計算結(jié)構(gòu)表明，采用BP網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)(PNN)進行結(jié)構(gòu)損傷初步定位時，BP網(wǎng)絡(luò)對高階頻率不是很敏感，而 PNN網(wǎng)絡(luò)的識別效果明顯好于BP網(wǎng)絡(luò)，體現(xiàn)出PNN網(wǎng)絡(luò)在解決分類問題方面的優(yōu)越性。

(3)分析結(jié)果表明，神經(jīng)網(wǎng)絡(luò)對單損傷的識別效果要明顯優(yōu)于雙損傷情況，樣本數(shù)量增多會降低網(wǎng)絡(luò)的識別精度，同時網(wǎng)絡(luò)識別的效果受結(jié)構(gòu)桿件所處的位置以及振型位移的大小因素的影響。

(4)分析結(jié)果表明，在進行損傷識別具體定位時，采用組合損傷指標的網(wǎng)絡(luò)識別效果要優(yōu)于僅采用單一損傷指標的網(wǎng)絡(luò)，集合多個參數(shù)優(yōu)點的組合指標能夠更好的進行損傷識別。

(5)分析結(jié)果表明，為了達到了一定精度，采用部分節(jié)點的低階振型和組合指標作為參數(shù)進行損傷識別，在復(fù)雜結(jié)構(gòu)缺失部分振型的情況下是可行的。

［1] 熊仲明，韋 俊，曹 欣，等.46.5m大跨度弧形鋼拱結(jié)構(gòu)的穩(wěn)定及其缺陷影響分析［J] .工程力學(xué)，2009，26(11):172－178.

［2] 李志寧.神經(jīng)網(wǎng)絡(luò)在框架結(jié)構(gòu)損傷診斷中的應(yīng)用研究［D] .武漢:武漢理工大學(xué)，2007.

［3] 姜紹飛.基于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化與損傷檢測［M] .北京:科學(xué)出版社，2002.

［4] 張紅雷.基于動態(tài)特性的結(jié)構(gòu)損傷診斷若干關(guān)鍵問題研究［D] .南京:東南大學(xué)，2006.

［5] 瞿偉廉，陳 偉.多層及高層框架結(jié)構(gòu)地震損傷診斷的神經(jīng)網(wǎng)絡(luò)方法［J] .地震工程與工程振動，2002，22(1):43－48.

［6] 高維成，劉 偉.網(wǎng)殼結(jié)構(gòu)損傷識別的數(shù)值模擬及試驗研究［J] .工程力學(xué)，2006，23(10):111 －117.

［7] 王興林.基于徑向基網(wǎng)絡(luò)的結(jié)構(gòu)損傷識別［D] .南京:南京航空航天大學(xué)，2005.

［8] Abdo M A B，Hori M.A numerical study of structural damage detection using changes in the rotation of mode shapes［J] .Journal of Sound and Vibration，2002，251(2):227 －239.

［9] Rytter A.Viberation based inspection of civil engineering［D] .University of Alborg，Denmark，1993.

［10] Mehrjoo M，Khaji N，Moharrami H，et al.Damage detection of truss bridge joints using artificial neural networks［J] .Expert Systems with Applications，1992，42:649 －659.

［11] Wu X，Ghaboussl J，Garretl J H.Use of neural networks in detection of structural damage［J] .Structure Computer＆Structure，1992，42(4):649 －659.

［12] 李宏男，高東偉，伊延華.結(jié)構(gòu)健康監(jiān)測系統(tǒng)的研究狀況與進展［J] .力學(xué)進展，2008，38(2):5－10.

［13] 伍雪南，孫宗光，畢 波，等.基于吊索局部振動與神經(jīng)網(wǎng)絡(luò)技術(shù)的懸索橋損傷定位［J] .振動與沖擊，2009，28(10):203－206.